[et_pb_section fb_built=“1″ admin_label=“section“ _builder_version=“4.9.3″ custom_margin=“0px||||false|false“ custom_padding=“0px||||false|false“][et_pb_row admin_label=“row“ _builder_version=“3.25″ background_size=“initial“ background_position=“top_left“ background_repeat=“repeat“ custom_margin=“|auto|-253px|auto||“ custom_padding=“||17px|||“][et_pb_column type=“4_4″ _builder_version=“3.25″ custom_padding=“|||“ custom_padding__hover=“|||“][et_pb_text admin_label=“Text“ _builder_version=“4.9.5″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ custom_margin=“||0px|||“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
\u201eTell us what the future holds, so we may know that you are god.\u201d (Isaiah 41: 23)<\/p>\n
Bereits vor 700 Jahren vor unserer Zeitrechnung wurde die F\u00e4higkeit zutreffende Prognosen zu erstellen als utopische Aufgabe identifiziert.[1]<\/span><\/a> 2700 Jahre sp\u00e4ter hat sich der Schwierigkeitsgrad jener Aufgabe tendenziell sogar vergr\u00f6\u00dfert. In der Wirtschaft m\u00fcssen Unternehmen Ereignisse und Kundenverhalten treffend antizipieren. Dabei sind komplexe Wechselwirkungen und verschiedenste Parameter bei der Prognoseerstellung zu ber\u00fccksichtigen. Anhand von vielen Projekten in unterschiedlichsten Branchen konnte festgestellt werden, dass von Kundenseite der Fokus meist bei der Auswahl des Prognosealgorithmus liegt, wobei die Datenqualit\u00e4t des Inputs oftmals als zweitrangig angesehen wird, wenn nicht gleich unber\u00fccksichtigt bleibt. In dem vorliegenden Whitepaper wollen wir Ihnen skizzieren, wie sie mittels des IBPs ihre Datenqualit\u00e4t verbessern k\u00f6nnen, sodass aus der scheinbar utopischen Aufgabe eine zu bew\u00e4ltigende Herausforderung wird.<\/p>\n <\/p>\n Wie eingangs beschrieben, wollen wir uns mit der Datenqualit\u00e4t des Prognoseinputs besch\u00e4ftigen, da diese, ganz nach der Redewendung \u201eGarbage in, Garbage out\u201c, ma\u00dfgeblich zur Vermeidung von Planungsfehlern beitr\u00e4gt. In der Regel handelt es sich bei dem Input um die Verkaufshistorie. Das vorgestellte Prinzip kann allerdings mit jeder beliebigen Kennzahl durchgef\u00fchrt werden.<\/p>\n <\/p>\n IBP bietet bei dem Data Cleansing diverse Algorithmen und Methoden an. Eines der Methoden ist die Outlier Correction. Hierbei werden sogenannte Outlier identifiziert und je nach Wunsch korrigiert. Diese Datenpunkte spiegeln in der Regel ein untypisches Verhalten wider, welches zu falschen Schlussfolgerungen und damit einhergehend zu realit\u00e4tsfernen Prognosen f\u00fchren kann. Die Entstehung eines Outliers ist auf verschiedenste Ursachen zur\u00fcckzuf\u00fchren (bspw. Lieferengp\u00e4sse, einmaliger Gro\u00dfauftrag, sonstige Ereignisse).[2]<\/span><\/a><\/p>\n <\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=“1″ _builder_version=“4.9.3″ _module_preset=“default“][et_pb_row _builder_version=“4.9.3″ _module_preset=“default“][et_pb_column type=“4_4″ _builder_version=“4.9.3″ _module_preset=“default“][et_pb_image src=“https:\/\/acopa.de\/de\/wp-content\/uploads\/sites\/4\/2021\/04\/Outlier-Detection.png“ title_text=“Outlier Detection“ _builder_version=“4.9.3″ _module_preset=“default“ custom_padding=“0px|||||“][\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.9.3″ _module_preset=“default“ custom_padding=“||97px|||“][et_pb_column type=“4_4″ _builder_version=“4.9.3″ _module_preset=“default“][et_pb_text _builder_version=“4.9.3″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ max_width=“872px“ min_height=“377.2px“ custom_margin=“||-107px|||“]<\/p>\n Abbildung 1: Outlier Detection<\/em><\/p>\n Vereinfacht gesagt, wird f\u00fcr die Identifizierung von Outliers Ober- und Untergrenzen als Toleranzgrenzen festgelegt (hier dargestellt in rot). Sobald ein Datenpunkt diesen Toleranzbereich nach unten oder nach oben \u00fcberschreitet, wird der Punkt als Outlier identifiziert (hier in t3 und t8). Im n\u00e4chsten Schritt kann ein Outlier beispielsweise durch den Mittelwert oder durch den Median automatisch ersetzt werden.