41
Literatur
Backhaus, K./ Erichson, B./Plinke, W./Weiber,
R. (2015): Multivariate Analysemethoden.
Bamberg, G./Baur, F./Krapp, M. (2017): Sta-
tistik, 18. Auflage, München.
BARC-Studie 2016: Advanced & Predictive
Analytics 2016.
Carlberg, C. (2017): Predictive Analytics: Mi-
crosoft Excel, Indianapolis.
Dastani, P. (2016): Effektiver Einsatz von Pre-
dictive Analytics im Vertrieb, in: Sales Manage-
ment Review, 6/2016, S. 66-71.
Davis, G./Pecar, B. (2013): Business Statistics
using Excel, 2nd Edition, Oxford.
Eckerson, W.W. (2007): Predictive Analytics,
TDWI Best Practice Report, abgerufen am
22.04.2017 unter:
com/sas-predictive-analytics-062508.pdf.
Ellison, S.R.L./Barwick, V.J./Farrant, T.J.G.
(2010): Practical Statistics for the Analytical
Scientist: A Bench Guide, Cambridge.
Hammond, K.J. (2017): Please Don’t Hire a
Chief Artificial Intelligence Officer, in: Harvard
Business Review, March 29th 2017.
Iffert, L./Bange, C./Mack, M./Vitsenko, J.
(2016): Advanced & Predictive Analytics –
BARC-Anwenderstudie 2016.
Jeschke, E./Pfeier, E./Reinke, H./Unverhau,
S./Fienitz, B./Bock, J. (2011):
Excel – Formeln
& Funktionen, 2. Auflage, Köln.
Langmann, C./Pham Duc, K.-M. (2011): Qua-
lität entscheidet, in: acquisa 9/2011, S. 64-65.
Langmann, C./Untied, H.M. (2006): Statisti-
cal Process Control im Controlling, in: CM Con-
troller Magazin 1/06, S. 22-26.
Mehanna, W./Tatzel, J./Vogel, P. (2016):
Business Analytics im Controlling – Fünf An-
wendungsfelder, in: Controlling, 28. Jahrgang
2016, 8-9/2016, S. 502-508.
Möller, K./Pieper, S. (2015): Predictive Ana-
lytics im Controlling, in: IM+io Fachzeitschrift
für Innovation, Organisation und Management,
Heft 4/Dezember 2015, S. 40-45.
Rüdiger, A. (2013): Business Intelligence er-
reicht den Mittelstand nur sehr zögerlich, abge-
Fußnoten
1
Vgl. Iffert et al. 2016.
2
Vgl. zum BI im Mittelstand zum Beispiel
Rüdiger 2013.
3
Vgl. Eckerson 2007.
4
Vgl. Hammond 2017.
5
Vgl. Langmann/Pham Duc 2011.
6
Vgl. Iffert et al. 2016.
7
Vgl. Dastani 2016.
8
Vgl. zum Beispiel Möller/Pieper 2015;
Mehanna et al. 2016.
9
Vgl. Langmann/Untied 2006.
10
Nachfolgend wird die lineare (multiple) Re-
gression vorgestellt, die eine Kleinst-Quadrate-
Schätzung nutzt und deren Anwendung zahlrei-
che Anforderungen an die zugrundliegenden
Daten erfordert (siehe hierzu Backhaus et al.
2015). Zu den statistisch-wissenschaftlichen
Grundlagen der Regressionsanalyse sei auf
Bamberg et al. 2017 verwiesen.
11
Die vorliegende Beschreibung gibt lediglich
einen kurzen Überblick zur Nutzung und Inter-
pretation der Regressionsanalyse in Excel. Für
mehr Details dazu vgl. Carlberg 2017.
12
Der Bereich ‚Residuen’ (im Screenshot: Resi-
duals) in der MS Excel Regressionsanalyse (Ab-
bildung 4) ist hilfreich zur Analyse der Abwei-
chungen zwischen Datenpunkten und ge-
schätzten Punkten, um beispielweise Ausreißer
zu identifizieren. Der Bereich ‚Normalverteilte
Wahrscheinlichkeit’ (im Screenshot: Normal
Probability) dient zur Analyse der Normalvertei-
lung der Residuen. Beide Analysen dienen dazu,
die Annahmen der Regressionsanalysen zu prü-
fen. Zur einfachen Illustration der Anwendung
der Regressionsanalyse werden beide Bereiche
an dieser Stelle nicht weiter erläutert. Für weite-
re Informationen hierzu vgl. Davis/Pecar 2013.
13
Vgl. zu den Annahmen auch Backhaus
et al. 2015.
14
Vgl. hierzu die Predictive Analytics World for
Manufacturing 2016.
15
Zu den Voraussetzungen für den Einsatz und
statistischen Berechnung von Kontrollkarten
vgl. Bamberg et al. 2017; vgl. zur Konstruktion
von Shewhart-Charts Ellison et al. 2010.
16
Zur Berechnung des Mittelwerts und der
Standardabweichung mit Excel vgl. zum
Beispiel Jeschke et al. 2011.
Kontrollkarte, dass der Kennzahlenverlauf in
den letzten Monaten nur einmal an die Warn-
grenze gestoßen ist. Hinsichtlich des künftigen
Verlaufs ist davon auszugehen, dass die Werte
sich innerhalb der Warngrenze bewegen wer-
den. Abweichungen innerhalb der Warngrenze
sind normal und deuten auf keine Besonderhei-
ten hin, die zu einer Nachfrage des Controllers
führen müssten. Erst wenn die Warngrenze
mehrfach überschritten oder sogar die Kontroll-
grenze gerissen wurde, sollte der Controller
handeln und zusammen mit den Prozessverant-
wortlichen die Ursachen untersuchen. Somit
zeigt die Kontrollkarte dem Controller, in wel-
chen Bandbreiten sich die Kennzahl bewegen
wird und ob Abweichungen eine statistische Si-
gnifikanz besitzen oder nur ‚normale’ Schwan-
kungen darstellen.
Wie auch die Regressionsanalyse, unterstellt
der Einsatz von Kontrollkarten statistische An-
nahmen. Zur Absicherung dieser Annahmen
sollte der Controller unter anderem auf ausrei-
chend große Datenumfänge achten (zum Bei-
spiel mehr als 20-25 Datenpunkte).
Zusammenfassung
und Ausblick
Die Bedeutung von Predictive-Analytics-
Methoden im Controlling nimmt aktuell stark
zu. Jedoch wird das Schlagwort oftmals in Ver-
bindung mit der Einführung leistungsfähiger BI-
Systeme verknüpft, die in deutschen KMUs
nicht immer zur Verfügung stehen. Im vor-
liegenden Beitrag wurde daher die Anwendung
von zwei Methoden der Predictive Analytics mit
MS Excel gezeigt. Die beiden vorgestellten Me-
thoden – Regressionsanalyse und Kontrollkar-
ten – haben zahlreiche Anwendungsfelder im
Controlling. Die direkte Umsetzung mit MS Ex-
cel gibt dem Controller machtvolle Werkzeuge
an die Hand, mit denen er statistisch-validierte
Prognosen erstellen kann. Dadurch werden
Prognosen möglich, die nicht mehr nur auf ein-
fachen Trendfortschreibungen oder simplen
Wenn-Dann-Gleichungen basieren, sondern
auf einem statistisch-validierten Modell.
CM Juli / August 2018
