SPECIAL SOFTWARE 2022 www.controllermagazin.de 2022 _ Supplement Mai/Juni SPECIAL Mat.-Nr. 01450-5933 Blooming Digitization INNOVATIVE SOFTWARE FÜR DAS CONTROLLING Rationalitätssicherung: Controlling-Kernaufgabe Künstliche Intelligenz im Controlling forcieren Business Analytics Tools imControlling
Die Software kann es nicht allein. Es braucht den Menschen mit dem richtigen Know-how. www.controllerakademie.de Lernen von d n Spezialisten. Profitieren im Job. Nur wenn relevante Informationen verständlich aufbereitet sind, helfen sie dem Management zu entscheiden. Dafür braucht es Controller:innen, die modernste Technologien und Methoden zur Datengewinnung und Datenanalyse kompetent handhaben und planvoll einsetzen. Erweitern Sie Ihr Know-how in den Bereichen Business Intelligence, Big Data und Advanced Analytics sowie Management Information Design. Besuchen Sie dafür die praxisorientierten Seminare der CA controller akademie. Seminare zu Information Management Business Intelligence Big Data & Advanced Analytics Management Information Design Strategien für Business Intelligence und Big Data Einstieg in Advanced Analytics für Controller Managementberichte – mit SUCCESS zu IBCS® Data Governance für BI, Big Data und Analytics Machine Learning für Controller – Praxisübungen Interaktives Reporting mit Power BI Grundlagen und praktische Anwendung von BI Predictive und Advanced Analytics Business Charts und Dashboards mit Excel Controlling mit Kennzahlen Deep Dive Advanced Analytics Dialogbasiertes Präsentieren mit PowerPoint Datenanalyse mit Excel Process Mining Storytelling mit dem Prinzip der Pyramide Fachtagung Information Management Gleich hier bequem buchen! Wir beraten Sie gerne: +49 (0)8153 - 88 974 - 0 www.controllerakademie.de Wer zum gefragten Spezialisten werden will, entscheidet sich für den Abschluss zum Certified Information Manager CA. Ihr Vorteil: Sie können die Seminare individuell nach Ihrem Schwerpunkt zusammenstellen.
Liebe Leserinnen und Leser, im aktuellen Sonderhef t des Controller Magazins, dem Special mit dem Titel Blooming Digitization, beschäf tigen wir uns wieder mit den Auswirkungen der Digitalisierung auf Controlling und Finance. Es handelt sich umein sehr weites Feld und „Digitalisierung” steht dabei als Sammelbegrif f für all die technischen Möglichkeiten und Sof tware-Lösungen, die uns in die Lage versetzen, z. B. Planung und Forecasting effizienter zu betreiben und gleichzeitig qualitativ zu verbessern. Damit verbunden ist parallel die Herausforderung, „alte Zöpfe abzuschneiden”, sprich sich von liebgewonnenen Routinen zu trennen und sich z. B. organisatorisch neu aufzustellen, um „agil” handeln zu können. Wir alle wissen, dass diese Veränderung des Mindset uns of t schwerer fällt und länger dauert als die Investitionsentscheidung für neue Sof t- und Hardware. Wir müssen jedoch beides zusammen denken, um die Zukunf t erfolgreich zu gestalten. Den Begrif f der Digitalisierung verwenden wir nun schon seit vielen Jahren. Somit kann bei oberflächlicher Betrachtung der Eindruck entstehen, es werde darüber viel geredet und geschrieben, es verändere sich aber wenig. Dass dem nicht so ist, zeigen viele Praxisbeispiele, über die wir auch immer wieder im Controller Magazin berichten dürfen. Aber auch das, was wir inhaltlich mit „Digitalisierung” verbinden, ist einer kontinuierlichen Fortentwicklung unterworfen. Immer mehr richtet sich der Blick auf Einsatz und Nutzen von künstlicher Intelligenz, auch wenn wir vom Gebrauch von Alexa & Co. im Alltag wissen, wie weit der Weg von „künstlicher” zu „echter” Intelligenz noch ist. Gleichwohl sollten wir die künstlichen Intelligenzen, wo immer es sinnvoll möglich ist nutzen, um Zeit dafür zu gewinnen, unsere menschliche Intelligenz ef fektiv und nutzenstif tend einzusetzen. Künstliche Intelligenz kann uns helfen, z. B. bestimmte Muster zu entdecken, die Planung zu beschleunigen oder für präzisere Forecasts zu sorgen. Von epochalen Umbrüchen wie einer Pandemie oder einem vom Zaun gebrochenen brutalen Aggressionskrieg sind künstliche Intelligenzen genauso überrascht wie wir Menschen. Allerdings können wir Empathie zeigen, uns in Solidarität üben und gerade in der Not sehr schnell Veränderungen anstoßen und akzeptieren. Das ist tröstlich und gibt Zuversicht auch in schwierigen Zeiten. Ich bin sicher, in diesem Special finden Sie wieder viele Anregungen und Beispiele, z. B. wie künstliche Intelligenz zur Rationalitätssicherung im Controlling beiträgt, zu Grundlagen und Komponenten einer integrierten Planungsplattform, zum Einsatz von Business Analytics Tools und zu agilen Planungsprozessen. Und auch die Porträts vieler innovativer und leistungsfähiger Sof tware-Anbieter, die diese Sonderausgabe möglich gemacht haben. Ich wünsche Ihnen eine inspirierende Lektüre! Mit herzlichen Grüßen Conrad Günther Herausgeber „Wir sollten künstliche Intelligenzen, wo immer es sinnvoll möglich ist nutzen, umZeit dafür zu gewinnen, unsere menschliche Intelligenz ef fektiv und nutzenstif tend einzusetzen.” Conrad Günther Herausgeber Controller Magazin _ Special 3
Inhalt Rationalitäts- sicherung als Kernaufgabe des Controllings Seite 12 Künstliche Intelligenz (KI) im Controlling forcieren Seite 22 Business Analytics im Controlling Seite 26
t f News 6 f Andreas Seufert, Martin Schmitz Rationalitätssicherung als Kernaufgabe des Controllings 12 f Simon Rossi, Thomas Sauer, Danny Szajnowicz Predictive Analytics imPraxistest 17 f Michael Kappes Grundlagen und Komponenten einer integrierten Planungsplattform 20 f Günter Lubos Künstliche Intelligenz (KI) imControlling forcieren 22 f Xenia Börner, Melanie Mischer, Thomas W. Günther Business Analytics Tools imControlling 26 f Stefan Liesgang, Marcus Droste Planung abschaffen? 30 f Ralf Schall Mehr Kollaboration undweniger manuelle Prozessemit agiler Unternehmensplanung 32 f Björn Stauss Ein herausforderndes Jahr für die Geschäftsplanung 34 f Ansgar Eickeler Zukunftstrends in Finanzplanung und -analyse 36 f Bernd S. Kirschner Businessplan legt Fundament für dauerhaft effektives Controlling 38 f Anbieterportraits 41 f Impressum 66
