28 Die Erstellung von Prognosen unter Anwendung des Tools erfolgt in folgenden übergeordneten Schritten: 1. Historische Daten der Prognosevariable und ggf. zu berücksichtigende Treiberdaten hochladen, Prognosezeitraum auswählen; vorausgesetzt wird dabei eine Qualitätssicherung der Daten bereits im Vorfeld. 2. Treiber auswählen, die in der Prognose berücksichtigt werden sollen; eventuelle Zusammenhänge zwischen mehreren Treibern (bspw. Korrelationen) identifizieren und analysieren (Abb. 1), ggf. Rückschlüsse daraus ziehen; Prognosewerte der Treiber eingeben, sofern diese in Datensätzen nicht vorhanden sind. 3. Anzuwendende mathematisch-statistische Methoden wählen. 4. Prognose berechnen lassen. 5. Ergebnisse sichten und analysieren, bspw. anhand von Gütekriterien. Dies ist im Prinzip ein iterativer Prozess mit Lerneffekten für den Anwender. Es sind diverse Auswahlentscheidungen zu treffen, die zu unterschiedlichen Ergebnisqualitäten führen werden. Langfristig betrachtet ist von Veränderungen der optimalen Auswahlentscheidungen auszugehen. Auch dies erfordert ein stetiges Beobachten und Reflektieren. Im Folgenden werden einige Funktionalitäten exemplarisch beschrieben. Prognoseergebnisse variieren mit der Methodenwahl. Das ReComTrans-Tool ist in der Lage, die unterschiedlichen Ergebnisse verschiedener Methoden in einem Diagramm zu visualisieren und – in der Trainings- und Evaluierungsphase – den ggf. vorhandenen Ist-Daten gegenüberzustellen (Abb. 2). Somit wird vom Tool jenseits von Gütekriterien in Form von interpretationsbedürftigen Kennzahlen bereits optisch intuitiv verständlich sichtbar gemacht, welche der Methoden besonders treffsichere Ergebnisse liefern. Für das Businessdomänenwissen und die Ableitung von Marketingmaßnahmen sind Kenntnisse der Einflussfaktoren hilfreich, die sog. Feature Importance: in welchem Ausmaß beeinflussen die einzelnen Treiber in komplexen, interdependenten Wirkungsgefügen jeweils isoliert betrachtet die abhängige Variable? Das ReComTrans-Tool erlaubt die differenzierte Bewertung und graphische Betrachtung von Parametern und Treibern. Wenn ein Geschäftsfeld saisonalen Schwankungen unterliegt (bspw. Tourismus und Verkehr, Baubranche, Energiewirtschaft), ergeben sich Zeitreihen mit zyklischen Mustern. Dabei überlagern sich mehrere Effekte, bspw. der saisonale Einfluss im engeren Sinn, langfristige Trends (bspw. globale Marktentwicklung), nicht erklärbare zufällige und sonstige Einflüsse (bspw. Schocks wie Corona). Für die Unternehmenssteuerung (Lagerhaltung, Preispolitik, Planung und Disposition etc.) aber natürlich auch das Controlling an sich hat es Vorteile, wenn diese Effekte differenziert und isoliert bemessen werden können, sowohl in der Vergangenheit als auch in der Prognose. Im ReComTrans-Tool können Zeitreihen in ihre Einzelbestandteile zerlegt und visualisiert werden (Abb. 3). Der Softwaremarkt für BI-Anwendungen entwickelt sich stetig weiter. Funktionalitäten, die unter dem Begriff Predictive Analytics zusammengefasst werden können, erhalten immer häufiger Einzug in die gängigen Softwareprodukte gewerblicher Anbieter. Unsere Projekte haben gezeigt, dass zahlreiche Unternehmen diesen Entwicklungsschritt von der klassischen BI zu Advanced Analytics jedoch in der Praxis noch nicht realisiert haben. Insofern bietet das ReComTrans-Tool vielleicht auch eine unverfängliche und risikolose Testmöglichkeit für Controller - um nicht zu sagen: Appetitanregung - wie sich die aus Data Science ergebenden Potenziale erschließen lassen. Es wird ebenso deutlich, welche Voraussetzungen an eine zuverlässige Modellierung und Anwendung geknüpft sind (bspw. Datenqualität, Methodenkenntnisse). Wissenschaftliche Mitarbeiterin in den Projekten ReComMeND und ReComTrans an der Hochschule für Wirtschaft und Recht. Zuvor studierte sie Mathematik (Dipl.) mit Schwerpunkt Dynamische Systeme an der Humboldt Universität zu Berlin. sandra.spiegelberg@gmail.com lehrt Betriebswirtschaftslehre der öffentlichen Verwaltung mit dem Schwerpunkt Controlling an der HWR Berlin. Er leitet den betriebswirtschaftlichen Part der Forschungsprojekte ReComMeND und ReComTrans. robert.knappe@hwr-berlin.de Abb. 1: Korrelationsmatrix für sechs exemplarische Treiber (rot = positive Korrelation, dunkelblau = negative, weiß = nicht korreliert). (Quelle: Projekt ReComTrans) Korrelationsmatrix für sechs exemplarische Treiber rain rain snow temp mean Bevölkerungsstand Saturdays Corona snow temp mean Bevölkerungsstand Saturdays Corona -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 Prof. Dr. Robert Knappe Sandra Spiegelberg
RkJQdWJsaXNoZXIy Mjc4MQ==