Predictive Analytics: Durch automatisiertes Forecasting zu einer effizienten und effektiven Unternehmenssteuerung

Die Rolle von Predictive Analytics in der Unternehmensplanung

Die aktuelle politische und wirtschaftliche Lage ist geprägt von anhaltender Volatilität, bedingt durch umfangreiche Herausforderungen wie die Folgen von COVID-19, dem Ukraine-Krieg und der gegenwärtigen Inflation. Um diesen Unsicherheitsfaktoren zu begegnen, ist es von entscheidender Bedeutung, dass Unternehmen ihre Resilienz stärken und ihre Planungsprozesse optimieren. In diesem Umfeld hat das Controlling eine Vielzahl von Parametern zu berücksichtigen, um die verschiedenen Teilbereiche wie die Absatzplanung, Produktionsplanung und Finanzplanung erfolgreich und effizient zu gestalten.

Der Prozess des Forecastings als Teil der Unternehmensplanung nimmt hohe zeitliche und humane Ressourcen in Anspruch, da dieser von intensiven Abstimmungsrunden dominiert wird. Daher sind prädiktive Methoden, die zukünftige Entwicklungen automatisiert vorhersagen sollen, zentrales Thema in der Unternehmenspraxis. Dies verdeutlicht eine aktuelle BARC-Studie, in der 94 Prozent aller befragten Unternehmen den Nutzen von Predictive Analytics als wichtig einschätzen.

Dennoch zeigt sich, dass diese Tools nur von einem Bruchteil der Unternehmen eingesetzt werden. Gründe wie fehlende technische und methodische Kompetenzen, organisationale Hemmnisse oder mangelnde Ressourcen in Bezug auf Wissen und Personal sind ausschlaggebend für den Status Quo der Nichtnutzung. Des Weiteren zeigen Beiträge zur Implementierung und Nutzung dieser Tools, dass standardisierte Produkte meist nicht ausreichen, weshalb die individuelle Ausgestaltung der Software-Lösung wesentlich für die Nutzung von Analytics Tools ist.

Was ist Predictive Analytics?

Predictive Analytics umfasst qualitative und quantitative Methoden, die es ermöglichen, Prognosen auf Basis vergangener und gegenwärtiger Daten zu erstellen. Zu den häufig verwendeten Modellen gehören:

Dekompositionsmodelle (z. B. Holt-Winters): Zerlegen Zeitreihen in Bestandteile wie Trend und Saisonalität.
Kausalmodelle (z. B. Regressionsanalyse): Untersuchen die Beziehungen zwischen Variablen. Ein Beispiel hierfür ist die Nutzung des Auftragsbestands zur Umsatzprognose, bei der die kumulierten Auftragseingänge als Indikator für zukünftige Umsätze dienen.
Clustermodelle (z. B. K-Means-Clustering): Gruppieren ähnlicher Datenobjekte.
Logikmodelle (z. B. Entscheidungsbäume): Verwenden logische Verknüpfungen für Vorhersagen.
Wahrscheinlichkeitsmodelle (z. B. Markov-Ketten): Nutzen historische Wahrscheinlichkeiten zur Vorhersage zukünftiger Ereignisse.

Nutzen von Predictive Analytics

Unter der Annahme, dass die Daten der Vergangenheit mit der Zukunft korrelieren und diese Korrelation auch durch die richtige Auswahl der Modelle erfasst wird, ermöglicht Predictive Forecasting eine datenbasierte Entscheidungsfindung, reduziert subjektive Einflüsse und spart Ressourcen. Unternehmen können durch schnelle und präzise Prognosen flexibler und effizienter agieren, was besonders in volatilen Märkten von Vorteil ist.

