Kennzahlen bieten eine gute Möglichkeit, um ein Unternehmen sicher zu steuern. Doch wie lassen sich Entwicklungen in der Zukunft abschätzen? Predictive Analytics ist ein wertvolles Instrument, um proaktiv Entscheidungen treffen und zukünftige Ereignisse prognostizieren zu können. [...]
Erfolgreiche Unternehmen erzielen Gewinne, indem sie ihre Planziele erreichen. Dafür aber müssen die Ziele messbar sein und man muss die elementaren Kennzahlen kennen. Nur wer ausreichend über sein Unternehmen informiert ist, kann Risiken frühzeitig erkennen und Chancen rechtzeitig nutzen. In bewegten Zeiten sind Kennzahlen besonders wichtig, um abschätzen zu können, welche Wege das Unternehmen kurz- und mittelfristig gehen kann und soll. Wie viel kann noch produziert werden, wenn etwa ein Drittel der Lieferanten betriebskritischer Rohstoffe ausfällt? Welche Auswirkungen ergeben sich, wenn ein Großkunde ausfällt? Um diese und andere Fragen zu beantworten, reicht es nicht aus, einen statischen Wert, wie beispielsweise den erzielten Umsatz zum Monatesende, zu betrachten. Um fundierte Entscheidungen treffen zu können, muss man die Entwicklung und Wechselwirkung der Kennzahlen kennen und verstehen.
Klassisches Reporting ist unzureichend
Viele Unternehmen nutzen klassisches Berichtswesen. Dabei werden Kennzahlen aus vergangenen Perioden – wie Umsatz, Gewinn oder Materialverbrauch – mit Werten verglichen, die noch viel weiter in der Vergangenheit liegen. So sind etwa Vormonats- und Jahresvergleich die Basis jedes Business-Intelligence-Projekts. Das klassische Berichtswesen ist für die Kontrolle der Unternehmensentwicklung und der Zielerreichung über einen längeren Zeitraum wichtig und nützlich. Damit lässt sich aber nur sehr eingeschränkt die Entwicklung in der Zukunft prognostizieren. Für die kurz- und mittelfristige Steuerung in Krisenzeiten ist das klassische Berichtswesen unbrauchbar, weil es nur Daten aus der Vergangenheit miteinander vergleicht.
Künstliche Intelligenz ermöglicht Vorhersagen
Dynamische Märkte bedingen, dass Unternehmen immer schneller entscheiden müssen. Deshalb braucht man aktuelle Informationen in kürzeren Zyklen als bisher. Basis dafür sind vorhandene Daten und analytische Methoden wie Predictive Analytics – ein Vorhersagemodell, das auf der Auswertung gesammelter Daten mittels künstlicher Intelligenz basiert. Standardsoftware wie CRM- und ERP-Systeme nutzen diese Techniken, um mittels Machine Learning aus Vergangenheitsdaten schlüssige Vorhersagen für die Zukunft zu generieren. Die Anwendungsmöglichkeiten von Predictive Analytics sind weit gestreut, von der Vertriebs– über die Bedarfsplanung bis zu Kaufempfehlungen für Endkunden im Webshop. Alle diese Systeme nutzen die gleiche Logik: In Datenquellen werden Muster erkannt, anhand denen die zukünftige Entwicklung vorausberechnet werden kann. Das Verwerten historischer Daten ist aber auch der Schwachpunkt der KI-gestützten Vorhersagemodelle, die bei Standardsoftware verfügbar sind. Muster, die noch nicht vorgekommen sind – z.B. ein kurzfristiger, massiver Einbruch der Nachfrage in Krisenzeiten – werden nur unzureichend abgedeckt und errechnete Vorhersagen sind oft weit von der Realität entfernt.
Signifikante Faktoren sind entscheidend
Um gültige Vorhersagen zu bekommen, muss man verstehen, wie sich Kennzahlen zusammensetzen. Hilfreich ist dabei etwa die Kostenrechnung, die aufzeigt, wie sich fixe und variable Kosten auswirken und wo es Steuerungsmöglichkeiten gibt. Die Kostenrechnung ist aber nur eine Seite der Medaille, die Kosten müssen schließlich auch gedeckt werden. Für die Unternehmenssteuerung sind die Schnittpunkte von Kosten und Umsatz und die Einflussmöglichkeiten ausschlaggebend. Ein fixer Bestandteil eines jeden Predictive-Analytics-Projekts ist daher die Signifikanzanalyse. Dabei wird analysiert, welchen Einfluss bestimme Faktoren auf Kennzahlen haben und wie weit vorhandene Daten einen bestimmten Sachverhalt überhaupt erklären können. Anhand der Signifikanzanalyse kann man schnell erkennen, ob bestimmte Faktoren über- oder unterschätzt werden. Es kann auch sein, dass die vorhandenen Daten die Entwicklung einer Kennzahl nicht kausal erklären können. Dann muss man noch intensiver in die Ursachenforschung einsteigen.
Einen Schritt voraus
Predictive Analytics ist nicht unbedingt neu, doch hat der praktische Nutzen durch die stetig wachsenden Datenmengen und die großen technologischen Fortschritte enorm zugenommen – vor allem in den Bereichen Machine Learning und Big Data. Predictive Analytics ermöglicht, frühzeitig Chancen und Gefahren zu erkennen. Gleichzeitig können Unternehmen damit proaktiv und zielgerichtet die entsprechenden Handlungsmaßnahmen entwickeln. Um Predictive Analytics sinnvoll einsetzen zu können, ist es wichtig, die Einflussfaktoren und Kausalitäten zu verstehen. Die Analyse und Auswertung gesammelter Daten ist oft ein sehr aufwendiger Prozess, aber die Mühe lohnt sich. Predictive Analytics ist derzeit eines der wichtigsten Tools – für den CFO und das Controlling. Sie ermöglicht einen echten Paradigmenwechsel in der Unternehmenssteuerung und eröffnet Chancen, einen relativ sicheren Weg durch Krisen zu nehmen.
*Markus Nöbauer ist F&E-Verantwortlicher für Forschungsprojekte im Kontext von Business Software bei InsideAx.
Be the first to comment