Anaplan PlanIQ meistern: Leitfaden, Tipps und Tricks

So wie Tom Brady Spielaufnahmen akribisch analysiert, um die gegnerische Verteidigung vorherzusehen, oder LeBron James seine Strategie während des Spiels an die Bewegungen seiner Gegner anpasst – sollten Unternehmen nicht auch die Flexibilität haben, ihre Pläne bedarfsgerecht zu ändern? Sollten sie nicht Einblick in ihre Finanzen, Lieferketten, Umsätze und Betriebsabläufe haben? Genau das bietet Anaplan.

Die Möglichkeit zur Zusammenarbeit, Integration, Budgetierung und Planung verschiedenster Funktionen, darunterBedarfsplanung, Lieferkettenplanung, Personal- und Arbeitsoptimierung sowie Finanzen. Intelligente Prognosefunktionen ergänzen diese Funktionen und machen sie noch nahtloser und relevanter. Genau dafür ist PlanIQ in Anaplan da: die vernetzte Planung von Anaplan mit präzisen Prognosen zu kombinieren.

Was ist Anaplan PlanIQ?

PlanIQ™ ist eine KI/ML-gestützte statistische Prognosetechnologie mit Amazons erstklassiger intelligenter Prognose-Engine sowie Anaplan-nativen Algorithmen wie multivariater linearer Regression (MVLR) und Anaplan Prophet, um genaue Prognosen zu erstellen, die auf internen und externen Faktoren basieren,die in Anaplan integriert sindDie

So lautet die Definition. Vereinfacht gesagt trainiert es Prognose-KI- und ML-Modelle mit den Daten des Anaplan-Moduls oder direkt mit Daten aus dem Data Warehouse(AWS S3, Azure und GCP),um Nutzern aussagekräftige Kennzahlen für verlässliche Ergebnisse bereitzustellen. Der Vorteil: Auch wenn es kompliziert klingt, müssen Sie lediglich Ihrebenutzerfreundliche Oberfläche einrichten und diese direkt in Ihre Anaplan-Planungsmodule integrieren.

PlanIQ Vorteile & Funktionen

Dank unserer Expertise alsAnaplan-ImplementierungsexpertenundData-Science-Expertenverstehen wir den Bedarf an präzisen (Nachfrage-/Finanz-)Prognosen und die Notwendigkeit, neue Prozesse zu starten. Angesichts der unzähligen erfolgreichen PlanIQ-Einführungen, die wir durchgeführt haben, überwiegen die Vorteile die Risiken bei Weitem.

1. Bis zu 50 % höhere Prognosegenauigkeit dank leistungsstarker Prognose-Engines(Anaplan-eigene Algorithmen wie multivariate lineare Regression (MVLR) und Anaplan Prophet, Amazon Forest usw.).

2. Prognosemodelle manuell oder automatisch lernen und trainieren, um die Genauigkeit zu erhöhen

3. Durch die Nutzung der aktuellen Daten entfällt die Notwendigkeit, jedes Mal Trainingsdaten zu erstellen.

4. Planen Sie die Abläufe und verwalten Sie die Prognosequoten so, dass sie zu Ihrem Prognosezyklus passen.

5. Erstellen Sie Was-wäre-wenn-Szenarien für eine Vielzahl von Anwendungsfällen, ohne dass dafür Data-Science-Expertise erforderlich ist (direkt durch die Modellentwickler).

6. Unterstützung von Ad-hoc-Vorhersagen

7. Erhalten Sie hochpräzise Kennzahlen in einem zugänglichen und leicht erlernbaren Format.

8. Keine Black-Box-Modelle & wirklich verstehen, was die Prognoseergebnisse beeinflusst

9. Reduzierung des Zeitaufwands für die Datenverarbeitung

Das eigentliche Geheimnis und der Clou dieser Prognoselösung ist, dass sie keine besonderen Fachkenntnisse für Konfiguration, Einsatz und Betrieb erfordert – wodurch die Einrichtung und Visualisierung der Ergebnisse kinderleicht ist.

