Unser Kunde für das Machine Learning Projekt
Unser Auftraggeber, die Deutsche Post DHL, ist ein weltweit führender Logistikanbieter. Das Unternehmen ermöglicht globalen Handel und verbindet so Menschen und Märkte. Mit Blick in die Zukunft soll die digitale Transformation in allen Unternehmensbereichen weiter forciert werden. Einer dieser Bereiche ist das Corporate Real Estate Management (CREM).
Zielsetzung
Die Planung der konzernweiten Mieten, insbesondere die der Nebenkosten, stellt in einem volatilen und teilweise unberechenbaren Umfeld, mit sich stetig ändernden Rahmenbedingungen, eine große Herausforderung dar. Angesichts dieser Herausforderungen ist es das Ziel, einen effizienten und präzisen Prozess für die Mietenplanung zu etablieren, der auf einer transparenten, widerspruchsfreien und empfängerorientierten Datenaufbereitung basiert.
Der bisher komplexe und zeitaufwendige Prozess, der bereits in der Vergangenheit starken Veränderungen in der Kostenbasis unterworfen war, soll durch die Implementierung einer erweiterten Prognosesystemlandschaft optimiert werden. Diese Erweiterung umfasst zusätzliche Analysefunktionalitäten und Szenario-Modellierungen, die es ermöglichen, auf Veränderungen im Umfeld flexibel zu reagieren und präventive Maßnahmen zu ergreifen.
Durch diese präventiven Maßnahmen wird eine deutliche Optimierung und Erweiterung bestehender Strukturen, Informationen und Prozesse im Unternehmen angestrebt. Dies ermöglicht eine verbesserte Entscheidungsfindung und eine effektivere Ressourcennutzung im Hinblick auf die Mietenplanung und -prognose.
Der Kundennutzen
- ZDie Komplexitätsreduktion bei der Erstellung der Datenbasis ermöglicht dem Kunden eine effizientere und weniger zeitaufwändige Planung
- ZDie Etablierung eines bereichsübergreifenden Single Point of Truth gewährleistet eine konsistente und zuverlässige Datenquelle, auf die alle relevanten Abteilungen zugreifen können
- ZDie Abbildung komplexer Planungen sowie Machine Learning Forecasts bietet dem Kunden die Möglichkeit, kurzfristig notwendige Handlungsempfehlungen zu generieren und fundierte Entscheidungen zu treffen
- ZDie Befähigung des Kunden zur Erstellung von hochflexiblen Ad-hoc-Analysen und Szenarien ermöglicht eine schnelle Anpassung an veränderte Marktbedingungen und eine verbesserte Reaktionsfähigkeit
- ZDie Implementierung einer State-of-the-Art-Prognosesystemlandschaft stellt sicher, dass der Kunde Zugang zu modernsten Technologien und Analysemethoden hat
- ZDie Symbiose aus Advanced-Data-Analytics und modernster In-Memory-OLAP-Technologie bietet dem Kunden eine leistungsstarke und skalierbare Plattform für die Analyse und Auswertung großer Datenmengen in Echtzeit
„Als Senior Advisor im Nebenkosten-Team der Deutschen Post AG Immobilientochter ist mein Projekt ein Gamechanger. Es reduziert die Komplexität bei der Datenbasiserstellung, schafft einen Single Point of Truth, ermöglicht komplexe Planungen und Forecasts für Handlungsempfehlungen, befähigt zu Ad-hoc-Analysen und nutzt State of the Art-Prognosetechnologie sowie Advanced-Data-Analytics. Ein echter Quantensprung für unsere Nebenkostenprognose!“
Lösung und technische Umsetzung
Der vollintegrierte PACO HUB setzt sich aus drei Komponenten zusammen. IBM Planning Analytics auf der Basis von TM1 bildet dabei den Kern des Microservices orientierten Eco-Systems. Die Machine-Learning-Umgebung wird durch den Einsatz zeitgemäßer Containerisierung ermöglicht, sodass dem Team zu jedem Zeitpunkt im Projekt der Zugang zu allen benötigten Data-Science-Werkzeugen, Python-Bibliotheken, Jupyter-Notebooks und Daten bereitsteht. Abschließend fungiert der IBM Planning Analytics-Workspace als webbasierter Zugang zur maßgeschneiderten Lösung.
Der HUB fungiert als ein zentraler Knotenpunkt für Data Scientists, um modernste Machine-Learning-Modelle zu entwickeln und anzuwenden. Mit einer umfassenden Python-Umgebung und vorkonfigurierten Bibliotheken können Data Scientists schnell und effizient fortschrittliche Algorithmen implementieren und Modelle trainieren. Die nahtlose Integration von TM1 mit Hilfe unseres Data Access Layers (DAL) ermöglicht es, diese Modelle direkt in die Geschäftsprozesse einzubetten und ihre Leistung in Echtzeit zu überwachen. Darüber hinaus bietet der HUB Funktionen zur Versionskontrolle und CI/CD-konforme Integration, um sicherzustellen, dass die entwickelten Modelle reibungslos und zuverlässig in der Dev-, Test- und Produktionsumgebung ausgeführt werden können. Hierdurch können Data Scientists ihre Arbeit auf höchstem Niveau ausführen und Unternehmen dabei helfen, wertvolle Erkenntnisse aus ihren Daten zu gewinnen.
Fazit
Die erfolgreiche Umsetzung der Machine Learning gestützte Nebenkostenprognose wurde durch die agile Vorgehensweise und das interdisziplinäre Co-Working ermöglicht, wodurch ein bedeutender Know-how-Transfer stattfand. Dabei konnten die Teams innerhalb der Prognosesystemlandschaft ihr Fachwissen optimal einsetzen, um den Projekterfolg maßgeblich zu beeinflussen. Der PACO HUB fungiert als zentraler Knotenpunkt für Data Scientists, um modernste Machine-Learning-Modelle zu entwickeln und anzuwenden. Durch die nahtlose Integration von TM1 über den Data Access Layer können diese Modelle direkt in die Geschäftsprozesse eingebettet und ihre Leistung in Echtzeit überwacht werden. So können Data Scientists ihre Arbeit auf höchstem Niveau ausführen und Unternehmen dabei unterstützen, wertvolle Erkenntnisse aus ihren Daten zu gewinnen.
