Probleemstelling
Quick Quack Car Wash (QQCW) ondervond aanzienlijke problemen bij het voorspellen van de omzet als gevolg van:
- Sterke vraagvariabiliteit: Externe factoren zoals feestdagen, weersomstandigheden (regen, vervuiling, pollen) en andere regionale gebeurtenissen hebben een aanzienlijke invloed op de vraag.
- Voorspelling voor leden en niet-leden: Het voorspellen van zowel het aantal autowasbeurten door leden als het aantal spontane bezoekers door niet-leden was een complexe taak.
- Lage voorspellingsnauwkeurigheid: Traditionele tijdreeksmodellen hadden moeite om accurate voorspellingen te leveren, waardoor de personeelsplanning voor meer dan 200 winkels aan de westkust en in het midden van de VS werd belemmerd.
Oplossingsimplementatie
Om deze uitdagingen aan te pakken, is QQCW een samenwerking aangegaan met Polestar Analytics om een geavanceerde voorspellingsoplossing te implementeren die gebruikmaakt van Anaplan Plan IQ en AccuWeather-gegevens.
Belangrijkste stappen:
- Gegevensintegratie:
- De Wormhole-integratietool van Polestar werd gebruikt om Anaplan Plan IQ naadloos te verbinden met de API van AccuWeather.
- Historische en voorspelde weergegevens op postcodeniveau werden geëxtraheerd en verrijkt met meer dan 80 datavariabelen.
- Functieontwikkeling:
- De datawetenschappers van Polestar hebben 12 belangrijke weersgerelateerde factoren geïdentificeerd die een aanzienlijke invloed hebben op de omzet van QQCW.
- Modelontwikkeling:
- Binnen Anaplan Plan IQ werden geavanceerde machine learning-modellen ingezet om zowel autowasbeurten van leden als van niet-leden te voorspellen, evenals de bijbehorende inkomsten.
- Voorspelling:
- Het model genereert nauwkeurige omzetprognoses voor de komende 90 dagen, waardoor QQCW de toewijzing van middelen en de operationele planning kan optimaliseren.
Technologie en voordelen
Door deze innovatieve aanpak te hanteren, heeft QQCW het volgende bereikt:
- Verbeterde dataprecisie: Er is gebruikgemaakt van realtime, locatiespecifieke weergegevens van AccuWeather om de nauwkeurigheid van de weersvoorspellingen te verbeteren.
- Verbeterde samenwerking tussen verschillende afdelingen: inzichten uit datawetenschap afgestemd op verkoop- en operationele teams voor betere besluitvorming.
- Geoptimaliseerde toewijzing van middelen: Maakte efficiënte planning van middelen mogelijk door betrouwbare, datagestuurde prognoses te leveren.
Deze oplossing stelt QQCW in staat om de complexiteit van de autowasbranche te doorgronden en duurzame groei te realiseren.
Zijn er uitdagingen?
Onze branche-experts kunnen uw probleem oplossen.