Die Automatisierung der Finanzplanung
– erschienen im Magazin S@apport (1-2/2021)

Finanzabteilungen stehen immer mehr Daten zur Verfügung. Die Herausforderung ist deren mathematisch und betriebswirtschaftlich sinnvolle Auswertung. Ein Beispiel ist Predictive Sales Forecast, ein automatisierter, selbstlernender Meta-Algorithmus, der aus einer Vielzahl von Algorithmen automatisch den statistisch besten Algorithmus auswählt und die Haupttreiber der Umsatzprognose aufzeigt. 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.
Den Link zum Download des originalen Artikels finden Sie unten auf dieser Seite. 

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:

  • Automatisierte rollierende Langfristprognose von Absatzmengen und Umsätzen für alle Unternehmenseinheiten und Produktgruppen

  • Intelligente Analysehilfen (Monitoring) unterstützen die Überwachung der Datenqualität effizient (Ausreißer Analysen)

  • Vordefinierte Berichte als Ausgangspunkt für weiterführende Analysen: Gegenüberstellung der Prognosewerte mit den Ist- und den Vorjahreswerten

  • IBCS®-konforme Darstellungen

  • Möglichkeit der Erstellung eigener Berichte auf Basis des vordefinierten Datenmodells (Self-Service)

  • Kollaborations- und Kommentierungsfunktionen

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.

Architektur:

Der Algorithmus wird über die SAP Data Warehouse Cloud (DWC) angestossen. Dabei stehen alle notwendigen Systembibliotheken sowie die Algorithmen über die Web Services der Google Cloud Platform bereit.

Der automatisierte Sales Forecast ist in eine SAP Analytics Cloud Story integriert – die prognostizierten Werte werden den Ist- und den Vorjahreswerten gegenübergestellt und können entsprechend analysiert und weiterverarbeitet werden.

Das Bündeln der Prognose-, Analyse- und Berichtsfunktionalitäten in einer einzigen Plattform mit einheitlicher Datenbasis ermöglicht den nahtlosen Austausch zwischen allen Unternehmenseinheiten (u. a. unterstützt durch Kollaborations- und Kommentierungsfunktionen).

  • SAP Data Warehouse Cloud

  • SAP Analytics Cloud

  • R-Server (über Google Cloud Platform Services)

Abb. 1: Data Warehouse Cloud (DWC)

Lösung:

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

Wissenschaftliche Techniken des Hinterfragens, Plausibilisierens und Prüfens sowie interne und externe Finanzkommunikation sind hierfür unverzichtbare Bausteine. Neben dem Vertrauen und dem Verständnis der Daten und Analysen wird daher folgerichtig die Anwenderorientierung entscheidend sein für eine breite, selbstverständliche und zugleich verantwortungsbewusste Nutzung und Akzeptanz.

s-peers Starter – unkompliziertes Vorgehen:

  • Schneller Bereitstellungsmodus über Cloud-Infrastruktur

  • Set-up für s-peers Starter und Einführung

  • Vollständiger Remote-Zugriffsmodus verfügbar

  • typische Einrichtungszeit: 2-3 Tage

Vorteile:

  • Präzisere Ergebnisse und grössere Transparenz dank erhöhter Informationsdichte

  • Massiv erhöhte Reaktionsfähigkeit durch Automatisierung – Kalenderorientierung gehört zunehmend der Vergangenheit an

  • Wegfall der manuellen, zeitintensiven, fehleranfälligen resp. unvollständigen Hochrechnung

  • Objektivierte Forecasts, die ein faktenbasiertes Bild geben

  • Mehrfachnutzung und Wiederverwendbarkeit der von s-peers bereitgestellten Algorithmen

  • Grosse Auswahl an Auswertungsmöglichkeiten in gesicherter Qualität

  • Frühzeitige Möglichkeit zur Performance-Bewertung durch Simulation

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.

Link zum PDF des S@pport Artikels