CONTROLLER Magazin 3/2020

58 · Es sollte die Möglichkeit geben, Zusatzin- formationen in der Anwendung strukturiert hinterlegen zu können. · Ein Workflow sollte unterstützt werden. Da eine hohe Interaktion notwendig ist, ist eine strukturierte Kommunikation zu unterstützen. · Das Thema ist noch innovativ. Dementspre- chend ändern sich die strukturellen Anfor- derungen. Die Offenheit der Lösung, um Werkzeuge wie R oder Python einbinden zu können, ist von Vorteil. · Eine Lernkomponente (siehe nächster Ab- schnitt) ist nicht notwendig, aber durchaus hilfreich. So könnte ein typischer Workflow aussehen: Die Daten werden wie bisher dezentral geplant und zur Prüfung eingereicht. Die Analyse kann gestartet werden, wenn alle Meldedaten ein­ gegangen sind. Der übergeordnete Manager kann auch einzelne Analysen starten. Die Er- gebnisse werden in der Regel in Form einer Hitliste präsentiert. Wichtig ist eine Markie- rungsspalte zur Sammlung von Auffälligkeiten, einem Kommentarfeld, um Anmerkungen zu hinterlegen, Fragen zu stellen sowie die Mög- lichkeit, gegebenenfalls priorisieren zu können. Bei einer höheren Priorität können beispiels- weise ausführliche Informationen vom Planer verlangt werden. gleitende Durchschnitte können als Kenn- zahlen zur Beschreibung solcher Sachverhal- te herangezogen werden. · Alternativ gibt es nahezu unzählige weitere Ansätze zur Anomalieerkennung. Die Ben- ford-Analyse betrachtet beispielsweise die Häufung der ersten oder zweiten Ziffern einer Zahl und vergleicht sie mit einer bestimmten Häufigkeitsverteilung. Sachverhalte wie das Splitten von Positionen, um Limits zu umge- hen, fallen bei dieser Analyse auf. Ausgestaltung eines Meldeprozesses Wie kann so ein Ansatz nun in einen bestehen- den Planungs- oder Forecasting-Prozess integ- riert werden? Idealerweise sollte ein solches Verfahren mit den Arbeitsschritten eng ver- zahnt sein. Viele Planungslösungen verfügen über eine eigene Workflowsteuerung zur Frei- gabe, Weiterleitung und Rückweisung von Mel- dedaten. In diesen Prozess kann auch Contri- butor Analytics eingebunden werden. Eine ge- eignete Planungslösung sollte einige Voraus- setzungen mitbringen: · Die Meldedaten sollten in einfachen Daten- strukturen abgelegt werden. Für die Algorith- men notwendige Aufbereitungen sind dann einfacher durchzuführen. · Ein alternativer Ansatz ist die Segmentie- rung. Der Algorithmus (z. B. kMeans) sucht nach Zentren. Eine Ausreißeranalyse auf der Basis der Segmentierung betrachtet häufig Cluster in Form von Punktewolken. Elemen- te, die einen gewissen Abstand vom Mittel- punkt einer dieser Wolken überschreiten, werden als Ausreißer bezeichnet. So könnte gerade eine Mittelwert-Kombination aus Preis und Qualität auffällig sein, da hoher Preis und hohe Qualität und niedriger Preis und niedrige Qualität die beiden Zentren dar- stellen. · Hilfreich können auch Strukturanalysen sein. Wenn bestimmte Vertriebsmitarbeiter primär Altprodukte fokussieren, neue hingegen vor- sichtiger planen, kann dies durch einen Strukturvergleich sichtbar gemacht werden. · Komplexere Faktorkombinationen sind schwerer zu erkennen. Ein Hockeyschläge- reffekt ist beispielsweise ein komplexes Kon- strukt, welches erst mal erkannt werden muss. Auch können Lebenszyklen als Grund- lage einer Plausibilitätsprüfung hilfreich sein. Ist der Zenit eines Produkts beispielsweise überschritten, erscheint es auffällig, wenn der Planer dennoch Wachstum plant. Übli- cherweise erwarten die Algorithmen einfa- che Datenstrukturen. Damit sind interperio- dische Beziehungen aber nur schwer lineari- sierbar. Kennzahlen wie Average Growth Rate, Dauer einer Wachstumsphase oder Abb. 3: Ein exemplarischer Analyseprozess auf der Basis von Tagetik Advanced Analytics im Controlling