„Nach der Krise ist vor der Krise“: die Auswirkungen von COVID 19 haben gezeigt, wie wichtig es für die Überlebensfähigkeit von Unternehmen ist, rasch auf geänderte Rahmenbedingungen zu reagieren. Gestörte Lieferketten und stark geändertes Kundenverhalten auf Grund der COVID 19-Maßnahmen führen dazu, dass sich die Unternehmen verstärkt mit der Integration der Absatzplanung, der Absatzprognose und dem Transfer in die Produktions- und Bedarfsplanung bemühen.

Dieser Blog befasst sich mit den neuesten Trends auf dem Markt zu Business Performance Management (BPM). BPM-Lösungen beinhalten in diesem Zusammenhang Softwareanwendungen für das betriebswirtschaftliche Berichtswesen einschließlich konsolidierter Ergebnisse, alle Aspekte der Planung (strategisch, operativ, treiberbasiert, Zero Based Budgeting usw.) und Prognosen.

Kundensegmentierung ermöglicht Finanzinstitutionen eine differenzierte Kundenansprache und bietet eine Reihe von Vorteilen. Hervorzuheben ist hierbei die Steigerung des Produktabsatzes und damit die Steigerung des Zins- und Provisionsertrags im Retail Banking bzw. des Prämienergebnisses für Retail Insurance. Dennoch nutzen Banken und Versicherungen derzeit oft noch keine modernen, auf Machine Learning basierten Möglichkeiten, um die angestrebten Vorteile zu erzielen.

Industrial IoT – Aller Anfang ist Cloud

Data-Science-Team

IIoT ist nach wie vor ein Trendthema. Doch nicht immer sind entsprechende Projekte erfolgreich. Wir werfen einen Blick auf den Status quo, auf die typischsten Stolperfallen und auf vielversprechende Lösungsansätze. Hierbei spielen sogenannte Plug-&-Play-Devices und der Einsatz von Cloudlösungen eine zunehmende Rolle. Das Data-Science-Team erklärt Ihnen außerdem, wie man ausgehend von kleinen und ggf. sogar Modell-basierten Projekten frühzeitig das dahinterstehende Potenzial ermittelt.

Reibungslose Prozesse sind die Grundlage für erfolgreiche Produktionsunternehmen. Die komplexen digitalen und maschinellen Abläufe sind jedoch fehleranfällig und die aufwändige Suche nach Ursachen von Produktionsabweichungen – sogenannten Anomalien - kann zu verminderter Produktqualität, Ausschuss oder sogar zu kostspieligen Produktionsstillständen und Lieferschwierigkeiten führen. Mit Hilfe von Data Science und Algorithmen aus dem Gebiet des Maschinellen Lernens (ML) ist es möglich, automatisch komplexe Ursachen von Prozessanomalien zu finden. Unser Blogbeitrag zeigt, wo die Herausforderungen liegen und wie mögliche Lösungen aussehen.

Planung mit Power BI

Heimo Teubenbacher

Der einfache und schnelle Zugang zu Ist-Daten entwickelt sich zunehmend zu einem „Game-Changer“ in der Umsetzung von Planlösungen. Insbesondere durch Schwarzer-Schwan-Ereignisse wie der aktuellen Corona-Pandemie sind Unternehmen darauf sensibilisiert, dass sich wirtschaftliche Rahmenbedingungen sehr schnell erheblich verändern können. Mit einer flexiblen, integrierten Reporting- und Planungslösung gelingt eine rasche Anpassungsreaktion, um markt- und wettbewerbsfähig zu bleiben. So schaffen Sie im CFO-Office mehr Freiräume für inhaltliche Fragestellungen und eine Rückkehr zu einer aktiven Unternehmenssteuerung.

Sind Ihre Informationen im CRM veraltet oder unvollständig? Fehlt es an einer Priorisierung der Bestandskunden im CRM und ist damit unklar, welcher Kundenkontakt sich lohnen könnte? Kommen Sie mit eigenen Recherchen nach potenziellen Kunden schlicht nicht weiter? Dann verbringen Sie vermutlich auch deutlich mehr Zeit bei der Recherche als beim Kunden. Mit der Artificial-Intelligence- und Machine-Learning-basierten Identifikation passender Neu- und Bestandkunden (Kurz: Customer Mining) bietet Ihnen pmOne eine Lösung, die alle genannten Herausforderungen löst – automatisiert und zielgenau. Unser System sucht für Sie DSGVO-konform nach B2B-Kunden und setzt dabei auf maßgeschneiderte Webanalysen, künstliche Intelligenz, Data Science und Cloud-Lösungen.

Nach der Anbindung von Maschinen an die IT-Systeme stehen den entsprechenden Herstellern umfangreiche Produktionsdaten zur Verfügung. Um diese noch besser nutzbar zu machen, bedarf es einer systematischen Auswertung. Aus diesem Grund zog der Verpackungs- und Beschichtungsspezialist Mondi Release Liner Austria pmOne zu Rate. Mithilfe von Advanced Analytics, Artificial Intelligence und Machine Learning entwickelte das Data-Science-Team von pmOne auf Basis der historischen Maschinendaten ein Vorhersage-Modell und ein Maschinenparameter-Empfehlungssystem. Dadurch wird die Produktion silikonbeschichteter „Trennpapiere für Selbstklebeprodukte“ - beispielsweise Briefumschläge oder Etiketten - deutlich verbessert und damit im Idealfall Zeit, Kosten und Material eingespart.

Schlagworte wie künstliche Intelligenz, Predictive Analytics, Data Science und Machine Learning sind in aller Munde. Der zielführendste Weg, sich diesen Themen zu nähern, ist zu schauen, was diese Verfahren konkret für Ihr Unternehmen leisten. Hier hilft bei Fertigungsunternehmen zunächst ein Blick auf die wichtigsten Leistungsindikatoren des Produktionsmanagements, wie beispielsweise Qualität, Kosten, Ausschuss etc.

In diesem Blogbeitrag lesen Sie, wie man digitale Analysen auf wichtige KPIs anwendet und lernen ein Reifegradmodell kennen.

Vor allem bei der Produktion verderblicher Lebensmittel hängen Wirtschaftlichkeit und Nachhaltigkeit von Unternehmen maßgeblich an der zuverlässigen Prognose der Absatzmengen. Mit einem lernenden Algorithmus schuf pmOne für einen großen Convenient-Food-Hersteller ein System, das alles im Blick hat: von regionalen und saisonalen Schwankungen bis hin zu Hitzewellen und Markttrends - automatisch und selbstoptimierend.