Maschinelles Lernen: Chancen im Kostenmanagement / 3.1 Methoden der Datenanalyse

Bezüglich der eingesetzten Methodik setzt man in der Regel auf multivariate Verfahren. Zur Ermittlung von Einflussfaktoren kann mit der multivariaten linearen Regression gestartet werden. Allerdings sind elaborierte Verfahren zur Erkennung komplexerer Zusammenhänge zweckmäßiger. Bei der Abbildung von Kostenfunktionen erfolgt mit ML keine Beschränkung auf multivariate und additiv lineare Funktionen. Um nichtlineare Funktionen zu erfassen, können maschinelle Lernverfahren wie neuronale Netze eingesetzt werden.

Die analytische Kostenplanung ist oft auf wenige Einflussgrößen beschränkt. Bei der auf maschinellem Lernen (ML) basierenden Kostenschätzung können hingegen theoretisch unbegrenzt potenzielle Treiber einbezogen werden. Es ist allerdings sinnvoll, sich auf die wesentlichen und statistisch signifikanten Einflussgrößen zu konzentrieren. Ziel ist es, ein besseres Verständnis der Wirkungsbeziehungen zu gewinnen, was eine Vorauswahl auf der Basis von Hypothesen oder statistischen Voranalysen voraussetzt.

Dieser statistische Ansatz ist grundsätzlich nicht neu. Gegen den Einsatz spricht nach Auffassung von Kilger jedoch Folgendes: Die Bereinigung fehlerhafter Daten sei sehr aufwendig. Weitere angeführte Aspekte sind hier die Berücksichtigung von Kostenremanenzen, organisatorischen Umstellungen, Rationalisierungsmaßnahmen und Verfahrensänderungen. Diese erschweren die Anwendung zusätzlich.^[1]

Schließlich bestünde auch die Gefahr, strukturelle Ineffizienzen unreflektiert fortzuschreiben. Die analytische Kostenplanung hat in der Regel das Ziel, einen effizienten Weg für die gesamte Verarbeitung der Produktion herauszufinden. Es geht primär um die Vorgabe der wirtschaftlichen Ausführung. Bei der statistischen Schätzung ist dies nicht unbedingt gegeben, da Kosten und potenzielle Treiber aus der Vergangenheit herangezogen werden, um zukünftige Kosten zu prognostizieren. Dies bedeutet aber auch, dass mögliche Ineffizienzen aus der Vergangenheit extrapoliert werden. Schmalenbach hat das als "Schlendrian mit Schlendrian vergleichen" bezeichnet.

Das Argument ist nicht von der Hand zu weisen. Kosten haben aber bekanntermaßen vielfältige Aufgaben, unter anderem die Prognose, die Erklärung und auch die Steuerung. Es hängt also davon ab, was mit der Schätzung erreicht werden soll: eine realistische Prognose oder eine aktive Steuerung in Bezug auf die effiziente Produktion bzw. als Basis für die Festlegung einer Kostenvorhersage für eine spätere Abweichungsanalyse. Man kann auch in Bezug auf Letzteres argumentieren, dass gerade durch die höhere Transparenz die Steuerungsfähigkeit verbessert wird. Die Prognoserechnung kann auch zur Fundierung von Kostenfunktionen herangezogen werden.^[2]

Auf diese Frage gibt es keine allgemeingültige Antwort. Es erscheint sinnvoll, analytische und prädiktive Kostenplanungsansätze zu kombinieren. Der gut quantifizierbare Teil wird analytisch auf der Basis von Produktionsfunktionen geplant, dies betrifft die Produktion und produktionsnahe Bereiche.

[1] Vgl. Kilger, 2013, S. 288.

[2] Vgl. Siemen, S. 144.