Zusammenfassung
Das rasante Aufkommen von Machine Learning (ML) in der Finanzprognose eröffnet Unternehmen vielversprechende Möglichkeiten. Der Artikel präsentiert eine Roadmap für die erfolgreiche Integration von ML in Finanzprognosen anhand von 18 praxisorientierten Erfolgsfaktoren. Durch diese Best Practices können Unternehmen die betriebswirtschaftlichen Herausforderungen bei der Implementierung überwinden und das immense Potenzial von ML-Prognosen ausschöpfen. Der Beitrag erschien erstmals im Controller Magazin 4/2024.
1 Einleitung
"Ich habe den Vorteil, dass ich wirklich jetzt in den letzten zwei Jahren 100 Leute getroffen habe aus den unterschiedlichsten Branchen und sehe das Gleiche: Wie kriege ich denn diese Zukunftsprojekte, wo jeder weiß, die bringen mir was hinten raus – wie kriege ich die denn umgesetzt im Tagesgeschäft mit eh schon begrenzten Ressourcen?"
Inmitten der dynamischen Unternehmenslandschaft hat die rasante Entwicklung und Integration von Machine Learning (ML) im Controlling eine Revolution in der Erstellung von Finanzprognosen ausgelöst. Obwohl das Potenzial von ML den meisten Führungskräften bereits bekannt ist, findet diese vorteilhafte Praxis noch keine flächendeckende Anwendung. Zuverlässige und umsetzbare Finanzprognosen sind jedoch unerlässlich für Unternehmen, um in der heutigen schnelllebigen und sich stetig verändernden Geschäftslandschaft fundierte Entscheidungen zu treffen und wettbewerbsfähig zu bleiben. Das Eingangszitat verdeutlicht die Herausforderungen, mit denen Unternehmen konfrontiert sind, wenn es um die Implementierung von Zukunftstechnologien wie ML in der Finanzfunktion geht. Begrenzte Ressourcen und Prioritäten im Tagesgeschäft scheinen zu den bestehenden Hürden zu gehören.
2 Hintergrund: SAP Global Controlling will Prognoseprozesse und -ergebnisse verbessern
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.
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.
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.
3 Das Best-Practice Model im Überblick
Das Best-Practice-Model umfasst 18 praxisorientierte Erfolgsfaktoren, die nachfolgend kurz vorgestellt werden (s. Abb. 1). Die Faktoren "Human-in-the-Loop-Entscheidungsfindung" und "Aufbau eines A-Teams statt eines Elfenbeinturms" werden ausführlicher beschrieben.
Abb. 1: Best-Practice Modell
Ziel und Umfang
Vor der Einführung von ML in der Finanzprognose ist es von grundlegender Bedeutung, das konkrete Ziel des ML-Tools zu verstehen und die Grenzen seines Anwendungsbereichs festzulegen. Die Dimension "Ziel und Umfang" bildet daher das Fundament für die darauffolgenden Dimensionen und sollte stets der Ausgangspunkt aller Implementationsbemühungen sein.
Definieren einer klaren Vision und Zielsetzung für die Machine Learning Initiative
Die Festlegung einer klaren Vision und konkreter Ziele ist grundlegend für den Erfolg von ML-Projekten. Allzu ...