Manuelle Datenerhebung und -harmonisierung verbrauchen kostspielige Ressourcen, dennoch bleiben Genauigkeit und Zuverlässigkeit der Prognosen unzureichend. Während die Vorteile von Predictive Forecasting-Lösungen auf Basis von künstlicher Intelligenz (KI) bekannt sind, scheitern Unternehmen oft aufgrund von mangelnder Orientierung und Know-how an der Umsetzung. Ein sorgfältig ausgewählter, risikoarmer Ansatz ist nötig, der es Unternehmen ermöglicht ihre Predictive Forcasting-Funktionalitäten schnell und nachhaltig zu skalieren und ihre Prognosen zu einem effizienten und effektiveren Prädikator für den Erfolg zu konsolidieren.
Forecasting-Abteilungen haben Mühe, ihr Potenzial auszuschöpfen
Ohne die Fähigkeit, relevante Treiber zu identifizieren und verschiedene Szenarien und Gegenmaßnahmen zu berechnen, verschwenden Unternehmen finanzielle Mittel für fehlerhafte Prognosen, die die erfolgreiche Verwirklichung der Ziele und Pläne eines Unternehmens gefährden können.
Wie beispielsweise die Corona Pandemie gezeigt hat, können künftige Krisen auf eine Vielzahl nichtfinanzieller Ursachen zurückzuführen sein, sodass die Einbeziehung verschiedenster externer Faktoren in die Prognose unabdingbar ist. Glücklicherweise führten die jüngsten Entwicklungen zu einer neuen Generation des Forecasting, wobei KI genutzt wird, um CFOs zuverlässige Prognosen zu liefern.
Jede Dimension des Forecasts wird transformiert
Technologische und methodische Entwicklungen haben den Forecasting-Prozess grundlegend verändert. Die bislang weitaus manuelle Datenerhebung, welche großen Aufwand verursacht, wird zukünftig durch automatisierte Datenerfassungsmethoden und eine vereinheitlichte Forecasting-Struktur abgelöst. Dadurch werden Zeit und Kosten eingespart und eine schnelle und effiziente Datenvalidierung gefördert.
Neue Forecast-Methoden führen zu mehr Zuverlässigkeit, im Gegensatz zu denen, die häufig stark von unternehmenspolitischen Entscheidungen und der Subjektivität der prognostizierenden Einheit beeinflusst werden. Diese Faktoren gelten nicht für algorithmische Prognosen. Schließlich ist die Darstellung der prognostizierten Werte nutzerzentrierter und fokussierter geworden. Aussagekräftige Korrelationen der untersuchten KPIs mit internen und externen Größen werden dem Nutzer effektiv kommuniziert und die Prognosewerte sind integraler Bestandteil aller Managementberichte.
Die nächste Generation der Forecasts löst strategische Rätsel
Ob in defensiven Phasen oder in Zeiten strategischer Expansion, die Implementierung von Predictive Forecasting verbessert die Fähigkeiten der operativen und strategischen Prognosen eines Unternehmens immens. Beide Dimensionen der Planung profitieren maßgeblich von dem erweiterten Pool an internen und externen Variablen, die in die Berechnung einfließen. Die intelligenten Algorithmen lösen „strategische Rätsel“, die die Entscheider eines Unternehmens unnötig lange herausfordern.
Beispielsweise könnte ein Zeitungsverlag aufgrund starker regionaler Verkaufsschwankungen mit einer großen Menge unverkauften Inventars zu kämpfen haben. Herkömmliche Prognosen, die die relevanten externen Variablen nicht identifizieren können, könnten zu dem Trugschluss kommen, dass interne Faktoren, wie der Inhalt der Zeitung oder die Anzeigenbudgets für diese Volatilität verantwortlich sind. Intelligente Algorithmen hingegen könnten erkennen, dass bisher vernachlässigte Faktoren wie Regenfälle, lokale Sportereignisse oder Urlaubszeiten die Kaufentscheidung eines Kunden beeinflussen. Nur mit solchen Erkenntnissen kann das Problem effektiv angegangen werden.
