Digitale Planung: Integriert, automatisiert, analytics-g ... / 4.3 Digitalisierung mithilfe moderner Analytics-Methoden

Durch die in Kap. 4.2 beschriebene Planungsplattform und den damit verbundenen Einsatz leistungsfähiger Analytics Engines erfolgt die Digitalisierung im engeren Sinne. Zwar kommt Predictive Analytics bisher nicht flächendeckend zum Einsatz, doch geht die Entwicklung in vielen Unternehmen in diese Richtung. Oft werden bereits einzelne "Use Cases" mithilfe von Analytics-Methoden unterstützt.

4.3.1 Digitaler Forecast nutzt Big Data und Predictive Analytics

Der digitale Forecast erweitert den traditionellen Forecast um objektivere, schnellere Prognosen auf der Basis von Predictive Analytics (s. Abb. 5). Zusätzlich zu den intern verfügbaren Daten aus verschiedenen Systeme (operativ und finanziell) werden häufig auch externe Daten genutzt. Die historischen (externen und internen) Daten werden mithilfe statistischer Verfahren ausgewertet und für automatisierte Prognosen verwendet. Der digitale Forecast adressiert mehrere bekannte Schwachstellen des heutigen Forecasts. Zum einen reduziert die konsequente Automatisierung der Forecast-Erstellung den hohen manuellen Aufwand klassischer Bottom-up-Forecasts und der Forecast steht schneller zur Verfügung. Zum anderen ist dieser rechnerische Forecast grundsätzlich objektiver; politische Verzerrungen werden vermieden.

Abb. 5: Digital Forecast als Erweiterung des traditionellen Forecasts

Natürlich müssen für den erfolgreichen Einsatz eines digitalen Forecasts gewisse Voraussetzungen erfüllt sein.

• Zum einen müssen genügend historische Daten in entsprechender Qualität vorliegen.
• Zum anderen muss der Verlauf der Daten eine gewisse Kontinuität aufweisen. Strukturbrüche erkennt ein Algorithmus erst mit einem gewissen Zeitversatz.

Außerdem eignet sich der Ansatz nicht für alle Geschäftsmodelle und Funktionen.

Ein digitaler Forecast auf Ebene der GuV hat nur eingeschränkte Aussagekraft für Steuerungsentscheidungen. An dieser Stelle eignen sich wiederum Treibermodelle, um den finanziellen Forecast in seine Einflussgrößen bzw. Treiber zu zerlegen. Für die einzelnen Treiber lässt sich dann jeweils bewerten, ob die Voraussetzungen hinsichtlich der Datenverfügbarkeit gegeben sind und ob Analytics-Modelle die gewünschte Prognosegüte liefern.

Beispielhaft für die Qualität eines digitalen Forecasts ist der Forecast eines Energieversorgers. Das dort umgesetzte digitale Modell besteht aus internen Kerngrößen (Absatzmenge, Vertriebserlöse etc.) sowie externen Faktoren (Gradtagszahlen, Preis der Wettbewerber etc.). Die Kombination dieser Größen im Modell ermöglicht die Prognose der Marge je Kunde mit einer Genauigkeit von 1 % Abweichung zum Ist-Jahreswert (s. Abb. 6).

Abb. 6: Digitaler Forecast eines Energieversorgers

Zusätzlich enthaltene Optimierungsmechanismen verbessern den digitalen Forecast permanent selbst. Eine ebenfalls enthaltene Szenarioanalyse liefert Informationen dazu, wie sich veränderte Rahmenbedingungen auf die Prognoseergebnisse auswirken.

4.3.2 Ausbaustufe Prescriptive Analytics/Optimierungsmodelle

Auch wenn der digitale Forecast mithilfe von Predictive Analytics vielfach noch nicht (vollständig) Einzug gehalten hat, wird bereits vereinzelt eine Ausbaustufe des digitalen Forecasts in Form von Prescriptive Analytics umgesetzt.

Im Gegensatz zur Predictive-Analytics-Technologie, bei der statistische Verfahren für automatisierte Prognosen verwendet werden, geht der Prescriptive-Analytics-Ansatz einen Schritt weiter, indem er automatisiert Handlungsempfehlungen generiert. Dabei werden zum einen Handlungsbedarfe signalisiert (z. B. anhand definierter Schwellenwerte) und zum anderen proaktive Handlungsempfehlungen unterbreitet. Die Basis hierfür bilden hinterlegte Geschäftsregeln in Kombination mit Optimierungsmodellen.

Ein Beispiel für Prescriptive Analytics im Forecast ist die deckungsbeitragsoptimierte Personaldisposition eines Logistikunternehmens. Aus den Informationen zur Anzahl der Zusteller und deren Produktivität sowie der vorhergesagten Paketmenge wird mittels linearer Optimierung errechnet, ob geplante Kapazitäten ausreichend sind. Im Negativfall werden automatisierte Handlungsempfehlungen zur mittelfristigen Zustellerdisposition angezeigt.