Auf einfache Trendfortschreibungen ist kein Verlass mehr
Zunehmende Schwankungen in den Märkten erschweren die Planung und die rechtzeitige Reaktion auf Abweichungen. Die lange Zeit üblichen statistischen Trendfortschreibungen sind kein adäquates Controllinginstrument mehr. Abhilfe bieten hier die neuen Technologien Big Data und Künstliche Intelligenz – exakter bezeichnet als Machine Learning. Diese Features sind in immer mehr modernen Planungs- bzw. Performance Management-Lösungen integriert und ermöglichen ein zuverlässiges Predictive Forecasting.
Predictive Forecasting: Excel ist keine Option mehr
Predictive Forecasts lassen sich nicht mehr mit Excel realisieren. Der Liebling der Controller kann das anfallende hohe Volumen an unstrukturierten Daten nicht bewältigen und schon gar nicht über selbstlernende Algorithmen interpretieren. Predictive Analytics-Ansätze, die komplexe Statistikmodelle oder gar neuronale Netze einsetzen, gehen weit über die Möglichkeiten von Excel hinaus. Mit Hilfe dieser Ansätze können Sie vollkommen automatisiert verbesserte Handlungsempfehlungen für das Management ableiten.
ERP- und CRM-Inhalte werden durch externe Daten ergänzt
Dieser digitale Forecast erweitert auf Basis der Predictive Analytics den traditionellen Forecast z.B. um objektivere und schnellere Prognosen. Zusätzlich zu den intern verfügbaren Daten, üblicherweise aus den ERP- und CRM-Systemen, werden auch externe und unstrukturierte Daten hinzugefügt.
Predictive Analytics ermöglicht dem Controlling dadurch einen objektiveren, Echtzeit-gesteuerten und datengetriebenen Blick in die Zukunft, der die Schwachstellen eines traditionellen Forecasts behebt. Bei sich verändernden Rahmenparamatern lassen sich beispielsweise Absatzmengen über automatisierte Modellierungsverfahren rascher und akkurater prognostizieren als mithilfe von historischen Daten. Mitsui Chemicals Europe konnte durch den Einsatz von KI seine Forecast Genauigkeit auf bis zu 95 % steigern.
Erst Machine Learning ermöglicht die Nutzung von Big Data für das Performance Management
Machine Learning verarbeitet und analysiert dabei große Mengen an strukturierten und unstrukturierten Daten aus diversen Quellen und generiert so innerhalb kürzester Zeit Informationen für das Controlling. Voraussetzung dafür ist die Integration der verschiedenen im Unternehmen genutzten IT-Systeme. Ohne eine entsprechende Harmonisierung der Stammdaten, Schnittstellen und Logiken können auch keine Daten in die KI-Tools eingespeist werden.
Digitale Planungsplattform integriert verschiedene Datenquellen in Echtzeit
Die Integration der IT-Systeme wird in einer digitalen Planungsplattform vollzogen. Diese Plattform integriert technisch verschiedene Planungsebenen sowie interne und externe Datenquellen. Außerdem werden darin die Teilplanungen inhaltlich im Planungsmodell verknüpft. Durch diese Integration der verschiedenen Systeme entsteht ein harmonisiertes Datenmodell, das permanent oder in kurzen Zyklen aktualisiert werden kann und somit auch Forecasts auf den aktuellen Stand bringt. Diese so strukturierten Daten können zudem für die Untersuchung weiterer Fragestellungen wiederverwendet werden.
Signifikante Verbesserungen sind auch in der Nutzung von Szenarien zu verzeichnen. Durch den hohen Grad an Integration und Automatisierung wird die Analyse verschiedener Szenarien deutlich erleichtert. So können Veränderungen in der Unternehmensumwelt schneller erkannt und Gegensteuerungsmaßnahmen bei unerwünschten Verläufen deutlich frühzeitiger ergriffen werden als bisher.
Ergebnisse des Predictive Forecasts müssen noch von Experten validiert werden
Controller und andere Experten werden dadurch nicht überflüssig. Sie müssen die Ergebnisse ganzheitlich bewerten – wozu ihnen nun mehr Zeit zur Verfügung steht. Dank Analytics stehen ihnen dafür zusätzliche Zusammenhänge zur Verfügung, die sonst nicht erkannt worden wären.
Fazit: Predictive Forecasting ist das Controllinginstrument der Zukunft
Ein smarter und automatisierter Forecast bringt entscheidende Vorteile für Ihr Unternehmen und für Sie als Controller mit sich:
- Qualität und Detaillierungsgrad des Forecasts werden gesteigert.
- Es werden mehr Ursache-Wirkungs-Ketten erkannt.
- Szenarien können einfacher und genauer durchgeführt werden.
- Nach der Implementierung sinkt der Zeitaufwand gegenüber rein manuellen Forecasts deutlich.
- Mit dem besseren Output und den eingesparten Ressourcen können Sie Geschäftsführung und die weiteren Entscheider noch besser beraten und unterstützen.
Das könnte Sie auch interessieren:
Digital Forecast und Dynamic Pricing als Schwerpunkte von Machine Learning im Controlling
Künstliche Intelligenz lässt Forecast Genauigkeit auf bis zu 95 % steigern
Advanced Analytics ist bei BOSCH bereits gelebte Wirklichkeit
