Umsatzprognose: Wie Quick Quack Car Wash maschinelles Lernen in Anaplan für die Finanzplanung (FP&A) einsetzte

Problemstellung

Quick Quack Car Wash (QQCW) stand aufgrund folgender Faktoren vor erheblichen Herausforderungen bei der Umsatzprognose:

• Hohe Nachfrageschwankungen: Externe Faktoren wie Feiertage, Wetterbedingungen (Regen, Umweltverschmutzung, Pollen) und andere regionale Ereignisse haben einen erheblichen Einfluss auf die Nachfrage.
• Prognose für Mitglieder und Nicht-Mitglieder: Die Vorhersage sowohl der Autowaschbesuche von Mitgliedern als auch der Laufkundschaft von Nicht-Mitgliedern war eine komplexe Aufgabe.
• Geringe Prognosegenauigkeit: Herkömmliche Zeitreihenmodelle lieferten nur schwer genaue Prognosen, was die Ressourcenplanung in über 200 Filialen an der Westküste und im mittleren Westen der USA erschwerte.

Lösungsimplementierung

Um diese Herausforderungen zu bewältigen, ging QQCW eine Partnerschaft mit Polestar Analytics ein, um eine fortschrittliche Prognoselösung zu implementieren, die auf Anaplan Plan IQ- und AccuWeather-Daten basiert.

Wichtigste Schritte:

• Datenintegration:
  • Das Wormhole-Integrationstool von Polestar wurde verwendet, um Anaplan Plan IQ nahtlos mit der API von AccuWeather zu verbinden.
  • Historische und prognostizierte Wetterdaten auf Postleitzahlenebene wurden extrahiert und mit über 80 Datenvariablen angereichert.
• Feature Engineering:
  • Die Datenwissenschaftler von Polestar haben 12 wichtige wetterbedingte Faktoren identifiziert, die sich erheblich auf den Umsatz von QQCW auswirken.
• Modellentwicklung:
  • Um sowohl die Autowäschen von Mitgliedern als auch von Nicht-Mitgliedern sowie die damit verbundenen Einnahmen vorherzusagen, wurden in Anaplan Plan IQ hochentwickelte Modelle des maschinellen Lernens eingesetzt.
• Prognose:
  • Das Modell generiert präzise 90-Tage-Umsatzprognosen und ermöglicht QQCW so eine optimale Ressourcenzuweisung und operative Planung.

Technologie und Vorteile

Durch die Anwendung dieses innovativen Ansatzes hat QQCW Folgendes erreicht:

• Verbesserte Datenpräzision: Nutzung von standortspezifischen Echtzeit-Wetterdaten von AccuWeather zur Verbesserung der Vorhersagegenauigkeit.
• Verbesserte funktionsübergreifende Zusammenarbeit: Abstimmung der datenwissenschaftlichen Erkenntnisse mit den Vertriebs- und Betriebsteams zur Förderung besserer Entscheidungen.
• Optimierte Ressourcenzuweisung: Ermöglicht eine effiziente Ressourcenplanung durch die Bereitstellung zuverlässiger, datengestützter Prognosen.

Diese Lösung versetzt QQCW in die Lage, die Komplexität der Autowaschbranche zu bewältigen und nachhaltiges Wachstum zu erzielen.