Predictive Analytics. Nutzungspotential im Forecasting und die Rolle des Controllings

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung

2 Predictive Analytics

3 Das klassische Forecasting
3.1 Einführung in das Controlling
3.2 Planung und Forecast
3.3 Kritik am Forecasting

4 Predictive Forecasting
4.1 Anforderungen für Predictive Forecasting
4.2 Die Vorteile von Predictive Forecasting

5 Die Rolle des Controllings im Predictive Forecasting

6 Fazit

Anhang

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Konsolidierungsprozess zu einem finanziellen Forecast

Abbildung 2: Übersicht der Analysespektren

Abbildung 3: Abgrenzung von Mensch und Maschine im Forecasting

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

„Prediction is very difficult, especially about the future."¹ Dieses Zitat von Niels Bohr, einem berühmten dänischen Physiker des 20. Jahrhunderts, lässt sich nicht nur auf die Lebensplanung von Menschen oder auf die Zukunftsbetrachtung in der Physik anwenden, sondern auch auf Unternehmen, da auch sie sich mit der Zukunft beschäftigen und den Anspruch haben, diese möglichst exakt vorherzusagen. Bei der Betrachtung der Zukunft müssen viele Informationen einbezogen werden. Daten sind somit allgegenwärtig, auch für Unternehmen. Nicht ohne Grund werden Daten im 21. Jahrhundert als das neue Rohöl der Wirtschaft bezeichnet.²

Die Digitalisierung und die damit einhergehenden Daten beeinflussen Unternehmen heutzutage maßgeblich und zwingen sie zu teilweise weitreichenden Veränderungen, insbesondere wenn zu spät auf neue Marktgegebenheiten reagiert wird oder schlichtweg ein falsches Bild von der Zukunft gezeichnet wird. Dieser Aufgabe kommt in Unternehmen das Controlling nach, indem Forecasts, zu Deutsch Vorhersagen oder Prognosen, erstellt und der Unternehmensführung als Entscheidungsunterstützung zur Verfügung gestellt werden. Die Erstellung von Forecasts wird aber trotz seiner Wichtigkeit im dynamischen Geschäftsumfeld als sehr zeitund ressourcenaufwendig kritisiert.³

In Bezug auf die Digitalisierung fällt in Unternehmen neben dem Hype-Begriff „Big Data“ immer häufiger der Begriff „Predictive Analytics“,⁴ welcher auf die Erstellung von quantitativ-datengetriebenen Prognosen abzielt.⁵ Das Ziel dieser Arbeit ist es daher, das Nutzungspotential von Predictive Analytics im in der Kritik stehenden Forecasting zu beleuchten sowie die Rolle des Controllings bei der Digitalisierung des Forecastings aufzuzeigen. Die Arbeit schließt mit einem Fazit ab.

2 Predictive Analytics

Bei den Begriffen Big Data und Predictive Analytics denken viele Leute wahrscheinlich zuerst an IT-Startups oder staatliche Überwachungsprogramme, Stichwort Snowden, aber auch für etablierte Unternehmen gewinnen Big Data und Predictive Analytics zunehmend an Bedeutung. Die Bedeutung des Themas Big Data, und somit von Predictive Analytics, wird zunehmend dadurch befeuert, dass Kunden immer individueller werdende Kundenansprüche gegenüber den Unternehmen geltend machen sowie durch die Hoffnung, dass Prozesse effizienter, effektiver und kostengünstiger gestaltet werden können.⁶

Dem Begriff Big Data werden in der Literatur verschiedene Eigenschaften beigemessen. Van Rijmenam definiert Big Data mit Hilfe von den folgenden sieben V´s: Velocity (Schnelllebigkeit), Variety (Varietät), Volume (Umfang), Veracity (Richtigkeit), Variability (Variabilität), Visualization (Visualisierung) und Value (Wert, Nutzen), die für die unterschiedlichen Eigenschaften von Big Data stehen.⁷ Dorschel hingegen nennt in seinem Buch „Praxishandbuch Big Data“ mehrere verschiedene Definitionen, geht aber im Wesentlichen auf die vier V´s: Volume, Velocity, Variety und Veracity ein.⁸ Grönke, Kirchmann und Leyk greifen diese vier V´s auf und ergänzen diese um die Datennutzung (Analytics), sodass aus den Daten überhaupt ein Nutzen (Eigenschaft: Value) entstehen kann.⁹ Auch Weber beschreibt Big Data mit den bereits bekannten Eigenschaften Volume, Variety und Velocity, aber ergänzt diese ebenfalls noch um die Eigenschaft „Analytics“,¹⁰ denn das „reine Sammeln und Speichern großer Datenmengen hat noch keinen wirtschaftlichen Wert.“¹¹ Daraus lässt sich ableiten, dass Unternehmen, inklusive dem Controlling, erst durch die Anwendung von Analytics-Methoden einen wirtschaftlichen Nutzen aus den Daten generieren können. Ab diesem Punkt kommt nun Predictive Analytics in das Spiel.

