Im Zusammenhang mit grossen Datenmengen und Planungsprozessen wird oft der Begriff Predictive Analytics genannt. Mittels dieser Methode machen Unternehmen basierend auf Datenmodellen Vorhersagen, wie sich die Zukunft entwickeln k\u00f6nnte. Im Rahmen der Planung und Budgetierung bietet Predictive Analytics den Unternehmen damit eine M\u00f6glichkeit, auf die obenstehenden Herausforderungen der Planungs- und Budgetierungsprozesse zu reagieren. Dank Predictive Analytics Modellen k\u00f6nnen die Verantwortlichen die Planungsprozesse grossmehrheitlich automatisieren und damit ihre wertvollen Ressourcen schonen. Der verk\u00fcrzte Prozess bringt zudem die M\u00f6glichkeit, die Vorhersage \u00abauf Knopfdruck\u00bb zu aktualisieren und so das dynamische Unternehmensumfeld in die Planung miteinzubeziehen. Nicht zuletzt aufgrund dieser M\u00f6glichkeit sind die datenbasierten Prognosen oftmals akkurater als die Vorhersagen der traditionellen Planungsmethoden. Doch was gibt es bei der Anwendung solcher Predictive Analytics Modellen zu beachten? Inwiefern hat dieses innovative Verfahren das Potenzial, die Planungs- und Budgetierungsprozesse in den Unternehmen effizienter und effektiver zu machen? Auf diese und weitere interessante Fragen wird die folgende Reportage eingehen. <\/p>\n\n\n\n
Warum ist die Budgetierung so <\/strong>kostspielig?<\/strong> <\/strong><\/p>\n\n\n\n Miriam Hirs arbeitet als Senior Manager im Bereich Finance Transformation bei Deloitte und kennt die Herausforderungen der Planungs- und Budgetierungsprozesse gut. Sie meint, dass der Prozess der Budgetierung von der Planung bis zur Genehmigung vier bis sechs Monate dauert. Der Budgetierungsprozess startet bei vielen Unternehmen im Juni und endet im November mit der Kommunikation des definitiven Budgets f\u00fcr das kommende Jahr. Ein grosser Treiber f\u00fcr den hohen Planungsaufwand sind die mehrheitlich manuellen Prozessschritte. <\/p>\n\n\n\n “Der st\u00e4rkste Treiber des Zeit- und Ressourcenaufwands der herk\u00f6mmlichen Budgetierung ist der steigende Detaillierungsgrad.”<\/p>\nMiriam Hirs, Manager bei Deloitte<\/cite><\/blockquote>\n\n\n\n Mit einem detaillierteren Budget steigt nicht nur der Planungsaufwand, sondern auch der Aufwand der Berichterstattung und der Abweichungsanalyse. Planungsabweichungen zu analysieren geh\u00f6rt zum Berufsalltag eines Controllers. Die Zukunft ist kaum vorhersehbar und Menschen entscheiden selten rational im \u00f6konomischen Sinne (Interview, 2. Mai 2019). Ebenso werden die Lebenszyklen von Absatzm\u00e4rkten und Produkten immer k\u00fcrzer. Zumeist passen die Unternehmen die Budgets aber nur w\u00e4hrend der j\u00e4hrlichen Planungsprozesse an und ber\u00fccksichtigen daher unterj\u00e4hrige Ver\u00e4nderungen nicht (Schwering, 2016, S. 22). <\/p>\n\n\n\n Effizientere und effektivere Planungsprozesse dank Predictive Analytics <\/strong><\/p>\n\n\n\n Das explosionsartig steigende Datenvolumen und die technologischen Fortschritte er\u00f6ffnen den Unternehmen die Chance, die ressourcenintensiven Controlling-T\u00e4tigkeiten, insbesondere im Bereich Planung und Budgetierung, zu automatisieren. Mit Hilfe von Predictive Analytics k\u00f6nnen die Unternehmen die Planungsprozesse einfacher, effizienter und effektiver gestalten. So bietet Predictive Analytics die