Vorteile, die durch Predictive Analytics entstehen können, im Überblick:

Verbesserte Genauigkeit: Präzisere Prognosen durch Modelle auf Basis von Statistik bis hin zu Data Mining.
Effizienzsteigerung: Reduzierter Zeit- und Ressourcenaufwand.
Frühwarnsystem und Risikoerkennung: Predictive Analytics ermöglicht die frühzeitige Erkennung unerwünschter Ergebnisse und Risiken, was als Frühwarnsystem dient. Wenn Prognosen negative Ergebnisse ermitteln oder ungenau werden, können Unternehmen rechtzeitig Gegenmaßnahmen ergreifen.
Stärkung der strategischen Entscheidungsfähigkeit: Predictive Analytics unterstützt die strategische Entscheidungsfindung durch verbesserte Planung, Forecasting und Risikomanagement. In stabilen Umfeldern fördert Predictive Analytics die Planungssicherheit, während es in VUCA-Umfeldern (volatil, unsicher, komplex, ambivalent) flexible Geschäftsmodelle und robustes Risikomanagement ermöglicht. Dadurch können Controller effektiver und zukunftsorientierter agieren.
Der Rollenwandel im Controlling: Der Controller entwickelt sich durch den Einsatz automatisierter Forecasts von einem reinen Zahlenlieferanten und „Budgetverwalter“ zu einem strategischen Business Partner der Geschäftsführung. In dieser neuen Rolle ist es seine Aufgabe, moderne Technologien zu bewerten und praxisrelevante Anwendungsfälle für das Unternehmen zu identifizieren, wodurch er einen wesentlichen Beitrag zur Entscheidungsfindung und langfristigen Unternehmensplanung leistet.

Herausforderungen und Anforderungen

Predictive Analytics erfordert hochwertige Daten und geeignete IT-Infrastrukturen. Unternehmen müssen sicherstellen, dass ihre Mitarbeiter die nötigen Kompetenzen zur Anwendung und Interpretation der Modelle besitzen. Ein Beispiel aus der Kunststoffbranche zeigt, dass ein erfolgreiches Predictive Analytics Tool an die spezifischen Anforderungen des Unternehmens angepasst werden muss.

Schlüsselanforderungen:

Datenqualität und -management: Hohe Qualität und Verfügbarkeit der Daten.
Anpassungsfähigkeit: Flexibilität bei der Integration in bestehende Systeme.
Skalierbarkeit und Individualität: Anpassung an unterschiedliche Geschäftsanforderungen.
Nutzerkompetenz: Schulung der Mitarbeiter im Umgang mit den Tools.
Profundes Geschäftsmodell- und Kernprozessverständnis.

Ohne die richtige Bearbeitung der Herausforderungen und Erfüllung der Anforderungen können die Potentiale nicht entfaltet werden, sodass eine Operationalisierung von Predictive Analytics nicht realisierbar ist.

Relevanz der Aufbereitung von Prognosen

Die Qualität und Präsentation der Prognosen sind entscheidend für ihre Akzeptanz und Nutzung im Unternehmen. Eine gut aufbereitete Prognose erleichtert die Interpretation und Anwendung der Ergebnisse. Durch die Kombination von Mensch und Maschine entstehen Synergieeffekte, die die Prognosequalität weiter verbessern. Es ist notwendig, dass Experten im Unternehmen einbezogen werden und deren Feedback als Ergebnis der Analysephase festgehalten wird. Ein laufendes Tracking der Prognosegüte kann frühe Signale bieten, z. B. ob und welche Veränderungen im Marktverhalten (Sales) auftreten oder das Erkennen von Indikationen für Missbrauchsfälle (Fraud Detection). Mitarbeiter können ihre Expertise einbringen, um die Modelle zu verfeinern und die Ergebnisse zu validieren. Eine benutzerfreundliche Darstellung der Daten in Dashboards ermöglicht den Entscheidern schnell und effizient auf die Prognosen zu reagieren und geeignete Maßnahmen zu ergreifen. Ein erfolgreiches Predictive Analytics Tool muss flexibel genug sein, um auf spezifische Anforderungen und variierende Datenbedingungen einzugehen. Gleichzeitig sollte es einfach zu bedienen sein, um die Synergien zwischen menschlicher Expertise und maschinellen Analysen voll auszuschöpfen.

