Anders als bei klassischen Zeitreihenanalysen, bei denen ausschließlich die vergangenen Aufträge und Umsätze in die Zukunft geschrieben werden, berücksichtigen wir in unserem Sales Forecasting neben den historischen Aufträgen eines Kunden viele weitere Kundenattribute, wie z.B. die Branche, den Standort, als auch selbst ermittelte Attribute, wie z.B. die Abwanderungswahrscheinlichkeit oder den Share of Wallet. Da allerdings das Kundenverhalten häufig nicht allein mit den bereits bestehenden Informationen vorhergesagt werden kann, reichern wir diese mit externen Daten an, wie z.B. Nachrichten oder Wettervorhersagen. Sobald alle relevanten Informationen vorliegen, wenden wir darauf unser selbst entwickeltes Deep Learning-Modell an, um das Auftrags- und Umsatzvolumen kundenindividuell und aggregiert bestmöglich vorherzusagen.

Für das Sales Forecasting benötigen wir vor allem die Auftragsdaten – die Daten zu den Kundenaufträgen aus ihrem ERP-System. Konkret: Wann hat welcher Kunde was zu welchem Preis zu welchen Kosten gekauft? Ergänzt werden diese Informationen mit den Kundenstammdaten, vornehmlich aus dem CRM-System, das heißt: Wer ist der Kunde und was sind seine Eigenschaften? Darüber hinaus sind – sofern vorhanden – Interaktionsdaten mit dem Kunden (z.B. aus einem Service-/Ticketsystem) interessant.
Von Interesse ist auch, welche Art von Kundeninteraktion (z.B. reines Servicegespräch, Beschwerde), zu welcher Zeit mit dem Kunden stattgefunden hat.
Anders als bei den anderen Anwendungsfällen spielen beim Sales Forecasting auch externe Daten, wie z.B. Wetterinformationen, Nachrichten und Branchentrends, eine erhebliche Rolle. Teilweise reichern wir internen Daten direkt mit diesen externen Informationen an, teilweise entscheiden wir gemeinsam, welche externen Daten relevant sind und ermöglichen eine einfache Berücksichtigung dieser Daten in den Analysen.