82
Daten die folgenden prognostizieren sowie ggf.
Gegenmaßnahmen überlegen. Das entspräche
dem Konzept der rollenden Hochrechnung und
Planung.
19
Kontrolle
Es liegt nahe nach Ablauf des Zeitraums die an-
fangs verwendeten Annahmen zu prüfen und
anzupassen, bspw. die tatsächliche Korrelation
der Absatzdaten zu vergleichen mit der in der
Planung verwendeten. Es empfiehlt sich jedoch
hier nicht vorschnell zu handeln.
Die tatsächli-
chen Absatzdaten sind immer auch Ergeb-
nis von Einflüssen, die einmalig sind oder
deren Natur nicht bekannt ist.
Eine zu starke
Orientierung an einzelnen Schwankungen der
Vergangenheit führt zu einer Überbetonung sol-
cher singulärer Effekte, die sich in der Zukunft
nicht exakt so wiederholen. Nicht umsonst wird
das als data fitting oder curve fitting bezeichnet.
Die auf solche Methoden aufbauenden Progno-
sen sind meist ungenauer als wenn man die
Vergangenheitsdaten etwas gröber betrachtet
und nur den wesentlichen Trend verwendet.
20
In Summe bietet die stochastische BEP-
Analyse Einsichten, die eine statische BEP-
Analyse nicht liefern kann: (a) sie erlaubt die
monetäre Quantifizierung des Verlustrisikos,
was wiederum eine Vorarbeit ist für unter-
nehmerische Entscheidungen im Umgang
mit diesem Risiko, und (b) sie lässt sich
leicht in die Planung, Steuerung und Kontrol-
le einbinden, etwas was bei der statischen
BEP-Analyse nicht so offensichtlich ist.
Es empfiehlt sich
für den ersten Einsatz der
Methode nicht zu versuchen, die „Welt abzubil-
den“ und möglichst alle Details zu integrieren,
was Modelle sehr umfangreich, komplex und
kaum noch handhabbar geschweige denn ver-
steh- und erklärbar macht. Vielmehr sollte man
mit einfachen aber realistischen Modellen
zu arbeiten
, die nur das wesentliche einer Fra-
gestellung enthalten. Details kann man immer
noch hinzufügen. Das begründet sich auch da-
rin, dass das Ziel der Analyse ist, eine Vorstel-
lung über die Größenordnung des Risikos zu er-
halten. Alles andere lassen die Unsicherheiten
der Modellparamater und der Modellstruktur
meist auch gar nicht zu.
3
Vgl. hierzu und nachfolgend Ewert/Wagenho-
fer 2014, S. 196ff. und Coenenberg/Fischer/
Günther 2012, S. 338ff.
4
Vgl. ebd. S. 353.
5
Die Chance, einen höheren Gewinn als ge-
plant zu erzielen, wird dagegen nicht weiter
betrachtet. Sie ist a) gewünscht und b) meist
mit positiven Konsequenzen verbunden.
6
Vgl. beispielhaft zur Darstellung in den Lehr-
büchern Friedl/Hofmann/Pedell 2013, S. 288ff.
7
Vgl. weiterführend zu Insolvenzwahrschein-
lichkeit und Rating (Gleißner 2011)
8
Siehe dazu die Ausführungen von Gleißner
zum Problem der Nicht-Quantifizierung von
9
Für dieses Beispiel wird das Excel Add-In Risk
Kit
®
verwendet
gibt
darüber hinaus natürlich noch viele andere am
Markt. Die Excel-Tabelle ist vom Autor erhältlich.
10
Oft wird der „Value at Risk“ (VaR) ausgewie-
sen als Höhe des Verlustes bei einem vorab de-
finierten Quantil, bspw. Verlust der in 95% der
Fälle nicht überschritten wird. Das ist hier aber
nicht anwendbar, da das Quantil für die Ge-
winnschwelle nicht vorab bekannt ist. Auch gibt
der VaR nur eine Untergrenze an.
