-
FINANCE ANALYTICS : SALES FORECAST
pmOne – Your Data and AI Solution Provider
-
die Präsentationerhalten Sie im Nachgang
Stärkung und Frischluftliegen in Ihrer Hand
die Aufzeichnung wirdzum Download bereitgestellt
Ihre Fragen könnenSie im Chat stellen
-
WEB-INAR SALES FORECASTING
Agenda Dauer• Firmenvorstellung 5• Analytics 5• Predictive
Forecasts 10• Planning 15• Architecture 3• Customers & Projects
5• Services & Solutions 5• Q&A 5
02.04.2020 10:00 – 11:00
-
DATA driven. AI based. PEOPLE minded.
Wallisellen(Zürich)
Wien
Leibnitz
Köln
Paderborn
Berlin
Hamburg
München
Frankfurt
~ 28 Mio. €Gegründet 2007 171 FTE
500+
Chemnitz
We develop first class data and AI solutions for your
success
Full-StackData & Analytics
PartnerProjekte
MS Worldwide Partner of the Year
2018
Partner of the Year und Data Estate Modernization
Weltweit Nr. 1 Partner
-
„von der Quelle bis zur letzten Meile“
UNSERE THEMEN – UNSERE LÖSUNGEN
Data Management
Data Operations
Data EngineeringBeschaffung Kunden
Customer Analytics
Industrial AnalyticsCognitiveSourcing
Financial Analytics
-
pmOne GmbHMedia Quarter Marx 3.4 ∙ Maria-Jacobi-Gasse 1A-1030
Vienna Austria
Heimo TeubenbacherHead of Finance Analyticsmobile +43 676
83852390email: [email protected]
-
pmOne GmbHMedia Quarter Marx 3.4 ∙ Maria-Jacobi-Gasse 1A-1030
Vienna Austria
Franz TomannSenior Consultant / Solution Architectmobile +43 676
83852325email: [email protected]
-
pmOne GmbHMedia Quarter Marx 3.4 ∙ Maria-Jacobi-Gasse 1A-1030
Vienna Austria
Oliver KumhoferSenior Consultant / Solution Architectmobile +43
676 83852359email: [email protected]
-
| ANALYTICS
-
OUR TOPIC FIELDS
Sales Forecasting
Cash Flow- & Liquidity-Prediction
Cost Forecasting
Risk-Simulation
Customer Analytics Industrial Analytics
Optimize Campaign Management / Uplift ModelMarketing
Customer Lifetime ValueSales
RecommenderSales
Churn preventionSales
ClusteringMarketing
Faulty Part detection
Shop floor Digitalization
Predictive MaintenanceProduction
Production
Production
Optimize Process Quality / EfficiencyProduction
Condition MonitoringProduction
Driver Based Planning & Simulation
Finance Analytics
-
FINANCE ANALYTICS
Typische Ziele
-
FINANCE ANALYTICS
Vorhersage der Nachfrage bzw. abgesetzten Menge für die nächsten
Tage, Wochen und Monate.Nutzen: Prognose unter der Annahme
„Business as Usual“als objektive Orientierungsgröße für die
Auftragseingangsplanung, für die Allokation der Ressourcen in der
Produktion sowie als Basis für die KPI-Planung.
Vorhersage; mit welcher Wahrscheinlichkeit ein Kunde in der
zukünftigen Periode abwandern wird.Nutzen: Mustererkennung, welche
Vertragsmerkmale, Preismodelle, Hilfeservices, demographischen
Merkmale und andere Treiber und Indikatoren die Wahrscheinlichkeit
von Kundenabwandungen erhöhen bzw. senken.
Vorhersage; welche Preisspanne für ein neues Produkt basierend
auf den verbauten Komponenten und den Konkurrenzprodukten
angemessen ist.Nutzen: Vermeidung von Over-bzw. Underpricing.
Optimierung von Marge und gleichzeitiger Gewährleistung der
Wettbewerbsfähigkeit:
Demand Prediction Customer Churn Pricing New Products
-
FINANCE ANALYTICS
Aggregierung und Bewertung operationeller Risiken.Nutzen: Eine
Simulations-Engine wird an das bestehende Planungs-und
Reportingssystem angebunden. Berechnung des VaR und Expected
Shortfalls unter Berücksichtigung Entity-Hierarchie, Korrelationen,
bestehender Rückstellungen und beliebiger Verteilungsklassen.