Anaplan PlanIQ Anwendungsfälle

Vonder Bedarfsplanung to workforce planning, the scope of PlanIQ expands across the functions of HR, Finance, Supply chain, and Sales. We’ll not go into the definitions of each of the use cases but talk a little about what’s usually covered in the top 3 use cases: Financial planning, Demand Planning, and Personalplanung.

Finanzplanung

Sie können Daten ausAnaplan-Modellenimportieren und automatisch das beste ML-Vorhersagemodell für die Daten auswählen (die 8 Algorithmen von PlanIQ werden weiter unten erläutert), wodurch Sie stundenlange manuelle Arbeit sparen. Gleichzeitig ermöglicht die Ad-hoc-Analyse Analysten, die Faktoren zu ermitteln, die die Vorhersagegenauigkeit erhöhen.

Bedarfsplanung

Mit der Bedarfsplanung von PlanIQ können Sie auf Basis der Basisumsätze bewerten und prognostizieren, den Gesamtbedarf ermitteln, historische Daten bereinigen, die Bedarfstreiber detailliert analysieren, Trend- und Saisonalitätsanalysen einbeziehen sowie Ausreißer erkennen und entfernen.

Workforce planning

Prognostizieren Sie den Personalbedarf und optimieren Sie die Ressourcenzuweisung. Integrieren Sie Personalbedarfsprognosen direkt in Umsatz-, Betriebskosten- und andere strategische Planungen. Planen Sie Ihren Personalbedarf auch während der Hochsaison (die üblicherweise zu ungenauen Ergebnissen führt), berücksichtigen Sie verschiedene Variablen und automatisieren Sie Prozesse zur Ermittlung des Personalbedarfs.

Von der Analyse der Kannibalisierung des Portfolios über Prognosen für Standardprodukte und die Effektivität von Werbemaßnahmen bis hin zu Prognosen des Lagerbestands gibt es noch viele weitere Anwendungsfälle, über die wir jetzt nicht sprechen.

Obwohl die Begriffe KI und ML zur Beschreibung von PlanIQ verwendet werden, ist die Bedienung überraschend einfach, da die Benutzeroberfläche zur Modellauswahl vorhanden ist. Die Einrichtung ist in nur vier einfachen Schritten erledigt.

4 Schritte für den Einstieg in Anaplan PlanIQ

Um mit PlanIQ loszulegen, benötigen Sie die historischen Daten (für die Sie die Prognose erstellen möchten), zugehörige Daten, die die historischen Daten beeinflussen könnten (z. B. Packungsgrößen, Farben oder andere Daten, die einen kausalen Zusammenhang zulassen), Informationen zu statischen, zeitunabhängigen kategorialen Textmerkmalen, die die Elemente in den historischen Zeitreihendaten beschreiben (z. B. Stil, Kategorie, geografischer Standort usw.), Feiertagskalender (ebenfalls zugehörige Daten – denken Sie an den Anstieg der Daten um Thanksgiving), Prognose-Ergebniswürfel sowie die Import-/Export-Funktionen. Im Folgenden erfahren Sie, wie Sie PlanIQ einrichten.

1. Richten Sie Ihre Datenerfassung ein.

PlanIQ kann bis zu drei Datentypen verarbeiten, um eine Prognose zu erstellen. Für die Prognose selbst ist zwar nur ein Datentyp erforderlich, doch die Hinzunahme zweier weiterer Datensätze kann die Prognose verbessern und zu passgenaueren Vorhersagen für ein spezifisches Szenario führen – daher fügen wir die entsprechenden Daten und Attribute hinzu.

2. Prognosemodell ausführen

Nachdem Sie die Daten geprüft haben, können Sie ein Prognosemodell erstellen. Bitte beachten Sie, dass für genaue Prognosen saubere Daten und relevante Eingaben erforderlich sind. Dabei sind drei Aspekte zu berücksichtigen: die Algorithmen, der Prognosehorizont und der Kalender (für standortspezifische Prognosen).