6 NEWS Digitalisierung als Chance nutzen Daten als Konjunktur- motor Die Digitalisierung ihres Bereichs hat für viele CFOs derzeit hohe Priorität. Das geben 73 Prozent der weltweit 522 befragten CFOs in der aktuellen PwC-Studie „The Digital CFO“ an. Dennoch steht die Digitalisierung des Finanzbereichs in vielen Unternehmen of t noch am Anfang. Dashboarding-Tools für übersichtliches Reporting sind zwar bereits weit verbreitet, Technologien wie Künstliche Intelligenz oder Process Mining kommen hingegen kaum zum Einsatz. Großkonzerne mit einem Umsatz von mehr als zehn Milliarden Euro tun sich dagegen leichter mit dem Thema, da sie of tmals sowohl über das Budget als auch das passende Personal verfügen. Zwar wollen CFOs die Digitalisierung ihres Bereichs vorantreiben, dennoch sind digitale Finance-Projekte of t nur unzureichend mit der Digitalisierungsstrategie des Gesamtunternehmens abgestimmt. Zudem hapert es an der Umsetzung bestehender Digitalisierungsstrategien im Arbeitsalltag. Es gilt: CFOs sollten sich beim Einsatz neuer Technologien noch mehr zutrauen. Darüber hinaus kann eine tiefgreifendere Digitalisierung strategische Vorteile für die CFOs haben. Dies und mehr zeigt die aktuelle Studie, die in Zusammenarbeit zwischen der Wirtschaf tsprüfungs- und Beratungsgesellschaf t PwC und der WHU – Otto Beisheim School of Management entstand. Daten inWachstum und Mehrwerte verwandeln: Daran beißen sich Unternehmen und öf fentliche Verwaltung in Deutschland noch die Zähne aus. 73 Prozent sehen Handlungsbedarf bei der Digitalisierung von Geschäf tsprozessen, um Daten überhaupt produktiv nutzen zu können. Das sind Ergebnisse des Managementkompass-Survey „Daten nutzen” von Sopra Steria in Zusammenarbeit mit dem F.A.Z.-Institut. Die Mehrheit der Unternehmen und Verwaltungen steckt allerdings noch mitten in der Basisarbeit. Daten liegen noch zu häufig in Papierform vor und lassen sich damit nicht zu vertretbaren Kosten weiterverarbeiten. 64 Prozent scheitern zumindest teilweise daran, Daten in ihre IT-Systeme und Geschäf tsabläufe zu integrieren, so die Studie. Ein unterschätzter Faktor ist die fehlende Fachlichkeit bei der Zusammensetzung der Teams. Ein Großteil der Unternehmen und Behörden rekrutiert zwar Spezialisten wie Data Scientists und Data Engineers, bringt dieses Know-how jedoch nicht mit der fachlichen Expertise zusammen. STUDIE DATENMANAGEMENT „Die Digitalisierung schaf f t neue Tätigkeitsfelder in den Finanzfunktionen, etwa imDatenmanagement, Forecasting und anderen analytischen Prozessen, die durch künstliche Intelligenz unterstützt werden.“ Gori von Hirschhausen, Finance Consulting Leader Europe bei PwC Deutschland „Sobald Unternehmen die Voraussetzungen in puncto Dateninfrastruktur, Datenqualität, Datenkultur und Datenkompetenz geschaffen haben und Verwaltungen mehr Open- Data-Plattformen errichten, können Daten volkswirtschaf tlich zu einem Konjunkturmotor werden. Aktuell sind sie eher ein Hilfsmotor”, so Lars Schlömer von Sopra Steria.
Controller Magazin _ Special 7 Controlling-Trends 2022 Welche Aufgaben stehen bei den Controlling-Verantwortlichen oben auf der Agenda? Aus Interviews mit Controlling-Expertinnen und -Experten aus der Schweiz haben Ulrich Egle und Imke Keimer 8 große Controlling-Trends für 2022 herausgearbeitet. Die VUCA-Welt beschleunigt die Business-Transformation und verändert die Geschäf tsmodelle grundsätzlich. Die Art der Wertschöpfung und damit einhergehend die Wertschöpfungsprozesse werden unter dem Einf luss der Pandemie, der Mangelwirtschaf t, der Digitalisierung und der Nachhaltigkeit neu definiert und zusammengefügt. Daraus leiten sich unmittelbar die folgenden 8 Controlling-Trends 2022 ab. Sorge vor Cyberangriffen Der russische Angrif fskrieg gegen die Ukraine wird von Cyberangrif fen begleitet. Die Auswirkungen sind auch in Deutschland zu spüren und die Menschen im Land sorgen sich vor einer Eskalation im digitalen Raum. Drei Viertel (75 Prozent) der Deutschen haben aktuell Angst vor einem Cyberkrieg gegen die Bundesrepublik, 20 Prozent befürchten, dass eine digitale Eskalation in einen konventionellen militärischen Konf likt münden könnte. Das ist das Ergebnis einer repräsentativen Umfrage im Auf trag des Digitalverbands Bitkom, für die mehr als 1.000 Personen ab 16 Jahren im März dieses Jahres telefonisch befragt wurden. „Die weit verbreiteten Sorgen vor einem Cyberkrieg gegen Deutschland müssen wir ernst nehmen“, sagt Bitkom-Hauptgeschäf tsführer Dr. Bernhard Rohleder. „Von den kritischen Infrastrukturen bis zu den PCs und Smartphones in den Haushalten müssen wir Deutschland widerstandsfähiger gegenüber Angrif fen von außen machen.“ THEMENFELDER UMFRAGE VERANSTALTUNGEN Auch in traditionellen Unternehmen werden die analogen Abläufe und Strukturen immer öf ter durch digitale Geschäf tsmodelle ersetzt. Damit diese Modelle nicht den Großteil ihrer Dynamik und ihres Potenzials verlieren, ist auch im Controlling eine Weiterentwicklung zwingend erforderlich. Wie die bewährten Controllinginstrumente an digitale Prozesse angepasst und neue Formen der Controllingarbeit etabliert werden können, zeigt dieses Buch. Ef fektive Steuerung in der digitalenWelt → Herausgeber: Reinhard Bleiber Controlling- Leadership Mindset Agile Controlling Objectives and Key Results Endlich wieder in Präsenz Die Jahreskongresse von ICV und RMA, deren Verbandszeitschrif t das Controller Magazin ist, können in diesem Jahr endlich wieder als Präsenzveranstaltungen stattfinden: ▶ 4 6. Congress der Controller unter demMotto: Knowledge for Tomorrow's Business – agil, digital, nachhaltig am 9./10. Mai 2022 in München Mehr Infos: www.icv-controlling.com ▶ 16. RMA-Jahreskonferenz unter demMotto: Von der Chancensicht in Krisenzeiten am 16./17. Mai 2022 in München Mehr Infos: www.rma-ev.org Controlling- Transformation Data Driven Performance Management Funktionscontrolling Supply Chain- Controlling Controlling- Instrumente Customer Lifetime Value Sustainability Controlling Product Life Cycle Assessment Digital Controlling Kosten-Nutzen-Analyse Controlling- Kompetenzen Kompetenzmodelle