M\u00f6glichkeit, Wirkungszusammenh\u00e4nge aufzuzeigen. Der Nutzen von Predictive Analytics liegt in den optimierten Vorhersagen sowie im Denken von Szenarien. Dabei k\u00f6nnen die Unternehmen ihre operative Planung und Ziele besser mit der strategischen Planung abstimmen. Durch das Einsetzen von Predictive Analytics ber\u00fccksichtigen die Unternehmen die strategischen Zielvorgaben, historische Erfahrungswerte sowie externe Einflussfaktoren beim Erstellen der Budgets und Forecasts (Caviezel, 2018, S. 15\u201316). <\/p>\n\n\n\n Ulrich Egle vom Institut f\u00fcr Finanzdienstleistungen der Hochschule Luzern h\u00e4lt fest, dass die Automatisierung der ressourcenintensiven T\u00e4tigkeiten die Aufw\u00e4nde der Planungs- und Prognoseprozessen reduziert. Ebenso f\u00fchrt das Automatisieren zu einer Verk\u00fcrzung der Budgeterstellungsperioden. Dies wiederum erh\u00f6ht die G\u00fcte der Budgets und der Forecasts, da die Prognoseperioden zeitlich enger mit den Planungserstellungsperioden zusammenfallen (Interview, 26. April 2019). Durch die verk\u00fcrzten Intervalle k\u00f6nnen die Prognosen regelm\u00e4ssig auf die gegenw\u00e4rtige Gesch\u00e4ftsentwicklung angepasst werden. Letztlich f\u00fchrt dies zu einer dynamischen Planung. Dies erlaubt es dem Management, schnell auf Ver\u00e4nderungen im Unternehmensumfeld reagieren zu k\u00f6nnen (Burow, Gerards, & Demmer, 2017, S. 54\u201355).<\/p>\n\n\n\n Elemente des \u00d6kosystems um Predictive Analytics <\/strong><\/p>\n\n\n\n Hirs f\u00fchrt aus, dass das Controlling und insbesondere die Prozesse der Planung, Budgetierung und des Forecastings zu jenen Bereichen eines Unternehmens z\u00e4hlen, f\u00fcr die das Thema Big Data besonders relevant sind. Nach Hirs ist das Controlling ein Teil des gesamten \u00d6kosystems und fokussiert sich in seiner T\u00e4tigkeit auf das Aufbereiten der management-relevanten Informationen. Die Informationen generieren die Unternehmen aus unternehmensinternen Daten. F\u00fcr die Budgetierung und Forecasts relevante interne Daten sind beispielsweise Lohnkosten, St\u00fcckzahlen, Maschinen- und Umsatzdaten (Interview, 2. Mai 2019). <\/p>\n\n\n\n Barbara Lantz von Johnson and Johnson meint, dass Unternehmen immer h\u00e4ufiger externe Daten hinzuziehen. Wichtige externe Daten stammen beispielsweise aus den Sozialen Medien, aus makro\u00f6konomischen Prognosen, von B\u00f6rsenplattformen und von Wettbewerbsunternehmen (Interview, 30. April 2019). Indem Unternehmen externe Daten einbeziehen, erh\u00f6hen sie die Prognosegenauigkeit der Unternehmenssteuerung (Gentsch & Kulpa, 2016, S. 36-37). <\/p>\n\n\n\n “Erst die Verbindung von unternehmensinternen mit unternehmensexternen Daten ergibt ein ganzheitliches Unternehmensbild.”<\/p>\nBarbara Lantz, Finance Director FP&A bei Johnson & Johnson<\/cite><\/blockquote>\n\n\n\n Egle f\u00fcgt an, dass neben den Datenstr\u00f6men die verschiedenen Anspruchsgruppen wichtige Elemente des \u00d6kosystems sind. F\u00fcr die Forecasts und die Budgetierung sind die Einheiten aus den Bereichen Management, Controlling, Data Science und IT die Hauptanspruchsgruppen. Weiter werden externe Anspruchsgruppen wie beispielsweise Software- und Datenlieferanten immer wichtiger. Bei der Entwicklung der Prognosemodelle f\u00fcr die Budgetierung und Forecasts beziehen Unternehmen oft Beratungsunternehmen in den Prozess mit ein (Interview, 26. April 2019).