Vorschaurechnung und erste Erfahrungen mit "R"

Wurden im ersten Teil unserer kleinen Blog-Serie allgemeine Möglichkeiten skizziert, um Predicitive Analytics in den Controller-Alltag zu integrieren, beschäftigt sich Prof. Dr. Karsten Oehler diesmal damit, wie analytische Funktionen konkret in Planungslösungen zum Einsatz kommen können.

Grundlage der Planung ist üblicherweise eine Vorschaurechnung: Häufig ist der Ausgangspunkt der Strategischen Planung eine Gap-Analyse, die auf einer Fortschreibung der aktuellen Strategie basiert und dabei die Prognose von Umweltfaktoren berücksichtigt. Gleiches gilt für das Budget des Folgejahres, das in der Regel auf der Jahresendprognose des aktuellen Jahres und Erwartungswerten für das zu planende Jahr gründet. Methodisch gesehen sind die üblicherweise eingesetzten Verfahren eher einfach: So wird für die Jahresendvorschaurechnung oft die Fortschreibung genutzt.

 

Um die Forecast-Genauigkeit zu erhöhen, könnten anspruchsvollere Lösungen wie beispielsweise ARIMA*  eingesetzt werden – sofern es die Datengrundlage zulässt. In einigen erfolgskritischen Bereichen wie dem Vertrieb finden sich bereits sehr ausgefeilte Forecast-Methoden. Allerdings werden diese meistens von statistischen Experten betreut, was für einen flächendeckenden Einsatz nicht praktikabel ist. Um die Vorschaurechnung zu erweitern, scheint Self-Service Predictive Analytics eine interessante Ergänzung zu sein und soll hier näher beleuchtet werden.

 

Rein statistische Verfahren sind nicht ausreichend

Eine Zeitreihenanalyse beginnt in der Regel damit, dass man die Entwicklung der Ist-Daten im Zeitablauf betrachtet und vorab einschätzt, welches Vorschauverfahren das geeignete sein könnte. Ist beispielsweise eine lineare Regression geeignet oder zeigt sich ein logarithmischer Verlauf zur Approximation der Ist-Daten? Sind Saisonmuster zu berücksichtigen? Gibt es weitere Einflussfaktoren? Wichtig ist zudem, das Kontextwissen des Anwenders zu integrieren, zum Beispiel Kenntnisse über konkret anstehende Aufträge. So gesehen reicht es nicht aus, ausschließlich statistische Verfahren einzusetzen.

 

Um Kontextinformationen zuordnen zu können, empfiehlt es sich, eine bestehende Planungslösung anzubinden. In einem Pilot-Projekt wurden deshalb entsprechende Predictive Analytics Methoden direkt in Forecasting- und Planungsmasken integriert. Auf diese Weise können in den Masken Zeitreihenfunktionen ausgewählt werden, wobei der Anwender Parameter und einfache Abhängigkeiten zu anderen Planungsobjekten hinterlegt. Dabei sieht er die Ist-Werte, kann pro Einzelposition verschiedene Vorschauverfahren ausprobieren und die Ergebnisse, die grafisch dargestellt werden, hinsichtlich ihrer Plausibilität beurteilen. Darüber hinaus stehen zur weiteren Einschätzung Kennzahlen über die Qualität der Vorhersage zur Verfügung. 

 

Da für eine qualifizierte Betrachtung auch das Erfahrungswissen des Anwenders notwendig ist, können die generierten Vorschauwerte durch Kommentare und auf Einzelpositionen heruntergebrochene Zu- oder Abschläge („Line Items“) ergänzt werden. Eine Neuberechnung der statistischen Verfahren führt nicht dazu, dass sich diese manuellen Anpassungen ändern. Allerdings weisen Markierungen darauf hin, wenn sich die Basis einer manuellen Anpassung geändert hat.

 

In einem weiteren Schritt sind statistische Verfahren auch in den Budgetierungsmasken eingesetzt worden. Im Unterschied zum Forecast geht es bei den betrachteten Werten zwar um Vorgabewerte, aber auch die zeitliche Verteilung der Jahresbudgetwerte auf die Monate ist für eine integrierte Planung von Bedeutung. Im Ergebnis können unter anderem die Liquiditätsströme im Rahmen der integrierten Erfolgs- und Finanzplanung wesentlich besser abgeschätzt werden. Beim Herunterbrechen der Budgetwerte auf die Monate können Verläufe von Ist-Werten verwendet werden, um die saisonalen Effekte besser berücksichtigen zu können. 

 

Abbildung 1: Forecast-Dashboard

 

Dieses Pilotprojekt wurde mit Tagetik in Verbindung mit "R" umgesetzt. Kleiner Nebeneffekt: Die intensive Beschäftigung mit Forecast-Methoden hat dazu geführt, dass die Forecast-Qualität kontinuierlich gemessen wird.

 

Simulation über Treiberbäume

Ein weiterer wichtiger Anknüpfungspunkt beim Einsatz von Predictive Analytics in der Planung ist, dass Kausalitäten einbezogen und zu Simulationszwecken genutzt werden. Wertetreiber haben sich als Repräsentationsform solcher Abhängigkeiten bereits seit langem etabliert.

 

Der im „Baumwipfel“ liegende Teil von Wertetreiberbäumen ist üblicherweise definitorischer Natur, damit deterministisch und meistens auch bereichsübergreifend gut standardisierbar. Bei der Predictive Analytics Unterstützung von Treiberabhängigkeiten geht es vor allem darum, externe Einflussfaktoren stärker einzubinden. Diese Abhängigkeiten werden häufig nur qualitativ betrachtet, allerdings kann durch den Einsatz von Predictive Analytics Methoden eine Verbesserung in quantitativer Hinsicht erzielt werden. Hier ist ein bereichsindividueller Ansatz zweckmäßig, denn Einflussfaktoren, die sich auf den Absatz je Produkt und Region auswirken, können sich deutlich unterscheiden und lassen sich nur bedingt verallgemeinern.

 

 

Abbildung 2: Analysebereich im Werttreiberbaum

 

Zwar gibt es bereits Werkzeuge, die diese Thematik direkt adressieren: Treiber und deren Abhängigkeiten werden grafisch abgebildet und stehen zu Simulationszwecken zur Verfügung. Es besteht jedoch eine Lücke, wenn es darum geht, die Modellierung mit der bestehenden Planungsinfrastruktur zu verbinden.

 

Treiberabhängigkeiten und Simulationen sind nicht unabhängig vom operativen Planungssystem. Schließlich wird durch die bestehenden Planungslösungen eine Vielzahl von Informationen verfügbar, die unverzichtbar für die Wertetreibermodellierung sind.

 

Zum Teil werden Treiberabhängigkeiten bereits in ERP-Systemen modelliert. Meistens sind diese Funktionen in der Kosten- oder der Produktionsplanung zu finden und basieren auf sehr granularen Daten. Zur Vereinfachung beschränkt man sich hier zudem auf lineare Funktionen. Für hochaggregierte Simulationen eignen sich solche Funktionen nur bedingt. Um simulieren zu können, werden daher zum Teil gröbere Schätzfunktionen als Ersatz für operative Funktionen genutzt. Zur Ableitung dieser Funktionen kommen dann wieder Predictive Analytics Methoden zum Einsatz.

 

Der Startpunkt einer Simulation ist üblicherweise eine bereits bestehende Planung: In einem Beispielunternehmen ist bereits eine umfangreiche mehrjährige (deterministische) Lösung erstellt worden. Simulationen sind in einer solchen Umgebung grundsätzlich möglich, aber nicht trivial, da viele Abhängigkeiten nicht automatisiert abgebildet werden. Zudem existieren häufig einige Simulationsversionen. Diese Versionen in klassischen Planungslösungen zu speichern, ist jedoch bei einer Verwaltung zahlreicher lokaler und globaler Varianten zu starr.

 

Insofern sollten Strukturen und Daten aus einer solchen Planung in einen Datenraum übertragen werden, der für Simulationsrechnungen optimiert ist, so dass Varianten einfach erzeugt werden können. Diese können für spätere Vergleiche wieder in die Planungslösung zurückgespielt werden.

 

*Autoregressive integrated moving average ist eine Zeitreihenmethode, bei der Abhängigkeiten der zu schätzenden Werte von vorhergehenden Perioden aufgrund linearer Modelle ermittelt werden.

 

Im dritten und letzten Teil dieser Serie wird es darum gehen, welche Voraussetzungen für aussagekräftige Szenarien vorhanden sein sollten, warum im Zeitalter von  Predictive Analytics eine pauschale Verschlankung der Planung nicht der richtige Weg ist und auf welche Einflussfaktoren es ankommt.

Prof. Dr. Karsten Oehler

Vice President CPM Solutions

pmOne AG

Gilt nach über 20 Jahren als Produktmanager und Berater für Controlling-Software in verschiedenen namhaften Unternehmen als ausgewiesener Experte für Performance Management Lösungen am deutschsprachigen Markt; ist Dozent für Rechnungswesen und Controlling an der Provadis School of International Management and Technology AG.

https://www.pmone.com •  Blog-Beiträge von diesem Autor