Das Ende der Glaskugel naht.
Seit einigen Jahren befindet sich das Controlling im Umbruch. Industrie 4.0 ist nach Meinung vieler Experten auch mit einer Neuausrichtung der Unternehmenssteuerung verbunden. Bisher erfolgte die Unternehmenssteuerung weitestgehend durch die Orientierung an Planwerten für einige wesentliche Unternehmenskennzahlen. Regelmäßige Plan-Ist-Abweichungsanalysen sollten frühzeitig auf Fehlentwicklungen hinweisen und dadurch die Möglichkeit zur Einleitung von Korrekturmaßnahmen schaffen.
Mehr Möglichkeiten dan Data-Mining
Sehr oft musste man aber leider feststellen, dass Abweichungen durch die mangelhafte Qualität der Plandaten verursacht wurden. Der Controller war sich durchaus bewusst, dass die von ihm mit großem Aufwand erzeugten Planwerte meist schon veraltet waren, wenn er sie erstmalig den Entscheidungsträgern präsentierte. Der Übergang zu einer rollierenden Planung mit regelmäßiger (meist quartalsweiser) Überarbeitung der Planzahlen brachte durchaus Verbesserungen, aber noch nicht den großen Durchbruch. Der Wunsch nach einem verstärkten Einsatz von Prognoseverfahren scheiterte in der Vergangenheit an den fehlenden Möglichkeiten zur Auswertung größerer Datenmengen.
Durch die technologischen Entwicklungen der letzten Jahre ergeben sich nun völlig neue Möglichkeiten. Durch die Anwendung von Data-Mining-Ansätzen in Verbindung mit stochastischen Modellen und maschinellem Lernen konnte die Prognoseerstellung stark verbessert werden. Inzwischen kann die Prognoseerstellung effizient gestaltet werden und diese Prognosemodelle liefern in der Regel auch sehr zuverlässige Ergebnisse.
Alter Wein in neuen Schläuchen
Es ist nicht verwunderlich, dass SAP bei dieser Entwicklung kräftig mitmischt: Im Umfeld des Controllings tauchte zuerst der Begriff „Predictive Accounting“ auf. Das hörte sich gut an und viele Controller hatten schon die Hoffnung, dass das goldene Zeitalter des Controllings nun endlich angebrochen war. Leider entpuppte sich das Ganze bei genauerem Hinsehen als Beispiel für „Alter-Wein-in-neuen-Schläuchen“. „Predictive Accounting“ war und ist nichts anderes als der Ausweis der erwarteten Umsatzerlöse und Deckungsbeiträge durch die gebuchten Kundenauftragseingänge. Diese „Vorhersagemethode“ gab es bereits lange vor SAP S/4HANA und all den damit verbundenen Neuerungen. Man wäre bisher nur nicht auf die Idee gekommen, die durch die Kundenauftragseingänge gelieferten Zahlen in irgendeiner Weise mit Prognosen in Verbindung zu bringen, denn Fachwissen über statistische Methoden war und ist zur Ermittlung der Werte nicht erforderlich.
SAP Prognosemodelle: Weniger abstrakt, mehr konkret
Glücklicherweise war das „Predictive Accounting“ nur die Warmlaufphase und inzwischen hat SAP für das Thema „Prognosen“ wesentlich mehr im Angebot: Echte Data Scientists können mit dem Werkzeug „Expert Analytics“ eigene Prognosemodelle erstellen. Da die Welt aber nicht nur aus diesen Experten besteht, stellt SAP mit dem „Predictive Analytics Integrator (PAI)“ auch vorkonfigurierte Prognosemodelle zur Verfügung. Der große Vorteil dieser Prognosemodelle ist ihre Integration in Geschäftsanwendungen. Es geht nicht um Prognosen von abstrakten Kennzahlen, sondern um eine echte Unterstützung der Mitarbeitenden in den Fachabteilungen bei ihrer täglichen Arbeit.