Erkennung von Anomalien/Ausreißern in Transaktionsdaten.Nutzen:
Betrugserkennung und –aufdeckung (z.B. für Kreditkartenmißbrauch
für Banken, oder Versicherungsbetrug), Anomalien in Meldedaten
(z.B. Tochter liefert an Mutter)
Vorhersage zum Zeitpunkt der Kreditvergabe, mit welcher
Wahrscheinlichkeit ein Kreditnehmer oder auch Kunde, seinen
Kredit/Rechnung nicht begleichen kann.Nutzen: Vergabe-Entscheidung
bzw. –konditionen können in Abhängigkeit der
Wahrscheinlichkeitsbewertung vorgenommen werden.
Risk Simulation Payment-Anomaly- &Fraud-Detection
Debt Default
-
FINANCE ANALYTICS
Vorhersage des Umsatzes der nächsten Tage, Wochen und Monate.
Dashboard mit PowerBI als Front-End und MS Azure und Planungssystem
als Backend.Nutzen: Prognose unter der Annahme „Business as
Usual“als objektive Orientierungsgröße für die Umsatzplanung, für
die Allokation der Ressourcen in der Produktion sowie als Basis für
die KPI-Planung.
Vorhersage, nach wievielen Tagen eine ausstehende Forderung
beglichen wird.Nutzen: Cash Flow- bzw. Liquiditätsplanung.
Optimierte Overnight-Anlage und höhere Rendite. Zusätzlich
Recommender-System wie in bestimmten Situationen zu verfahren ist
(Mahnstufen-Recommender etc.)
Kontinuierliches 360-Grad Scanning nach neuen
unternehmensrelevanten Trends und News Nutzen:
Unternehmensentscheider und -mitarbeiter kennen schätzungsweise nur
rund 10% aller relevanten News und Trends. Ein Algorithmus
priorisiert News und Trends – und das für unterschiedliche Sprachen
und Länder gleichzeitig.
Sales ForecastReceivable CollectionPeriod
TrendWatch
Mustererkennung aus Daten, welche Treiber KPIs (z.B. Ebit,
Umsatz) maßgeblich beeinflussen.Nutzen: Sind die (iterativen)
Ursache-Wirkungs-Zusammenhänge zwischen finanziellen und
nicht-finanziellen Treibern und KPIs bekannt, so können basierend
auf diesem Modell viele interne und externe Szenarien und ihr
Einfluss für Bilanz, Guv, CF simuliert werden.
Driver Based-Planning& Simulation
-
| PREDICTIVE FORECAST
-
FINANCE ANALYTICS
Actual Data
-
FINANCE ANALYTICS
Predictive forecast
-
18
ADVANCED ANALYTICS TOPICS
Supervised
REGRESSION
Supervised
TIME SERIES FORECASTING
Supervised
CLASSIFICATION
Recognizes objects
Chair?Table?Shelf?
Estimates future numerical values
Estimates numerical values
-
19
TIME SERIES FORECASTINGTime series analysis is focused on
extracting meaningful characteristics and statistics from series
data, while time series forecasting tries to predict future values
of the series based on the past.Any time series can contain one or
more of the following components:
1. Trend: A trend exists when there is a long-term increase or
decrease in the data2. Seasonal: A seasonal pattern occurs when the
time series is affected by seasonal factors, e.g. day of the week
or month
of the year3. Cyclic: A cycle occurs when the data exhibits
rises and falls that are not of a fixed frequency. These are often
related to
business cycles4. Irregular: The unpredictable component of the
time series.
Time series models usually combine these different components in
an additive or multiplicative way:
Holt-Winters
-
| PLANNING
-
FINANCE ANALYTICS
Planning Products
• Finance Transformation PlattformAnalytics mit XLCubed,
PowerBI
• Segment: large, medium• für SAP zentrierte
Unternehmen
• seit 1986• > 1.000 Kunden
• Unified Smart CPM PlatformAnalytics integriert
• Segment: top, large• als logischer Nachfolger
von Oracle HFM
• seit 2013• > 400 Kunden
• Finanz PlattformAnalytics mit PowerBI
• Segment: medium, small• Fokusmarkt:
Deutschland, Österreich
• seit 1989• > 500 Kunden
-
ITALY 300
FRANCE 30BENELUX 30
DACH 50
NORTH AMERICA 50
UK 20
APAC 10
more than
2500applications
approximately
1000customers
more than
20years
experience
Across Multiple Industries
Banking Manufacturing & CPG
Energy & Utilities
Construction Fashion & Retail
MediaInsurance Other Financial Services
Services
UNIFIEDPERFORMANCEMANAGEMENT
CONSOLIDATION
REPORTING
PLANNING
ANALYTICS
BUDGETING
DISCLOSURE
THE TAGETIKPLATFORM
GLOBAL REACHWITH 500 EMPLOYEES
-
FINANCE ANALYTICS
Planning Application
-
FINANCE ANALYTICS
Forecast Planning
-
| SOLUTION ARCHITECTURE
-
FINANCE ANALYTICS
Prediction Process
-
FINANCE ANALYTICS
Architecture Financial Forecast
-
| PMONE CUSTOMER & PROJECTS
-
CUSTOMERS
A selection of some advanced analytics customers
CUSTOMER ANALYTICS MACHINE ANALYTICS FINANCIAL ANALYTICS
-
ENERGY: RISK-SIMULATION-ENGINE IN R
Case Study
Risk Valuation and MonitoringSimulation-EngineCompany
RiskRisk-Return-OptimizationStatistical ProgrammingFinancial
Planning and ReportingTagetik
• Multi dimensional Risk engine with seamlessconnection to
Tagetik
• Risk Valuation can be triggered from Tagetikby risk managers
of different levels
• Exports VaR, Expected Shortfall, Worst/Best/Most Likely Case
to Tagetik
• Simulation of millions of cells for different entities, time
frames, and accountsincluding export of results is done in 1
minute
• Development and programming of risk valuationengine in R
• Take correlation between operational Risks intoaccount
• Ensure communication between risk simulationengine to existing
planning and reporting architecture (Tagetik)
• Engine should handle risks of any distributionfunction and
consider risk provisions
• Programmed RScript for extracting, transforming and loading
Tagetik Data into R
• Programmed a multi dimensional Simulation Engine in R that
recognizes multiple fequency and severity distribution
functions
• Included a multi dimensional array to takecorrelation between
risks into account
• Deducted risk provisions if available• Aggregated risks
results accross entities and
time layers and exported results to Tagetik
OUTCOMECHALLENGE SOLUTION
• Evaluate operational Risks with different
frequency and severity distributions
• Seamless connection to existing planning &
reporting system
• High-Performance Simulation-Engine in R:• Includes correlation
between Risks• Deduction of risk provisions• Include or exclude
extreme risks• Variety of key risk indicators (e.g. VaR, Exp.
Shortfall)• Considers different time frames and accounts
+
+
+
-
CONSUMER GOODS: SALES PREDICTION
Case Study
Daily & monthly forecastAutomated ForecastImproved
BudgetingRandom ForestExtreme Gradient BoostingRidge, Lasso,
Elastic RegressionFeature Engineering and SelectionMachine
Learning
• Automated Sales prediction model• Sales forecasts on daily
basis for up to 30
days into the future• Outperformed human performance leading
to annual cost savings and increased quality in budgeting
process
• Develop a automated sales forecasting model with high
prediction accuracy
• Benchmark for accuracy was defined as a MAPE of 10% for a
one-month ahead forecast (approx. human error)
• The prediction model should be able to make exact daily
point-forecasts for up to 30 days into the future
• Merge of historic daily sales data and business calendar of
the targeted countries
• Feature engineering and accounting for time and
cross-sectional (Business unit) specific effects
• Model building and training in R and parameter optimization
until out-of-sample forecasts beat MAPE target
OUTCOMECHALLENGE SOLUTION
• Sales Prediction Model for next 30 Days
• Outperformed human performance
• Ensembling of different algorithms like randomforest, extreme
gradient boosting, support vector machines
+
++
-
LOGISTIC: CASH-FLOW-PREDICTION
Case Study
Daily cash flow forecastOpen Position listsAutomated
ForecastRandom ForesPayment corridorTreasury and liquidity
• Automated cash flow prediction whichamount of cash flow can be
expected in which time range
• Aggregated view over all cash flowpredictions gave logistic
company muchmore accurate view about their liquidityposition in the
coming days
• Develop an automated cash flow forecastingmodel predicting
date and amount of debtorpayments
• Using debtor information from different sources• Combining
prediction for time of payment with
amount of payment
• Merge debtor information from different sources using debtor
name and ID
• Use quantile regression forests to calculatedate corridor of
future payments
• Use survival analysis to transform non-paidinvoices to date to
probabilities when futurepayments will occur
• Combine forecasted payment date withprobibility of amount of
payment
OUTCOMECHALLENGE SOLUTION
• Predict Liqudidity for next 14 days
• Predict time range of payment and amount ofpayment
• Using past debtor payment information combinedwith:
• CRM-system information• Dunning information• External debtor
information
+
+
+
+
-
RETAILER: DRIVER-BASED-PLAN & SIMULATION
Case Study
Driver-based Planning & SimulationValue Driver TreeCube
ReportingOLAPAnual Report SimulationCause-Effect-Relationships
• Determine most critical value drivers usingadvanced analytics
with R
• Simulation engine that connects financialand non-financial
information and modelscause-effect-relationship
• Company planner can now simulate different actions (like price
discounts, higher quality) and their effects (incl. risks) on BS,
PL and cash flow statement
• Develop and built driver-based planning in order tosimulate
the profit outcome for all possiblecombination of value-drivers
• Determine most critical value drivers• Connect the
driver-based simulation to balance
sheet, profit and loss and cash flow statement
• Merged CRM data, Purchase data and customer data
• Used Decision tree and random forests todetermin value
drivers
• Build relationship and simulation modelbetween value drivers
in R
• Build connection between simulation engineand anual report
information (BS, PL and CF) in Excel
OUTCOMECHALLENGE SOLUTION
• Detect main financial and non-financial drivers ofprofits
• Determine relationships between drivers
• Develop and implement simulation engine:
• Simulate along major dimensions (product, location, units,
etc.)
