Regelmäßig nimmt die Unternehmensplanung viel Zeit ein. Umso ärgerlicher ist es, wenn das Ergebnis dann stark vom ursprünglichen Konzept abweicht. Wenn die Umsätze beispielsweise nicht so hoch sind, wie sie beim Ausblick für das kommende Geschäftsjahr prognostiziert wurden, kann dies mitunter kritisch werden. Kein CFO stellt gerne fest, dass die Planung eine Fehleinschätzung war. So zeigt eine Studie des Beratungsunternehmens Roland Berger, dass mehr als die Hälfte der befragten Firmen Probleme bei der Bedarfsplanung in der Supply Chain sehen. Gerade für das produzierende Gewerbe ist das katastrophal. Etwa dann, wenn es zu Produktionsausfällen kommt. Doch wie können Unternehmen sich vor solchen Problemen schützen und die Qualität ihrer Prognosen verbessern?
Die Hochschule Osnabrück hat untersucht, ob automatisierte ökonometrische Prognosemodelle die Planungsqualität verbessern können. Die Ergebnisse stellen die Professoren Andreas Faatz und Hans-Ulrich Holst in ihrem Beitrag "Die Planungsqualität mit Statistik verbessern" vor. Was spricht für diese Modelle? Die beiden Autoren weisen darauf hin, dass das Management mit einem solchen Modell in die Lage versetzt wird, Einflussfaktoren, die für eine Anpassung der Vertriebszahlen als entscheidend erachtet werden, auf statistische Signifikanz zu testen. Mit anderen Worten: Das statistische Prognosemodell kann das herkömmliche Planungsvorgehen in gewisser Weise auf den Prüfstand stellen und zeigt, ob eine Planung zu optimistisch oder zu pessimistisch ist (Seite 34): "Für die Steuerung von Kapazitäten vor allem in der Produktion hätten diese unterstützenden Informationen hohen Wert; ein Aufbau oder Abbau von Kapazitäten könnte gegebenenfalls umsichtiger angegangen, Alternativpläne könnten gegebenenfalls frühzeitiger in Erwägung gezogen werden."
Prognosemodelle entwickeln
In der Untersuchung wurden für vier mittelständische Unternehmen individuelle ökonometrische Planungs- und Prognosemodelle entwickelt. Sie erklären: "Die dabei verwendeten ökonometrischen Methoden gehen über simple Zeitreihenansätze und Trendanalysen hinaus und werden bislang selten von kleineren und mittelgroßen Unternehmen angewandt." Die ermittelten Prognosezahlen wurden mit Plandaten und Ist-Zahlen verglichen. Die unterschiedlichen Fälle werden von den Autoren detailliert vorgestellt und die Ansätze erläutert. Drei quantitative Größen wurden miteinander verglichen:
- Statistisch-ökonometrische Prognosen (Forecasts),
- Plandaten und
- Ist-Daten.
Wie Unternehmen vorgehen sollten
Im Ergebnis konnte das statistische Modell überzeugen und die Planungsqualität verbessern. Es legte deutliche Abweichungen offen. Die Planer sind häufig mit Volatilität konfrontiert (Seite 37): "Keinem der vier mittelständischen Unternehmen ist eine schlichte Fortschreibung der Vergangenheit gelungen." Was können Unternehmen also tun?
Die Autoren können sich zwei Varianten vorstellen: Entweder werden die mehr oder minder stark sozial unterfütterten Planungsprozesse durch statistisch-ökonometrische Prognoseverfahren teilweise abgelöst oder die bestehenden Planungsprozesse durch ökonometrische Verfahren ergänzt. Das heißt dann aber auch, dass der Planer sich fundierten Rückfragen zu den Prognosen stellen muss. Dieser Ansatz ist für das Controlling sehr interessant. Gerade in Zeiten, in denen eine Planung einer unvorhergesehenen Entwicklung gegenüber steht, bietet dieses Modell die Möglichkeit, etwas mehr Verlässlichkeit zu generieren. Doch jedes Unternehmen muss selbst prüfen, inwieweit das Modell hilfreich sein könnte.