Basierend auf einer Studie bei PostFinance Operations Services wurde dargelegt, dass die aktuelle interne Leistungsverrechnung nicht optimal ist. Es wird noch mit synthetischen Werten (Annahmen und Schätzungen zu Verarbeitungsmenge und -zeit) rapporiert. Zudem werden die vorhandenen Daten zu wenig genau betrachtet. Diese Umstände führen zu einer fehlenden Transparenz gegenüber den internen Stakeholdern. Aus diesem Grund wurde das Projekt Data Driven Operation gestartet. Das Projekt hat das Ziel, die synthetischen Werte zu reduzieren und die Leistungserbringung besser zu planen.

Es wird ein Einblick in eine Studie sowie ein Projekt von PostFinance Operations Services PostFinance zur genauen Ressourcenplanung gewährt. Anschliessend wird der operative Prozess "Kundendokumente nachliefern" genauer erläutert, um ein Grundverständnis des Prozesses zu schaffen. Es findet eine explorative Analyse mit den Daten des Prozesses "Kundendokumente nachliefern" statt. Anhand der zur Verfügung stehenden Daten wird ein Regressionsmodell erstellt und trainiert, damit die Personalaufwände prognostiziert werden können.

Der Start eines Projekts wie Data Driven Operation ist ein wichtiger Schritt für PostFinance in Bezug auf eine korrekte interne Leistungsverrechnung. Dem Projekt muss genügend Beachtung geschenkt werden, damit die Strategieziele von PostFinance Operations Services erreicht werden können. Für die Erhebung des Personalaufwands besteht im operativen Prozess "Kundendokumente nachliefern" aktuell eine Datenlücke. Aufgrund der fehlenden effektiven Bearbeitungszeit der Mitarbeitenden kann keine zuverlässige Prognose für den zukünftigen Ressourcenbedarf auf Basis dieser Daten erstellt werden. Es erschwert zudem auch, den historischen Ressourcenbedarf zu erkennen. Ob anhand der zur Verfügung stehenden Daten zuverlässige Prognosen für die Personalbedarfsplanung gemacht werden können, kann zum aktuellen Zeitpunkt nicht bestätigt werden. Es kann lediglich bestätigt werden, dass anhand eines linearen Regressionsmodells der Vorhersagefehler stark reduziert werden kann und somit bessere Vorhersagewerte prognostiziert werden können. Es wird empfohlen, dieses Modell auf anderen Prozessen von PostFinance Operations Services anzuwenden, bei denen keine Datenlücke vorhanden ist.