Ein beispielhafter Forecast Bericht, erstellt mit Power BI und Power ON.

Schritte zur Implementierung von Predictive Analytics

1. Konzeptionsphase

Der erste und wichtigste Schritt bei der Implementierung von Predictive Analytics ist die klare Identifikation der Geschäftsziele und -anforderungen. Dies bildet die Grundlage für die gesamte Analyse und bestimmt, welche Daten gesammelt werden und welche Modelle entwickelt werden müssen. Zu den typischen Zielen können die Verbesserung der Absatzprognose, die Optimierung der Produktionsplanung oder das Risikomanagement gehören.

Doch warum ist die Identifikation der Anforderungen und dessen Ziele so entscheidend? Ohne klar definierte Ziele kann die Analyse richtungslos verlaufen. Die Identifikation der Ziele stellt somit sicher, dass die Analysen zielgerichtet und relevant für die Geschäftsanforderungen sind. Dies hilft Zeit und Ressourcen effizient zu nutzen und vermeidet unnötige Analysen, die keinen Mehrwert bringen.

Durch die Definition der Geschäftsziele können Unternehmen zusätzlich bestimmen, welche Daten benötigt werden. Dies verhindert die Ansammlung von irrelevanten Datenmengen, die die Analyse komplizierter und zeitaufwendiger machen würden. Stattdessen kann der Fokus auf qualitativ hochwertige und relevante Daten gelegt werden, die präzise und nützliche Erkenntnisse liefern. Darüber hinaus ermöglicht die Konkretisierung des Ziels, wie die Verbesserung der Absatzprognose, spezifische Modelle und Algorithmen zu entwickeln, die historische Daten analysieren und zukünftige Trends vorhersagen können. Dies hilft Unternehmen, besser auf Marktnachfragen zu reagieren, Lagerbestände effizient zu verwalten und letztlich den Umsatz zu steigern.

Beispielhafte Mehrwerte, die sich aus der Konzeptionsphase ergeben können:

Optimierung der Produktionsplanung: Wenn die Optimierung der Produktionsplanung als Ziel definiert ist, kann Predictive Analytics in Verbindung mit Predictive Maintenance helfen, Engpässe in der Produktion vorherzusehen und zu vermeiden. Durch die Analyse von Produktionsdaten können Muster und Anomalien erkannt werden, die auf mögliche Probleme hinweisen. Dies führt zu einer effizienteren Produktionsplanung und Kosteneinsparungen.

Risikomanagement: Im Bereich des Risikomanagements ermöglicht Predictive Analytics die Identifikation und Bewertung potenzieller Risiken bevor sie eintreten. Durch die Analyse von Daten aus verschiedenen Quellen können Unternehmen Risiken proaktiv managen und Maßnahmen ergreifen, um negative Auswirkungen zu minimieren.

Ressourcenzuweisung: Die Identifikation von Geschäftsanforderungen ermöglicht eine optimale Zuweisung von Ressourcen. Unternehmen können ihre Mittel dort einsetzen, wo sie den größten Einfluss auf die Geschäftsziele haben, sei es in der IT-Infrastruktur, in der Datenaufbereitung oder in der Entwicklung von Analysemodellen.

Messbare Erfolge: Schließlich ermöglichen klar definierte Ziele eine messbare Erfolgskontrolle. Unternehmen können den Fortschritt und die Wirksamkeit ihrer Predictive Analytics-Strategien anhand spezifischer Metriken bewerten und bei Bedarf Anpassungen vornehmen.