So können die Vertriebsmitarbeitenden beispielsweise mit Hilfe von Prognosewerten zuverlässige Hinweise auf mögliche Lieferverzüge erhalten. Ein anderes Prognosemodell ermöglicht die Vorhersage zukünftig erzielbarer Umsatzerlöse. Des Weiteren besteht dank eines Prognose-
modells die Möglichkeit zur Überwachung der Wahrscheinlichkeit, dass ein Angebot in einen Kundenauftrag umgewandelt wird. Den Einkaufsmitarbeiter stehen Prognosemodelle zur Vorhersage von Lieferterminen und zur Ausschöpfung von Mengenkontrakten zur Verfügung. Der Projektcontroller kann mit Hilfe eines Prognosemodells die zu erwartenden Projektkosten ausweisen und dadurch frühzeitig mögliche Fehlentwicklung erkennen. In der Pipeline gibt es noch einige weitere Prognosemodelle, die aber sicherlich in Kürze eingesetzt werden können.
Zuverlässige Prognosewerte durch umfangreiches Training
Die Vorteile von vorkonfigurierten Prognosemodellen liegen auf der Hand, da die Erstellung eigener Prognosemodelle ein besonderes Fachwissen erfordern würde. So nimmt man auch erst einmal ohne großes Bedauern zur Kenntnis, dass die ausgelieferten Prognosemodelle nicht verändert werden können. Man hat auch erst mal kein Problem damit, dass es nur sehr wenig Informationen zu diesen Prognosemodellen gibt. Ein vorkonfiguriertes Prognosemodell darf aber nicht zur Annahme verleiten, dass auf Knopfdruck alle benötigten Prognosewerte erzeugt werden können. Zuverlässige Prognosewerte wird man immer nur dann erhalten, wenn die ausgelieferten Prognosemodelle umfangreich trainiert wurden.
Für das Training werden historische Daten mit bekannten Ergebnissen genutzt. Durch diese Kombination aus erzielten Ergebnisgrößen in Verbindung mit den dafür erforderlichen Inputgrößen können die benötigten Variablen für das Prognosemodell ermittelt werden. Mit Hilfe der so ermittelten funktionalen Abhängigkeiten zwischen Inputgrößen und Ergebnisgrößen können für die aktuellen Werte (der Inputgrößen) die voraussichtlich zu erzielenden Ergebnisgrößen vorhergesagt werden. SAP weist darauf hin, dass die Modelle selbst die Performance nicht gewährleisten können, sondern dass das nur durch die Datenqualität der Trainingsdaten gewährleistet werden kann.
Kleiner Filter – große Auswirkungen
Bei dieser Gelegenheit erhält man in den bereitgestellten Dokumentationen auch den Hinweis, dass Kenntnisse der Algorithmen (lineare Regression, k-nächste Nachbarn, Klassifizierungsbäume, …) durchaus von Vorteil sein könnten. Die Bedeutung dieses Hinweises wird einem spätestens dann klar, wenn man bei einem aktuellen Projekt mit bereits aufgelaufenen Istkosten von 10.000 EUR bei erneuter Ausführung der Prognose die Information erhält, dass für dieses Projekt Kosten in Höhe von 9.000 EUR zu erwarten sind. Natürlich kann man mit diesem Prognoswert nichts anfangen – aber das bedeutet keineswegs, dass das Prognosemodell wertlos ist. Vielmehr ist dieses Ergebnis der eindeutige Hinweis darauf, dass beim Trainieren des Prognosemodells falsche Filter gesetzt wurden. So unscheinbar dieser Button für die Filtereinstellungen auf den ersten Blick erscheint, so groß ist seine Auswirkung. Leider gibt es zu diesem Punkt aber keine geeigneten Erläuterungen. SAP geht an dieser Stelle offensichtlich davon aus, dass der Anwender dank seiner Kenntnisse der Algorithmen genau weiß, was zu tun ist.
Wenn Sie von dem tiefen Wissen zu vorkonfigurierten Prognosemodellen profitieren möchten und wissen wollen, wie Sie durch die richtige Auswahl von Trainingsdaten die Entstehung nicht interpretierbarer Prognosewerte verhindern können, sprechen Sie mich gerne an.