• Geben Sie dem Modell einen Namen.
• Wählen Sie den gewünschten Algorithmus aus der Dropdown-Liste aus (die Details des Algorithmus werden weiter unten erläutert).
• Wählen Sie die gewünschte Prognosefrequenz (abhängig von der Granularität der Daten bei der Datenerfassung).
• Klicken Sie anschließend auf den Modus „Vorhersage erstellen“ – die Darstellung kann je nach ausgewähltem Modell 30 bis 90 Minuten dauern.

Bei der Auswahl der Modelle ist es wichtig, auf die Einstellung der Optimierungsmetriken zu achten. PlanIQ unterstützt drei Optimierungsmetriken: MASE (Standard), MAPE und RMSE.

Sobald Ihre Überprüfung der Prognose, d. h. die Kontrolle der Qualitätsmetriken, abgeschlossen ist, können Sie die Backtest-Daten (die aus den historischen Daten zurückgehaltenen Daten, die dem Prognosehorizont entsprechen) importieren, um die Genauigkeit zu überprüfen. Anschließend können Sie die Erklärbarkeit importieren (die Bestandteil einiger Algorithmen wie Amazon Ensemble ist) – diese wird in grafischer Form mit einem Vergleich der Variablen bereitgestellt.

3. Erstellen Sie einen Prognose-Aktionsplan

Sie sollten nun ein vortrainiertes Prognosemodell mit den Prognoseergebnissen und Importmodellen im einsatzbereiten Zustand haben. Jetzt können Sie PlanIQ veranlassen, Maßnahmen zu ergreifen.

• Prognoseaktionen auswählen > Neue Prognoseaktionen > Prognoseaktion erstellen
• Geben Sie den Namen der Prognoseaktion ein, der beim Einrichten des Trainingsplans erstellt wurde.
• Für den Prognoseimport wählen Sie Ihren Zielarbeitsbereich und Ihr Zielmodell und anschließend den Import der Erklärbarkeit aus.

4. Ergebnisse ansehen und in die Planung einbinden.

• Erstellen Sie Karten mit PlanIQ-Ergebnissen, um die Erklärbarkeit Seite an Seite mit historischen Daten und Prognosen anzuzeigen – indem Sie die richtigen Karten konfigurieren.
• Sie können nun die Prognoseergebnisse überprüfen und sie in den Planungsprozess einbeziehen, um die Entscheidungsfindung zu verbessern.

Wann sollten Sie sich PlanIQ zulegen?

Obwohl wir die ersten Schritte beschrieben haben, gibt es einige Punkte, die Sie bei der Nutzung von PlanIQ beachten sollten. Wenn Ihre Daten beispielsweise nicht die erforderliche Qualität aufweisen, sollten Sie diese zunächst verbessern, bevor Sie mit Anaplan PlanIQ beginnen.

Die drei wichtigsten Parameter, die Sie berücksichtigen sollten, sind:

1. Bedarf an einem Prognosetool/einer Prognoseplattform– dies sollte sich danach richten, wie Ihre derzeitigen Methoden sind – ob sie unzureichend oder manuell sind oder ob sie zu teuer sind usw.

2. Einfache Skalierbarkeit– Bei der Verwaltung mehrerer Produktlinien, unterschiedlicher geografischer Märkte oder komplexer Lieferketten können die fortschrittlichen Algorithmen von PlanIQ dabei helfen, diese Komplexität zu bewältigen – in der Anaplan-Umgebung.

3. Ressourcenbeschränkungen- PlanIQ bietet fortschrittliche Prognosefunktionen ohne den Aufwand, ein zusätzliches Data-Science-Team zu unterhalten.

Sofern Sie nicht bereits über ein sehr leistungsstarkes Prognosetool verfügen, empfehlen wir Ihnen zumindest, einen Proof of Concept für PlanIQ in Anspruch zu nehmen, um zu sehen, wie sich das Umfeld für Sie auswirken würde.

