CONTROLLER Magazin 3/2020

57 · Ein wichtiger Punkt bei der Ausreißeranalyse ist die synchrone Betrachtung mehrerer Fak- toren. Mit dem eben vorgestellten Filter wer- den im Wesentlichen isolierte Ausreißeref- fekte betrachtet, also beispielsweise die Ab- satzentwicklung eines Produkts in einer Re- gion. Mögliche Abhängigkeiten lassen sich so nicht erkennen. Eine einfache Analyse nutzt die Regression, um mehrdimensionale Korridorüberschreitungen zu identifizieren. Werden hingegen univariate Kennzahlen wie beispielsweise Umsatzrenditen betrachtet, läuft man Gefahr, auffällige Entwicklungen in den enthaltenen Positionen zu übersehen. Zum Beispiel könnte der (prognostizierte) Umsatz eines Untersuchungsbereichs sin- ken, während seine Vertriebskosten steigen. In der Einzelbetrachtung bleibt diese Auffäl- ligkeit verborgen, in der Kombination erkennt man den Ausreißer (vgl. Abbildung 2). mehr als 12.000 potenziell auffälligen Positi- onen. Traditioneller Einstiegspunkt ist häufig die Aggregation (zum Beispiel Verdichtung über alle Produkte oder Regionen). Diese Analysestrategie hat den Nachteil, dass sich Auffälligkeiten im Detail auf höherer Ebene ausgleichen bzw. sich in der relativen Wir- kung abschwächen. Der übliche Drill-down, also das Bohren von der hohen Ebene ins Detail, greift dann nicht, da auf der aggre- gierten Ebene fehlender Handlungsbedarf in- duziert wird. Hier kann ein Filter helfen: Es wird eine Suche nach Abweichungen und Muster über alle Kombinationen aus detail- lierten und verdichteten Elementen durchge- führt. Eine Hitliste zeigt die Planungspositio- nen, die besonders große Abweichungen zei- gen. Wo sind beispielsweise die größten Sprünge von Vorperioden zur aktuellen Peri- ode zu erkennen? weise der kurzfristige Erfolg zulasten der Substanz forciert wird. Abbildung 1 zeigt einige typische Anomalien im Planungsprozess. Die Elemente auf der rechten Seite sind deutlich schwerer herauszuarbeiten und erfordern den entsprechenden Einsatz analytischer Verfahren. Methodische Aspekte Herz eines solchen Ansatzes ist das maschi- nelle Lernen. Maschinelles Lernen kann über- wacht und unüberwacht erfolgen. Unüber- wachtes Lernen sucht nach Auffälligkeiten und eignet sich als Startpunkt für Contributor Ana- lytics. Aus den identifizierten und klassifizierten Auffälligkeiten lassen sich in einem zweiten Schritt Regeln ableiten, die dann automatisiert zu Anwendung kommen. Dies setzt voraus, dass die Beurteilungsfälle systematisch mit Attributen und Beurteilungsergebnissen ge- speichert werden. Überprüfte Daten sollten entsprechend systematisch in einer Erfah- rungsdatenbank gesammelt werden. Zunächst startet man mit einer Suche nach Auffällig­ keiten und Mustern. Von Bedeutung können beispielsweise folgende Auffälligkeiten sein: · Wert zu hoch/zu niedrig · Fehlende Werte · Wert zu niedrig und Begründung nicht schlüssig · Unübliche Kontierung, Projektzuordnung · Umkehr von Trends oder gegenläufige Trends. Beispielsweise geht ein Planer von einem Abschwung aus, alle anderen Beitragenden sehen die wirtschaftliche Entwicklung hingegen positiv · Signifikante Abweichung zum Vorjahr/Vorquartal/Vormonat · Abweichung von Anlaufkurven bei Produkteinführungen Welche Algorithmen können zum Einsatz kommen? · Ein einfacher Einstieg ist eine erweiterte Suchfunktion: Eine hohe Anzahl der Daten- punkte – verbunden mit der Kombinatorik – erschwert ein manuelles Auffinden von Auf- fälligkeiten. Die Analyse von nur 9 Produk- ten, 9 Regionen, 6 Konten und 2 × 4 Hierar- chieelementen über 12 Perioden führt zu Abb. 2: Multivariate Ausreißererkennung CM Mai / Juni 2020 Abb. 1: Übliche Qualitätsmängel