39
werden, enormen Mehrwert für die Unterneh-
mensplanung liefern. Gleichwohl sind die in-
haltlichen und technologischen Herausforde-
rungen ihres Einsatzes hoch. Gerade Verfah-
ren des maschinellen Lernens sind äußerst
komplex. Ihre Modellierung erfordert zum ei-
nen inhaltliche Kenntnisse der zugrundelie-
genden Materie und des Unternehmens sowie
ein fundiertes mathematisches Wissen. Ohne
dieses Grundverständnis sind auch die meist
von den Tools angebotenen Automatismen zur
Modellgenerierung nicht sinnvoll oder nur mit
großem Risiko nutzbar. Eine erkannte Korrela-
tion ist nicht immer ein kausaler Zusammen-
hang. Folglich muss immer eine Bewertung
des Modelles anhand fundierter theoretischer
Überlegungen getroffen werden.
Da die vorgestellten Verfahren teils große Men-
gen an Daten benötigen – neben historischen
ggf. auch externe Daten – bedarf es einer Busi-
ness-Intelligence-Architektur mit hohem Reife-
grad; eine Stand-alone-Planungslösung als In-
formationssilo des Controllings reicht in diesem
Kontext nicht mehr aus. Vielmehr muss das
Planungssystem an einen unternehmenswei-
ten, zentralen Datenspeicher angebunden wer-
den. Viele Unternehmen verfügen bereits über
ein Data Warehouse oder einen Data Lake. Die-
stetiges Lernen ein eigenes Erfahrungswissen,
auf Basis dessen es neue Aufgaben bewerten
und lösen kann.
In der Regel liegt der Fokus hier weniger auf
der Betrachtung des zeitlichen Verlaufes einer
Variablen und deren Fortschreibung, sondern
vielmehr darauf, kausale Abhängigkeiten zwi-
schen unterschiedlichen Einflussfaktoren und
der Zielvariablen zu erkennen. Eine Absatz-
menge kann unterschiedlichsten internen und
externen Einflüssen unterliegen, wie dem Pro-
duktlebenszyklus, der aktuellen und prognosti-
zierten Konjunktur des Marktes oder der Ver-
fügbarkeit qualifizierter Arbeitskräfte für die
Produktion. Als Basis für die Erkennung von
Mustern dient auch hier ein historischer Daten-
bestand, der zum Anlernen des Systems ge-
nutzt wird. In der Praxis gibt es unterschied-
lichen Ansätze und Algorithmen, die hierbei
zum Einsatz kommen können, z. B. künstliche
neuronale Netze, Support Vector Regression
(SVR)
1
oder Random Forest.
Herausforderungen der Umsetzung
Derartige Methoden können, sofern sie richtig
in die bestehenden Planungsabläufe integriert
Die Anwendung derartiger Modelle im Kontext
der Unternehmensplanung offenbart jedoch
auch Schwächen: Da lediglich die historischen
Werte und Verläufe der betroffenen Variable (z. B.
die Absatzmenge) betrachtet werden, greifen
diese in Zeiten volatiler Märkte häufig zu kurz.
Es wird unterstellt, dass die hierbei entdeckten
Strukturmuster aus der Vergangenheit auf die
Zukunft übertragbar sind. Nicht selten spielen
jedoch vollkommen andere und somit hierbei
unberücksichtigte Faktoren bei der Prognose
eine deutlich gewichtigere Rolle. Spätestens
hier sind es dann wieder das Erfahrungswissen,
der bessere Informationsstand und das Bauch-
gefühl des menschlichen Planers, welche die
finale Planfestlegung maßgeblich bestimmen.
Machine-Learning-Verfahren
Vielversprechend ist in diesem Kontext der Ein-
satz von Verfahren des maschinellen Lernens,
einem Anwendungsgebiet von künstlicher In-
telligenz. Diese Verfahren können nicht nur
Muster in komplexen Datenbeständen erken-
nen, sondern darüber hinaus auf Basis dieser
gesammelten Erkenntnisse Prognosen erstel-
len. Vereinfacht gesagt: Ein auf diesen Metho-
den basiertes IT-System erschafft sich durch
Abb. 2: Einsatz zeitreihenanalytischer Verfahren im Planungsprozess; Quelle: TIMETOACT
CM November / Dezember 2018
