Leicht erklärt
Raw Material Price Forecast
Der Raw Material Price Forecast nutzt neue Techniken und Ressourcen wie Cognitive Computing, Machine Learning sowie Cloud Computing. Auf dieser Basis wird eine größere Anzahl möglicher Einflussfaktoren in kürzerer Zeit identifiziert, die wiederum Hinweise auf die mögliche Entwicklung von Rohstoffpreisen liefern.
Nutzen 1
Big Data im Raw Material Price Forecasting
- „Crawling“ nach möglichen Einflussfaktoren in externen Datenquellen, wie beispielsweise dem Internet.
- Kombination von Experten-Forecast, Wechselkursen, Produktion, Nachfrage, etc.
Ergebnis: Das Sammeln von Einflussfaktoren wird beschleunigt und intensiviert.
Nutzen 2
Prozess-Modellierung im Raw Material Price Forecasting
- Optional: Ablöse eines „Ad-Hoc“-Forecast-Prozesses
- Statt Exceldateien oder E-Mails wird eine zentrale Datenbasis genutzt.
- Bessere Nachvollziehbarkeit und Minimierung von Fehlerquellen.
Ergebnis: Neue Anforderungen an den Forecast können schneller umgesetzt werden.
Nutzen 3
Machine Learning im Raw Material Price Forecasting
- Digitalisierung des fachlichen Einkaufswissens
- Zusammenführung von Einflussfaktoren in einem Referenzmodell
Ergebnis: Verbesserung des aktuellen, manuellen Forecasts.
