Download pdf - FINANCE ANALYTICS : SALES FORECAST€¦ · WEB-INAR SALES FORECASTING Agenda Dauer • Firmenvorstellung 5 • Analytics 5 • Predictive Forecasts 10 • Planning 15 • Architecture

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]


Franz TomannSenior Consultant / Solution Architectmobile +43 676 83852325email: [email protected]


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


• 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


• 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


• 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


• 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