Die Automatisierung der Finanzplanung

Im zentralen Controlling vieler Unternehmen wird die monatliche Prognose häufig noch manuell erstellt, welche dadurch sehr zeitintensiv und fehleranfällig ist. Mit der Einführung einer automatisierten Hochrechnung kann dem Controlling auf Knopfdruck ein hoher analytischer Mehrwert geboten werden. Im Rahmen der Automatisierung der Finanzplanung setzen unsere Kunden auf ein von uns entwickeltes und implementiertes System, welches per Mausklick alle Forecastwerte ‒ basierend auf neusten Algorithmen ‒ prognostiziert. Dies umfasst sämtliche Forecast-Szenarien für alle organisatorischen Unternehmenseinheiten, z.B. Standorte oder Einzelgesellschaften. Zu den planenden Variablen gehört i. d. R der Nettoumsatz sowie häufig auch der Material- bzw. Wareneinsatz, die Personal- und sonstige betriebliche Aufwendungen.

Die Vorteile für das Unternehmen sind vielfältig. Es profitiert von einem klar strukturierten Ablauf des monatlich rollierenden Hochrechnungsprozesses sowie von Effizienzsteigerungen im Budgetierungsprozess. Sowohl die Informationsdichte als auch die Prognosegenauigkeit werden massiv erhöht, wobei der manuelle Arbeitsaufwand dabei stark minimiert wird. Wertvolle Ressourcen können so für andere Aufgabenstellungen freigesetzt werden und die Fehleranfälligkeit nimmt stark ab. Durch die beschleunigte einheitliche Prognose werden effektivere Steuerungsmöglichkeiten geschaffen.

Die von uns eingesetzten Prognosemethoden stammen aus der klassischen und neueren Zeitreihenanalyse. Dadurch können alle möglichen Variablen, wie z.B. Saisonverläufe, Trends, Kalender und Ferieneffekte berücksichtigt werden. Soweit für Zeitreihen sinnvoll, können auch Verfahren des maschinellen Lernens wie neuronale Netze, Klassifikations- und Regressionsbäume eingesetzt werden.

Die sachliche Granularität der Planung richtet sich nach der Organisationsstruktur sowie den Kundenerfordernissen und unterscheidet sich stark zwischen Industrie, Dienstleistung und Handel. Für die zeitliche Granularität wird i.d.R. der Kalendermonat festgelegt. Der zeitliche Horizont der Planung, also wie viele Perioden in der Zukunft zu prognostizieren sind, kann fest oder flexibel sein. Bei der rollierenden Planung wird beispielsweise der Horizont mit jeder neuen Prognose immer kürzer, während die ältesten Perioden, die ursprünglich geplant/prognostiziert wurden, bereits durch die Ist-Daten ersetzt sind.

Namhafte Unternehmen setzen bereits auf das von s-peers entwickelte System und machen sich damit fit für die Zukunft. Denn mit den automatisch erzeugten Prognosewerten können die Unternehmen jederzeit auf Schwankungen in den Ergebniskennzahlen vorausschauend und zeitnah reagieren.

s-peers Starter – einfach und unkompliziert in die automatisierte rollierende Langfristprognose:

Mit dem s-peers Starter bietet s-peers dem Unternehmen einen schnellen und sicheren Einstieg in die automatisierte rollierende Langfristprognose, wobei es zusätzlich von weiteren BI-Reporting-Funktionen profitiert.

Fokus:

Funktionen:

Um hochpräzise Prognosen zu erreichen, werden mit dem s-peers Starter 29 Algorithmen mit bis zu 100 Modellen zur Verfügung gestellt. Die Modellauswahl wird durch eine Kombination von Akaike Informationskriterium (AIC) und nach Umsatz gewichtetem Mean Absolute Percentage Error (MAPE) vorgenommen.

Das AIC bewertet jedes Modell anhand seiner Anpassungsgenauigkeit und korrigiert es um die Anzahl seiner Parameter. Komplexere Modelle werden dabei stärker bestraft, so dass das „robusteste“ Modell ausgewählt wird. Der MAPE (die mittlere prozentuale Abweichung der Prognose von den Beobachtungswerten) gewährleistet eine Vergleichbarkeit der Prognosegenauigkeiten verschiedenartiger Zeitreihen untereinander. Die Absatzmengen je Produkt werden prognostiziert und mit dem letzten verfügbaren Monatsdurchschnittspreis multipliziert, um eine verlässliche Umsatzprognose zu erhalten. Forecasts sind ebenso möglich für Entity/Standorte oder andere Unternehmenseinheiten.

Vorgefertige Berichtstemplates und Integration der Algorithmen auf Knopfdruck „Make Forecast“:

s-peers Starter – unkompliziertes Vorgehen:

Fazit:

Das inhaltliche Verständnis der Daten sowie der für Analysen und Prognosen genutzten Algorithmen ist ein elementarer Schlüssel für eine Einordnung in den Gesamtkontext. Angesichts intelligenter Algorithmen reicht es nicht mehr, Daten lesen zu können, Assoziationen oder besser noch Kausalitäten festzustellen und selbst Schlussfolgerungen zu ziehen. Vielmehr ist ein umfassendes betriebswirtschaftliches Verständnis nötig. Bereits bei der Entwicklung der Algorithmen ist es erforderlich, die Problemstellung eingebettet in den jeweiligen operativen und strategischen unternehmerischen Kontext zu verstehen.

Die Nutzer der Prognosen und Entscheidungshilfen müssen die zugrundeliegenden Annahmen und Funktionsweisen der Algorithmen einschließlich der vielen Korrelationen nachvollziehen und bewerten können.

Am Ende müssen Menschen unternehmerische Entscheidungen verantworten. Oberste Maxime muss daher bleiben, Entscheidungen, die unterstützt durch solche Prognosen getroffen werden, den betroffenen Personengruppen zu erklären.

Das Dilemma, dass ein leistungsstarker lernender Algorithmus nicht leicht verstehbar und erklärbar ist und dennoch die abgeleiteten Entscheidungen verstanden und verantwortet werden können müssen, ist grundlegend. Es wird besonders herausfordernd, wenn die Algorithmen selbstlernend sind und darauf basierend eigene Logiken und Selektionskriterien entwickeln. Hier wird es für die Akzeptanz insbesondere bei wichtigen Finanz- und Controllingprozessen entscheidend sein, dass sich die autonom ermittelten Erkenntnisse selbst erklären und plausibilisiert werden können, sei es durch das Aufzeigen von Mustern oder durch betriebswirtschaftlichen Sachverstand.