Zur Erläuterung von Predictive Analytics wird zunächst auf die Zusammensetzung des Begriffs eingegangen:

Predictive, zu Deutsch voraussagend bzw. prädiktiv, geht auf den Zeitbezug der inbegriffenen Methoden ein.¹²
Analytics, zu Deutsch Analytik, bezeichnet „die Lehre und Kunst des Analysierens also der Durchführung von Datenanalysen“ und dient als Oberbegriff für die „Menge aller Analysemethoden“.¹³

Bei Predictive Analytics handelt es sich um eine Analytics-Variante, die im unternehmensbezogenen Kontext der Entscheidungsunterstützung dem Oberbegriff Business Analytics zugeordnet wird.¹⁴ Dem Oberbegriff Business Analytics sind zudem noch die Varianten Descriptive Analytics, Diagnostic Analytics, Real-time Analytics und Prescriptive Analytics zugeordnet, welche sich durch die adressierte Fragestellung unterscheiden lassen (zur Übersicht der Analysespektren siehe Abb. 2 im Anhang).¹⁵ Predictive Analytics geht der Frage „Was könnte geschehen?“ ¹⁶ nach und baut auf den Descriptive Analytics-, Diagnostic Analyticsund Real-time Analytics-Methoden auf. Wie bereits aus der adressierten Fragestellung als auch dem Begriffsbestandteil „Predictive“ entnehmen werden konnte, zielt die Anwendung von Predictive AnalyticsMethoden darauf ab, unbekannte Zielgrößen und Ereignisse, die in der Zukunft liegen, vorherzusagen.¹⁷ Bei den Zielgrößen und Ereignissen handelt es sich z. B. um Vorhersagen über Umsatzund Kostenentwicklungen, externe Absatzentwicklungen, Beschaffungspreisentwicklungen, Lagerbestände oder den optimalen Zeitpunkt für Wartungsmaßnahmen an den Maschinen.¹⁸ Als Datenquellen dienen hierfür sowohl strukturierte Daten, welche in Datenbanken, auch Data Warehouse genannt, abgelegt sind, als auch unstrukturierte und semi-strukturierte Daten, welche Big Data darstellen (Eigenschaft: Variety).¹⁹ Bei strukturierten Daten handelt sich nach Schulmeyer im Wesentlichen um Buchhaltungsdaten, Produktionsdaten und Lagerhaltungsdaten.²⁰ Diese Daten können unter anderem aus dem ERP-System, dem MES, dem CRMSystem und dem SCM-System²¹ entnommen werden und unterliegen, im Gegensatz zu unstrukturierten Daten, formalen Ordnungskriterien.²² Beispielhaft für unstrukturierte Daten können E-Mails, Präsentationen, Bilder, Videos, Multimedia-Daten, Websites, Sensordaten, Markberichte, Wetterdaten und Audiodateien genannt werden.²³ Um die beispielhaft genannten Zielgrößen und Ereignisse vorherzusagen, werden die Daten mit Hilfe verschiedener statistischer Methoden hinsichtlich unbekannter Muster, Zusammenhänge und Beziehungen untersucht. Zu den Methoden bzw. Verfahren, die dem Predictive Analytics zugeordnet werden, zählen im Wesentlichen Klassifikationsanalysen, Regressionsanalysen, Zeitreihenanalysen, stochastische Methoden und unter anderem Clusteranalysen, Abweichungsanalysen und Abhängigkeitsanalysen.²⁴ Gemäß Satzger empfiehlt sich die Kombination von mehreren Methoden, da dies zu genaueren Prognosen führt. Die Kombination von mehreren Methoden bezeichnet er als „ensemble modelling“.²⁵