• Analyze profit consequences forsimultaneous change of
drivers
+
+
+
-
MOULDING: COST FORECASTING
Case Study
Cost driver extractionOperational cost functionOperation cost
predictionCost transperancyNeural netsPrediction EnsemblesMarginal
costsMoulding
• High transperancy about main cost drivers• Prediction of
operational costs outperformed
human error• Reduced working capital due to better
prediction of needed ressources• Approximated operational cost
function
enables search for alternatives to optimizecost structure
• Identify and merge all relevant costs data from all cost
centres
• Use advanced analytics to identify main costdrivers
• Use linear and non-linear models to modeloperational costs and
make cost predictions
• Create a prediction ensemble to forecastoperational costs
• Used non-linear classification methods toidentify main cost
drivers
• Built different neural nets like backpropagation NN, resilient
NN and extreme learning machines
• Opened neural net „black box“ with global and local
methods
• Extracted main cost drivers and approximated resulting cost
function
OUTCOMECHALLENGE SOLUTION
• Extract main cost drivers and estimate operational cost
functions
• Increased cost transparency
• Prediction of operational costs
• Search and evaluate cost alternatives
+
+
++
-
HERAUSFORDERUNG LÖSUNG ERGEBNIS
ANWENDERBERICHT
Yield OptimizationFeature ImportanceRecommenderData
ScienceArtificial Intelligence*Machine Learning
• Optimieren der Qualitätseigenschaften in der
Glasfaserproduktion
• Verformung von Glasfasern bei mehrstufigen
Produktionsgängen
• Unkenntnis der Einflussfaktoren für abnorme
Produkteigenschaften während der Produktion
• Feature-Importance-Algorithmen bestimmen einflussreichste
Parameter für optimale Ausbeute
• Klassifikation ähnlicher Prozessparameter-Paarungen und
-Belegungen
• Klare Empfehlungen für Maschinenführer zur Verbesserung der
Produktion (Recommender)
• Kenntnis der Kunden über erfolgreiche Produktionsschritte
• Signifikante Prozessverbesserungen in der Produktion
• Geringer Ausschuss und höhere Prozessdurchlaufzeiten
Optimale Ausbeute bei Glasfaserherstellung
Erkennen von Einflussfaktoren für fehlerhafte Prozesse in der
Produktion
Signifikante Prozessverbesserungen:• Ausschussvermeidung•
Qualitätssteigerung• Kosteneinsparung• Zufriedene Kunden
-
| PMONE SERVICES & SOLUTIONS
-
SUPPORT TO BECOME A DIGITAL LEADER
Our Services & Products
CONTINUOUS CONSULTING
TRAINING, WORKSHOP, MEETUP
SOFTWARE PRODUCTS PRE BUILT SOLUTIONS AND PATTERNS
-
Ihr Einstieg in AI und Data Science
STARTER PACKAGES
-
Q & A
Bitte nutzen Sie die Chatfunktion von GotoMeeting!
-
next steps
Heimo TeubenbacherHead of Finance Analytics
pmOne AG
Barthstraße 2 - 1090339 MünchenDeutschland
[email protected]
M: +43 676 838 52 390
Ø BeratungsterminØ DemoterminØ Workshop
Herzlichen Dank
für Ihr Interesse