2. Machbarkeitsstudie

Nach der Identifikation der Geschäftsziele und -anforderungen folgt der nächste entscheidende Schritt: Die Durchführung einer Machbarkeitsstudie. Dadurch wird sichergestellt, dass alle notwendigen Bedingungen und Ressourcen vorhanden sind, um die Ziele erfolgreich zu erreichen. Sie beinhaltet die Bewertung der Datenqualität, die Ressourcenplanung und die Analyse der erwarteten Prognosegüte. Besonders wichtig ist es, die Erwartungen mit der tatsächlichen Machbarkeit abzugleichen, um realistische Ziele zu setzen.

Der Erfolg von Predictive Analytics hängt maßgeblich von der Qualität der zugrunde liegenden Daten ab. Daher ist es entscheidend zu überprüfen, ob die benötigten Datenquellen vorhanden sind und ob die Daten in einem qualitativ hochwertigen und leicht zugänglichen Format vorliegen. Dies beinhaltet:

Datenverfügbarkeit: Überprüfung, ob alle relevanten Datenquellen identifiziert und zugänglich sind.
Datenqualität: Sicherstellen, dass die Daten vollständig, genau, konsistent und aktuell sind. Datenbereinigung und -validierung sind wichtige Schritte, um Fehler und Ungenauigkeiten zu minimieren.
Datenintegration: Klärung, wie die Daten aus verschiedenen Quellen integriert und zusammengeführt werden können, um ein umfassendes Bild zu erhalten.

Für eine erfolgreiche Implementierung von Predictive Analytics müssen die erforderlichen Ressourcen sorgfältig geplant und bereitgestellt werden. Dies umfasst:

Technologische Ressourcen: Bewertung der benötigten Hardware und Software, einschließlich Datenbanken, Analyseplattformen und spezialisierter Analysewerkzeuge.
Personelle Ressourcen: Identifizierung und Schulung von Fachkräften, die die Analysen durchführen und die Ergebnisse interpretieren können. Dies können Data Scientists, Analysten und IT-Spezialisten sein.
Finanzielle Ressourcen: Kalkulation des Budgets für die Implementierung und den Betrieb der Predictive Analytics-Initiative. Dazu gehören Kosten für Technologien, Schulungen und externe Beratungen.

Eine differenzierte Analyse der zu erwartenden Prognosegüte ist essenziell, um realistische und erreichbare Ziele zu setzen. Diese Analyse sollte folgende Aspekte umfassen:

Produktdifferenzierung: Untersuchung der Prognosegüte für verschiedene Produktkategorien. Unterschiedliche Produkte können unterschiedliche Prognoseanforderungen und -genauigkeiten haben.
Regionale Unterschiede: Analyse der Prognosegenauigkeit in verschiedenen geografischen Regionen, da Marktbedingungen und Datenverfügbarkeit regional variieren können.
Kundensegmentierung: Bewertung der Prognosegenauigkeit für verschiedene Kundengruppen, um spezifische Marketing- und Vertriebsstrategien zu entwickeln.

Beim Herunterbrechen auf detailliertere Ebenen, zum Beispiel bei der Erstellung von Prognosen für verschiedene Produkttypen, sollten zusätzliche Methoden berücksichtigt werden. So können Quotierungen im Sinne eines Top-Down Forecasts durch Heuristiken eine bessere Prognosegüte liefern als Forecastberechnungen auf der höchsten Granularität.

Ein zentraler Aspekt der Machbarkeitsstudie ist die Gegenüberstellung der Erwartungshaltung mit der tatsächlichen Machbarkeit. Dies ist wichtig, um überzogene Erwartungen zu vermeiden und sicherzustellen, dass die Ziele realistisch und erreichbar sind. Um dies zu gewährleisten, ist die Aufnahme des aktuellen Status Quo ein notwendiger Schritt.

Dies sorgt dafür den Fortschritt zu messen und den Break-Even-Point zu bestimmen – also den Punkt, ab dem eine Verbesserung durch Predictive Analytics erwartet wird.

