Predictive analytics

Wachstumstreibmittel

Rollierende Forecasts liefern fortlaufend aktuelle entscheidungsrelevante Informationen. Anders als bei starren Budgetvorgaben kann das Management so rechtzeitig auf Marktveränderungen reagieren.

 

Budgetplanungen dienen in Unternehmen als kurzfristiger, operativer Fahrplan, der die Maßnahmen und Projekte durch die Festschreibung von Einnahmen und Ausgaben strukturiert. Daraus können konkrete und quantifizierbare Zielvorgaben für die Steuerung abgeleitet werden. 

Kritiker eines jährlich erstellten Budgets bemängeln jedoch, dass durch den zeit- und ressourcenaufwendigen Prozess der Budgeterstellung Kapazitäten zur Evaluierung von Handlungsalternativen gebunden werden, ohne dass klar sei, ob die zugrunde gelegten Ereignisse im Jahresverlauf überhaupt zum Tragen kommen. 

Zudem wird der Budgeterstellungsprozess oft als auferlegte Bürde wahrgenommen, wobei die Vorgaben und Annahmen nicht ausreichend kritisch reflektiert werden. Mit dem Ergebnis, dass eine über die Dauer von bis zu sechs Monaten hinweg entwickelte Jahresplanung oft schon zum Zeitpunkt ihrer Fertigstellung überholt ist. 

Starre Budgetvorgaben machen es mitunter schwer, schnell und effektiv auf Veränderungen in Markt und Umwelt zu reagieren, beispielsweise wenn in der Geschäftswelt Unsicherheit und Schnelllebigkeit vorherrschen wie in den vergangenen Jahren der Finanz- und Eurokrise.

 

Finanz-Forecasts beim Rating wichtig.
Rollierende Forecasts bieten sich hier als Alternative an. Denn die Chancen und Risiken sowie die abgeleiteten Handlungs-alternativen sollten besonders in stürmischen Zeiten kontinuierlich ermittelt werden und sich in der Finanzorganisation eines Unternehmens widerspiegeln. Anders als beim Budget muss ein Forecast nicht unbedingt eng mit den Zielen verbunden werden. Die rollierende Variante soll lediglich ein Ausblick in die Zukunft sein und Auskunft zu der Frage geben: Was passiert, wenn es so weiterläuft? Das Ziel ist eine möglichst realistische Vorhersage künftiger Ereignisse und die stete Informationsversorgung des Managements. 

Besonders wichtig ist dabei der Finanz-Forecast: die Schätzung zukünftiger Aufwendungen und Erträge – idealerweise auf der Basis zugrunde liegender Geschäftstreiber wie etwa Absatzmengen oder Rabattsätze. Werden Zahlungsziele berücksichtigt (sowohl debitoren- als auch kreditorenseitig), kann dann daraus ein operativer Liquiditätsforecast abgeleitet werden. Zur Prognose der Gesamtliquidität muss eine Einschätzung der Ergebnisse aus Investitions- und Finanztätigkeiten im relevanten Zeitraum vorliegen. Auf der Basis dieser Vorhersagedaten können GuV, Bilanz und Cashflow-Statement erstellt und den relevanten Stakeholdern zur Verfügung gestellt werden. 

Entsprechend bietet der Finanz-Forecast ein umfassendes und aktuelles Bild über die kurzfristige Erfolgs- und Liquiditätssituation eines Unternehmens. Banken etwa präferieren beim Kreditrating oder bei der Definition und Überprüfung von Covenants oft Forecast-Daten, da diese neben der höheren Aktualität gegenüber Budgetzahlen auch geringere Verzerrungen aufweisen. 

Doch es gibt viele Herausforderungen: Schwierig bei der Erstellung des FinanzForecasts ist zum Beispiel oft die Absatzprognose, besonders in Branchen mit hohen Stückzahlen wie dem Pharma-Bereich oder dem Lebensmittelhandel. Hier ist es nötig, die geschätzten Absatzmengen unterschiedlicher Artikel und Produktvarianten zu ermitteln und mit Preisen zu bewerten, welche teils aus komplexen kunden- und artikelspezifischen Konditions- und Rabattlogiken herrühren. 

Wenn das ein Mitarbeiter mit Expertenwissen, zum Beispiel ein Key Account- oder Produktmanager, manuell macht, steigen Aufwand und Durchlaufzeiten: Es wäre teuer, monatlich mit hohem Detailgrad einen neuen Forecast erstellen zu lassen. Andererseits aber wäre ein derartiges Vorgehen häufig nötig, um Struktureffekte wie beispielsweise Sortimentsverschiebungen korrekt abzubilden. 

