Der Einsatz von Predictive Analytics im Controlling

22:53 06 November in Big Data

In den folgenden Ausführungen zeigt Ihnen unser Team aus Wirtschaftsprüfern, Rechtsanwälten, IT-Forensikern und Business Analytics-Spezialisten von WPNO die Einsatzmöglichkeiten von analytischen Funktionen in Planungslösungen auf.

Üblicherweise bildet eine Vorschaurechnung die Grundlage der Planung. Dabei stellt eine auf der Fortsetzung der bisherigen Strategie basierende Gap-Analyse, in deren Rahmen auch prognostizierte Umweltfaktoren Berücksichtigung finden, oftmals den Ausgangspunkt der Strategischen Planung dar.

Für das Budget des Folgejahres, welches regelmäßig auf den Erwartungswerten für das zu planende Jahr und die Jahresendprognose des aktuellen Jahres basiert, gelten die identischen Ansätze.

Aus methodischer Perspektive stellen sich die standardisiert verwendeten Verfahren als vergleichsweise einfach dar, bedient man sich für die Jahresendvorschaurechnung doch oftmals des Instruments der Fortschreibung.

Hier können bei ausreichender Datengrundlage im Interesse der Vorhersage-Genauigkeit auch anspruchsvollere Lösungen wie ARIMA (autoregressive integrated moving average) zum Einsatz kommen.

In den Bereichen Statistik und Ökonometrie und im Besonderem im Rahmen der Zeitreihenanalyse stellt das ARIMA-Modell eine Verallgemeinerung des ARMA-Modells (autoregressive moving average) dar.

Bei der ARIMA-Zeitreihenmethode werden Abhängigkeiten der zu schätzenden Werte von vorhergehenden Perioden aufgrund linearer Modelle ermittelt.

Besonders entwickelte Vorhersage-Methoden sind bereits in einigen erfolgskritischen Bereichen, wie beispielsweise den Vertriebsbereichen von Unternehmen zu finden. Die Möglichkeit eines flächendeckenden Einsatzes entsprechender Methoden scheitert aber bisher regelmäßig an dem notwendigen Einsatzes von Statistikexperten, deren es für die Betreuung solcher Methoden noch bedarf.

Self-Service Predictive Analytics bieten sich vor diesem Hintergrund als nützlicher Baustein für die Erweiterung von Vorschaurechnungen an.

Statistische Verfahren allein genügen nicht

Eine Zeitreihenanalyse beginnt regelmäßig mit der Identifikation eines geeigneten Vorschauverfahrens durch eine Betrachtung der Entwicklung der Ist-Daten im Zeitablauf.

Verschiedene Einflussfaktoren beeinflussen die Auswahl des geeigneten Vorschauverfahrens, wie beispielsweise Saisonmuster oder vorhandenes Kontextwissen der Anwender.

Zudem muss geprüft werden, ob sich beispielsweise ein logarithmischer Verlauf zur Approximation der Ist-Daten zeigt oder ob eine lineare Regression geeignet scheint.

Der Einsatz von statistischen Verfahren alleine ist nicht ausreichend.

Wir empfehlen die Anbindung einer existenten Planungslösung für die Zuordnung von Kontextinformationen, wie beispielsweise die Integration von entsprechenden Predictive Analytics Methoden unmittelbar in Planungs- und Forecasting-Masken.

Dies ermöglicht die Auswahl von Zeitreihenfunktionen in den Masken unter Hinterlegung von Parametern und einfachen Abhängigkeiten zu anderen Planungsobjekten durch den Anwender.

Weiterhin wird eine Ansicht der gegebenen Ist-Werte und das Testen verschiedener Vorschauverfahren für die jeweiligen Einzelpositionen ermöglicht, so dass die im Anschluss grafisch dargestellten Ergebnisse in Bezug auf ihre Plausibilität hin beurteilt werden können.

Zudem stehen weitere Kennzahlen zur Verfügung, mit deren Hilfe eine Einschätzung der Qualität der Vorhersage erfolgen kann.

Die generierten Vorschauwerte können durch Anmerkungen und Line Items (Zu- oder Abschläge), die auf Einzelpositionen heruntergebrochen werden, ihre Vervollständigung finden. Schließlich ist das Erfahrungswissen des Anwenders ein essentieller Bestandteil für eine qualifizierte Betrachtung.

Werden die statistischen Verfahren neu berechnet, führt das zu keiner Änderung der manuellen Anpassungen. Ändert sich aber die Basis einer manuellen Anpassung, so weisen Markierungen entsprechend darauf hin.

Statistische Verfahren können in einem weiteren Schritt auch in die Budgetierungsmasken eingesetzt werden, um die zeitliche Verteilung der Jahresbudgetwerte auf die einzelnen Monate zu erkennen und somit eine optimierte integrierte Planung zu ermöglichen.