So holen Sie das Beste aus Ihrer PlanIQ-Investition heraus: Fehler, bewährte Vorgehensweisen und erforderliche Fähigkeiten

Ein häufiger Fehler, den manche Kunden bei der Implementierung von PlanIQ begehen, ist die Unterschätzung der erforderlichen Kompetenzen. Da PlanIQ auf Anaplan basiert, müssen die Modellentwickler in der Lage sein, gespeicherte Ansichten zu erstellen, Modelle zu strukturieren sowie Importe und Exporte zu erstellen und zu speichern. Darüber hinaus benötigen sie grundlegende Kenntnisse im Bereich Prognosen.

Einige der PlanIQ-Prognosen würden etwa so aussehen:

Um diese Daten interpretieren und die oben beschriebenen Parameter wie Prognosevorhersagen und Attribute usw. verstehen zu können, ist also ein gewisses Maß an Fachkenntnis erforderlich.

Der zweite Aspekt betrifft das Change-Management– insbesondere beim Übergang von manuellen Prognosen oder Wachstumsprognosen im Jahresvergleich. Dies erfordert ein etwas intensiveres Change-Management als die Nutzung statistischer Prognoseverfahren oder kundenspezifischer ML-Lösungen. In jedem Fall ist ein entsprechendes Change-Management notwendig.

Bewährte Vorgehensweisen bei der Verwendung von PlanIQ

Letztendlich ist PlanIQ eine Investition. Selbst Harry Potter brauchte den Sprechenden Hut, um das Schwert von Gryffindor zu ziehen – für jeden Anwendungsfall braucht man die richtigen Werkzeuge und Prozesse, um das gewünschte Ergebnis zu erzielen.

Um das Beste aus Ihrer Investition herauszuholen, sollten Sie folgende bewährte Vorgehensweisen beachten:

1. Sicherstellung der Datenqualität und -aufbereitung, d. h. dass die Daten sauber, konsistent und angemessen strukturiert sind. Außerdem Identifizierung externer Daten zur Einbeziehung für bessere Prognosen.

2. Legen Sie einen regelmäßigen Zeitplan für Prognosen fest (z. B. täglich, wöchentlich, monatlich), der auf Ihren Bedürfnissen basiert, um rechtzeitige Anpassungen zu gewährleisten.

3. Überwachen und vergleichen Sie die Prognoseergebnisse regelmäßig mit den tatsächlichen Ergebnissen, um die Leistungsfähigkeit des Modells zu beurteilen.

4. Schulungen zur effektiven Nutzung der Dateneingabe, Modellauswahl und Interpretation der Ergebnisse anbieten.

5. Integrieren Sie sich in bestehende Prozesse, nutzen Sie Tools wie das Anaplan Integration Utility von Polestar oder Konnektoren, um Verbindungen zu Datenquellen und Ergebnissen herzustellen.

6. Nutzen Sie PlanIQ als Hilfsmittel zur Unterstützung menschlicher Entscheidungsfindung, nicht als Ersatz dafür. Ziehen Sie neben den Prognosen von PlanIQ auch die Expertise von Fachanwendern hinzu, um die Ergebnisse zu überprüfen.

Darüber hinaus sprechen wir über einige weitere Themen, nach denen uns viele unserer Kunden schon zuvor gefragt haben.

Häufig gestellte Fragen:

1. Wie können wir Daten in Anaplan PlanIQ importieren?

Prognoseteams können die Genauigkeit ihrer Prognosen verbessern, ohne die Daten vorher in Anaplan importieren zu müssen. Sie können interne und externe Daten direkt aus AWS S3, Azure Blob oder Google Cloud in PlanIQ einbinden. Alternativ können sie Anaplan-Modelle verwenden, um die Daten zu importieren. Mithilfe von Konnektoren wie dem Polestar Integration Utility oder Anaplan Cloud Works können sie ebenfalls auf Datenquellen zugreifen.

2. Welche erweiterten Metriken werden in PlanIQ verwendet?

Die Qualität der Prognosen (wie bei jeder anderen statistischen Methode) wird anhand einiger fortgeschrittener Kennzahlen beurteilt, wie zum Beispiel:

• MAPE oder mittlerer absoluter prozentualer Fehler: Die Summe der einzelnen absoluten Prognosefehler, dividiert durch die tatsächlichen Werte für jede Periode. Je näher dieser Wert an 0 liegt, desto besser.