11
Wir sehen hier davon ab, dass Unternehmen
auch ihre Risiken diversifizieren und damit ver-
ringern könnten, um die Diskussion nicht zu
sehr zu komplizieren.
12
Das gilt in diesem Fall, da die einzelnen sto-
chastischen Größen (Preis, Stückkosten, Ab-
satzmenge) unabhängig voneinander sind. In
den weiteren Szenarien wird diese Annahme
fallen gelassen. Wir gehen hier davon aus, dass
die Häufigkeiten auch die wahren Wahrschein-
lichkeiten widerspiegeln.
13
Siehe die Statistik dazu:
com/infografik/1161/absatz-von-tablets-und-
notebooks-in-deutschland/
14
Wir beschränken uns hier auf lineare Abhängig-
keiten, die man über Korrelationen abbilden kann.
15
Daneben wären auch andere Verläufe im Zeit-
ablauf denkbar, so bspw. saisonale Schwan-
kungen, lineare und nicht-lineare Trends.
16
Vgl. allgemein zum Einbezug in den Planungs-
und Kontrollprozess bspw. Gleißner/Romeike 2012.
17
Vgl. ausführlicher bspw. Vanini 2012, S. 225ff.
18
Vgl. Gleißner 2011, S. 349.
19
Vgl. dazu Rieg/Bork 2015.
20
Vgl. Hibon/Makridakis 2000 sowie weiter-
führend Armstrong 2006
Literatur
Armstrong, J. Scott (2006), Findings from
evidence-based forecasting: Methods for redu-
cing forecast error, in: International Journal of
Forecasting, Vol. 22, S. 583-598.
Coenenberg, Adolf Gerhard/Fischer, Thomas
M./Günther, Thomas (2012), Kostenrechnung
und Kostenanalyse, 8. Aufl., Stuttgart.
Ewert, Ralf/Wagenhofer, Alfred (2014), Inter-
ne Unternehmensrechnung, 8. Aufl., Berlin,
Heidelberg.
Friedl, Gunther/Hofmann, Christian/Pedell,
Burkhard (2013), Kostenrechnung. Eine ent-
scheidungsorientierte Einführung, 2. Aufl.,
München.
Gleißner, Werner (2011), Der Einfluss der
Insolvenzwahrscheinlichkeit (Rating) auf
den Unternehmenswert und die Eigenkapital-
kosten. Zugleich Stellungnahme zum Fach-
text Lobe, CORPORATE FINANCE biz 3/2010
S. 179 (182), in: CORPORATE FINANCE biz,
S. 243-251.
Gleißner, Werner (2011), Risikoanalyse und
Replikation für Unternehmensbewertung und
wertorientierte Unternehmenssteuerung, in:
WiSt, S. 345-352.
Gleißner, Werner/Romeike, Frank (2012),
Bandbreitenplanung und unternehmerische
Entscheidungen bei Unsicherheit, in: Risk,
Compliance & Audit, S. 17-22.
Hibon, Michèle/Makridakis, Spyros (2000),
The M3-Competition: results, conclusions and
implications in: International Journal of Fore-
casting, Vol. 16, S. 451-476.
Rieg, Robert/Bork, Carsten (2015), Rollie-
rende Planung und rollierende Hochrech-
nung: Konzept und Bewertung, in: Gleich,
Ronald/Gänßlen, Siegfried/Kappes, Michael/
Kraus, Udo/Leyk, Jörg/Tschandl, Martin
(Hrsg.), Moderne Instrumente der Planung
und Budgetierung, 2. Aufl., Freiburg im Breis-
gau, S. 55-72.
Vanini, Ute (2012), Risikomanagement.
Grundlagen, Instrumente, Unternehmens-
praxis, Stuttgart.
Fußnoten
1
Vgl. beispielhaft (Coenenberg/Fischer/Gün-
ther 2012), Kap. 8.
2
Vgl. Friedl/Hofmann/Pedell 2013, S. 294f.
Stochastische Break-Even-Analyse
