Digitale Planung: Integriert, automatisiert, analytics-g ... / 1 Planung: Der zentrale Steuerungsprozess

1.1 Bedeutung und Herausforderungen der integrierten Planung

Planung und Forecasting sind zentrale und etablierte Prozesse zur aktiven Gestaltung und Steuerung der Zukunft eines Unternehmens. In vielen Unternehmen sind sie Teil des Performance-Management-Prozesses, der Prognose zukünftiger Entwicklungen, die Vereinbarung und Festlegung von (Absatz-/Umsatz-)Zielen, Anreizen, Aktionsplänen und Ressourcen (Kosten, Investitionen etc.) beinhaltet. Die Integration der Planung erfolgt

1. funktional (Produktion, Vertrieb, Einkauf etc.),
2. zwischen den Teilplänen der Finanzplanung (GuV, Bilanz, Cashflow) und
3. zeitlich (strategische Planung, Mittelfristplanung, jährliche Budgetplanung),

ergänzt um unterjährige Forecasts. Planung und Forecasting stehen jedoch bereits seit vielen Jahren in der Kritik. Wesentliche Kritikpunkte sind unter anderem, dass

• funktionale Planungen parallel und wenig abgestimmt laufen,
• Inhalte der Teilplanungen ("Datenmodelle") voneinander abweichen,
• Szenarien nur über sehr vereinfachte Modelle abgebildet werden (können),
• der Forecast durch politische Aspekte beeinflusst wird und
• das finale Budget Ergebnis eines Verhandlungsprozesses ist (Budget Gaming) und sich nicht konsistent aus der Strategie herleitet.

1.2 Neue Lösungsansätze aus Datenbank-Technologien und Algorithmen

Inhaltliche Probleme der Planung oder der zugrunde liegenden Organisation können nicht mit neuer Software gelöst werden. Nichtsdestotrotz bieten technologische Weiterentwicklungen Möglichkeiten, die dahinterliegenden Probleme zu adressieren und die Planung damit zu optimieren.

Die Performance von Datenbanken und Planungstools hat sich in den letzten Jahren deutlich verbessert. Neue In-Memory-Datenbanktechnologien führen in Sekunden Operationen durch, die zuvor mehrere Stunden dauerten. Diese Entwicklung ermöglicht den Aufbau von umfassenderen und integrierten Planungsmodellen.

Ebenfalls gibt es große Fortschritte in den Bereichen Analytics und Machine Learning. Neue Predictive-Analytics-Ansätze gehen weit über bisher übliche statistische Trendfortschreibungen hinaus, sie erlauben den Einsatz von komplexen Statistikmodellen bis hin zu neuronalen Netzen. Datenbasierte Vorhersagen und die systemgestützte Ableitung von Handlungsempfehlungen sind die Folge und stellen einen ersten (kleinen) Schritt in Richtung künstliche Intelligenz im Rahmen von Planung und Forecast dar.

Studien und Gespräche mit Unternehmen zeigen bisher nur sehr graduelle Veränderungen und Innovationen in der Planungslandschaft in den letzten Jahren. Digitale Elemente werden beispielsweise als "Add-on" der Planung ergänzt, dabei finden sich Beispiele sowohl für einzelne Forecasts auf Basis von Predictive Analytics, als auch für umfassende und leistungsstarke Simulationsmodelle und deren Nutzung für eine automatisierte szenarienbasierte Planung.

Dies ist jedoch nur der Anfang einer größeren Entwicklung, die anhand einer Analogie mit dem autonomen Fahren kurz beschrieben werden soll. Heute gehen viele Experten davon aus, dass das autonome Fahren die Mobilitätswelt in Zukunft maßgeblich verändern wird.^[1] Die Voraussetzung dafür sind moderne Technologien, digitale Methoden zur Datenverarbeitung und neue Geschäftsmodelle. Obwohl diese Technologien teilweise bereits seit Jahren existieren, wurde die Vision vom selbstfahrenden Auto erst durch ihre stetige Weiterentwicklung und vor allem durch die Kombination dieser Elemente Realität.

Auf die Planung angewandt bedeutet dies, dass durch die Verknüpfung digitaler Methoden (In-memory-Datenbanken, Predictive Analytics, Machine Learning) mit modernen Planungsansätzen (Prozessintegration, Treibermodelle, Frontloading, Rolling Forecasts) die Grundlagen für eine digitalisierte Planung geschaffen werden.

Der Weg zu dieser digitalen, autonomen Planung besteht aus 3 Schritten:

1. Integration verschiedener Teilpläne;
2. Automatisierung der Planung;
3. Digitalisierung mithilfe moderner Analytics-Methoden.

[1] Vgl. Fraunhofer IAO/Horváth & Partners, 2016.