8 Kostenrechnung für das digitale Zeitalter Die Veränderungen des Wettbewerbsumfelds („VUCA-Welt“) und insbesondere die Digitalisierung erfordern ein grundsätzliches Re-Design der Kostenrechnung. Jürgen Weber gibt in diesem Buch konkrete Unterstützung bei der Neuausrichtung des bewährten Controllinginstruments. Anhand von fundierten Konzepten, Fallstudien und einem detaillierten Einblick in die Praxis erläutert er die unterschiedlichen Facetten und zeigt Möglichkeiten, die Kostenrechnung zukunf tsfähig auszurichten. ← Autor: JürgenWeber EU Sustainability Reporting Standards (ESRS) Die EU-Kommission hat im April 2021 einen Vorschlag für eine deutliche Ausweitung der Nachhaltigkeitsberichterstattung vorgelegt. Diese bezieht sich sowohl auf die verpf lichteten Unternehmen als auch auf eine qualitative Verbesserung der Ausgestaltung der Berichterstattung durch die EU Sustainability Reporting Standards (ESRS). Vor wenigen Monaten hat die Arbeitsgruppe der EFRAG dazu die Arbeit aufgenommen und aktuell in bislang zwei Schüben Einblick in die Entwicklung gegeben. Im Überblickspapier zum 1. veröf fentlichten Satz von Arbeitspapieren werden die beabsichtigte Architektur und Struktur der Standards vorgestellt, die an jene der Global Reporting Initiative (GRI) erinnert. Anhang 1 listet alle aktuell geplanten zu entwickelnden Standards auf. In Anhang 2 wird auf die einzelnen bislang verfügbaren Arbeitspapiere verknüpf t. Die Entwürfe in den Arbeitspapieren decken 4 von insgesamt 5 übergreifenden Standards, 2 von insgesamt 6 geplanten konzeptionellen Leitlinien und den ESRS E1 Klimawandel ab. Am 18.2.2022 folgte dann der 2. Satz von Arbeitspapieren zu den ersten Standard- entwürfen zur Nachhaltigkeitsberichterstattung. Es wird ebenfalls lediglich der aktuelle Arbeitsstand der Standardsetzungsaktivitäten of fengelegt, die die Projektarbeitsgruppe nach dem von ihr selbst definierten Entwicklungsprozess durchführt. Eine konkrete Einbeziehung der Öf fentlichkeit mit Bitte um Rückmeldungen steht weiter aus. Im 2. Satz wird der Stand bei 3 Standards in Bezug auf Umweltthemen wiedergegeben: ESRS E2 Verschmutzung, ESRS E3 Wasser- und Meeresressourcen und ESRS E5 Kreislaufwirtschaf t. Damit ist nur noch ESRS E4 Biologische Vielfalt und Ökosysteme im Bereich Umwelt ausstehend. Erwartungen von CFOs Viele Unternehmen sind gestärkt aus der Pandemie hervorgegangen und konzentrieren sich wieder aufs Tagesgeschäft. Sie befinden sich auf dem Weg aus der Krise in das „New Normal“. Derzeit geben nur fünf Prozent der CFOs an, dass die wirtschaf tliche Lage auf niedrigerem Niveau sei als vor der Pandemie – im vergangenen Jahr sagten dies noch 39 Prozent. Doch Corona hat viele grundlegende Veränderungen angestoßen. Für den Finanzbereich haben sich zusätzliche Herausforderungen aufgetan: Ohne die Adressierung der Themen Nachhaltigkeit, Digitalisierung und Fachkräf temangel gelingt hier keine erfolgreiche Transformation. Das geht aus der CFO- Studie 2022 der Managementberatung Horváth hervor, für die 200 internationale Finanzverantwortliche zu Entwicklungen im Finanzbereich befragt wurden. Chief Data Officer imKommen In Anbetracht exponentiell wachsender Datenvolumina und des vermehrten Einzugs datenbezogener Themen in die Abläufe von Unternehmen steigt die Erwartungshaltung, die Wertpotenziale aus Unternehmensdaten auszuschöpfen und zu schützen. Unternehmen kommen damit in Zugzwang, eine rechenschaf tspflichtige C-Level-Rolle für die Arbeit mit ihren Unternehmensdaten einzuführen, die Rolle des Chief Data Officers (CDO). Laut der CDO-Studie von PwC und Strategy&, der globalen Strategieberatung von PwC, stieg die Anzahl der CDO-Ernennungen allein in den letzten zwei Jahren um 61 Prozent. Gleichzeitig wird deutlich, dass die Mehrheit der Unternehmen hier noch nicht auf Kurs ist: Nur 21 Prozent der 2.500 weltweit größten börsennotierten Unternehmen verfügen bereits über einen CDO. NACHHALTIGKEITSBERICHTERSTATTUNG STUDIE NEUE C-LEVEL-ROLLE
Controller Magazin _ Special 9 Ende März haben sich die relevanten europäischen Institutionen auf neue Regeln für die digitaleWelt geeinigt. Der Digital Markets Act (DMA) verbietet den großen Plattformunternehmen, den „Gatekeepern“, verschiedene Geschäf tspraktiken und schreibt ihnen andere vor. So dürfen etwa Daten der Nutzer von verschiedenen Diensten nicht mehr ohne explizite Einwilligung zu Werbezwecken kombiniert werden, und Messenger-Dienste auf diesen großen Plattformen müssen Kompatibilität zu anderen Messenger Diensten aufweisen. Prof. Achim Wambach, PhD, Präsident des ZEWMannheim, erklärt dazu: „Der DMA ist die Antwort Europas auf die beiden großen Defizite der wettbewerblichen Missbrauchskontrolle in der digitalen Welt: Verfahren dauern sehr lange, und Abhilfemaßnahmen, die am Ende solcher Missbrauchsverfahren stehen, sind zu wenig tref fsicher. Während der regelbasierte Ansatz der Europäischen Union die Verfahrensdauer reduziert, wird sich zeigen müssen, inwiefern die Maßnahmen ef fektiv und tref fsicher sind, um Wettbewerb auf den digitalen Märkten zu gewährleisten. Die Durchsetzung der Regeln wird daher entscheidend sein." NEU: BARC Guide Digital Finance & Controlling Das Analystenhaus BARC präsentiert die diesjährige Ausgabe des BARC Guide Digital Finance & Controlling. Er bietet Entscheidungsträger:innen alle Informationen, die sie für die erfolgreiche Digitalisierung ihres Finanz- und Controlling-Bereichs benötigen – von Erfahrungsberichten und Checklisten bis hin zu Expertentipps. Zusätzlich enthält er einen Überblick über mehr als 400 relevante Technologie- und Sof twareprodukte. Die Online-Version des Handbuchs ist kostenfrei als Download auf barc.de erhältlich. „Mitarbeiterinnen und Mitarbeiter im Finanzbereich und Controlling sehen sich vielen Herausforderungen gegenüber: Umfassende, dynamische und qualitativ hochwertige Planung, gute Analysen und transparente Prozesse sind nur mit den passenden Werkzeugen möglich. Der BARC Guide Digital Finance & Controlling gibt ein umfassendes Bild über die Unterstützungsmöglichkeiten und Potenziale für die Organisationen“, so Dr. Martin Böhn, Senior Analyst bei BARC, über die Neuveröf fentlichung. BARC GUIDE 2022 REGELN FÜR ONLINE-PLATTFORMEN SAVE THE DATE