<\/p>\n\n\n\n Wie entwickelt man ein Predictive Analytics Modell? <\/strong><\/p>\n\n\n\n F\u00fcr eine zielf\u00fchrende Entwicklung von Predictive Analytics Modellen empfiehlt es sich, das klassische Data Mining Modell “CRISP-DM” anzuwenden. Basierend auf diesem Verfahren erarbeiten Organisationen in einem kontinuierlichen, iterativen Prozess ein Prognosemodell. Die Abbildung 1 visualisiert diesen Prozess anhand des CRISP-DM-Modells. <\/p>\n\n\n Das Vorgehen bei der Modellentwicklung f\u00fcr die Budgetierung umfasst folgende sechs Schritte: <\/p>\n\n\n\n <\/p>\n\n\n\n Lantz r\u00e4t Unternehmen davon ab, die herk\u00f6mmlichen Planungs- und Budgetierungsprozesse von einem Tag auf den anderen durch die auf Predictive Analytics basierte Unternehmenssteuerung abzul\u00f6sen. Ein fundamentales Element bei der Implementierung solch neuer Prozesse stellt der kontinuierliche Lernprozess dar. Entsprechend ist es sinnvoll, wenn die Planung mittels Predictive Analytics im Rahmen einer Pilotphase vorab lediglich in einem spezifischen Bereich eingesetzt wird (Interview, 2. Mai 2019). <\/p>\n\n\n\n Voraussetzungen f\u00fcr den Einsatz von Prognosemodellen<\/strong><\/p>\n\n\n\n Egle betont, dass f\u00fcr die erfolgreiche Implementierung von Predictive Analytics verschiedene organisatorische, kulturelle und technische Voraussetzungen gegeben sein m\u00fcssen. Aus organisatorischer Sicht m\u00fcssen die Unternehmen die funktionalen Silos aufbrechen. Dazu bauen sie ein interdisziplin\u00e4res Team \u00fcber viele Funktionsbereiche auf. Als kulturelle Voraussetzung sollen die Organisationen in erster Linie eine Fehler- und Verst\u00e4ndniskultur f\u00f6rdern. Dies ist elementar, weil das Projektteam die Modelle oftmals basierend auf einem Try-and-Error-Verfahren weiterentwickelt (Interview, 26. April 2019). <\/p>\n\n\n\n Hirs meint, dass Predictive Analytics auf der technischen Seite eine geeignete Applikation und Infrastruktur erfordert. Nur so kann das Projektteam die Prognosemodelle entwickeln. Am Markt partizipieren Grossunternehmen wie beispielsweise IBM, SAP oder Oracle. Diese bieten prim\u00e4r Standardapplikationen an. Es gibt jedoch auch kleinere Anbieter mit individuellen L\u00f6sungen. Die Wahl der Software beeinflusst die Dauer des Implementierungsprozesses und dessen Kosten stark. Dabei zeichnen sich kleinere Softwarelieferanten durch ihre kosteng\u00fcnstigen und schnell implementierbaren L\u00f6sungen aus. Wichtig ist, dass die Software Medienbr\u00fcche minimiert, eine Anbindungsm\u00f6glichkeit von anderen Anwendungen bietet und damit einen kontinuierlichen Datenfluss sicherstellt (Interview, 2. Mai 2019). <\/p>\n\n\n\n Vorteile & Risiken der Planung mit Predictive Analytics Modellen<\/strong> <\/strong><\/p>\n\n\n\n Die untenstehende Abbildung 2 fasst die St\u00e4rken, Schw\u00e4chen, Chancen und Gefahren der Prognosemodelle zusammen und zeigt, inwiefern Predictive Analytics im Rahmen der Unternehmenssteuerung anwendbar sind:<\/p>\n\n\n Insgesamt zeigt die SWOT-Analyse, dass der Einsatz von Predictive Analytics viele St\u00e4rken mit sich bringt.<\/p>\n\n\n\n Praxisbeispiel – Aufbau eines datenbasierten \u00d6kosystems <\/strong><\/p>\n\n\n\n \u00abSchindler Ahead\u00bb ist die Zukunftsvision des Lift- und Fahrtreppenherstellers Schindler. Diese Vision verbindet die Trends Internet der Dinge und Predictive Analytics miteinander. Schindler erhebt innerhalb ihres \u00d6kosystems Daten und tauscht diese zwischen Ger\u00e4ten, Kunden, Passagieren und Technikern in Echtzeit aus. Die gewonnenen Informationen \u00fcber-pr\u00fcft Schindler in ihrem Kontrollzentrum mittels Algorithmen auf Anomalien. Dadurch erkennt Schindler potenzielle Ausf\u00e4lle fr\u00fchzeitig und kann die Wartungsarbeiten entsprechend koordinieren. Dies hilft, die Ausfallzeiten der Aufz\u00fcge und Fahrtreppen m\u00f6glichst tief zu halten. Das Video erkl\u00e4rt, wie die Datengewinnung und -analyse bei Schindler funktioniert und welche Vorteile das \u00d6kosystem f\u00fcr die Servicetechniker sowie f\u00fcr die Kundschaft hat (Schindler, online). <\/p>\n\n\n\n Planungs- und Budgetierungsprozesse basierend auf Predictive Analytics sind die Zukunft <\/strong><\/p>\n\n\n\n Lantz weist darauf hin, dass sich die Erstellung von Forecasts mithilfe von Predictive Analytics in der Unternehmenspraxis noch nicht etabliert hat. Dies ist prim\u00e4r darauf zur\u00fcckzuf\u00fchren, dass der Implementierungsprozess einen langen Zeitraum beansprucht. Dennoch investieren gegenw\u00e4rtig viele Unternehmen in diesen Bereich (Interview, 30. April 2019). <\/p>\n\n\n\n Bez\u00fcglich der Weiterentwicklung und Durchdringung von Predictive Analytics in den n\u00e4chsten Jahren teilen die Experten eine unterschiedliche Meinung: Miriam Hirs geht davon aus, dass sich die Planungs- und Budgetierungsprozesse in den n\u00e4chsten f\u00fcnf Jahren stark ver\u00e4ndern werden. Sie st\u00fctzt ihre Meinung auf die Tatsache, dass gegenw\u00e4rtig viele Unternehmen Projekte in diesem Bereich initialisiert haben. Diese Entwicklung spiegelt sich gem\u00e4ss Hirs auch in den stark angestiegenen Consultinganfragen wider (Interview, 2. Mai 2019). Prof. Dr. Ulrich Egle meint hingegen, dass in f\u00fcnf Jahren die Planungs- und Budgetierungsprozesse durch den Einsatz von Predictive Analytics kaum ganzheitlich effektiver und effizienter sein werden. Er geht davon aus, dass sich das Predictive Analytics Verfahren erst \u00fcber einen l\u00e4ngeren Zeithorizont etabliert. Kurzfristig fehlt gem\u00e4ss Egle in vielen Unternehmen das notwendige Know-how. Trotzdem geht er davon aus, dass in den n\u00e4chsten Jahren viele Unternehmen erste Erfahrungen bei der Planung mit Predictive Analytics sammeln werden. Es wird aber erst m\u00f6glich sein, bestimmte Unternehmensbereiche durch den Einsatz von Predictive Analytics zu optimieren. Durch den vorerst selektiven Einsatz k\u00f6nnen die Unternehmen Vertrauen aufbauen und die neuen Methoden dann schrittweise auf weitere Unternehmensbereiche ausweiten (Interview, 26. April 2019). <\/p>\n\n\n\n Abschliessend l\u00e4sst sich festhalten, dass Unternehmen durch den Einsatz von Predictive Analytics ein grosses Potenzial erschliessen k\u00f6nnen. Die obigen Ausf\u00fchrungen zeigen klar, dass die gegenw\u00e4rtigen Initiativen erst der Anfang sind. Die Unternehmen haben das grosse Potenzial noch lange nicht ausgesch\u00f6pft. Predictive Analytics wird vor allem die Planungs- und Budgetierungsprozesse in den n\u00e4chsten Jahren stark beeinflussen. So wird in mittel- bis langfristiger Zukunft die Methode Predictive Analytics nicht mehr aus der Planung und Budgetierung wegzudenken sein.