• RMSE oder mittlerer quadratischer Fehler: Dies ist die Wurzel aus der Summe der Quadrate der Differenz zwischen Ist- und Schätzwert, dividiert durch die Anzahl der vorhandenen Datenpunkte. Ein niedrigerer RMSE-Wert deutet auf eine genauere Vorhersage hin.


• MAE oder mittlerer absoluter Fehler: Dies ist die durchschnittliche absolute Differenz zwischen X und Y – vergleicht nur Daten für ähnliche Einheiten.


• MAAPE oder mittlerer absoluter prozentualer Arkustangensfehler: Dies ist ein Maß für die Prognosegenauigkeit bei Istwerten nahe null. Es ist besonders nützlich, wenn aufgrund fehlerhafter oder unrichtiger Beobachtungen extrem große Fehler auftreten können.


• MASE oder mittlerer absoluter skalierter Fehler: Dies ist der mittlere absolute Fehler der Prognosewerte, dividiert durch den mittleren absoluten Fehler der naiven Prognose. Diese Kennzahl eignet sich gut für Zeitreihen mit intermittierender Nachfrage.


• SMAPE oder symmetrischer mittlerer absoluter prozentualer Fehler: Dieser skalenabhängige relative Fehler ist der absolute Fehler geteilt durch die Größe des exakten Wertes.


• MASE: Dies ist die Gesamtqualitätsmetrik des Modells, die zu positive und zu negative Prognosen gleichermaßen bestraft. Ein Modell gilt als gut, wenn mindestens 60 % der Elemente ein hohes MASE-Ergebnis erzielen.

3. Welche Algorithmen werden von PlanIQ unterstützt?

Dieses Thema allein könnte einen eigenen Artikel füllen. Der Einfachheit halber werden folgende Algorithmen unterstützt:

• Basis-Zeitreihenalgorithmen einschließlich ARIMA und ETS
• Fortgeschrittene statistische Zeitreihenalgorithmen wie die multivariate lineare Regression
• Flexible lokale Algorithmen wie Anaplan Prophet
• Neuronale Netzwerkalgorithmen wie DeepAR+ und CNN-QR

Bitte beachten Sie, dass kein Algorithmus besser ist als der andere; die Leistung hängt vom jeweiligen Anwendungsfall, den Datensätzen, dem Kontext und den historischen Mustern ab.

4. Welche Arten von Ausreißern gibt es in PlanIQ und wie geht man mit ihnen um?

Grundsätzlich unterscheidet man drei Arten von Ausreißern: Punkt-, Kontext- und Gruppen-Ausreißer. Punkt- und Kontext-Ausreißer sind die häufigsten Ausreißerarten. Neben der Visualisierung werden sie üblicherweise durch die Berechnung der Standardabweichung der Werte identifiziert.

Es gibt einige Möglichkeiten, mit Ausreißern umzugehen:

• Nutzen Sie die Funktion „Wert ausschließen“ von PlanIQ, die Ausreißerwerte anhand einer automatisierten Logik durch andere Werte ersetzt.
• Erstellen Sie ein Prognosemodell und sagen Sie den Wert für den Zeitraum voraus, in dem der Ausreißer vorhanden ist. Ersetzen Sie anschließend den Ausreißer durch den prognostizierten Wert.
• Ersetzen Sie den Ausreißer manuell

Zusammenfassend: Was benötigen Sie von PlanIQ?

PlanIQ ist ein Prognosetool für Anaplan-Nutzer und eignet sich besonders für Unternehmen, die ihre Planungsprozesse um KI/ML-Funktionen erweitern möchten. Bevor Sie mit PlanIQ beginnen, ist es wichtig, die Gründe, die Vorgehensweise und den Zeitpunkt Ihrer Prognosestrategie zu verstehen. Als Anaplan-Implementierungspartner unterstützen wir Sie gerne.

Polestar Analytics unterstützt Unternehmen beim Aufbau KI-gestützter, vernetzter Planungslösungen, die Daten, Prognosen und Entscheidungsfindung über Finanz- und Lieferkettenteams hinweg zusammenführen.