Fachtagung InformationManagement am13. Oktober 2022 inMünchen Die Digitalisierung verändert auch die Unternehmenssteuerung. Viele Routinetätigkeiten werden automatisiert, moderne Business Intelligence und AI-gestützte Analysewerkzeuge erzeugen neue Einsichten und sind die Basis für zukünf tigen unternehmerischen Erfolg. In Zeiten von Big Data kommt dabei dem professionellen Handling der Daten – von der Entstehung in der IT bis zur Übermittlung an das Management – eine Schlüsselrolle zu. Damit Unternehmen auf Dauer wettbewerbsfähig bleiben, braucht es dafür das richtige Know-howund die notwendigen Tools, umaus den Daten schnell die richtigen Entscheidungen abzuleiten. Die jährliche Fachtagung der CA controller akademie gibt Controllerinnen und Controllern Orientierung über die modernen Möglichkeiten der Wissensgewinnung und Informationsverarbeitung. Anmeldung unter: www.controllerakademie.de Digital Markets Act „Der DMA ist die Antwort Europas auf die beiden großen Defizite der wettbewerblichen Missbrauchskontrolle in der digitalenWelt.“
10 Deutscher Data-Analytics-Markt: Investitionsstau löst sich allmählich auf (PresseBox) Der Markt für Datenanalytik nimmt inzwischen auch in Deutschland Fahrt auf. Mehr und mehr Anwenderunternehmen legen die Zurückhaltung früherer Jahre ab und investieren in den Aufbau fortgeschrittener Analytik-Lösungen (engl. Advanced Analytics). Ziel ist es, fortgesetzt neue Erkenntnisse über das Verhalten der Kunden und die Abläufe in den Wertschöpfungsketten zu gewinnen. Dienstleister und Lösungsanbieter greifen die positive Marktentwicklung auf und weiten ihr Advanced-Analytics-Portfolio signifikant aus. Dies ist eines der zentralen Ergebnisse der beiden Anbietervergleiche, die das Marktforschungs- und Beratungsunternehmen Information Services Group (ISG) nun vorgelegt hat. Die Studien untersuchen das Knowhow und die Umsetzungsfähigkeiten von insgesamt 37-Anbietern, die auf dem deutschen Data-Analytics-Markt tätig sind. „In den vergangenen Jahren steckte der deutsche Analytics-Markt in einer Art Seitwärtsbewegung. Vor allem der Fachkräf temangel und die Verfügbarkeit analysierbarer Daten haben die Nachfrage lange Zeit stark ausgebremst“, konstatiert Heiko Henkes, Director & Principal Analyst bei der Information Services Group (ISG). „Vor dem Hintergrund der Pandemieerfahrungen hat nun jedoch ein Umdenken eingesetzt. So zum Beispiel im Lieferkettenmanagement, wo ein stark steigender Bedarf an Echtzeitinformation dazu beiträgt, dass die Nachfrage nach fortgeschrittenen Analytics-Lösungen spürbar anzieht.“ MEHR GELD FÜR ADVANCED ANALYTICS Stepstone Gehaltsreport StepStone und Gehalt.de haben gemeinsam erstmals den größten Gehaltsreport Deutschlands veröf fentlicht. Er basiert auf 600.000 aktuellen Gehaltsdaten und bietet einen detaillierten Überblick über die Gehaltschancen. Vier Faktoren spielen mit Blick auf die Top-Berufsbereiche auch 2022 eine entscheidende Rolle: Das sind ein hohes Maß an Verantwortung sowie ein hohes Maß an Fachwissen – auf Basis einer besonders umfangreichen und fundierten (akademischen) Ausbildung. Hinzu kommen die preistreibende, hohe Nachfrage am Arbeitsmarkt und in vielen Fällen die direkte Verbindung zu Verkauf und Finanzen. Auf Platz 1 des aktuellen Rankings kommen Ärzt:innen, gefolgt von Vertriebler:innen und Consultants. Aber auch die Finanz- expert:innen mit einem Mediangehalt von 43.175 Euro sind als Spezialisten in Sachen Geld selbst besonders gut platziert. Beschäftigte ohne akademische Ausbildung verdienen hier ammeisten. EINKOMMENSCHANCEN Transparenz schaf fen und Effizienz erhöhen Expert:innen beleuchten wichtige und zeitgemäße Ausprägungen des Funktionscontrollings, die sie anhand der Bereiche Human Resources, Einkauf und Logistik, Forschung und Entwicklung, Produktion sowie Marketing und Sales skizzieren undmit Beispielen verdeutlichen. Außerdem zeigt dieses Buch, wie funktionsübergreifende Themen mit den Schwerpunkten Prozesscontrolling und Prozessmanagement verankert werden können und wie Unternehmen von einer ganzheitlichen Steuerung der Geschäf ts- und Hauptprozesse profitieren. ← Herausgeber: Ronald Gleich
Controller Magazin _ Special 11 Change Management Bonn (bdu) – In einem Positionspapier „Entscheidung zur Selbstorganisation ist Sache von Chefin und Chef“ haben die auf Veränderungsprozesse spezialisierten Unternehmensberaterinnen und -berater des BDU die entscheidenden Erfolgsfaktoren zusammengestellt. Elf Empfehlungen, wie sich Stolpersteine bei der Umsetzung am besten vermeiden lassen, runden den kleinen Wegweiser der BDU-Beratenden ab. 1. Mit Bereichen und Teams in der Organisation beginnen, die wollen! 2. Am Anfang die Change-Story klären! 3. Einen geeigneten Rahmen für Selbstorganisation schaf fen! 4. Die Ausgangssituation reflektieren und berücksichtigen! 5. Agilität und Selbstorganisation zumMindset-Thema aller Beteiligten machen! 6. Genügend Zeit für Schulungen und Befähigungen einplanen! 7. Aufgaben und Rollen für wertvolle Mitarbeiterinnen und Mitarbeiter gestalten! 8. Schritt für Schritt vorgehen und als Führung präsent sein! 9. Die Entwicklung zur Selbstorganisation als Veränderungsprozess verstehen und gestalten! 10. Verstehen und berücksichtigen, dass Führung anspruchsvoller wird und sich an die veränderten Anforderungen anpassen muss! 11. Die Einführung selbstorganisierter Unternehmenseinheiten setzt Zeit zumÜben und Geduld voraus! CHECKLISTE BARC präsentiert 2 neue BARC Scores „Mit den BARC Scores wollen wir Unternehmen bei der Sof twareauswahl unterstützen. Auf einen Blick können so die relevanten Anbieter am Markt beurteilt werden“, erklärt Dr. Christian Fuchs, Senior Analyst Data & Analytics bei BARC. Der BARC Score Integrated Planning & Analytics richtet sich an Organisationen, die auf der Suche nach integrierten Lösungen für Planung, Budgetierung und Forecasting, aber auch Business Intelligence (BI) und Analytics sind. Strebt ein Unternehmen danach, seine Performance und Effizienz im Finanzbereich zu steigern, sollte es den BARC Score Financial Performance Management heranziehen. Dadurch erhält es einen Überblick über integrierte Lösungen für