CONTROLLER Magazin 2/2020

30 nearitätsannahme. Ob eine Rabattvariation auf den Absatz linear wirkt, ist zumindest zu hinterfragen. Häufig hat man keine empiri- sche Grundlage bei größeren Parameterver- änderungen. Die Anwendung einer linearen Abhängigkeit führt zwar dann zu einem Simulationsergebnis, welches aber nicht empirisch gestützt ist. · Falsche Interpretation. Die Darstellung der Ergebnisse ist für das Verständnis der Wirkungsbeziehungen wichtig. So ist es bei- spielsweise hilfreich, bei mehrfacher Parame- teränderung die Einflüsse der einzelnen Para- meter auf die Zielgröße erkennen zu können. Diese Auflistung macht deutlich, wie an- spruchsvoll die Modellbildung ist und wie schwierig es ist, die Eignung von Modellen zu erkennen. ML-Modelle können allerdings der Qualitätsver- besserung dienen: Bei der Entwicklung von ML- Modellen unterteilt man die verfügbaren Daten, die Eingabe- und Zielvariablen enthalten, nach Training und Test. Über die Trainingsdaten wird das Modell trainiert und anschließend mit den Testdaten überprüft. Entsprechen die durch die Regeln abgeleiteten Ergebnisse den beobach- teten Ergebnissen bei minimaler Abweichung, Häufig werden beispielsweise Preis-Absatz- Wirkungen aufgrund von Messproblemen vernachlässigt: Eine Preiswirkung wird ledig- lich durch die Multiplikation mit dem Absatz zum Umsatz und infolge zum Deckungsbei- trag oder EBIT linear durchgerechnet. Mög- liche Wirkungen auf den Absatz werden auf- grund der Schwierigkeiten bei der Quantifi- zierung vernachlässigt. · Die Eingabewerte sind nicht realistisch. Pla- nungsdefekte wie etwa der Hockeyschläge- reffekt treten auf. So läuft es in der aktuellen Entwicklung in vielen Unternehmen häufig nicht so rund, der Glaube an eine rosige Zu- kunft ist dennoch ungebrochen. · Falsche Annahmen bezüglich Wirkung und Wirkungsstärke (zum Beispiel Scheinkau- salitäten). 3 · Nicht ausreichende Berücksichtigung von Unsicherheit. Die rechnerisch genaue Ermitt- lung von Zielgrößen täuscht Sicherheit vor. Ein Problem ist, dass Modellparameter un- terschiedlich mit Unsicherheit behaftet sind. Man tut sich schon schwer mit der isolierten Einschätzung einzelner Risiken. Die Verdich- tung von Unsicherheiten verschärft dieses Problem. · Ein weiterer kritischer Punkt ist eine häufig aus Komplexitätsgründen vorgenommene Li- Zur Qualität von Simulationen Anders als beim Forecast geht es bei der Simu- lation nicht um eine möglichst hohe (spätere) Treffsicherheit zukünftiger Ergebnisse, sondern um die „Stimmigkeit“ der Ergebnisse. Die Si- mulation sollte die Wirkungen der Realität mög- lichst gut widerspiegeln. Dies lässt sich aber ex post nur überprüfen, wenn die Parameterkons- tellation auch umgesetzt wird, was nicht zwangsläufig der Fall sein dürfte. Es ist selbstverständlich, nach guten Modellen zu streben, natürlich unter Berücksichtigung der Wirtschaftlichkeit. Aber was macht die Qualität von Simulationen aus? Simulationen zeichnen sich gelegentlich durch sehr „wage- mutige“ Annahmen aus. Übertriebene Wachs- tumsannahmen oder unrealistische Wirkungs- treiber erzeugen dementsprechend unrealisti- sche Ergebnisse, die die Sinnhaftigkeit der Si- mulation infrage stellen. Einige Anomalien: · Das Modell ist zu stark vereinfacht. Dies hat häufig Aufwandsgründe. Die Frage ist, wel- che Ungenauigkeit noch zu akzeptieren ist. Ein Modell ist dann gut, wenn es auf der ei- nen Seite möglichst einfach (im Sinne von Occams Skalpell) ist, auf der anderen Seite aber auch realitätsnahe Ergebnisse erzeugt. Abb. 2: Kopplung von ML und Simulation Advanced Analytics im Controlling