Business-Analytics-Ansätze zur Unterstützung des Control ... / 3.1 Prognosen und Forecasts zur Identifikation operativer GuV-Risiken

Forecasting als traditionelle Controlleraufgabe

Der Controller erstellt regelmäßig Forecasts für die wichtigsten betrieblichen Zielgrößen zu bestimmten zukünftigen Zeitpunkten. Insbesondere durch Rolling Forecasts mit einen 12- bzw. 18-monatigen Zeithorizont soll die Prognosefähigkeit der operativen Planung und Budgetierung verbessert oder diese im Extremfall ganz abgelöst werden. Die Konzentration auf zentrale Zielgrößen, die empfindlich auf Änderungen der Planungsprämissen reagieren und eine hohe Strategierelevanz aufweisen, ist dabei ein wesentlicher Erfolgsfaktor.^[1] Grundlage von Forecasts sind Prognoseverfahren, die in drei Gruppen unterteilt werden können:^[2]

• Statistische Modelle basieren i. d. R. auf der Annahme, dass zukünftige Entwicklungen eine Fortschreibung der Gegenwart darstellen, und extrapolieren daher die Prognose aus Vergangenheitswerten der zu prognostizierenden Zielgröße.
• Mathematische Modelle basieren auf verschiedenen Einflussfaktoren auf die Entwicklung der zu prognostizierenden Zielgröße und modellieren die Beziehungen zwischen den Einflussgrößen und deren Wirkung auf die Zielgröße.
• Qualitative Modelle basieren auf subjektiven Einschätzungen von Entscheidern zur Entwicklung der Zielgrößen.

Nutzung des Forecasting zur Risikoidentifikation

Negative Abweichungen zwischen geplanten und prognostizierten Werten der Zielgröße stellen Risiken, positive Abweichungen Chancen für das Unternehmen dar. Forecasts können so zu Frühwarnsystemen weiterentwickelt werden. Durch Soll-Ist-Abweichungsanalysen von liquiditäts- und ertragsorientierten Kennzahlen werden kurzfristig finanzielle Chancen und Risiken identifiziert. Durch eine Über- bzw. Unterschreitung zuvor festgelegter Toleranz- oder Schwellenwerte werden Warnmeldungen ausgelöst.^[3]

Weiterentwicklung des Forecasts

Insbesondere Predictive-Analytics-Ansätze, z. B. Data Mining oder maschinelles Lernen, können zur Verbesserung von Prognosen im Controlling eingesetzt werden. In diesem Zusammenhang wird auch von Digital Forecasts gesprochen. Im Rahmen eines Digital Forecasts werden bspw. Absatzprognosen durch die Integration von zusätzlichen unstrukturierten Nutzerdaten z. B. aus den Social Media sowie von subjektiven Prognoseelementen in die vorhandene, überwiegend auf internen historischen Daten bestehende Datenbasis verbessert, da so auch eine Prognose von Strukturbrüchen grundsätzlich möglich wird. Die Digital Forecasts werden dann über Werttreibermodelle mit den finanziellen Zielgrößen wie dem Umsatz oder dem Gewinn verknüpft und zu einem finanziellen Forecast aggregiert.^[4] Abb. 2 ist ein Beispiel für einen durch Predictive-Analytics-Methoden unterstützter Forecast zu entnehmen.

Abb. 2: Vereinfachter, schematischer Überblick über den Forecast bei IBM^[5]

Der Forecast bei IBM basiert auf verschiedenen internen und externen Datenquellen, für die mittels verschiedener statistischer Verfahren eine Prognose erstellt und deren Auswirkungen auf den prognostizierten Umsatz vorhergesagt wird. Die Prognoseergebnisse werden hinsichtlich ihrer Qualität bewertet und gehen gewichtet in den finalen Forecast ein. Die Differenz zwischen dem geplanten Umsatzziel (Revenue Target) und dem vorhergesagten Umsatz (Revenue Forecast) stellt somit das Risiko für das Unternehmen da. Zudem können so für die einzelnen Parameter, wie z. B. den Umfang der gestellten Rechnungen, konkrete Maßnahmen abgeleitet werden, um den Zielwert dann doch noch zu erreichen.

[1] Vgl. Hope/Player, 2012, S. 306 ff., Weber/Schäffer, 2016, S. 337 f.

[2] Vgl. Hope/Player, 2012, S. 314.

[3] Vgl. Baum/Coenenberg/Günther, 2013, S. 372 ff.

[4] Vgl. Mehanna/Tatzel/Vogel, 2016, S. 503 f.

[5] Satzger/Holtmann/Peter, 2015, S. 232.