Finanzplanung, Konzernkonsolidierung und Finanzberichterstattung. Aus dem BARC Score für Integrated Planning & Analytics geht hervor, dass die Anbieter auf dem globalen Markt enger zusammenrücken. Der Markt wächst weiter und auch die Nachfrage auf Seiten der Anwender:innen ist hoch. Auch der Sof twaremarkt für Financial-Performance-Management-Werkzeuge ist hart umkämpf t, denn es gibt eine Vielzahl an Angeboten. „Digitalisierungsgrad“ der deutschen Bevölkerung Die Studie D21-Digital-Index misst seit 2013 jährlich in einer Kennzahl den Digitalisierungsgrad der deutschen Bevölkerung. Sie gibt Auskunf t darüber, wie gut einzelne Gruppen und die Gesellschaf t insgesamt mit den steigenden Anforderungen des digitalen Wandels Schritt halten. Der aktuelle Digital-Index liegt bei 63 von 100 Punkten (+3 Punkte im Vergleich zum Vorjahr). Das Bewusstsein für die Notwendigkeit digitaler Kompetenzen im Berufsleben steigt weiter an: 79 Prozent der Bürger:innen glauben, dass man ohne Grundkenntnisse der Digitalisierung kaum noch Chancen auf dem Arbeitsmarkt hat. Gleichzeitig denken nur 34 Prozent, dass Schulen ausreichende digitale Fähigkeiten vermitteln, um im internationalen Vergleich mithalten zu können. Insgesamt empfindet mehr als jede bzw. jeder Vierte (27 Prozent) ständigen Druck, mit den Entwicklungen der Digitalisierung Schritt halten zu müssen. Berufstätige stimmen hier deutlich häufiger zu als Nichtberufstätige (31 zu 20 Prozent), Teilzeitkräf te mit 35 Prozent noch häufiger. SOFTWAREAUSWAHL STUDIE
12 RATIONALITÄTSSICHERUNG Rationalitätssicherung als Kernaufgabe des Controllings Herausforderungen und Implikationen der Unternehmenssteuerung durch die Künstliche Intelligenz Angesichts des zahlenbasierten und analytischen Denkens wird die Sicherstellung rationaler Entscheidungen in der Unternehmensführung seit langem als Kernaufgabe des Controllings gesehen (Gänßlen et al 2013). Dabei wird insbesondere Methodenwissen als unabdingbare Voraussetzung gesehen (Schäf fer/ Weber 2016). Rationalitätssicherung als Kernaufgabe des Controllings Obwohl das Thema „Rational Decision Making“ seit langem diskutiert wird (Ariely 2010, Kahnemann et al. 2011), ergeben sich aktuell für die Unternehmen dramatisch neue Herausforderungen (Seufert 2020, Seufert 2021a). Einerseits stehen für die Unternehmenssteuerung völlig neue, sehr detaillierte Daten zur Verfügung, andererseits ermöglichen Verfahren der künstlichen Intelligenz und des maschinellen Lernens, diese Daten auch betriebswirtschaf tlich neu zu nutzen. Beispielsweise die Analyse auf verborgene, regelmäßige Muster und Abhängigkeiten, umMaßnahmen abzuleiten, Vorhersagen zu tref fen oder Simulationen durchzuführen (Seufert / von Künssberg / Treitz / von Daacke 2020, Seufert / Schwarzwälder / von Künssberg 2020, Seufert 2021b). Künstliche Intelligenz als neue Herausforderung Im Rahmen traditioneller Ansätze wird häufig versucht, manuell mittels deskriptiver Analysen Zusammenhänge zu identifizieren, darzustellen und diese zu interpretieren, um Handlungsempfehlungen für das Business abzuleiten. Aufgrund der Limitationen menschlicher
Controller Magazin _ Special 13 Informationsverarbeitungs- und Interpretationskapazität werden diese Daten häufig verdichtet oder auf ausgewählte Datenbereiche eingeschränkt. Künstliche Intelligenz und maschinelles Lernen basieren dagegen auf der algorithmischen Erkennung und Nutzbarmachung von Mustern in Datenbeständen und deren Abbildung in Modellen. Das häufig genannte Forecasting stellt dabei ein mögliches, aber bei weitem nicht das einzige Anwendungsfeld des maschinellen Lernens in der Unternehmenssteuerung dar. Einsatzbereiche können u.a. sein: ▶ Generelle Vorhersage von numerischen bzw. nicht numerischen Werten: z. B. für Absatzmengen, Kosten, Zuverlässigkeit von Lieferanten, Kaufwahrscheinlichkeiten… ▶ Identifikation von Auf fälligkeiten / Ausreißern: z. B.: für die Identifikation von Sonderef fekten, auf fälligen Mustern die auf Betrug hinweisen… ▶ Identifikation von Ähnlichkeiten / Gemeinsamkeiten: z. B. für das Erkennen ähnlichen Verhaltens von Kunden, Lieferanten, Mitarbeitern… ▶ Identifikation zeitlicher Abhängigkeiten: z. B. für das Erkennen zeitlicher Zusammenhänge von Aktivitäten wie Produktkäufe, Bestellverhalten… Da Verfahren des maschinellen Lernens auf Basis großer unverdichteter Datenräume erstellt werden können, eignen sie sich u.a. sehr gut für multivariate Ursache-Wirkungsmodelle, Vorhersagen, Simulationen sowie Prescriptive Analytics. Auf dieser Grundlage können die eigentlichen tieferliegenden Ursachen besser erkannt (Schrage/ Kion 2018b) und moderne Unternehmenssteuerungsmodelle umgesetzt werden (Schrage/ Kion 2018a). Implikationen für die Rationalitätssicherung Nach Aussagen der Gartner Group glauben 40 % der CEO`s dass künstliche Intelligenz einen wesentlichen Einfluss haben wird – 79 % befürchten allerdings eine verlangsamte Umsetzung aufgrund fehlenden Vertrauens (Schmitz 2021). Die Forschung zeigt, dass dabei insbesondere folgende Aspekte von zentraler Bedeutung für die Akzeptanz von künstlicher Intelligenz sind (Ribeiro 2013, Adadi/ Berrada 2018, Arriet et. al 2020, Lockey/ Gillespie/ Someh 2021): ▶ Wie kommt das Ergebnis zustande? (Explainability) ▶ Wie gut ist das Ergebnis? (Accuracy) ▶ Wie verlässlich ist das Ergebnis? (Reliability) An dieser Stelle sollen ausgewählte Handlungsfelder skizziert werden, die – angelehnt an das Konzept der Rationalitätssicherung – dazu beitragen können, das Vertrauen in künstliche Intelligenz zu verbessern. Hierbei kann zwischen Modellentwicklung und -evaluation sowie Modellverwendung unterschieden werden, siehe Abb. 1. Prof. Dr. Andreas Seufert lehrt an der Hochschule für Wirtschaf t und Gesellschaf t Ludwigshafen und ist dort Direktor des Business Innovation Labs. Darüber hinaus ist er Direktor des Steinbeis-Transfer-Institut Business Intelligence (IBI), Leiter des Fachkreises BI / Big Data und Controlling des Internationalen Controller Verein (ICV) sowie Ambassador Xing Controlling & Analytics. In dieser Rolle koordiniert er die „Controlling & Analytics | XING Ambassador Community“, mit über 44.000 Mitgliedern.