<\/p>\n <\/p>\n Obwohl eine automatische Datenbereinigung sehr attraktiv scheint, sollte das Ergebnis vom Planer \u00fcberpr\u00fcft werden. Hierbei bietet IBP Alert Kennzahlen an, die korrigierte Werte in einer Zahlenreihe markieren. Diese k\u00f6nnen dann best\u00e4tigt oder ggf. korrigiert werden. Das IBP Excel Add-On bietet bei diesem Prozess ein gewohntes und \u00fcbersichtliches Umfeld.<\/p>\n Im nachfolgenden Beispiel wurde in der Sales History ein Outlier im Monat August 20 identifiziert und durch den Alert in rot eingef\u00e4rbt. Dieser Wert wurde durch den Algorithmus ersetzt (hier in gr\u00fcn).<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.9.3″ _module_preset=“default“][et_pb_column type=“4_4″ _builder_version=“4.9.3″ _module_preset=“default“][et_pb_image src=“https:\/\/acopa.de\/de\/wp-content\/uploads\/sites\/4\/2021\/04\/Outlier-Correction-in-Excel-Add-On.jpg“ title_text=“Outlier Correction in Excel Add-On“ force_fullwidth=“on“ _builder_version=“4.9.3″ _module_preset=“default“][\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.9.3″ _module_preset=“default“ min_height=“368.2px“][et_pb_column type=“4_4″ _builder_version=“4.9.3″ _module_preset=“default“][et_pb_text _builder_version=“4.9.3″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“]<\/p>\n Abbildung 2: Outlier Correction im Excel Add-On<\/em><\/p>\n Sobald die Zahlenreihe bereinigt wurde, kann diese in den Prognosealgorithmus einflie\u00dfen.<\/p>\n <\/p>\n Wir hoffen, dass Ihnen dieser kurze Exkurs gefallen hat. Selbstverst\u00e4ndlich kann in diesem kurzen Artikel die gesamte Komplexit\u00e4t der Outlier Correction<\/em> nicht abgebildet werden. Falls sie Fragen haben, lassen sie es uns bitte in den Kommentaren wissen. Gerne w\u00e4ren wir ebenfalls f\u00fcr ein Gespr\u00e4ch \u00fcber ihre speziellen Anforderungen und Herausforderungen offen. Kontaktieren sie uns hierbei gerne per Mail.<\/p>\n __________ [\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" In dem vorliegenden Whitepaper wollen wir Ihnen skizzieren, wie sie mittels des IBPs ihre Datenqualit\u00e4t verbessern k\u00f6nnen, sodass aus der scheinbar utopischen Aufgabe eine zu bew\u00e4ltigende Herausforderung wird.<\/p>\n","protected":false},"author":12,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[19],"tags":[],"class_list":["post-4157","post","type-post","status-publish","format-standard","hentry","category-whitepaper"],"_links":{"self":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4157","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/comments?post=4157"}],"version-history":[{"count":7,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4157\/revisions"}],"predecessor-version":[{"id":4393,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4157\/revisions\/4393"}],"wp:attachment":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/media?parent=4157"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/categories?post=4157"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/tags?post=4157"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Garbage In, Garbage Out…<\/h2>\n
Vertrauen ist gut. Kontrolle ist besser<\/h2>\n
Fazit<\/h2>\n
[1]<\/a> Vgl. Rob J. Hyndmann; George Athanasopoulos, 2018, Forecasting: principles and practices
[2]<\/span><\/a> Vgl. https:\/\/demand-planning.com\/2020\/02\/05\/how-to-identify-treat-outliers-in-demand-planning\/<\/span><\/p>\n