CONTROLLER Magazin 1/2020

72 Literatur  BARC (Hrsg.): Predictive Planning und Fore- casting hebt die Unternehmensplanung auf die nächste Stufe, Würzburg 2018  Buckler: Das Ende der Kennzahlendiskussion, Münster 2015  Oehler, K.: Advanced Analytics für Controller, Freiburg 2019  Schröder, M.: Einführung in die kurzfristige Zeitreihenprognose und Vergleich der einzelnen Verfahren, in: Mertens, P. Rässler, S.: Progno- severfahren, Heidelberg 2012  Siemen, J.-P.: Schätzung betrieblicher Kos- tenfunktionen mit künstlichen neuronalen Net- zen, Hohenheim 2015 · Es ist auch der Wiederverwendungsgrad von Modellen zu betrachten. Wie gezeigt, besteht das Potenzial, operative Analysen zur Ent- scheidungsvorbereitung von Maßnahmen, zum Beispiel der Kundenabwanderungsana- lyse auch für die aggregierten Controlling- Aanalysen zu verwenden. Hier ist die Nut- zenbewertung dann aber noch schwerer. Allerdings ist zu bedenken, dass ein Verzicht auf maschinelles Lernen wichtige Einflussfak- toren außer Acht lässt. Um überhaupt planen zu können, bedarf es nun mal Erwartungen, ob explizit oder implizit. Statt der Intuition zu ver- trauen, ist es durchaus angemessen, auf weni- ger signifikante Abhängigkeiten zuzugreifen. Wichtig ist nur, dass der Grad der Unsicherheit auch deutlich gemacht wird. Fußnoten 1 Häufig wird von Vorschaugenauigkeit gespro- chen. Eine Forecast-Genauigkeit beschreibt je- doch die Breite des Prognose-Korridors. Aber die Treffsicherheit hat auch eine Menge mit der Genauigkeit zu tun. Auf welcher Ebene wird der Forecast durchgeführt? Wenn ich auf einzelner Produktebene und Region einen Forecast durchführe, wird dieser in der Regel nicht sehr treffsicher. 2 Volatiltiy, Uncertainty, Complexity, Ambiguity 3 siehe auch Schröder, 2012 S. 13-14. 4 Häufig wird der Begriff „Predictive Forecas- ting“ für den Bereich der automatisierten Vor- schau verwendet. In wörtlicher Übersetzung „vorausschauende Vorschau“. Allerdings ist bei diesem Begriff eher von einer Kurzform, näm- lich „Predictive Analytics im Forecasting“ aus- zugehen. 5 Vgl. auch Buckler, 2015, S. 88-89. 6 Die vielfältigen Probleme bei der Datenaufbe- reitung, die üblicherweise einen Großteil des Projektaufwands ausmachen, sollen natürlich hier nicht unerwähnt bleiben. 7 Abbildung 2 zeigt bereits eine Transformation, da Terminprognosen auf Pipelines auf die Ver- gangenheit verweisen können. 8 Umstritten, weil Prognosekosten als Kontroll- grundlage nicht geeignet sind, wie schon Schmalenbach feststellte: „Schlendrian mit Schlendrian vergleichen.“ 9 Vgl. auch Siemen, 2015, S. 28. Insofern sind zurzeit nur eingeschränkte Mög- lichkeiten von der Stange verfügbar bzw. eine höhere eigene Leistung notwendig. Empfehlungen Zusammenfassend einige Empfehlungen beim Einsatz eines maschinellen Forecasts: Das Thema ist für Controller relevant, so dass sie auch methodisch tiefer eindringen sollten. Not- wendige Skills umfassen eine Kombination aus Fachlichkeit und Modellierungsexpertise. Auf- grund der Etablierung von automatischem ma- schinellen Lernen ist allerdings eine Tendenz zu mehr Fachlichkeit festzustellen. Trotzdem ist konzeptionelles Wissen über die Möglichkeiten und Risiken unvermeidbar. Und noch ein paar kurze Ausführungen zur wirtschaftlichen Bewertung des Einsatzes. Schließlich geht es um Controlling. Was bringt der Einstieg in die Vorschauautomatisierung durch maschinelles Lernen, insbesondere was den Einsatz von maschinellem Lernen in der Vorschau angeht? Zur Bewertung gehören zwei Komponenten: Aufwandseinsparung (re- lativ einfach abschätzbar) und Nutzen (schwer abschätzbar). Man sollte die Zwecke Auf- wandsreduktion und Treffgenauigkeit separat betrachten: ein hoher Aufwand ist gerechtfer- tigt, wenn die Treffgenauigkeit hoch ist. Eine Automatisierung reduziert den manuellen Auf- wand. Allerdings ist auch zu berücksichtigen, dass zur gegenwärtigen Zeit noch ein hoher Konfigurationsaufwand bei einem Machine- Learning-basierten Forecast notwendig ist. Zu unterschiedlich sind die Anforderungen in den jeweiligen Branchen, um Standards be- reitzustellen. Teilweise lässt sich der Nutzen bewerten: Wenn sich beispielsweise aus der Anwendung von ML eine Lagerreduktion verwirklichen lässt. Aller- dings stehen dem einige Aspekte entgegen: · Das Problem liegt vor allen Dingen im Zeit- punkt der Wirtschaftlichkeitsermittlung. Im Vorfeld lässt sich nur sehr schlecht sagen, ob die Ergebnisse überhaupt nutzbar sind. · Zudem ist die Automatisierung auch ein kon- tinuierlicher Lernprozess. Frühe Analysen zur Wirtschaftlichkeit sind vielleicht eher demoti- vierend. Den Zugang zum Online-Bereich des Controller Magazins finden Sie unter www.controllermagazin.de Bei Fragen zum Online-Zugang sind wir unter der kostenlosen Rufnummer 0800 50 50 445 gerne für Sie da: Mo.-Fr. von 8-22 Uhr, Sa.-So. von 10-20 Uhr Ihr Controller Magazin Team Alle Magazine auf einen Klick! Besuchen Sie uns auch online Mitgliederzeitschrift des Internationalen Controller Vereins der RMA Risk Management & Rating Association e.V. Advanced Analytics im Controlling