Controller Magazin | Special | 2024 25 massiv steigern und trotzdem fundiert(er)e Entscheidungen ermöglichen sowie präzisere Trendprognosen liefern. AI- und ML- Technologien analysieren große Datenmengen, um Muster und Trends zu erkennen, die menschlichen Analysten verborgen bleiben könnten, und verbessern so das Verständnis über Geschäftsabläufe, Kundenverhalten und Marktveränderungen. Einige Unternehmen nutzen AI bereits für die Ressourcen- planung, die Budgetierung und das Risikomanagement, und versuchen damit zukünftige Nachfragen und potenzielle Risiken besser vorherzusagen.10 3 Controlling-relevante Beispiele Damit entlasten automatisierte AI-Tools die Planer von routinemäßigen, oft zeitaufwedi- gen Aufgaben wie Datensammlung, Analyse und Berichterstattung. Diese können sich auf höherwertige strategische Aufgaben fokussieren. Zusätzlich unterstützen AI-Tools Entscheidungsträger, indem sie für die Strategiefindung datenbasierte Empfehlungen liefern, Szenarien simulieren und Entscheidungsauswirkungen für optimale Strategien bewerten. Dazu 3 Controlling-relevante Beispiele: 1. Ein österreichisches, global agierendes Industrieunternehmen setzt im Budgetprozess „Budget vorbereiten: Strategische Planung top-down“ generative AI (hier: ChatGPT4) für die Wettbewerberanalyse durch menschliche Experten ein und reduziert dadurch den Aufwand der Analysten für diese Aufgabe um den Faktor 40. Danach werden mit einem weiteren AI-Tool die Daten entsprechend den Formatvorgaben zu standardisierten Dokumenten für die Weiter- verwendung im Budgetprozess umgewandelt. Ergebnis: deutlich höhere Effizienz bei gleichbleibend eingeschätzter Qualität. 2. Speziell in der Umsatzplanung im Budgetprozess „Budget durchführen: Operative Pla-nung Bottom-up“ bzw. im Forecasting sind präzise Umsatzprognosen entscheidend – nicht nur für die Zuverlässigkeit von Plänen und Forecasts, sondern auch für die Vermeidung von Kundenunzufriedenheit und negativen Auswirkungen auf den Unternehmensruf, die durch unzureichende Lagerbestände oder Fehleinschätzungen der Nachfrage entstehen können. Lange Zeit be- schränkte sich die Umsatzprognose auf klassische statistische Methoden, die jedoch Limitationen aufweisen und spezifisches Fachwissen erfordern, das nicht in jedem Unternehmen vorhanden ist. Hier gewinnen nun ML-Prognosemethoden an Bedeutung.11 In einem Projekt am Institut Industrial Management der FH Joanneum in Kapfenberg wurden anhand von Auto-ML verschiedene AI-Modelle für die Zeitreihenprognose erstellt12, um die Absatzmengen von Backwaren (möglich bis auf Produktebene) einer Bäckerei-Kette vorherzusagen. Ergebnis: Die AI erzielte hierbei deutlich bessere Vorhersagen als lineare, klassische statistische Methoden, wie ARIMA/SARIMA (siehe Abb. 3). 3. In einer weiteren Studie wurden Umsatzprognosen für ein Unternehmen im Getreidehandel erstellt. Ergebnis: Dabei konnten mit hoher Präzision Verkaufsvolumen, Umsätze und Preise vorhergesagt werden. Abb. 3: Dual-Lift-Diagramm für Absatzprognose mit AI/ML (gelb) vs. ARIMA (türkis) & IST (schwarz) Zero-Inflated eXtreme Gradient Boosted Trees Regressor with Early Stopping (Poisson Loss) (Fast Feature Binning) Per Series seasonal AUTOARIMA (M229) Actual Frequency 0 500 1 2 3 4 5 6 7 8 9 1011121314151617181920 0 Target (Menge_Verkauf (actual)) 10 20 30 40 50 60 70 80 90 100 110
RkJQdWJsaXNoZXIy Mjc4MQ==