14 Modellentwicklung und -evaluation Transparente Datenprozesse Da im Bereich des maschinellen Lernens die Modelle nicht manuell erstellt, sondern auf Basis lernender Algorithmen dynamisch aus den Daten generiert werden, ist der „Datenraum“, innerhalb dessen die Algorithmen nach Mustern suchen, von zentraler Bedeutung. Für die Rationalitätssicherung und das Vertrauen in die späteren Modellergebnisse ist daher die Transparenz wie dieser „Datenraum“ zustande kommt unerlässlich. Moderne Sof twarelösungen ermöglichen dabei – wie Abb. 2 ausschnittsweise zeigt – die Darstellung des kompletten Datenf lusses. Auf diese Weise lässt sich transparent nachvollziehen, welche Variablen mit welchenWertebereichen einbezogen wurden und ob es Veränderungen in den Daten gab wie z. B. Neuberechnung von Feldern, Datentyp Konvertierungen oder Normalisierung der Daten, usw. Identifikation der wesentlichen Einfluss- faktoren/ Treiber Der sich ergebende „Datenraum“ kann anschließend einer ersten Bewertung unterzogen werden, inwieweit die einzelnen Variablen / Einflussfaktoren / Treiber / Feature für die Zielsetzung aus analytischer Sicht bedeutsam erscheinen. Abb. 3 zeigt – unter Verwendung des Random Forrest Algorithmus – exemplarisch die Bedeutung einer Eigenschaf t des Kunden auf die resultierendeWahrscheinlichkeit des Kreditausfalls. Der betrachtete Kunde hat eine Expense-to-Revenue Ratio von 0.14 im Vergleich zu einer durchschnittlichen Expense-to-Revenue Ratio von 0.72. Hätte der Kunde nicht eine solch niedrige Ratio, würde die Wahrscheinlichkeit des Kreditausfalls um 11.2% steigen. Neben der reinen Bedeutung der Einf lussfaktoren sollte aus Sicht der Unternehmenssteuerung auch berücksichtigt werden, inwieweit diese Treiber im Sinne der Gestaltung von Maßnahmen auch „actionable“, d. h. durch das Unternehmen beeinflussbar sind. Auswahl Machine Learning Algorithmus (incl. Parametereinstellungen) Aus dem erstellten Datenraum können in einem nächsten Schritt durch lernende Algorithmen Muster erkannt und nutzbar gemacht werden. Während der Analyse muss der Analyst viele Entscheidungen tref fen, dazu gehören unter anderem: Auswahl der Datenpunkte zum Lernen der Muster, Auswahl der Eigenschaf ten zum Lernen, Wahl des Qualitätsmaßes zur Evaluierung und die Wahl des Lernverfahrens. Für die Auswahl dieser Lernverfahren können – wiederum je nach Anwendungsfall – ganz unterschiedliche Entscheidungsparameter zugrundgelegt werden, beispielsweise: ▶ Verarbeitungsgeschwindigkeit ▶ Analytische Modellgüte ▶ Nachvollziehbarkeit des Modells Wie Abb. 4 anhand des oben genannten Beispielprozesses veranschaulicht, kann dabei die Güte der Vorhersage eines Kreditausfalls – je nach gewähltem Learner, dessen Parametereinstellungen und der zugrundeliegenden Variablen / Einf lussfaktoren sehr unterschiedlich ausfallen. Zusätzlich können die Wertebereiche je Variable von wesentlicher Bedeutung sein. Es ist deutlich sichtbar, dass mehr Spalten zu einer Steigerung der Güte führen. Dies zeigt eindrücklich, dass die vorhandenen Muster in 2-Dimensionen unsichtbar sind und erst für ein multivariates Verfahren sichtbar werden. Modellverwendung Für das Business Partnering ergeben sich je nach Use Case und Modell eine Reihe von Verwendungsmöglichkeiten. Exemplarisch können genannt werden: 1) Root-Cause-Analytics: Multivariate Ursache-Wirkungsmodelle, incl. der Abbildung nicht linearer Zusammenhänge und indirekter Ef fekte 2) Predictive Analytics: Vorhersagemöglichkeiten auf Basis dieser Ursache-Wirkungsmodelle 3) Simulation: Manuelle What-if Analysen durch Variation der Inputwerte 4) Prescriptive Analytics: Automatische How-to-achieve Analysen, wie sich ein bestimmtes Ziel erreichen lässt Verfahren des maschinellen Lernens ermöglichen damit neue Unternehmenssteuerungsansätze auf Basis neuartiger, großer unverdichteter Datenräume, die nicht durch die eingangs geschilderten Limitationen traditioneller Analytics beschränkt sind. Im Sinne der Rationalitätssicherung lassen sich damit u. a. auch bisherige „Gewissheiten“ hinterfragen, wie z. B.: ▶ Was sind eigentlich die wirklichen Performance Treiber (KPI`s) für bestimmte Aktivitäten? ▶ Welche Treiber sind wie wichtig? ▶ Wie stark sind die Wechselwirkungen zwischen einzelnen Treibern? ▶ … Abb. 1: Rationalitätssicherung imKontext Künstlicher Intelligenz Modellentwicklung und -evaluation Modellverwendung Transparente Datenprozesse Simulation Root-Cause Prescription Prediction Auswahl ML Algorithmus Identifikation Einflussfaktoren/ Treiber Rationalitätssicherung
Abb. 2: Transparente Datenprozesse (Beispiel in der Sof tware RapidMiner) Abb. 3: Identifikation der wesentlichen Einflussfaktoren/ Treiber durch Shapley-Values für einen Kunden. Negative Zahlen bedeuten eine Steigerung der Ausfallwahrscheinlichkeit, positive eine reduzierte Ausfallwahrscheinlichkeit. Abb. 4: Einfluss der gewählten Kriterien auf die Performance desModells. Die besten Einflussfaktorenwurdenmittels desMRMR-Algorithmus ausgewählt. Rang Einflussfaktor/Treiber Importance Wert aktueller Kunde Durchschnittswert aller Kunden 1 Expense to Revenue Ratio -11,22% 0,14 0,73 2 Net Profit Margin -3,53% 0,05 0,07 3 Liability to Equity -1,64% 0,05 0,12 4 Working Capital Requirement -1,03% 32,54 36,76 5 Short TermDebt to Sales Ratio -0,48% 1,42 2,12 6 Debt to Capital Ratio -0,47% 0,13 0,11 7 Interest Coverage Ratio -0,36% 1,28 0,80 8 Net Debt to Equity Ratio -0,25% 0,23 0,25 9 Long TermDebt to Tangible Asset -0,25% 1,05 0,70 10 Return on Equity -0,17% 0,04 0,16 11 Debt Cash Flow Coverage Ratio -0,15% 0,78 1,44 12 Fixed Asset to Debt Ratio -0,15% 1,13 1,70 13 Long TermDebt to Asset -0,13% 1,29 1,63 14 Return on Invested Capital -0,07% 0,13 0,25 15 Gross Profit Margin 0,06% 0,02 0,17 16 Long Term Financing of Working Capital 0,08% 0,30 3,90 Learner Anzahl der gewählten Einflussfaktoren Accuracy Mittelwert Random Forrest 1 74,90% Random Forrest 2 82,60% Random Forrest 5 85,10% Random Forrest 10 86,90% Random Forrest 15 84,60% Random Forrest 19 94,60% Die Darstellung des kompletten Datenflusses Anwendungsbeispiel: Wahrscheinlichkeit eines Kreditausfalls Güte der Vorhersage
