Machine-Learning-Modell von valantic

Optimierung der Vorhersage-genauigkeit von Infrastrukturaufträgen

Persönliche Erfahrungswerte sind unbezahlbares Gut im B2B-Umfeld. Doch können sie auch zu Kundenunzufriedenheit führen, wenn Vorhersagen und Deadlines nicht eingehalten werden? valantic hat für ein Unternehmen aus der Telekommunikationsbranche ein Machine-Learning-Modell entwickelt, um Realisierungstermine von Infrastrukturaufträgen genauer zu definieren.

Train passing through Stuttgart

Herausforderung

Verbindliche Realisierungstermine (VRT) von Infrastrukturaufträgen im B2B-Umfeld basieren oftmals auf persönlichen Erfahrungen. Diese neigen jedoch zu Fehlern. Deadlines können deshalb oft nicht eingehalten werden.

Beratungsansatz

valantic entwickelte zur Optimierung der Vorhersagegenauigkeit von Infrastrukturaufträgen ein Machine-Learning-Modell.

Kundennutzen und Lösung

Mit dem Machine-Learning-Modell können Realisierungstermine bis zu 35 Prozent exakter berechnet werden. Damit ist es Unternehmen möglich, besser vorauszuplanen und die Kundenzufriedenheit steigt.

Regionalzug in voller Fahrt.

Die Herausforderung:

Infrastrukturaufträge im B2B-Umfeld, hier im Telekommunikationssektor, unterliegen oftmals einem sogenannten „verbindlichen Realisierungstermin“ (VRT). Dieser basiert in den meisten Fällen auf persönlichen Erfahrungswerten. Auch wenn diese Erfahrungen durchaus wertvoll sind, können sie diverse Ereignisse nicht vorhersehen und neigen zu Ungenauigkeit. Die Folge: Deadlines können nicht eingehalten werden und die Kundenzufriedenheit sinkt.

Software developers on project

Beratungsansatz:

Entwicklung eines Machine-Learning-Modell

Ein Machine-Learning-Modell errechnet anhand von Daten eine exaktere Bearbeitungsdauer von Infrastrukturaufträgen im B2B-Umfeld. Dafür wurden relevante Prozess- und Auftragsdaten von valantic gesammelt und analysiert sowie Near-Real-Time-Prognosen bereitgestellt. Die Vorhersage der Deadline wurde als Regressionsproblem behandelt (gewählter Algorithmus: xgboost – Gradient Boosting-Ansatz auf Basis von Entscheidungsbäumen).

Engineer looking at projects on tablet

Lösung und Kundennutzen:

Die Vorhersagegenauigkeit von Infrastrukturaufträgen auf Grundlage des von valantic entwickelten Machine-Learning-Modells hat sich verbessert. In Durchschnitt können die Laufzeitprognosen um 35 Prozent genauer berechnet werden. Das erhöht nicht nur die Kundenzufriedenheit, sondern ermöglicht es dem Unternehmen auch Projekte besser zu planen.

Ihr Ansprechpartner

David B. Hofmann, valantic

David B. Hofmann

Partner & Managing Director

valantic Division Digital Strategy & Analytics