Mit «Decision Trees» Deckungsbeiträge erhöhen

Angebots- und Auftragssegmentierung bei der Firma Ernst Schweizer AG.

Der Geschäftsbereich Sonnenenergie der Firma Ernst Schweizer AG fertigt nach Kundenwunsch Solarthermieanlagen an. Diese Engineer-to-Order (Kundeneinzelfertigung) Herstellungsphilosophie stellt hohe Anforderungen an die Geschäftsprozesse. Die Analyse hat gezeigt, dass das Unternehmen einen grossen Aufwand für die Akquise von Aufträgen betreibt. Nur rund ein Viertel der erstellten Offerten belohnt der Kunde mit einem Auftrag. Weiter fehlt bei Auftragsabschluss die Transparenz über die geleisteten Arbeiten, so dass wichtige Kostentreiber oft unerkannt bleiben.

Das Mining von Vergangenheitsdaten soll diesen Problemen Abhilfe schaffen. Gemeinsam mit den Geschäftsbereichsverantwortlichen wurden deshalb zwei Ziele definiert.

Auf der Basis von Angebots- und Auftragseigenschaften aus Vergangenheitsdaten (Produkteigenschaften, Preis, Rabatt, Kunde, etc.) können

1. Absagen für Angebote (Hit-Rate) und
2. negative Auftragsdeckungsbeiträge (DB) vorhergesagt werden.

Um diese Ziele zu erreichen, wurden mehrere methodische Zugänge geprüft. Die interessantesten Ergebnisse lieferten Decision Trees, welche mithilfe der Statistik Software SPSS erstellt wurden. Decision Trees sind geordnete, gerichtete Bäume, die der Darstellung von Entscheidungsregeln dienen und werden aufgrund der einfachen Interpretierbarkeit vielseitig eingesetzt. Die zwei illustrativen Beispiele in Abbildung 1 zeigen ein mögliches Ergebnis für Decision Trees zur Vorhersage von erfolgreichen (Zusage) und nicht erfolgreichen (Absage) Angeboten sowie von positiven und negativen Auftragsdeckungsbeiträgen gemäss den Zielen a) und b) weiter oben.

Abbildung 1: Die zwei illustrativen Beispiele (mit fiktiven Zahlen) zeigen ein mögliches Ergebnis für Decision Trees zur Vorhersage der Hit-Rate (Ziel a) sowie zur Vorhersage von negativen Auftragsdeckungsbeiträgen (Ziel b).

Die Hit-Rate wurde mithilfe von Offerten zwischen 2013 und 2016 ermittelt. Diese Daten enthielten unterschiedliche Angebotseigenschaften wie beispielsweise der gewährte Rabatt, der Preis oder die Ansprechperson der Firma Ernst Schweizer AG und die von ihr geschätzte Chance einer Zusage. Mithilfe der Statistik Software hat das Projektteam nun geprüft, ob ein Zusammenhang zwischen den Angebotseigenschaften und der Chance einer Zu- oder Absage besteht. Das Ergebnis war ein Decision Tree, welches anhand der Angebotseigenschaften mit einer Genauigkeit von 86%* prognostizieren konnte, ob ein neues Angebot vom Kunden angenommen wird oder nicht.

Zur Vorhersage des Auftragsdeckungsbeitrags wurden die Rechnungen von 2013 bis 2016 beigezogen. Eine erste Hochrechnung der angefallenen Kosten pro Auftragsposition ermöglichte eine grobe Abschätzung des Auftragsdeckungsbeitrags. Auch hier wurde geprüft, welche Auftragseigenschaften (Produkttyp, Anlagentyp, Lieferort, Durchlaufzeit, Rabatt, etc.) statistisch einen Einfluss auf den Auftragsdeckungsbeitrag haben. Der aus dieser Überlegung resultierende Decision Tree ermöglichte der Firma Ernst Schweizer AG, einen negativen Auftragsdeckungsbeitrag mit einer Genauigkeit von 95%* bereits vor dem Projektabschluss vorher zu sagen.

Das Projekt hat gezeigt, welches Potential in den Daten steckt. Die Geschäftsbereichsverantwortlichen haben einerseits gemerkt, welche Probleme in der Datenqualität vorhanden sind. Andererseits führten die Daten zu Erkenntnissen, die operativ und strategisch genutzt werden können wie z.B. durch die Ermittlung von unterschiedliche Rabattklassen, die sowohl die Chance einer Zusage, als auch die Chance für einen positiven Auftragsdeckungsbeitrag beeinflussen und durch die Ermittlung von lukrativen Auftragsschwellenwerten in unterschiedlichen Rabattklassen.

*vorausgesetzt, die erhobenen Daten sind repräsentativ genug