16 Die Einsatzbereiche derartiger Modelle sind dabei – wie oben dargestellt – außerordentlich vielfältig. Entscheidend ist jedoch, dass sich sowohl der zugrundeliegende Datenprozess, die Modellparameter und Ergebnisse transparent darstellen und damit für den Business User besser verständlich und nutzbar machen lassen. Durch den Einzug von künstlicher Intelligenz in die Unternehmenssteuerung ergeben sich daraus neue Möglichkeiten, um die Rationalität von Entscheidungen in der Unternehmenssteuerung zu unterstützen. Methodenwissen als Voraussetzung der Rationalitätssicherung Rationalitätssicherung heißt u. E. nicht nur Erschließen neuer inhaltlicher Anwendungsbereiche, sondern auch das kritische Hinterfragen tradierter Methoden und Herangehensweisen in der Unternehmenssteuerung. Für ein modernes Controlling ergeben sich i. S. des Business Partnering und der Rationalitätssicherung daraus neue Chancen, aber auch völlig neue Herausforderungen. Die Auseinandersetzung mit den Möglichkeiten von Künstlicher Intelligenz kann sich dabei nicht auf das reine Konsumieren von Ergebnissen der Künstlichen Intelligenz beschränken. Einerseits könnten sonst die Einsatzmöglichkeiten von KI i. S. des Business Partnering nicht eingeschätzt werden. Andererseits könnte das Controlling die Aufgabe der Rationalitätssicherung nicht übernehmen, da die oben dargestellten Schritte in den Bereichen Modellentwicklung und Modellverwendung zu völlig unterschiedlichen Ergebnissen und damit betriebswirtschaf tlichen Empfehlungen führen. Erforderlich ist daher der Aufbau eines entsprechenden Methodenwissens, um Rationalitätssicherung der Unternehmensführung auch in Zeiten von Künstlicher Intelligenz als zentrales Aufgabengebiet des Controllings vorantreiben zu können. f Dr. Martin Schmitz ist RapidMiners Director of Technical Services und verfügt über langjährige Erfahrungen in zahlreichen internationalen Kundenprojekten. Er ist Mitglied verschiedener interdisziplinärer Research Center und promovierte in Physik an der TU Dortmund University. Kurzporträt: ICV Fachkreis BI/Big Data und Controlling Der Fachkreis BI / Big Data und Controlling setzt sich aus Anwendern und Anbietern renommierter Unternehmen sowie Wissenschaftlern zusammen. Strategischer Partner des Fachkreises sind das Institut für Business Intelligence (IBI) sowie das Business Innovation Lab der Hochschule Ludwigshafen. Mit seiner Arbeit möchte der Fachkreis regelmäßig über Trends und neue Entwicklungen informieren sowie Anstöße und Ideen für eine innovative Weiterentwicklung des Controllings geben. Im Rahmen seiner Digitalisierungsinitiative bietet der Fachkreis in Kooperation mit der XING Ambassador Gruppe Controlling & Analytics zahlreiche Veranstaltungen undWeiterbildungsmöglichkeiten an. Adadi / Berrada: Peeking inside the black-box. A survey on Explainable Artificial Intelligence (XAI), IEEE Access, 6, 2018, S. 52138-52160. Ariely: Predictability Irrational, Revised; The Hidden Forces that Shae our Decision, Harper 2010. Arriet et. al.: Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. In: Information Fusion 58 (2020) 82–115. Gänßlen / Losbichler / Niedermayr / Rieder / Schäf fer / Weber: Die Kernelemente des Controllings: das Verständnis von ICV und IGC. Controlling &Management Review (3) 2013, S. 56-61. Kahneman / Lovallo / Sibony: Before youmake that big decision, Harvard Business Review (6) 2011, S. 50-60. Lockey / Gillespie / Someh: A Review of Trust in Artificial Intelligence: Challenges, Vulnerabilities and Future Directions, Proceedings of the 54th Hawaii International Conference on System Sciences, 2021, S. 5463-5471. Ribeiro et al.: Why should I trust you? explaining the predictions of any classifier. Proceedings of the 22nd ACMSIGKDD International Conference on Knowledge Discovery and DataMining, 2013, S. 1135-1144. Schäf fer / Weber: Wirklich rational entscheiden – Die nächste Herausforderung für das Controlling. In: Controller Magazin, März / April 2016, S. 8-13. Schmitz: Explainabilty Explained: A human`s Guide to Building Trust in Data Science, 2021, Rapidminer. Schrage / Kion: Leading with Next-Generation Key Performance Indicators, MIT 2018. Schrage / Kion: Understand the Real Keys to Ef fective KPIs, MIT Research Brief, 2018. Seufert / Schwarzwälder / von Künssberg: Auswirkungen der digitalen Transformation-Neupositionierung des Controllings amBeispiel der BASF SE. In: Gleich. R. (Hrsg.): Controlling Challenge 2025, Haufe 2020. Seufert / von Künssberg / Treitz / von Daacke: Die Digitalisierungslücke – Digitale Transformation zwischenWunsch undWirklichkeit. In: Controller Magazin 2020 – November/ Dezember, S.68-73. Seufert: Die Kennzahlen-Illusion –Wunsch undWirklichkeit traditioneller KPIs. In: Seufert (Hrsg.) df&c –Magazin für #Digital #Finance #Controlling, Schwerpunkt Digital Controlling Competence. Hef t 2-2021, Steinbeis Edition, Stuttgart 2021 Seufert: Digitale Transformation der Unternehmenssteuerung – Herausforderungen und Potentiale von BI, Big Data, AI und Cloud – Studienergebnisse 2020. Steinbeis Edition, Stuttgart 2020. Seufert: Tagungsband | Digital Finance & Controlling 2021: Die Digitale Transformation der Unternehmenssteuerung erfolgreich gestalten - Herausforderungen und Potenziale von Business Intelligence, AI und Advanced Analytics, Stuttgart 2021
Controller Magazin _ Special 17 PREDICTIVE ANALYTICS Predictive Analytics im Praxistest Simon Rossi ist Produktionscontroller bei der Mila Bergmilch Südtirol. Er untersucht Daten der Fertigung und wertet diese anhand wissenschaf tlicher Methoden für die Unternehmenssteuerung aus. Predictive Analytics ist seit Langem fester Bestandteil in Fachartikeln und Diskussionen rund um ein modernes Controlling. Dennoch stellen wir in den Seminaren und Beratungsprojekten der CA controller akademie immer wieder fest, dass viele Organisationen noch am Anfang dieser Entwicklung stehen. Dabei schwingt vor allem viel Unsicherheit mit, wie man sich dem Thema am besten nähert und was mögliche und sinnvolle Anwendungsgebiete (sogenannte Use Cases) im eigenen Unternehmen sein könnten. Predictive Analytics Community Aus diesem Grund haben wir im vergangenen Jahr eine CA Predictive Analytics Community ins Leben gerufen, die in der Zwischenzeit mehr als 220 Teilnehmende aus unterschiedlichsten Branchen und Unternehmensgrößen umfasst. Wir bieten eine kostenfreie Plattform, auf der die Community-Mitglieder von Best Practices, Erfahrungen und dem Wissen aller lernen können und miteinander ins Gespräch kommen. Einige der Mitglieder haben bereits umfangreiche Erfahrungen mit der Einführung und Nutzung von Predictive Analytics gesammelt, während andere noch am Anfang stehen und zunächst an der Vorgehensweise und tiefergehendem Wissen interessiert sind. Im vergangenen Jahr haben bereits 4 Online-Events stattgefunden, in denen die CA controller akademie ebenso wie die Community-Mitglieder spannende Vorträge gehalten und wertvolle Diskussionen miteinander geführt haben. In diesem Jahr sind 3 weitere Online-Termine und eine Präsenzveranstaltung in Hamburg geplant. Praxisbeispiel aus der Lebensmittel- industrie Eines der praktischen Anwendungsbeispiele aus der Community stellt an dieser Stelle Simon Rossi vor, bei dem es um die Einführung von Predictive Analytics im Produktions-Controlling der Mila Bergmilch Südtirol geht. Mit dem Aufbau eines Vorhersagemodells für die Nachfrage nach Joghurt ist es ihm gelungen, die Produktionsplanung hinsichtlich der notwendigen Rohstof fe als auch der benötigten Fertigungskapazitäten zu optimieren und somit Engpässe zu vermeiden. Der automatisierte Forecast auf Basis eines ARIMA-Modells liefert in diesem Fall eine Forecast-Qualität mit einer Abweichung von nur +/- 2%.