Diese Zwickmühle lässt sich mit Werkzeugen aus dem Bereich «Predictive Analytics» vermeiden. Sie erstellen den Forecast quasi automatisch auf der Basis der Vergangenheitsdaten. Hierbei kombinieren sie diverse statistische Modelle und sind häufig treffsicherer als Fachleute. Besonders valide wird ein Forecast dann, wenn man die einzelnen Treiber der Finanzgrößen  einbezieht. 

 

Treiberbasiertes Forecasting. 
Wie lässt sich nun die häufig vorkommende Lücke zwischen operativen Tätigkeiten und dem Finanz-Forecast schließen? Der Ansatz des treiberbasierten Forecasting hilft – durch die explizite Modellierung von Ursache-Wirkungszusammenhängen. Dabei bildet jeweils ein Submodell den Zusammenhang zwischen einer quantifizierbaren betrieblichen Tätigkeit (Absatz-Forecast) und einer relevanten Kenngröße ab. Diese Kenngröße kann bereits direkt in den Finanz-Forecast (Einzahlungen aus Debitoren) einfließen oder als Input eines weiteren Submodells dienen (Umsatz, der zur Einzahlung wird). Auf diese Weise werden die einzelnen Submodelle schrittweise zum Finanz-Forecast aggregiert. Beispiele für Treiber sind die Anzahl produzierter Einheiten oder die der bearbeiteten Anfragen. Abhängigkeiten von Treibern untereinander werden über Umrechnungskurse abgebildet. Kaufen beispielsweise 40 Prozent der Käufer von Produkt A auch Produkt B, fließt diese Information in die Bestimmung des Absatzes von Produkt B mit ein. 

Die so hergeleitete Modellierung von Zusammenhängen schafft große Effizienzgewinne, da nur noch die Treiber aktiv geplant werden müssen. Die davon abhängigen Größen berechnen sich automatisch. Zudem wird eine intuitive, effiziente Simulation und Szenarienbildung möglich sowie eine Kausalanalyse der Abweichungen unterstützt. Ein leistungsstarkes Tool ist zum Beispiel IBM Cognos TM 1. 

Der Begriff «Predictive Analytics» umfasst eine Vielzahl von Verfahren aus Data Mining, Statistik und Spieltheorie, die darauf abzielen, aus Mustern in verfügbaren Daten Aussagen über zukünftige Ereignisse abzuleiten. 

 

Expertenwissen einbinden. 
Diese Methoden finden sich in nahezu jeder Branche. Bekannte Beispiele sind unter anderem das Credit Scoring zur Beurteilung der Kreditwürdigkeit eines Kunden im Bankensektor und die Berechnung des sogenannten «Customer Life Time Value» im Marketingbereich.  

Leistungsstarke Tools wie der IBM SPSS Modeler können selbst für Tausende von Produkten unter Berücksichtigung einer Vielzahl von Parametern On-Demand-Absatzprognosen erstellen. Zudem wird durch den Einsatz derartiger Lösungen die Durchgängigkeit der Datenflüsse sichergestellt und ein hoher Automatisierungsgrad ermöglicht. Auch werden kognitive Verzerrungen etwa durch subjektive Einschätzungen eliminiert. 

Ein großes Problem birgt der Einsatz von «Predictive Analytics» allerdings: Oft fehlt den betrieblichen Anwendern die Affinität zu mathematischen und statistischen Verfahren und sie laufen darüber hinaus Gefahr, ihr eigenes Expertenwissen als wertvollen Input für die Prognose nicht einzusetzen. Mit Werkzeugen aus der Künstlichen Intelligenz wie etwa der «Intelligent Computer Aided Instruction» können auch unerfahrene Nutzer durch den anspruchsvollen Prognoseprozess geführt werden. 

Durch das Einbeziehen des menschlichen Expertenwissens wird die Prognose genauer und die Akzeptanz der Ergebnisse gesteigert. Im Einzelfall kann es sogar sinnvoll sein, mittels Overriding-Mechanismen die menschliche Einschätzung der maschinellen Prognose vorzuziehen, zum Beispiel bei der Planung der Top Five-Kunden oder -Produkte. Für die Planung hinsichtlich der restlichen Kunden und Produkte folgt eine maschinelle Prognose. 

 

Automatisierte Prognosen erstellen. 
Werden «Predictive Modeling»-Verfahren mit einem treiberbasierten Forecasting-Modell kombiniert, entsteht ein leistungsstarkes und effizientes betriebliches Prognosewerkzeug. Der Großteil der Arbeit zur Erstellung des Forecast entfällt, da die Prognose maschinell und automatisiert im Hintergrund erstellt und zu relevanten Kennzahlen verdichtet wird. Das Expertenwissen sowie die notwendigen Steuerungsinformationen werden über intuitive Web-Formulare erfasst. Ein ebenfalls internetbasiertes Reporting stellt dem Management dann die entscheidungsrelevanten Informationen zur Verfügung.

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net 
© ProfilePublishing Germany GmbH 2014_2015. Alle Rechte vorbehalten. 
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite