Predictive Controlling: Automatisierte Hochrechnung im Konzern

Warum Automatisierung und was ist Predictive Controlling?

Die Vorteile einer Automatisierung liegen auf der Hand: Dank der neu gewonnenen Informationsdichte können Planungsprozesse optimiert und effizienter gestaltet werden. Die massive Reduktion manueller Tätigkeiten setzt Kapazitäten für neue Aufgaben frei, während die mathematische Fehleranfälligkeit gegen Null geht. Dank der Automatisierung einer monatlichen Hochrechnung ist es dem Controlling zudem auch in Zeiten wie der Covid-19- oder Lieferketten-Krise möglich, unterschiedliche Szenarien zeitnah zu erstellen. Diese erlauben es dem Management, Unsicherheiten zu simulieren und proaktiv auf mögliche Veränderungen zu reagieren.

Der Abstimmungsbedarf zwischen Mutter- und Tochtergesellschaften (inkl. hoher manueller und zeitintensiver Aufwand) kann signifikant minimiert werden: Dies ist möglich, indem mittels des Einsatzes von Künstlicher Intelligenz (KI) monatliche Forecasts auf Konzernebene weitgehend automatisiert werden.

Sehen Sie im Folgenden kurze Einblicke in den Inhalt des Whitepapers:

1. Hierarchische Zeitreihen

Wie Bilanzen haben Daten der Erfolgsrechnung eine hierarchische Struktur: Bis zu elf Hierarchie-Ebenen sind keine Seltenheit. Die vereinfachte Erfolgsrechnungs-Hierarchie aus Abbildung 1 vereint insgesamt sieben Zeitreihen in drei Hierarchie-Ebenen. Diese sind nicht unabhängig voneinander: So ist das EBT selbstverständlich die Summe aus EBIT und Finanzergebnis. Theoretisch könnten alle sieben Zeitreihen separat prognostiziert werden. Diese Vorgehensweise würde aber zu dem Problem führen, dass z. B. die Summe der Prognosen von EBITDA und Abschreibungen in der Regel nicht der EBIT-Prognose entsprechen würde – was aber per Definition der Erfolgsrechnungs-Struktur zwingend erfüllt sein muss.

Dieses Problem lässt sich über sogenannte Abgleichmethoden lösen: Im Wesentlichen geht es dabei um die Frage, …

1.1 Abgleichmethoden

1.2 Datenqualität und Datenbereinigung

2. Algorithmen

Im Folgenden werden die gängigsten theoretischen Prognose-Modelle dargestellt. Hierbei wird auch auf die Wahl des besten Modells bzw. der besten Modelle eingegangen. Generell besteht das Ziel jedes einzelnen Modells im Erstellen einer Prognose. Dabei stehen h für den Prognosehorizont (im vorliegenden Projekt 2–13 Monate) und T für die letzte beobachtete Prognose …

2.1 Autoregressive Integrated Moving-Average (ARIMA)

2.2 Exponential Smoothing (ETS)

2.3 Stabilisation

2.4 Fortgeschrittenere Algorithmen

2.5 Auswahl der Methode(n)

2.6 Forecast einzelner Zeitreihen – Base-Forecast

2.7 Temporaler Abgleich

2.8 Hierarchischer Abgleich