CONTROLLER Magazin 2/2020

26 Advanced Analytics im Controlling – es tut sich einiges. In diesem Teil zwei der dreiteiligen Serie sollen die Chancen, aber auch die Her- ausforderungen für verschiedene Anwendungs- felder im Controlling, nämlich Planung, Fore- casting und Simulation thematisiert werden. Im ersten Teil wurde ich auf die Möglichkeiten des Einsatzes maschinellen Lernens im Fore- casting eingegangen. Im zweiten Teil geht es nun darum, die Wirkungen maschinellen Ler- nens auf ein für den Controller zunehmend wichtiger werdendes Werkzeug zu skizzieren: die Simulation. Auswirkungen externer Ereig- nisse (aktuelles Stichwort Trumpsche Strafzöl- le), eigene Entscheidungen und hieraus resul- tierende Maßnahmen sollten in ihren möglichen Wirkungen verstanden werden. Dabei kann man auf die Erkenntnisse aus einem auf ma- schinellem Lernen (ML) basierten Forecasting aufsetzen. Die Werkzeuge Forecasting und Si- mulation sind eng verzahnt: Auf der Suche nach einem möglichst akkuraten Forecast sind Wir- kungsbeziehungen und damit Einflussfaktoren zu betrachten. Hat man ein entsprechendes Prognosemodell aufgebaut, ist es nur ein klei- ner Schritt zur gedanklichen Veränderung der Antezedenz, um die Konsequenz greifbar zu machen – das ist Simulation. Simulation vs Optimierung Professor Stahlknecht schrieb allerdings in ei- nem Buch im Jahr 1970 etwas despektierlich: „Wenn man nicht mehr weiter kann, fängt man zu simulieren an.“ 1 Das ist zwar nicht gerade anspruchsvolle Poesie, drückt aber aus, dass die Optimierung der Simulation überlegen sei. Dies ist vom theoretischen Anspruch heraus auch nachvollziehbar. Dennoch verhindern schon geringe Komplexität und Dynamik den Einsatz von Optimierungsrechnungen. In der Praxis hat sich die Simulation gegenüber der Optimierung durchgesetzt. Managen kann man auch als Balancieren unterschiedlicher In- teressen auffassen. Dazu muss aber verstan- den worden sein, wie zu balancieren ist. Es ist wie „im Zirkus“: Ohne ein Gefühl für Schwer- kraft und den eigenen Körper ist auch das Ba- lancieren auf einem Drahtseil in großer Höhe ein riskantes Unterfangen. Es stellt sich die Frage, was eine gute Simulati- on ausmacht. „Schlechte“ Simulationen skiz- zieren zwar eine mögliche zukünftige Entwick- lung, zeichnen sich aber durch geringe Reali- tätsnähe aus. Fehlentscheidungen werden wahrscheinlicher. Als Beispiel sei eine einfache Simulation auf der Basis einer Gewinn- und Verlustrechnung dargestellt: Man variiert Um- satz und betrachtet die Konsequenzen auf den Jahresüberschuss. Die Veränderung dieses Jahresüberschusses ergibt sich über Verdich- tungen und enthält ausschließlich sogenanntes Apriori-Wissen, welches unabhängig von der Wirklichkeit gültig ist. Der Mehrwert einer sol- chen Simulation ist begrenzt. „ D as Erkennen von belastbaren Wirkungszusammenhängen ist der Grundstoff einer guten Simulation.“ Eine (mögliche) Wirkung der Umsatzverände- rung auf Kosten bezieht hingegen empirisch gehaltvolle Beziehungen mit ein. Interessant wird es auch bei den Treibern des Umsatzes, der schließlich nicht vom Himmel fällt. Bei- spielsweise könnten Marketingaufwendungen, Rabattprogramme usw. den Umsatz (aber auch die Kosten) verändern. Wenn die Wirkungsbe- ziehungen bekannt sind, lässt sich nun auch der Umsatz steuern. Mit solchen Erweiterungen kann die Realitäts- nähe von Simulationen gesteigert werden. Ein wichtiges Werkzeug hierzu kann maschinelles Advanced Analytics im Controlling Simulation und Maschinelles Lernen von Karsten Oehler © Elnur – www.stock.adobe.com Advanced Analytics im Controlling