CONTROLLER Magazin 2/2020

28 gen, ist ein typisches Beispiel für eine dyna- mische Strukturanpassung. Auch Wirkungs- beziehungen können verdichtet werden. Ein- schränkend ist allerdings, dass das Ergebnis gegebenenfalls eine abstrakte Gruppe 2 dar- stellt, die zwar homogen ist, aber zu abstrakt für eine Interpretation von Wirkungszusam- menhängen ist. · Im Zusammenhang mit spieltheoretischen Überlegungen könnte man auch das verstär- kende Lernen (Reinforcement Learning) be- rücksichtigen. Vergleichbar einem Schach- spiel könnte das Verhalten der Marktteilneh- mer antizipiert werden und somit Reaktion und Gegenreaktion durchgespielt werden. Nur ist das Verhalten der Marktteilnehmer im realen Leben deutlich heterogener als bei ei- nem Schachspiel. Auch die Zielfunktion ist komplexer. Insofern besteht hier noch wenig Realitätsnähe. Simulation auch ohne Wirkungsmodellierung? Die Erstellung komplexer Simulationsmodelle ist in der Regel aufwendig und wird durch den Einbezug maschinellen Lernens auch nicht ein- facher. Es stellt sich daher die Frage, ob sich maschinelles Lernen nicht auch direkt unter Umgehung der dargestellten Wirkungsmodel- lierung für eine Simulation eignet. Ein einfaches Modell, welches lernt und dann auf neue Daten angewendet wird, stellt grundsätzlich auch die Einschränkung, durch zu starke Vereinfa- chung nur bedingt realitätsnah zu sein. Viele Treiber entwickeln einen Wirkungsfächer, der durch eine Baumstruktur nur unzurei- chend repräsentiert werden kann. Wäh- rungseffekte sind beispielsweise äußerst vielfältig, da sie auf allen Märkten des Unter- nehmens Auswirkungen haben können. Dies widerspricht einer streng hierarchischen Struktur. · Gleichermaßen benötigt die Simulation plau- sible Ausgangsdatengrößen der Parameter. Auch diese können über maschinelles Ler- nen erzeugt werden, wie bereits in den Aus- führungen zum Forecasting skizziert wurde. Wenn etwa die DSOs (Days of Sales Out- standing, Forderungsreichweite) als Grundla- ge einer Erfolgs- und Finanzsimulation ver- wendet werden, kann maschinelles Lernen hier helfen, diesen Eingabeparameter realis- tisch zu schätzen. Dies kann klassisch mit- tels einfacher Statistik erfolgen, „nach wel- cher Zeit haben Kundengruppen in der Ver- gangenheit gezahlt?“ Interessanter wird es jedoch, wenn kundenspezifisches Zahlungs- verhalten, auch unter Einbezug der individu- ellen wirtschaftlichen Situation, antizipiert werden kann. Dies schließt auch die potenti- elle Zahlungsunfähigkeit mit ein. · Bei einer Modellverdichtung kann unüber- wachtes Lernen zum Einsatz kommen. Die Bildung von homogenen Gruppen wie bei- spielsweise Kunden mit einer gewissen Kaufstärke, die gleiches Kaufverhalten zei- An welchen Stellen kann nun konkret maschi- nelles Lernen in der Simulation eingesetzt werden? · Simulation benötigt, wie dargelegt, empi- risch fundierte Wenn-Dann-Regeln. Diese werden benötigt, um Zielgrößen ableiten zu können. Der wichtigste Einsatz maschinellen Lernens dürfte daher die Ableitung möglichst realistischer Wirkungsketten sein. Als Grund- lage der Simulation eignet sich das über- wachte Lernen. Aus den Erkenntnissen po- pulärer Modelle wie beispielsweise Abwan- derungsanalysen, Sales Pipeline Analysen oder Predictive Maintenance können Wir- kungsbeziehungen abgeleitet und in Simula- tionsmodelle integriert werden. Aus den Zu- sammenhängen zwischen Kundenattributen und Kaufentscheidung werden beispielswei- se bei der Pipeline-Analyse Thesen bezüglich Ursache und Wirkung abgeleitet. So könnten bestimmte Altersgruppen vergleichsweise besonders entscheidungsfreudig sein. Die Wirkungen von Maßnahmen zur Bewerbung dieser Altersgruppe könnte somit besser ein- geschätzt werden. · Mittels maschinellem Lernen ergibt sich die Möglichkeit der Modellerweiterung. Im Rah- men von Treiberbaumsimulationen stellt sich häufig die Frage, wie komplexere Abhängig- keiten jenseits der finanziellen Größen mo- delliert werden können. Die relativ einfache hierarchische Strukturierung „klassischer“ Treiberbäume bietet zwar den Vorteil einer guten Übersichtlichkeit. Dies hat aber die Abb. 1: „Spielarten“ der Simulation Advanced Analytics im Controlling