Machine Learning in der Finanzprognose: 18 Schlüssel zum ... / 2 Hintergrund: SAP Global Controlling will Prognoseprozesse und -ergebnisse verbessern

Erik Lüerß, Shawn Pauer

Wie also können diese Herausforderungen gemeistert und die Vorteile von ML-Prognosen, wie höhere Genauigkeit, verbesserte Unvoreingenommenheit, verbesserte Aktualität und gesteigerte Kosteneffizienz der Finanzprognose, auch wirklich genutzt werden? Genau mit dieser Frage hat sich das multinationale Softwareunternehmen SAP im Rahmen des Projekts "Forecast Reimagined" intensiv auseinandergesetzt und untersucht, welche Faktoren zur Etablierung eines Best-Practice-Standards beitragen könnten. Als Teil des Projektes entwickelten wir, Erik Lüerß und Shawn Pauer, im Rahmen unserer Bachelorarbeit ein Best-Practice-Model mit 18 praxisorientierten Erfolgsfaktoren. Das Model vereint Erkenntnisse aus der Literatur mit Ergebnissen aus 16 Experteninterviews bei SAP.

Zusammen vermittelt es eine integrative Perspektive und liefert praxisorientierte Handlungsanweisungen, die Organisationen für die Implementierung von ML in der Finanzprognose als Richtschnur nutzen können.

Hinweis

Forecast Reimagined

Das Projekt "Forecast Reimagined" bei SAP ist eine Initiative der Abteilung Global Controlling. Das Unternehmen startete dieses interne Projekt als Antwort auf Herausforderungen in den bestehenden Prognoseprozessen. Das Team, bestehend aus etwa 60 Fachleuten, konzentriert sich darauf, durch die verstärkte Nutzung von standardisierten, automatisierten und datengesteuerten Werkzeugen, die Genauigkeit, Effizienz und Transparenz der zentralen und dezentralen Finanzprognosen zu verbessern. Die Einbindung in das "Forecast Reimagined" Projekt bot den Autoren der Studie die einzigartige Möglichkeit, den Implementierungsprozess von ML-Tools zu beobachten und zu analysieren, welche Faktoren eine erfolgreiche Umsetzung fördern.

Hinweis

ICV-Newcomer Award

Die Arbeit wurde mit dem ersten Preis des ICV Newcomer Awards ausgezeichnet, gesponsert durch Haufe. Die Autoren überzeugten die Jury mit der Entwicklung eines eigenen Best-Practice-Models mit 18 Erfolgsfaktoren, das Unternehmen bei der Auswahl der optimalen Implementierung von Machine Learning in ihren Finanzprognosen unterstützt. „Anstatt sich auf die technische Perspektive zu konzentrieren, haben Sie in Ihrer Arbeit die betriebswirtschaftlichen Auswirkungen und Herausforderungen für das Change Management bei der Einführung von Machine Learning in der Finanzprognose analysiert“, lobt die Jury die Herangehensweise des Gewinnerteams an das Thema.

Dieser Inhalt ist unter anderem im Haufe Finance Office Premium enthalten. Sie wollen mehr?

Jetzt kostenlos 4 Wochen testen

Anmelden und Beitrag in meinem Produkt lesen