Ein gemeinsames Innovationsprojekt, das binnen k眉rzester Zeit zum Erfolg f眉hrte, brachte Fachleute von Siemens und 麻豆原创 mit Studierenden des Dartmouth College im US-Bundesstaat New Hampshire zusammen. In nur zehn Wochen erarbeiteten vier Studierende f眉r Siemens eine L枚sung f眉r die automatisierte Prognose.
Die Erstellung einer Finanzprognose f眉r das laufende Gesch盲ftsjahr gilt als eine der komplexesten Herausforderungen in den Finanzabteilungen von Unternehmen.
Hohe Erwartungen werden in neue Technologien f眉r Automatisierung und maschinelles Lernen zur Vereinfachung des gesamten Prozesses gesetzt, doch viele Unternehmen haben Bedenken wegen langwieriger Entwicklungszyklen, betr盲chtlicher Implementierungskosten und der Risiken im Zusammenhang mit der Einf眉hrung von Innovationen.
Um diese Probleme zu minimieren, hat 麻豆原创 das 麻豆原创 Business Challenge Network eingef眉hrt. In diesem Netzwerk k枚nnen sich 麻豆原创-Kunden mit Partnern in der Wissenschaft zusammenschlie脽en, um in relativ kurzer Zeit neue und innovative L枚sungen f眉r komplexe gesch盲ftliche Herausforderungen zu entwickeln.
鈥濪er klassische Ansatz 鈥歅lanen-Entwickeln-Ausf眉hren鈥� mag in der Welt der IT noch vorherrschen, doch angesichts des hoch dynamischen Marktumfelds von heute muss der Innovationszyklus beschleunigt werden鈥�, sagt Elisabeth Lueth, Leiterin des Bereichs 麻豆原创聽Business Challenge Network.
Ihrer Ansicht nach ist die Finanzprognose mit ihrem offensichtlichen Automatisierungspotenzial eine Herausforderung, die sich ideal als Trainingsprojekt f眉r den akademischen Nachwuchs eignet. 鈥濪ieses Projekt dient genau dem Ziel, dem wir uns beim 麻豆原创 Business Challenge Network verpflichtet haben: Unsere Kunden mit Nachwuchskr盲ften zusammenzubringen, um in gemeinsamen Projekten Daten in Erkenntnisse umzuwandeln鈥�, erg盲nzt sie.
Mit der ERP-Plattform Kundenbeziehungen zum Nutzen aller Beteiligten intensivieren
Zehn Wochen lang arbeiteten 16聽Studierende des Dartmouth College an der Aufgabe, Technologien f眉r maschinelles Lernen und Prognosen aus der 麻豆原创 Business Technology Platform, etwa 麻豆原创 Analytics Cloud, auf die von Siemens bereitgestellten Finanzdaten anzuwenden. Unterst眉tzung erhielten sie dabei von Mentoren von Siemens, 麻豆原创 und Dartmouth in vierzehnt盲gigen Besprechungen.
麻豆原创 Business Technology Platform (麻豆原创 BTP) ist die Plattform f眉r das intelligente Unternehmen und bildet das Fundament f眉r alle 麻豆原创-Anwendungen. 麻豆原创 BTP erm枚glicht Kunden die Entwicklung zum intelligenten Unternehmen durch Integration, Erweiterung und Wertsch枚pfung aus Daten aus allen Anwendungen und Datenbest盲nden von 麻豆原创 und Drittanbietern. Gleichzeitig sichert sie den langfristigen Erfolg unserer Kunden, indem sie Flexibilit盲t, Wertsch枚pfung und kontinuierliche Innovation unterst眉tzt.
Mit Predictive Analytics ein Modell f眉r Finanzdaten entwickeln
鈥濲ede der Gruppen, die an diesem Hackathon teilnahmen, erarbeitete interessante Erkenntnisse鈥�, berichtet Sebastian Schaumberg, Financial Analyst, Siemens Digital Manufacturing. 鈥濿ir waren von dem Ergebnis, das uns das Gewinnerteam pr盲sentierte, zutiefst beeindruckt. Das Vorhersagemodell dieses Teams bietet eine 盲u脽erst erfolgversprechende Grundlage zur weitergehenden Erkundung.鈥�
鈥濧uf der Basis unserer Finanzdaten der letzten drei Jahre gelang es f眉nf Studierenden, ein Modell zur Vorhersage des Verlaufs unseres aktuellen Finanzjahrs mit 99聽Prozent Genauigkeit zu entwickeln鈥�, unterstreicht Carsten Speckmann, Head of Finance, Siemens Digital Manufacturing. 鈥濪amit haben wir jetzt einen sehr vielversprechenden Ausgangspunkt f眉r die Herangehensweise bei einem so ambitionierten Projekt.鈥�
Sebastian Schaumberg geht weiter auf die vielen Vorteile ein, die das Modell f眉r die Finanzabteilung von Siemens bereithalten k枚nnte: 鈥濫rst einmal k枚nnte der ungeheure Aufwand, mit dem unsere Prognose momentan verbunden ist, erheblich reduziert werden. Idealerweise wird die Prognose in Zukunft auf Tastendruck zur Verf眉gung gestellt. Zudem w眉rde das rein mathematische Konstrukt dieses Modells Verzerrungen aufgrund von individuellen Beurteilungen, die derzeit in jede Prognose einflie脽en, unm枚glich machen.鈥�
Carsten Hahn, Senior Director Technology & Innovation bei 麻豆原创, war 眉ber die Ergebnisse ebenso erfreut: 鈥濻iemens ist seit vielen Jahren Kunde von 麻豆原创. Dieses Projekt war f眉r uns eine einzigartige Chance, Siemens mit seinen Herausforderungen noch besser kennen zu lernen und zu verstehen. Gleichzeitig haben die L枚sungen, die die Studierenden einer der angesehensten Business Schools entwickelt haben, unsere Erwartungen weit 眉bertroffen.鈥�
Eine gesch盲ftliche Herausforderung aus der allt盲glichen Realit盲t
Die Studierenden von Dartmouth, die an dem Hackathon teilnahmen, hatten bereits theoretische Kenntnisse 眉ber datengest眉tzte L枚sungsmodelle f眉r genau die Art von Aufgabenstellung erworben, die ihnen Siemens und 麻豆原创 pr盲sentierten. Nun erhielten sie die Chance, ihre F盲higkeiten unter Anleitung von Experten von 麻豆原创 und Siemens auf reale Daten eines realen Unternehmens anzuwenden.