3. Realisationsphase

Nach der Konzeptionsphase und der Durchführung einer Machbarkeitsstudie ist die Realisationsphase des Projekts ein wesentlicher Schritt. Basierend auf den spezifischen Anforderungen und Use Cases müssen passende Modelltypen, wie Regressionsmodelle, Zeitreihenmodelle, Entscheidungsbäume oder Clustering-Modelle ausgewählt werden. Die Modellbewertung spielt eine entscheidende Rolle, um die am besten geeigneten Modelle hinsichtlich Genauigkeit, Interpretierbarkeit und Komplexität auszuwählen.

Die ausgewählten Modelle werden anschließend mit den bereinigten und integrierten Daten entwickelt und trainiert. Hierbei kommen Techniken wie Cross-Validation zum Einsatz, um die Leistungsfähigkeit der Modelle zu validieren und sicherzustellen, dass sie robust und generalisierbar sind. Nach dem Training werden die Modelle anhand von Metriken wie RMSE und MAPE bewertet. Um die Genauigkeit und Effizienz der Modelle weiter zu steigern, erfolgt eine Optimierung durch Hyperparameter-Tuning und Feature-Engineering.

Für die Entwicklung verständlicher Dashboards ist es wichtig, die spezifischen Anforderungen der Endnutzer, wie Manager und Controller, hinsichtlich der Darstellung und Visualisierung der Analyseergebnisse zu ermitteln. Die wichtigsten Kennzahlen und Metriken, die auf den Dashboards angezeigt werden sollen, müssen bestimmt werden. Anschließend werden benutzerfreundliche und interaktive Dashboards entwickelt, die den Nutzern ermöglichen, die Ergebnisse des Predictive Analytics Modells einfach zu interpretieren und zu analysieren. Dabei kommen Visualisierungstools wie beispielsweise Power BI zum Einsatz, um die Daten in verständlicher und ansprechender Form darzustellen.

4. Nachlauf- bzw. Servicephase

In der Nachlauf- bzw. Servicephase sichern Schulungen und kontinuierlicher Support für Anwender die nachhaltige Nutzung der Predictive Analytics Lösungen. Um sicherzustellen, dass die Dashboards den Anforderungen der Nutzer entsprechen, werden regelmäßig Tests und Feedback-Runden mit den Endnutzern durchgeführt. Basierend auf dem Feedback werden die Dashboards kontinuierlich angepasst und verbessert, um die Nutzerfreundlichkeit und den Mehrwert zu maximieren.

Ebenso wichtig sind die iterative Überprüfung und Anpassung der Modelle. Regelmäßige Tests und Feedback-Runden mit den Endnutzern sind unerlässlich, um sicherzustellen, dass die Modelle präzise und anpassungsfähig bleiben. Die Modelle sollten kontinuierlich überwacht und basierend auf neuen Daten und Nutzerfeedback aktualisiert werden. Dies gewährleistet, dass die Vorhersagen stets aktuell und zuverlässig sind und die sich ändernden Geschäftsanforderungen berücksichtigen.

Fazit

Predictive Forecasting bietet Unternehmen die Möglichkeit, präzise und effiziente Prognosen zu erstellen und sich besser auf Marktveränderungen vorzubereiten. Durch die Integration von Predictive Analytics in die Planungsprozesse können Unternehmen strategische Vorteile erzielen und ihre Wettbewerbsfähigkeit stärken. Eine sorgfältige Planung und Anpassung an die spezifischen Unternehmensanforderungen sind entscheidend für den Erfolg dieser Technologie.

Allerdings bedingt Predictive Analytics ein stabiles Grundfundament an Daten, um explorative Analysen zu ermöglichen. Aufgrund dessen ist eine stringente und klare Projektplanung, die sich an die oben genannten Schritte orientiert, notwendig, um einen erfolgreichen Einsatz zu gewährleisten. Darüber hinaus ist die klare Einordnung von Möglichkeiten und Grenzen von Predictive Analytics notwendig, um eine optimale Lösung zu entwickeln, die die Unternehmenssteuerung und die Planung unterstützt und verbessert.