Vorteile von Predictive Forecasting ergeben sich dank folgender Aspekte:
-
Intelligente Algorithmen können Trends und Kausalzusammenhänge zwischen Variablen erkennen
-
Forecasts können in Echtzeit erstellt werden
-
Datengetrieben erstellte Forecasts werden nicht manipuliert, um unternehmenspolitischen Entscheidungen gerecht zu werden
-
Nicht-lineare Kalkulationen vergrößern den Wertebereich von Variablen für Wirkungsstudien
-
Maschinelles Lernen unterstützt den Prozess einer kontinuierlichen Verbesserung
Ohne Orientierung und Planung ist die Umsetzung von Predictive Forecasting von vornherein zum Scheitern verurteilt
Trotz der starken Vorteile von Predictive Forecasting ist eine Implementierung bei Unternehmen immer noch relativ gering. Die CFO 4.0 Studie von BearingPoint zeigt, dass weniger als 40 Prozent der Stichprobenunternehmen erweiterte Datenanalyse- und Vorhersagefunktionen eingeführt oder getestet haben oder derzeit auf dem Weg sind, diese zu implementieren. Verschiedene Studien zeigen jedoch, dass mehr als drei Viertel der Finanzexperten erwarten, dass Predictive Forecasting ihre Prognosefunktion verbessert und ihre Relevanz daher noch weiter zunehmen wird.
Die Hauptfaktoren, die den fehlenden Erfolg bei der Implementierung von Predictive Forecasting ausmachen, sind:
- Tools, die für die Anforderungen und den Business Case des Unternehmens ungeeignet sind
- Fehlendes statistisches Know-how des beteiligten Teams
- Fehler beim Identifizieren eines geeigneten Startpunkts in Bezug auf KPIs und Datenverfügbarkeit
- Fehlen einer realistischen Roadmap, um das Projekt zu leiten
Das gemeinsame Thema dieser Faktoren ist der Mangel an Orientierung und klarer Führung. Glücklicherweise können sie ohne große Schwierigkeiten eliminiert werden, wenn ein bewährter Ansatz gewählt wird und das erforderliche Know-how vorhanden ist.
Groß denken, klein starten, schnell skalieren
Der Weg zum Predictive Forecasting kann aufgrund der Vielfalt an KPIs, BI-Tools und Methoden schwierig erscheinen. Um dieses Problem zu lösen, empfehlen wir, den Prozess in kleine Schritte aufzuteilen. Als Ausgangspunkt dient eine Bewertung der aktuellen Planungs- und Forecastlandschaft und der Geschäftsanforderungen. Die Meinung aller wichtigen Stakeholder sollte idealerweise mit externen Erfahrungen zusammengeführt werden, um eine maßgeschneiderte Roadmap von einem Predictive Forecasting Minimum Viable Product (MVP) bis hin zur Transformation des gesamten Planungs- und Budgetierungsprozess zu entwickeln.
Durch diese Methode profitieren Unternehmen von einer geringen Einstiegshürde, da anhand mehrerer Kriterien ein geeigneter Proof of Concept ausgewählt werden kann und bisherige Forecasts bestehen bleiben, bis die Predictive Forecasting-Berichte einen zufriedenstellenden Reifegrad erreicht haben. Nach erfolgreicher Implementierung eines Predictive Forecasting MVP kann das Gesamtsystem mit relativ geringem Aufwand schnell hochskaliert werden. Je nach Anwendungsfall kann die Skalierung in einer von zwei Dimensionen priorisiert werden. Tiefe kann durch weiteres Training und Verfeinerung des Modells in Richtung einer besseren Leistung erlangt werden. Alternativ kann der Anwendungsfall durch Erweiterung seines Umfangs (z.B. mehr KPIs, mehr Variablen) skaliert werden.
