Das Kostenmanagement und insbesondere die Kostenplanung sind etablierte Fachgebiete mit wenigen Veränderungen in den letzten Jahren. Obwohl verbreitete Probleme wie bspw. schlechte Plan- und Steuerbarkeit von Gemeinkosten in indirekten Bereichen nicht gelöst sind, scheint es, dass man sich mit dem Status Quo abgefunden hat. Gemeinkosten werden in Ermangelung der Erkenntnis oder der fehlenden Quantifizierbarkeit von Einflussgrößen häufig nur oberflächlich geplant. Dies geht zulasten der Steuerungsfähigkeit, Einsparpotenziale werden unzureichend genutzt.
Der Einsatz von maschinellem Lernen (ML) könnte hier für Veränderung sorgen. Doch lässt sich durch maschinelles Lernen eine höhere Prognosegenauigkeit und dadurch eine erhöhte Planungsqualität erreichen? Lassen sich durch maschinelles Lernen Abhängigkeiten identifizieren, die eine bessere Steuerung von Kosten ermöglichen?
Die statistische Kostenplanung genießt nicht den besten Ruf. Datenqualität und methodische Schwierigkeiten werden als Hindernisse für den Einsatz im Unternehmen genannt.[1] Kilgers Statement stammt allerdings aus den achtziger Jahren, seitdem hat sich bezüglich der Möglichkeiten einiges getan: Algorithmen sind unvergleichlich leistungsfähig geworden und der aufwendige Prozess der statistischen Analyse kann mittlerweile zumindest teilweise automatisiert werden. Die Voraussetzung der Datenverfügbarkeit ist in vielen Unternehmen gut erfüllt. ERP-, CRM- und SCM-Anwendungen liefern umfangreiches internes Datenmaterial und auch externe Informationen, wie Marktdaten und Preisentwicklungen können einfach in eine Analyse integriert werden.
Erste Erfahrungen des Autors im Rahmen der ML-gestützten Vorhersage von Kosten zeigen, dass der Einsatz des maschinellen Lernens zu Verbesserungen führt, aber eher kleine Fortschritte zu erwarten sind. Eine ausreichende Datenqualität, die richtige Methodik und ein geeigneter Abstraktionsgrad der Schätzungsgrundlage sind Voraussetzungen für einen erfolgreichen Einsatz. Dies setzt Know-how voraus, das nicht in allen Unternehmen vorhanden ist. Solche Analysen sind allerdings nicht nur isoliert auf die Kostenrechnung zu sehen, sondern sind ein wichtiger Schritt in Richtung einer integrierten Prognose- und Simulationsumgebung.
In diesem Beitrag sollen die Möglichkeiten und Chancen, die sich durch maschinelles Lernen für das Kostenmanagement ergeben, genauso beleuchtet werden wie die Herausforderungen bei der Umsetzung und Anwendung. Hierbei geht es weniger um die methodischen Feinheiten der Analyse, als vielmehr um die Einordnung von maschinellem Lernen in das Kostenmanagement-Instrumentarium.
Dieser Inhalt ist unter anderem im Haufe Finance Office Premium enthalten. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen