CONTROLLER Magazin 1/2020

71 (für R) oder XLSTAT kommt man schnell an die Grenzen. Zudem wird die Umsetzung schnell sehr komplex. · (Additiver) Einsatz von Spezialwerkzeugen zu Predictive Analytics (Knime, Rapid Miner, SPSS Modeler etc.). Diese Werkzeuge sind leistungsfähig, aber das Aufsetzen der Schnittstellen sowie der Transformationen sind aufwändig. Anbieter, die beide Kompo- nenten im Angebot haben (zum Beispiel IBM) bieten teilweise schon Funktionen der Integ- ration an. · Erweiterung von Planungswerkzeugen mit- tels offener Schnittstellen. Mittlerweile bie- ten viele Planungsanbieter (z. B. Tagetik) Schnittstellen zu verbreiteten Analysewerk- zeugen an, bevorzugt Python und R. Dieser Teil ist dann häufig separat zu entwickeln. Will man von den umfassenden Möglichkei- ten von etablierten Open-Source-Lösungen profitieren, erscheint dieser Ansatz geeig- net. Das Know-how muss allerdings vor- handen sein. · Erweiterungen von Planungswerkzeugen um Funktionen. Der Ansatz, Machine-Learning- Funktionen innerhalb der Planungslösung zu implementieren, erscheint für den Aufbau in- tegrierter Modelle gut geeignet, da so Pla- nung direkt mit dem Forecast verknüpft wer- den kann. Dies zwingt aber die Anbieter, auf- wändige Algorithmen zu implementieren. Das schränkt die Möglichkeiten entspre- chend ein. renden Dichtefunktionen auch hier die Monte- Carlo-Simulation anzuwenden. Mit einer Erwei- terung um Risiken kommt man hier leicht zu ei- nem integrierten Risikomanagementsystem, welches in Beitrag 3 erläutert wird. Abbildung 3 zeigt, dass einige Vorarbeiten not- wendig sind, um auf ein realitätsnahes Ergebnis zu kommen. So sollte beispielsweise auch eine Beschaffungsprognose integraler Bestandteil eines Gesamtforecasts sein. Implementierung Nach den konzeptionellen Ausführungen stellt sich die Frage der Implementierung. Ein Start auf der grünen Wiese ist wenig realistisch. Pla- nungs- und Vorschausysteme sind bei den meisten Unternehmen bereits im Einsatz, so- dass neue Lösungen in der Regel nicht zur Dis- position stehen. Neben den fachlichen Anforderungen sind auch die Anforderungen der Integration zu betrach- ten, die sich insbesondere im dargestellten EBIT-Forecast manifestieren. Umfängliche Lö- sungen von der Stange gibt es im Moment noch keine. Es ergeben sich verschiedene Möglich- keiten zum Start: · Excel zum Lernen und Anfangen ist nur be- dingt geeignet. Auch mit Unterstützung ver- fügbarer Add ins wie beispielsweise BERT Ein EBIT-Forecasting ist somit gar kein eigen- ständiger Forecast, sondern entsteht aus der Zusammenführung der bereits erläuterten Forecasts und weiteren. Verallgemeinert signalisiert dies, dass mög- lichst direkte Wirkungsbezüge betrachtet wer- den sollten. Konsequent angewendet würde dies allerdings bedeuten, dass der Ansatz einer Kostenvorschau auf eine Mengen- und Preis- komponente aufgeteilt werden sollte. Ein „Über- springen“ von Detailanalysen erscheint aller- dings dann vertretbar, wenn eine Komponente eine geringe Bedeutung hat, bsp. bei stabilen Kostensatz oder fixem Preis. Die Kombination mit dem Finance-Modell ist bei einer solchen Betrachtung wichtig. Dabei sind die deterministischen Abhängigkeiten zu berücksichtigen. Umsatz ergibt sich beispiels- weise aus Menge mal Preis, gegebenenfalls abzüglich eines Rabattes. Der EBIT ergibt sich schließlich aus Umsatz minus Kosten usw. In diesen Definitionen ist keine Unsicherheit ent- halten, weil sie eben definitorischer Natur sind. Die Unsicherheit der detaillierten Vorschau- rechnungen muss allerdings über das Finanz- modell adäquat weitergegeben werden. Nur die Mittelwerte zu übergeben, führt zu einem Infor- mationsverlust. Schließlich interessieren auch auf EBIT-Ebene die Bandbreiten. Es hat sich bewährt, statt einer Faltung der zu aggregie- Abb. 3: Vorschau-Integrationsanforderungen CM Januar / Februar 2020