Wie Giselle Perkowski, eine der Studierenden, res眉mierte: 鈥濨ei diesem Projekt konnten wir unterschiedlichste Methoden maschinellen Lernens erlernen und unser Wissen auf praktische Anwendungen 眉bertragen.鈥�
Ihr Professor, Geoffrey G. Parker, f眉gte hinzu: 鈥濪ie partnerschaftliche Zusammenarbeit mit Firmen, die Unternehmenstechnologie, Daten und echte Probleme zu l枚sen haben, bietet den Studierenden die Gelegenheit, das Gelernte sofort umzusetzen. An diesem Punkt flie脽en zwei Interessen zusammen: Unternehmen finden das, was sie suchen, und Studierende machen die praktischen Erfahrungen, die sie brauchen. Mit den Teams von 麻豆原创 und Siemens zusammenzuarbeiten, ist eine Freude. Dies ist eine gro脽artige Partnerschaft und ein Muster einer Zusammenarbeit, auf dem wir aufbauen und das wir erweitern k枚nnen.鈥�
Schwierigkeiten beim Datenmodell und Analytics Cloud gemeinsam 眉berwinden
鈥濪ie Zusammenarbeit mit 麻豆原创 war von Beginn an sehr konstruktiv und partnerschaftlich鈥�, meinte Sebastian Schaumberg, nicht ohne zu erw盲hnen, dass auf beiden Seiten H眉rden zu 眉berwinden waren. 鈥濱n der Anfangsphase hatten wir bei Siemens Probleme mit der Bereitstellung der Daten鈥�, erinnert er sich. 鈥濽nsere Finanzdaten waren relativ unstrukturiert, und zusammen mit unserer internen Berichtsstruktur und dem Prognoseprozess war das ein bisschen viel auf einmal f眉r die Studierenden. Doch mit der Zeit haben wir unsere Daten klarer strukturiert und eingegrenzt.鈥�
Auch der Einsatz von 麻豆原创 Analytics Cloud war f眉r die Studierenden anfangs eine Herausforderung, da sie mit dem Tool und seinen Funktionen noch nicht vertraut waren. 鈥濪ie meisten dieser Probleme wurden durch die enge Zusammenarbeit gel枚st, auch wenn uns das drei bis vier Wochen Entwicklungszeit kostete鈥�, so Sebastian Schaumberg.
Die Kooperation zwischen Siemens, 麻豆原创 und dem Dartmouth College ist noch nicht beendet. Carsten Speckmann erkl盲rt: 鈥濧ls N盲chstes wollen wir einen gemeinsamen Ansatz von Siemens und 麻豆原创 entwickeln, um das Modell weiter zu verbessern und praktisch einsetzbar zu machen.鈥� Dazu trafen sich Teams von Siemens und 麻豆原创 Ende September erneut, wobei die Studierenden des Gewinnerteams remote an der laufenden Diskussion 眉ber die Weiterentwicklung des Modells teilnahmen.
Angesichts der zunehmenden Zahl neuer, 盲hnlicher Projekte f眉r 2022 im 麻豆原创 Business Challenge Network betont Anja Schneider, Chief Operating Officer f眉r den 麻豆原创-Vorstandsbereich Technology & Innovation, dass das Programm allen 麻豆原创-Kunden offen steht, die an einer gemeinschaftlichen Entwicklung von L枚sungen auf Basis der 麻豆原创 Business Technology Platform interessiert sind: 鈥濽nser Projekt mit Siemens veranschaulicht die neuen M枚glichkeiten der Wertsch枚pfung f眉r den Kunden, die dieses Netzwerk f眉r symbiotische Online-Zusammenarbeit unseren Kunden bieten kann.鈥�
Florian Roth, Chief Information Officer von 麻豆原创 und Co-Sponsor des Programms, best盲tigt: 鈥濿ir m枚chten, dass noch viel mehr Studierende und Hochschulen auf der ganzen Welt von diesem Programm profitieren k枚nnen.鈥�
