Der Autohandel ist geprägt von saisonal alternierendem Kaufverhalten und einer darüber hinaus gehenden Dynamik, die etwa von visuellen Trends, internationalen Restriktionen und Krisen und Entwicklungen im kompetitiven Umfeld bestimmt wird. Importeure und Händler stehen vor der Herausforderung, neue Modelle zum richtigen Zeitpunkt bei den richtigen Zielgruppen zu positionieren. Im Projekt wurden historische Absatzdaten mit dem Ziel analysiert, Zusammenhänge zwischen Markteinführungszeitpunkt und Absatzkennzahlen zu prognostizieren. Dabei kamen rekurrente neuronale Netzwerke (RNN) und SARIMA (Seasonal Autoregressive Integrated Moving Average)-Methoden zum Einsatz. Das Ergebnis waren Prognosemodelle, deren Vorhersagen in einem visuellen Dashboard aufbereitet wurden. Die Leistungsfähigkeit unterschiedlicher Vorhersagemodelle für kurze, mittlere und lange Prognosezeiträume wurde ausführlich evaluiert. Die erfolgreichsten Modelle wurden anschließend für die Optimierung der Markteinführungs-Strategien bei Porsche Holding verwendet.
Der Einsatz eines datengetriebenen Werkzeugs für die Vorhersage der Dynamik von Absatzmärkten unterstützt die Optimierung eines kritischen Schrittes in der Wertschöpfungskette der Porsche Holding Austria und ermöglicht dem größten Automobilhändler Europas, datengetrieben strategische Vertriebsentscheidungen zu treffen.