Diese Vorgehensweise erlaubt im Ergebnis unter anderem die bessere Abschätzung der Liquiditätsströme im Rahmen der integrierten Erfolgs- und Finanzplanung.

Für eine verbesserte Berücksichtigung von saisonalen Effekten können im Rahmen des Herunterbrechens der Budgetwerte auf die einzelnen Monate die Verläufe von Ist-Werten Verwendung finden.

Analysen mit Werttreiberbäumen

Der Einbezug von Kausalitäten und deren Nutzung zu Simulationszwecken stellt einen weiteren wichtigen Anknüpfungspunkt beim Einsatz von Predictive Analytics in der Planung dar.

Als geeignete Repräsentationsform für solche Abhängigkeiten haben sich Wertetreiber etabliert.

Dabei ermöglichen Werttreiberbäume die Analyse von komplexen Zusammenhängen, welche zwischen Kennzahlen, die als Werttreiber interpretiert werden, bestehen.

Dies kann durch den Aufbau eines gerichteten Netzes erfolgen, in dem beispielsweise der Geschäftswert den Wurzelknoten bildet. Dieser Wurzelknoten wird mit den Wertetreibern, die unmittelbaren Einfluss auf diesen haben, verbunden.

Über abstrakte generische Werttreiber dringt man dabei zu geschäftsspezifischen Werttreibern vor, die manipuliert werden können.

Das Ergebnis ist ein Instrumentarium, welches die Zurückführung von abstrakten Größen auf konkrete und unmittelbar beeinflussbare Größen gestattet.

Im Gegensatz zu Scorecards entwickeln Werttreiberbäume keine Gültigkeit für bestimmte Organisationseinheiten. Werttreiberbäume sind in Bezug auf die abgebildeten Beziehungen von Organisationseinheiten unabhängig.

Üblicherweise ist der im „Baumwipfel“ verortete Teil von Wertetreiberbäumen definitorischer Natur. Der Teil ist deshalb deterministisch und in den meisten Fällen auch bereichsübergreifend gut standardisierbar.

Im Rahmen der Predictive Analytics-Unterstützung von Treiberabhängigkeiten steht die Einbindung von externen Einflussfaktoren im Vordergrund.

Wenn Treiberabhängigkeiten oftmals auch nur qualitativ betrachtet werden, so kann der Einsatz von Predictive Analytics Methoden eine signifikante Verbesserung in quantitativer Hinsicht generieren.

Aufgrund des Umstandes, dass Einflussfaktoren, welche sich auf den Absatz je Produkt und Region auswirken, sich nur bedingt verallgemeinern lassen und sich deutlich voneinander unterscheiden können, ist ein bereichsindividueller Ansatz sinnvoll.

Trotz bestehender vorhandener Werkzeuge, die Treiber und deren Abhängigkeiten grafisch abbilden und zu Simulationszwecken zur Verfügung stellen, bestehen nach wie vor Lücken hinsichtlich der Verbindung der Modellierung mit der bestehenden Planungsinfrastruktur.

Durch die bestehenden Planungslösungen wird eine Vielzahl von Informationen verfügbar, welche sich als unverzichtbar für die Wertetreibermodellierung darstellen. Allerdings sind Treiberabhängigkeiten und Simulationen nicht unabhängig vom operativen Planungssystem.

Treiberabhängigkeiten werden teilweise bereits in ERP-Systemen modelliert, wobei diese Funktionen in der Vielzahl der Fälle, basierend auf sehr granularen Daten, in der Produktions- oder Kostenplanung zu finden verortet sind.

Derartige Funktionen, bei denen man sich zur Vereinfachung auf lineare Funktionen beschränkt, eignen sich nur bedingt für hochaggregierte Simulationen.

Als Ersatz für operative Funktionen bedient man sich daher teilweise gröberen Schätzfunktionen zur Durchführung von Simulationen. Predictive Analytics-Methoden dienen im Anschluss zu Ableitung dieser Funktionen.

Üblicherweise bildet eine bestehende Planung den Startpunkt einer Simulation.

Existiert beispielsweise bereits eine umfangreiche, mehrjährige und deterministische Lösung, sind in einer solchen Umgebung Simulationen zwar grundsätzlich möglich.

Aufgrund des Umstandes, dass viele Abhängigkeiten nicht automatisiert abgebildet werden, ist die Erstellung einer solchen Simulation aber nicht trivial.

Existieren zudem mehrere Simulationsversionen, so stellt sich die Speicherung dieser Versionen in klassischen Planungslösungen im Rahmen der Verwaltung einer Vielzahl lokaler und globaler Varianten als zu starr dar.

Strukturen und Daten aus einer solchen Planung sollten insofern in einen für Simulationsrechnungen optimierten Datenraum transferiert werden, damit sich auf einfache Art und Weise Varianten generieren lassen. Diese Varianten können bei Bedarf für nachfolgende Vergleiche zurück in die Planungslösung gespielt werden.