Digitale Finanzorganisation: Automatisierte Prozesse, ve ... / 2.2 Paradigmenwechsel im Forecasting-Prozess durch Predictive Analytics

Erhöhung der Forecasting-Genauigkeit durch proaktiv-prognostizierende Auswertung von Big Data

Auch vor dem Bereich Controlling macht die Digitalisierung nicht Halt. Entscheidungsträger müssen sich zukünftig auf einen durch die Digitalisierung getriebenen Paradigmenwechsel im Bereich Planung und Forecasting einstellen. Die aktuell in der Controllinglandschaft noch weit verbreiteten reaktiv-analytischen Auswertungen von Vergangenheitsdaten werden dabei sukzessive durch proaktiv-prognostizierende Ansätze ersetzt werden. Möglich wird dies durch "Treibermodelle" aus fachlicher Sicht und "Predictive Analytics" aus technischer Sicht – kombiniert mit nahezu unbegrenzten, (un-)strukturierten Daten ("Big Data").

Mit der Verknüpfung beider Sichten können so die Schwachstellen der analogen Vergangenheit bzw. Realität überwunden werden. Diese lagen in erster Linie oftmals in der hohen Anzahl an Ressourcen, die durch eine Prognoseerstellung gebunden sind, als auch in der unzureichenden Forecast-Genauigkeit. Hinzu kommt in vielen Fällen der Kritikpunkt, dass der Forecast ohnehin politisch-motiviert sei, sprich bewusst in die eine oder andere Richtung gelenkt ist.

Im Zuge der Automatisierung werden die zugrundeliegenden qualitativ-theoretischen Ursache-Wirkungs-Ketten des Planung- und Forecasting-Prozesses durch quantitativ-statistische Zusammenhänge substituiert. Dazu gehört u. a. die automatisierte, kontinuierliche Suche nach Abhängigkeiten und Auffälligkeiten innerhalb der Daten. Während dieses Vorgangs durchsuchen Algorithmen die Datenbasis nach Optimierungspotenzialen, unabhängig von Plan-Ist- oder Plan-Forecast-Abweichungen. Die verwendeten Modelle ermitteln darüber hinaus die Wahrscheinlichkeiten für das Eintreten verschiedener Szenarien. Somit entstehen datenbasierte Forecasts, die wesentliche Vorteile gegenüber einem herkömmlichen Forecast besitzen.

So verkürzt die Automatisierung die Prognoseerstellung und ermöglicht häufigere Forecasts. Die damit verbundene Effizienzsteigerung geht einher mit einer Verbesserung der Prognosegüte. Infolgedessen können Entscheider in kürzeren Zeitabständen auf eine qualitativ höherwertige Entscheidungsbasis zurückgreifen – bei gleichzeitiger Reduktion des Ressourcenbedarfs.