Aufbauend auf Predictive Analytics wird der Begriff Prescriptive Analytics gesehen. Bei Prescriptive Analytics geht es um die Frage: „Was soll geschehen?“.²⁶ Hierbei werden auf Grundlage der Vorhersagen durch Predictive Analytics konkrete Optimierungsempfehlungen abgeleitet und teilweise direkt vom System veranlasst. Beispielhaft kann hierfür die Optimierung der Lagerbestände genannt werden.²⁷ Bei Prescriptive Analytics handelt es sich somit um die „höchste Form der Entscheidungsunterstützung“.²⁸ Da die Begriffe Predictive Analytics und Prescriptive Analytics noch relativ neu in der Geschäftswelt sind, fehlt es hier an konkreten Definitionen. Darüber hinaus stehen beide Begriffe in einem sehr engen Zusammenhang, da die Vorhersagen als Grundlage für die Suche nach Optimierungspotentialen dienen. Dies ist der Grund, warum beide Begrifflichkeiten häufig auch zusammengefasst dem Advanced Analytics zugeordnet werden und keine klare Unterteilung vorgenommen wird.²⁹

Zusammenfassend kann festgehalten werden, dass Daten erst durch die Anwendung von Analytics-Methoden einen Mehrwert für Unternehmen generieren. Hierbei konnte insbesondere die Anwendungsvielfalt von Predictive Analytics aufgezeigt werden. Predictive Analytics wird aufgrund der hohen Automatisierung als zeitund ressourcenschonend bezeichnet und führt durch den proaktiv-prognostizierenden Ansatz folglich zu besseren Prognoseergebnissen.³⁰

3 Das klassische Forecasting

Nachdem im vorherigen Kapitel die Begriffe Big Data und Predictive Analytics vorgestellt wurden, werden in diesem Kapitel die Aufgaben und Ziele des Controllings erläutert und hierbei insbesondere der Fokus auf das Forecasting im Unternehmen gelegt.

3.1 Einführung in das Controlling

Das Controlling, im Gegensatz zum Rechnungswesen, unterliegt keinen rechtlichen Bestimmungen und kann somit in der Praxis unterschiedliche Aufgaben im Unternehmen wahrnehmen. Hierbei agiert das Controlling als Partner für das Management, wie der amerikanische Begriff „Management Accounting“ für den in Deutschland geprägten Begriff „Controlling“ bereits vermuten lässt.³¹

Das Controlling kann in verschiedene Konzeptionen bzw. Ansätze untergliedert werden, welche die Ziele und Aufgaben des Controllings unterschiedlich definieren. Aufgrund des begrenzten Rahmens dieser Arbeit wird jedoch auf eine kritische Auseinandersetzung mit den verschiedenen Konzepten verzichtet. Stattdessen werden die Aufgaben und Ziele des Controllings auf Basis von Weber und Schäffer in komprimierter Form erläutert.

Bei Weber und Schäffer handelt sich um zwei der führenden Wissenschaftler auf dem Gebiet des Controllings, die den Controlling-Ansatz der „Rationalitätssicherung der Führung“ entwickelt haben.³² Der rationalitätsorientierte Ansatz zielt darauf ab, Rationalitätsdefizite zu entdecken und geeignete Maßnahmen zu erarbeiten, um diese Defizite präventiv zu vermeiden, zu beheben oder zumindest abzumildern. Rationalitätsdefizite kommen unter anderem dadurch zustande, dass sowohl Manager als auch Mitarbeiter/innen den eigenen Nutzen maximieren wollen, was auch unter dem Begriff „Prinzipal-Agenten-Problem“ bekannt ist. Darüber hinaus können Defizite durch mangelndes Wissen oder Emotionen entstehen. Da Weber und Schäffer das Verhalten von einzelnen Personen einbeziehen, stellt der Ansatz der Rationalitätssicherung der Führung folglich einen verhaltensorientierten Ansatz des Controllings dar. Um dem Ziel der Rationalitätssicherung der Führung nachzukommen, ist es die Aufgabe des Controllings, der Unternehmensführung entscheidungsrelevante Informationen zur Verfügung zu stellen und außerdem effiziente und effektive Prozesse in der Unternehmenssteuerung und Entscheidungsfindung sicherzustellen.³³

3.2 Planung und Forecast

Weber und Schäffer beschreiben die Unternehmensplanung als Instrument der Willensbildung und Willensdurchsetzung, da Pläne neben Zielen auch Vorgaben für die Ausführenden beinhalten. Somit stellt die Unternehmensplanung einen wichtigen Bestandteil der Unternehmensführung bzw. Unternehmenssteuerung dar.³⁴ Die Aufgabe des Controllings besteht hierbei darin, dem Management beim Entscheidungsprozess („Willensbildungsprozess“) zu unterstützen und hierzu entscheidungsrelevante Informationen zu liefern, Entscheidungsalternativen aufzuzeigen, diese (monetär) zu bewerten sowie die erarbeiteten Lösungen hinsichtlich ihrer Umsetzungsfähigkeit zu prüfen.³⁵