<\/p>\n\n\n\n Literaturverzeichnis <\/strong><\/p>\n\n\n\n Burow, L., Gerards, Y. & Demmer, M. (2017). Effektiv und effizient steuern mit Predictive Analytics. Controlling & Management Review 2017 (9)<\/em>, 48-56. <\/p>\n\n\n\n Caviezel, R. (2018). Planung mit Predictive Analytics. Rechnungswesen & Controlling 2018 (1)<\/em>, 15-17. <\/p>\n\n\n\n Gentsch, P. & Kulpa, A. (2017). Mit externen Big Data neue M\u00f6glichkeiten erschlie\u00dfen. Con-trolling & Management Review 2016 (1)<\/em>, 36-37. <\/p>\n\n\n\n Hochschule Luzern (a). Planung und Budgetierung, Abgerufen am 02.06.2019 von https:\/\/wiki.hslu.ch\/controlling\/Planung_und_Budgetierung <\/p>\n\n\n\n Hochschule Luzern (b). Traditionelle Budgetierung. Abgerufen am 02.06.2019 von https:\/\/wiki.hslu.ch\/controlling\/Traditionelle_Budgetierung <\/p>\n\n\n\n Hochschule Luzern (c). Forecast. Abgerufen am 02.06.2019 von https:\/\/wiki.hslu.ch\/controlling\/Forecast <\/p>\n\n\n\n Schindler. Schindler Ahead. Smart urban mobility. Abgerufen am 02.07.2019 von https:\/\/www.schindler-ahead.com\/de\/download\/ <\/p>\n\n\n\n Schwering, A. (2016). Ehrlichkeit in der Budgetierung. Wiesbaden: Springer Fachmedien. <\/p>\n\n\n\n Interviewverzeichnis <\/strong><\/p>\n\n\n\n\n
\n
![\"\"](\"https:\/\/sites.hslu.ch\/applied-data-science\/wp-content\/uploads\/sites\/4\/2019\/12\/Predictive-Analytics-Abb.-1-1024x683.png\")
Quelle: Eigene Darstellung in Anlehnung an Burow et al. (2017, S. 51) <\/figcaption><\/figure>\n<\/div>\n\n\n\n
Im ersten Schritt sch\u00e4rft das Projektteam das Zielbild. Dabei definiert es, wie die Prozesse f\u00fcr Forecasts im gesamtunternehmerischen Kontext mittels Predictive Analytics verbessert werden k\u00f6nnen. <\/li>\n\n\n\n
Die explorativen und deskriptiven Analysen der verf\u00fcgbaren Daten zielen darauf ab, das Datenverst\u00e4ndnis zur L\u00f6sungsfindung zu verbessern. <\/li>\n\n\n\n
Die verf\u00fcgbaren Daten werden aufbereitet und bereinigt. Dieser unerl\u00e4ssliche Vorgang dient dazu, eine solide und verl\u00e4ssliche Basis f\u00fcr die Predictive Analytics Modelle sicherzustellen. <\/li>\n\n\n\n
Anschliessend werden mit den bereinigten Daten die Predictive Analytics Modelle entwickelt. Das gew\u00e4hlte Datenmodell soll eine m\u00f6glichst pr\u00e4zise Prognose erm\u00f6glichen. <\/li>\n\n\n\n
In der Evaluierungsphase beurteilt das Projektteam die Modellg\u00fcte. Es pr\u00fcft einerseits das entwickelte Modell mittels Test- und Trainingsdaten. Andererseits werden die Ergebnisse des konzipierten Modells f\u00fcr die Forecasts mit den Planwerten basierend auf dem herk\u00f6mmlichen Verfahren verglichen. Dieser Vergleich ist eminent, um Transparenz und Akzeptanz f\u00fcr die neuen Verfahren zu schaffen. <\/li>\n\n\n\n
Nachdem die Modellg\u00fcte sichergestellt ist, k\u00f6nnen Unternehmen das Predictive Analytics Modell f\u00fcr die Forecasts einsetzen. Die kontinuierliche \u00dcberwachung der in Betrieb genommenen Prozesse und vor allem des Modells sind zentral (Burow et al., 2017, S. 50\u201351).<\/li>\n<\/ul>\n\n\n\n![\"\"](\"https:\/\/sites.hslu.ch\/applied-data-science\/wp-content\/uploads\/sites\/4\/2019\/12\/Predictive-Analytics-Abb.-2.png\")
Quelle: Eigene Darstellung <\/figcaption><\/figure>\n<\/div>\n\n\n