Predictive Analytics mit Excel und R: Positionierung und ... / 1.2 Verwendung von Excel

Das Werkzeug der Wahl im Controlling ist hingegen immer noch Excel. Die hohe Einsatzflexibilität macht es im Tagesgeschäft des Controllers nahezu unverzichtbar. Der Einsatz statistischer Funktionen ist seit langem möglich. Es gibt mittlerweile unzählige Add-ins als Spezialwerkzeuge für Business Intelligence und Corporate Performance Management

So ist Excel letztendlich auch im Statistik-Bereich eines der am häufigsten eingesetzten Werkzeuge.^[1] Allerdings bleibt es bei recht einfachen Methoden, anspruchsvollere Methoden erfordern Zusatzprogramme. Und der effektive Einsatz mit Excel in der Statistik will auch erst einmal gelernt sein.^[2]

Predictive-Analytics-Methoden nutzen auch Statistik, gehen aber häufig deutlich darüber hinaus. Insofern ist es mit einfachen Funktionsaufrufen häufig auch nicht getan. Als Beispiel sei hier Random Forests genannt: Entscheidungsbäume werden mittels Statistik auf Samples aufgebaut und Ergebnisse statistisch ausgewertet. Entsprechend steigt auch die Komplexität, wenn man mit selbst gebauten Funktionen arbeiten muss. Quellen zu Predictive Analytics zeigen, woran es beim PA-Einsatz in Excel hapert: viele Verfahren müssen erst erstellt werden, wobei hier häufig der Solver zum Einsatz kommt.

Konkret gibt es folgende offene Punkte beim Einsatz von Predictive-Analytics-Methoden mit Excel:

• Es fehlen die Predictive-Analytics-Verfahren wie Entscheidungsbäume, Warenkorbanalyse oder Segmentierung.
• Während sich einfache Sensitivitätsanalysen gut abbilden lassen, sind komplexe Simulationen auf der Basis von Wahrscheinlichkeitsverteilungen nur mit hohem Zusatzaufwand erstellbar.
• In der Kombination von Werkzeugen liegt ein besonderes Anwendungsfeld im Rahmen des Controllings. So können Planungsannahmen wie bspw. Wirkungszusammenhänge über statistische oder Predictive Analytics Ansätze fundiert werden. Dies verlangt allerdings eine äußerst hohe Flexibilität der Werkzeuge. Excel ist grundsätzlich offen für Erweiterungen. Aber die Komplexität der Umsetzung steigt schnell.
• Die Skalierbarkeit von Excel ist begrenzt. Es muss nicht gleich Big Data sein. Allerdings kann der Datenumfang der zu analysierenden Daten schnell recht groß werden. Excel kommt trotz der Erweiterung auf 1 Mio. möglichen Zeilen pro Arbeitsblatt vor einigen Jahren schnell an seine Grenzen, insbesondere die Performance ist bei großen Datenmengen problematisch.
• Bei umfassenden Zellverknüpfungen sind Aktivitäten wie Erweiterungen oder Löschungen von Objekten mit einem hohen Inkonsistenz-Risiko verbunden.
• Excel hat einen grundlegenden Mangel, die Strukturschwäche: Excel kennt nur die Zelle als Datenobjekt. Gruppierungen und komplexere Datenobjekte werden aus Zellen zusammengesetzt. Jede Variablen-Beziehung besteht von Zelle zu Zelle, obwohl inhaltlich eine Beziehung zwischen Gruppen von Zellen besteht. Bei hoher Dimensionalität eines Kalkulationsmodells potenzieren sich die Anzahl von einfachen Standardkalkulationen wie bspw. Menge mal Preis.^[3]

[1] So eine jährliche Benutzerumfrage von kdnuggets: http://www.kdnuggets.com/2016/06/r-python-top-analytics-data-mining-data-science-software.html, Abrufdatum 13.8.2018.

[2] Z. B. Kronthaler, 2016.

[3] Bei 100 Kunden, 100 Produkten (ohne Sparcity) wird die Formel schon 9.999 mal kopiert.