Aufgrund der Komplexität des Planungsprozesses nehmen Weber und Schäffer eine Unterteilung in verschiedene Teilbereiche vor. Hierbei kann eine inhaltliche Unterteilung (z.B. Finanzplanung-, Ergebnisplanung), eine Unterteilung nach den Unternehmensbereichen oder, der Bekanntesten, nach dem Planungshorizont (strategische, taktische und operative Planung) vorgenommen werden.³⁶

Der Planungsprozess im Unternehmen beginnt mit der strategischen Planung, da hier die grundsätzliche Positionierung des Unternehmens zum Erhalt der langfristigen Wettbewerbsfähigkeit geplant wird. Als Bindeglied zwischen der strategischen und operativen Planung dient die taktische Planung. Aufgrund des begrenzten Rahmens der Arbeit wird auf die strategische und taktische Planung nicht näher eingegangen, sondern der Fokus auf die operative Planung und dem Forecasting gelegt. Die operative Planung, auch Kurzfristplanung genannt, bezieht sich auf einen Planungszeitraum von einem Jahr und dient der Sachzielplanung, also dem Erstellen von konkreten Absatz-, Produktions-, und Beschaffungsplänen. Darüber hinaus werden Formalziele festgelegt, welche im Gegensatz zu der Sachzielplanung eine monetäre Planung darstellen und somit in der Unternehmenssteuerung eine höhere Bedeutung beigemessen wird. Unter Formalzielen versteht man die Erlösplanung, die aus den Sachzielplanungen abgeleitet wird. Weiterhin zählt die Festlegung und Zuordnung von Budgets zu den Formalzielen.³⁷ Bei der Budgetierung geht es darum, die begrenzten Mittel möglichst effizient einzusetzen und den Planungsinstanzen Formalziele zuzuordnen. Hierbei hat die Budgetierung zum Ziel, die Teileinheiten im Unternehmen zu koordinieren wie auch die zukünftige Entwicklung im Unternehmen und im Unternehmensumfeld zu prognostizieren. Da der operative Planungsprozess und somit die operative Unternehmenssteuerung stark von der Vergangenheit beeinflusst wird und die getroffenen Annahmen einschließlich der daraus abgeleiteten Prognosen schnell überholt sind, wird bezweifelt, inwieweit die klassischen operativen Planungsansätze in der dynamischen Wirtschaft noch nützlich sind. Darüber hinaus werden Abweichungsanalysen sowie Ursachenanalysen, als Kontrollaufgabe des Controllings, erst bei der nachfolgenden operativen Planung vorgenommen, sodass unterjährig keine Gegenmaßnahmen zur Zielerreichung vorgenommen werden können.³⁸

Aus diesem Grund hat der „Forecast“ als zusätzliches Instrument der operativen Unternehmensplanung an Bedeutung dazugewonnen.³⁹ Laut Schäffer und Becker geht es grundsätzlich im Forecasting darum, „auf der Basis gegebener Ziele und in einer sich möglicherweise verändernden Umwelt immer wieder neu festzustellen, wo das Unternehmen aktuell steht und voraussichtlich am Ende der betrachteten Periode landen wird.“⁴⁰ Der Forecast dient somit zur Prognostizierung der zu erwartenden Zielerreichung. Gemäß Schön setzt sich eine Prognose aus den aufgelaufenen Ist-Werten der vergangen Perioden und den zukünftigen, zu prognostizierenden Restplanwerten zusammen.⁴¹ Bei der Vorhersage der Restplanwerte greifen Unternehmen im klassischen Forecasting auf vergangenheitsbasierte interne, strukturierte Daten zurück, welche z.B. im ERP-System abgelegt sind, und berechnen anschließend mit Hilfe von statistischen und mathematischen Methoden den Prognosewert.⁴² Darüber hinaus kommt es zur Fortschreibung der Planwerte und zu subjektiven Einschätzungen der zukünftigen Restplanwerte. Aufgrund der vergangenheitsbasierten Datenbasis wird der klassische Forecast auch als reaktiv-analytische Auswertung bezeichnet.⁴³ Im Gegensatz zu der operativen und strategischen Unternehmensplanung fokussiert sich der Forecast nur auf wesentliche Veränderungen der Geschäftsentwicklung sowie der wichtigsten Werttreiber im Unternehmen und ist somit weniger detailliert. Bei den Werttreibern handelt es sich um Kostenund Leistungsarten, die einen wesentlichen Einfluss auf die zentralen Größen und KPIs, z. B. Umsatz, Kosten und EBITDA, haben.⁴⁴ Darüber hinaus kann der Fokus beim Forecasting auf Effekte, also dem Delta zur geplanten Unternehmensentwicklung, gelegt werden, welche sich durch eine ungeahnte Geschäftsentwicklung ergeben.⁴⁵

[...]

¹ Bohr/Ellis, 1970, S. 431 (Das Zitat wird Bohr zugeschrieben, wurde aber von Ellis zitiert)

² Vgl. Weichel/Herrmann, 2016, S. 9ff.

³ Vgl. Burow et al., 2017, S. 48; Satzger et al., 2015, S. 231

⁴ Vgl. Schäffer/Weber, 2016, S. 3; Gandomi/Haider, 2015, S. 137-144

⁵ Vgl. Mehanna et al., 2015, S. 29ff.

⁶ Vgl. Bitkom (28.10.2018), S. 19

⁷ Vgl. van Rijmenam 2014, S. 5ff.

⁸ Vgl. Dorschel, 2015, S. 5ff.

⁹ Vgl. Grönke/Kirchmann/Leyk, 2014, S. 66

¹⁰ Vgl. Weber (10.11.2018), S. 13-14

¹¹ Lanquillon/Mallow, 2015, S. 55

¹² Vgl. Lanquillon/Mallow, 2015, S. 55ff.

¹³ Lanquillon/Mallow, 2015, S. 55

¹⁴ Vgl. Lanquillon/Mallow, 2015, S. 56

¹⁵ Für eine umfassende Unterscheidung siehe Lanquillon/Mallow, 2015, S. 56-57 und Wald et al., 2017, S. 34-37

¹⁶ Lanquillon/Mallow, 2015, S. 57

¹⁷ Vgl. Gandomi/Haider, 2015, S. 143

¹⁸ Vgl. Wald et al., 2017, S. 35-36; Wang et al., 2016, S. 98-102

¹⁹ Vgl. Wald et al., 2017, S. 30ff.

²⁰ Vgl. Schulmeyer, 2015, S. 308

²¹ Vgl. Seiter et al., 2018, S. 18ff.

²² Vgl. Schulmeyer, 2015, S. 309

²³ Vgl. Wald et al., 2017, S. 31; Seiter et al., 2018, S. 18ff.

²⁴ Für eine Erläuterung der Methoden und Verfahren siehe Lanquillon/Mallow, 2015, S. 63ff.

²⁵ Vgl. Satzger et al., 2015, S. 231

²⁶ Lanquillon/Mallow, 2015, S. 57

²⁷ Vgl. Lanquillon/Mallow, 2015, S. 57

²⁸ Lanquillon/Mallow, 2015, 57

²⁹ Vgl. Baur/Klein/Steinhardt, 2014, S. 558; Satzger et al., 2015, S. 229

³⁰ Vgl. Mehanna et al., 2015, S. 29ff.

³¹ Vgl. Weber/Schäffer, 2016, S. 1-27

³² Vgl. Weber/Schäffer, 2016, S. 37-60

³³ Vgl. Weber/Schäffer, 2016, S. 37-60

³⁴ Vgl. Weber/Schäffer, 2016, S. 269-273

³⁵ Vgl. Weber/Schäffer, 2016, S. 280-281

³⁶ Vgl. Weber/Schäffer, 2016, S. 274

³⁷ Vgl. Weber/Schäffer, 2016, S. 280-281

³⁸ Vgl. Weber/Schäffer. 2016, S. 301-306

³⁹ Vgl. Weber/Schäffer, 2016, S. 306

⁴⁰ Schäffer/Becker, 2017, S. 9

⁴¹ Vgl. Schön, 2018, S. 53-54

⁴² Vgl. Riemer/Leyk (14.11.2018); Schön, 2018, S. 53-54

⁴³ Vgl. Mehanna et al., 2015, S.

⁴⁴ Vgl. Riemer/Leyk (14.11.2018)

⁴⁵ Vgl. Riemer/Leyk (14.11.2018)