Gerade in unsicheren Zeiten sind Unternehmen auf möglichst präzise Prognosen angewiesen. Doch häufig sind die Zusammenhänge komplex und nicht simpel in Zahlen übertragbar. In diesen Fällen ist Predictive Analytics ein hilfreiches Instrument.
Mit Predictive Analytics kann das Controlling Unternehmensprognosen generieren.
monsitj / Getty Images / iStock
Seit Beginn der Corona-Pandemie versuchen Controller vor allem eines zu liefern: verlässliche Daten. Doch nicht immer gelingt das. Die Krise sorgte in vielen Unternehmen dafür, dass sämtliche Prognosen und Plandaten über den Haufen geworfen werden mussten. Das zeigt sich allen voran im Vertrieb: Umsatzprognosen, die für 2020 erstellt wurden, gingen aufgrund des Lockdowns in vielen Fällen an der Wirklichkeit vorbei. Vertriebler, die normalerweise zu Kunden vor Ort im Einsatz waren, wurden ins Homeoffice versetzt und zahlreiche wichtige Veranstaltungen, wie Messen oder Kongresse, fanden überhaupt nicht statt. Die Folge: Arbeitsprozesse wurden komplett umgesetellt und das Controlling passte seine Planungen und Prognosen kurzfristig an.
Echtzeitcontrolling ist Zukunftsvision
Doch nicht immer gelingt das so schnell und flexibel, wie es erwartet wird. Und Entscheider standen plötzlich vor verschiedenen Szenarien. So ist das Controlling in Echtzeit in vielen Organisationen noch ein Wunschtraum. Vor allem, wenn noch in bewährter Manier Excel-Tabellen per Hand bearbeitet werden, kommen Controller bei den heutigen Datenmengen und komplexen Zusammenhängen schnell an ihre Grenzen.
Moderne Technologien bieten aber vielversprechende Lösungsansätze. Gerade für das Erstellen präziserer Prognosen bauen viele Unternehmen bereits auf Predictive Analytics. Auch Stefan Behringer stellt in seinem Buchkapitel "Digitalisierung und Controlling" fest (Seite 129):
Für die Unternehmensplanung wird das Instrument der Predictive Analytics große Bedeutung erlangen. Predictive Analytics versucht, durch die Analyse vergangener Daten eventuell unter Zuhilfenahme von externen Datenbeständen, Regelmäßigkeiten zu erkennen und dadurch zukünftige Entwicklungen vorherzusagen."
Predictive Analytics reduziert Komplexität
Dieses Instrument ist vor allem auch deshalb so interessant, da nicht nur reine Finanzdaten in die Analyse mit einbezogen werden. Wichtige Werttreiber können auf diese Weise bereits im Controlling berücksichtigt werden. Allerdings gibt es beim Einsatz einige mögliche Hürden zu beachten. Behringer warnt: "Es können verlässlichere prognostische Aussagen in kürzerer Zeit gemacht werden. Das Risiko ist aber ebenso evident. Werden Planungsannahmen rein mechanisch abgeleitet, so droht ihnen der notwendige Bezug zum tatsächlichen Geschäft zu fehlen. Das Controlling muss die Fallstricke der Algorithmen erkennen und Erkenntnisse aus alten Analysen in veränderte Algorithmen übernehmen."
Beim Einsatz von Predictive Analytics ist also Einiges zu beachten. Im Beitrag "Komplexe Zusammenhänge sichtbar machen" stellen Steffen Stiefvater und Yannick Femppel die Erfahrungen von EnBW vor. Für den Energieversorger haben zum Beispiel Wetterbedingungen unmittelbaren Einfluss auf den finanziellen Erfolg. Während Wind im Bereich Erneuerbare Energien positive Wirkungen hat, entstehen etwa durch hohe Temperaturen im Vertrieb Nachteile.
Statistisches Modell liefert Daten zu fundamentalen Werttreiber
"Da das Portfolio diversifizierende Effekte aufweist, ist auf den ersten Blick jedoch nicht erkennbar, ob die wärmeren Temperaturen in Summe positiv oder negativ auf das finanzielle Ergebnis wirken," beschreiben die Autoren. Um diesen Besonderheiten gerecht zu werden, hat das Controlling der EnBW AG ein statistisches Modell entwickelt, das nicht nur eine Prognose der finanziellen Kernkennzahlen ermöglicht, sondern auch die Wirkzusammenhänge der fundamentalen Werttreiber, wie zum Beispiel die Temperatur, abbildet.
Der Aufwand für die Entwicklung eines solchen Modells ist nicht zu unterschätzen. Doch das Ergebnis ermöglicht eine neue Perspektive für Entscheider. Die Autoren stellen fest:
Entscheidend für den Erfolg sind dabei nicht nur möglichst genaue Modellergebnisse. Ebenso wichtig ist es, die komplexen Modelle so aufzubereiten, dass die Entscheidungsträger diese intuitiv verstehen können. Durch die Reduktion von Komplexität liegt ihnen zwar nur ein vereinfachtes Abbild der Realität vor, dieses ermöglicht ihnen aber ein breites und schnelles Verständnis über die aktuelle und zukünftige Leistungsfähigkeit des Unternehmens."