Zusammenfassung

  • Die Entwicklungen der letzten Jahre im Bereich Advanced Analytics und Machine Learning werden von vielen Unternehmen als wichtige Hebel gesehen, bisherige manuelle Forecasts zu digitalisieren.
  • Die Vorteile eines algorithmischen Forecasts sind seine höhere Objektivität, ein geringer Aufwand, eine höhere Frequenz und unter bestimmten Voraussetzungen auch eine verbesserte Genauigkeit.
  • Für die Umsetzung eines prädiktiven Analytics-Projekts ist eine standardisierte Vorgehensweise zur Entwicklung der technischen Lösung und deren Einbettung in den bisherigen Planungsprozess entscheidend.
  • Als essenzielles Instrument der Unternehmenssteuerung unterstützt ein digitaler Forecast in einem breiten Spektrum von Sales- & Cashflow-Planning bis hin zu operativen Dispositionsentscheidungen. Dies wird anhand von drei Praxisbeispielen anschaulich vermittelt.

1 Einleitung: Predictive Analytics in der Unternehmenssteuerung

Der Zyklus aus strategischer Planung, Zielsetzung, operativer Planung und Forecasting bildet ein wichtiges Instrument der Unternehmenssteuerung. Entsprechend ist die Steigerung von Qualität und Effizienz im Bereich Planung und Forecasting für viele Unternehmen ein zentrales Ziel. Gleichzeitig stellen Planung und Forecasting in vielen Unternehmen aufwändige Prozesse dar, die zahlreiche Mitarbeiterressourcen binden, aber den möglichen Nutzen für die Unternehmenssteuerung nicht realisieren.

Vor diesem Hintergrund fragen sich viele Unternehmen nach den Optimierungspotenzialen, die sich durch die Weiterentwicklung ihrer Planungs- und Forecasting-Ansätze für sie ergeben können.

Angesichts der Entwicklungen der letzten Jahre im Bereich Advanced Analytics und Machine Learning sehen viele Unternehmen vor allem in der Digitalisierung des Forecastings einen wichtigen Hebel. So ergab z. B. eine Umfrage beim Forum digitale Unternehmenssteuerung 2022, dass für 56 % der Teilnehmer die Nutzung von prädiktiven Analytics im Forecasting der wichtigste Trend in der digitalen Unternehmenssteuerung ist – gefolgt von KI-gestützten Dashboards (20 %), datengetriebener Optimierung in der Supply Chain und im Pricing (11 %), Nutzung von diagnostischen Analytics bei komplexen Ursache-Wirkungsanalysen (9 %) und Risiko-, Wettbewerbs- und Innovationsradaren (4 %).[1]

Ein Blick auf die Effektivitäts- und Effizienzpotenziale konkreter Anwendungsfälle gibt dieser Trendeinschätzung recht. Neben der verbesserten Entscheidungssituation, die durch die höhere Transparenz von prädiktiven Forecasts entsteht, sind es vor allem gesteigerte Prozesseffizienzen, die Investitionen in die Digitalisierung des Forecastings auch in der kurzen Frist durch einen entsprechenden Return on Invest rechtfertigen.

Vor diesem Hintergrund fragen sich viele Unternehmen nach dem für sie geeigneten Weg, um mit prädiktiven Analytics Optimierungspotenziale zu realisieren. Hierbei ist zunächst eine Standortbestimmung wichtig, die mit der Abgrenzung der unternehmensspezifischen Vorteile von prädiktiven Analytics, in den verschiedenen Geschäftsbereichen und Wertschöpfungsstufen beginnt. Damit einher geht die konkrete Berücksichtigung und Bewertung von Erfolgsfaktoren, anhand derer die Machbarkeit dem zu erwartenden Nutzen gegenübergestellt wird.

Ergeben sich aus dieser Bewertung Anwendungsfälle mit einem klaren Nutzen-Kosten-Vorteil, ist anhand eines inzwischen erprobten Vorgehensmodells die Umsetzung einzusteuern – die eigentliche Arbeit mit den Daten und Algorithmen beginnt. Ein wichtiger Erfahrungswert ist dabei, dass parallel zur Datenaufbereitung und dem Trainieren der geeigneten Algorithmen bereits die Einbettung der neuen prädiktiven Algorithmen in die zukünftigen Forecasting-Prozesse vorbereitet wird.

Dazu zählt nicht nur die technische Integration in bestehende IT-Lösungen, sondern auch die Abstimmung der Prozessveränderungen, etwa wenn der algorithmisch generierte Forecast im Sinne einer "second opinion" von dezentralen Fachkräften im Forecasting genutzt werden soll. Ein geeignetes Change Management spielt dabei eine entscheidende Rolle. Im Folgenden wird auf diese Aspekte im Detail eingegangen.

[1] Vgl. Horváth, 2022, Teilnehmerbefragung Forum digitale Unternehmenssteuerung 2022. Bereitstellung aller Ergebnisse auf Anfrage.

2 Vorteile prädiktiver Analytics gegenüber klassischen Forecasts

Die Vorteile von prädiktiver Analytics lassen sich am besten veranschaulichen, wenn man sich die Charakteristika des klassischen Forecasts vergegenwärtigt: Ein solcher Forecast wird "von Menschenhand" in einem manuellen Prozess erstellt und dessen Erstellung folgt zumeist einer Mischung aus sehr einfachen Logiken und Experteneinschätzungen.

Im Gegenzug hierzu weist die Forecast-Erstellung mit prädiktiven Analytics andere Charakteristika auf: Es werden Algorithmen designt, welche die vorherzusagende Zielgröße mittels eines daten-getriebenen Verfahrens ermitteln. Die Erstellung der Algorithmen erfolgt i. d. R. durch "Data Scientists". Ziel der Algorithmen ist es, die Geschäftsentwicklung basierend auf mathematischen Modellen möglichst akkurat vorherzusagen.

Aus diesen Unterschieden ergeben sich diverse Vorteile, die der For...

Das ist nur ein Ausschnitt aus dem Produkt Finance Office Professional. Sie wollen mehr? Dann testen Sie hier live & unverbindlich Finance Office Professional 30 Minuten lang und lesen Sie den gesamten Inhalt.


Meistgelesene beiträge