18 Decomposition Forecast ARIMA –Modell Abb. 1: Grafische Darstellung der Zerlegung der Zeitreihe in ihre Bestandteile Abb. 2: Ursprüngliche Zeit- reihe (grau) mitmaschinellem Forecast (blau) Thomas Sauer ist Senior Manager bei CA Consulting und unterstützt Unternehmen verschiedenster Branchen und Größen bei Projekten rund um Unternehmenssteuerung und Controlling. Zeitreihenanalyse mit der Statistiksof tware R In fast jedemUnternehmen kann man eine der schönsten Erscheinungsformen der Datenwelt finden: die Zeitreihe. Unter einer Zeitreihe kann man sich Datenpunkte oder Ereignisse vorstellen, die in regelmäßigen Abständen über einen bestimmten Zeitraum auf treten. Beispiele dafür sind Börsenkurse, Umsätze, Wetterbeobachtungen oder auch Fertigungsmengen. Zeitreihen liefern Informationen über Trends, Saisonalitäten und Abhängigkeiten. Darüber hinaus besteht die Möglichkeit, auf Basis von Zeitreihenanalysen ein Prognosemodell zu erstellen. Anhand des Praxisbeispiels aus der Joghurtproduktion lässt sich die Zeitreihenanalyse anschaulich darstellen. Als Basis für die Analyse wurden die wöchentlich produzierten Joghurtmengen über die letzten 5 Jahre herangezogen. Mit dem daraus erstellten Modell soll die notwendige Fertigungsmenge bis Ende des laufenden Jahres vorhergesagt werden. Die Datenaufbereitung und die finale Modellierung erfolgten mit der Statistiksof tware R. Wenn es um die Beschreibung und Analyse von Zeitreihen geht kommt man an sogenannten ARIMA-Modellen nicht vorbei. Die Abkürzung steht für Auto-Regressive Integrated Moving Average. Dabei handelt es sich um eine Fortführung des ARMA-Modells. Das ARIMA-Modell wird zusätzlich zum autoregressiven Teil und dem gleitenden Mittelwertbeitrag um die Dif ferenzierung und Integration zur Trendbeseitigung und Herstellung der Stationarität erweitert. Eine Zeitreihe ist stationär, wenn sie zu jeder Zeit den gleichen Mittelwert und die gleiche Varianz aufweist. Saisonale Ef fekte und Trends sind demnach nicht zu erkennen. Leider ist solch eine Begebenheit
Danny Szajnowicz ist Partner der CA Akademie AG und verantwortet den Bereich CA Consulting. Er verfügt über umfangreiche Erfahrung in der Durchführung und Leitung von Projekten in den Bereichen Strategieentwicklung, Unternehmenssteuerung/ Controlling, Organisationsentwicklung und Prozessoptimierung. in der Realität eher selten, denn ständig stoßen wir auf Beobachtungen, die klaren Trends und Saisonalitäten folgen. Der erste Schritt beinhaltet die Zerlegung der Zeitreihe, um deren Eigenschaf ten zu analysieren. Mittels einer speziellen Methode (Decomposition) können wir diesen Schritt grafisch abbilden, siehe Abb. 1. Die Zeitreihe wird zunächst in ihre Bestandteile zerlegt. Die Grafik zeigt dabei von oben nach unten: 1) Originale Datenpunkte 2) Trend 3) Saisonalität 4) White Noise Punkte (Datenpunkte, die weder einem Trend noch einer Saisonalität zugeordnet werden können) Wie zuvor angedeutet, ist die Voraussetzung für die Modellierung von Zeitreihen deren Stationarität; Im vorliegenden Beispiel ist dies leider nicht der Fall. Genau aus diesem Grund sind ARIMA-Modelle die passende Lösung, denn sie ermöglichen die Modellierung unregelmäßiger Zeitreihen. Trend und Nicht-Stationarität werden vom Algorithmus anhand statistischer Methoden (Transformation) sofort erkannt und im Modell mitberücksichtigt, wobei Mittelwert und Varianz über den Zeitraum stabilisiert werden. Dies erfolgt entweder durch Logarithmieren oder Bildung der First-Order-Dif ference, d.h. man bildet die Dif ferenz von Periode zu Periode (hier Woche zuWoche). Mit Hilfe eines Correlograms kann man visuell herauszufinden, ob ein Auto Regressive (AR) oder ein Moving Average (MA)-Prozess vorliegt. Stellt man beispielsweise eine Autokorrelation über mehrere vergangene Datenpunkte fest (sog. „LAGS“), dann sprechen wir von einem autoregressiven Prozess, der Abhängigkeiten über die gesamte Zeitreihe berücksichtigen sollte. Sind die Abhängigkeiten jedoch nur für eine kurze Dauer zu beobachten, handelt es sich eher um ein MA-Prozess. Nach erfolgter Analyse der Zeitreiheneigenschaf ten können wir das finale Modell laufen lassen, um Schätzungen und Validierungen vornehmen zu können, siehe Abb. 2. Zu sehen ist die ursprüngliche Zeitreihe mit einem maschinellen Forecast in blau. Die grauen Bereiche definieren die Konfidenzintervalle. Sie stellen einen statistisch berechneten Bereich dar, mit dem man besser einschätzen kann, wo der wahre Mittelwert des vorhergesagten Datenpunktes liegt. Der Forecast lässt sofort erkennen, wie das Modell den Trend und die Saisonalität mitberücksichtigt hat. Wichtig ist jetzt, noch das Modell zu validieren. Dies erfolgt durch die genauere Analyse der sogenannten Residuen oder Abweichungen. Die wichtigsten Punkte sind dabei dessen Stationarität und Normalverteilung. Hier gibt es im Statistikprogramm R eine entsprechende Funktion, die die Analyse grafisch aufbereitet. Das Vorhersagemodell ist nun aufgebaut. Zu guter Letzt ist die Qualität des Modells zu testen, indem die vorhergesagten Werte mit den tatsächlich eingetretenen Werten verglichen werden (sogenanntes Backtesting). Im präsentierten Beispiel betrug die durchschnittliche Abweichung ca. +/- 2%. Dies stellt ein sehr gutes Ergebnis dar, mit demman exzellent arbeiten kann. Abschließend noch zwei Hinweise: Je mehr Datenpunkte zur Verfügung stehen, desto besser kann der Algorithmus arbeiten. Als Faustregel ist von mindestens 50 Datenpunkten auszugehen. ImModell kann der Parameter des vorhergesagten Zeitraums manuell definiert werden (in Beispiel sind es 20 Wochen). Je höher dieser Wert ist, desto ungenauer wird die Vorhersage. Man kann das mit einer Wettervorhersage vergleichen. Wie das Wetter in den nächsten 3 Tagen aussehen wird ist recht gut prognostizierbar. Eine Vorhersage der nächsten 2 Wochen hingegen ist ziemlich schwierig. f Predictive Analytics Community Nächste Termine 13.05.2022: V orgehen und Erfahrungen bei der Einführung von Predictive Analytics bei bofrost 07.07.2022: P räsenztermin in Hamburg mit Erfahrungsaustausch 16.09.2022: E xcelbasierte Prognose von Marktparametern 18.11.2022: Risikomanagement mit „R“ www.controllerakademie.de/ predictive-analytics/ „Impräsentierten Beispiel betrug die durchschnittliche Abweichung ca. +/- 2%. Dies stellt ein sehr gutes Ergebnis dar, mit dem man exzellent arbeiten kann.”
RkJQdWJsaXNoZXIy Mjc4MQ==