Predictive Forecasting

Aus Controlling-Wiki
Geprüft: Positiv beurteilt

Predictive Forecasting ist ein Instrument zur Unternehmenssteuerung mit welchem, unter Anwendung von stochastischen Modellen, maschinellem Lernen und Data Mining-Ansätzen, die Prognostizierung der zu erwartenden Zielerreichung exakter und effizienter erfolgt, als durch traditionell erstellte Prognosen. Aufgrund diesen mit hoher Wahrscheinlichkeit zutreffenden Vorhersagen können Unternehmen adäquate Massnahmen erarbeiten und somit die zu erwartende Entwicklung positiv beeinflussen (Mehanna, Müller & Tunco, 2015, S. 3).

Definition

Forecast

Abb. 1: Bestandteile von Business Analystics (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 17)

Nach Shim (2009) ist der Forecast ein Steuerungsinstrument, um langfristige Strategien und Kosten zu planen. Forecasts können im Marketing, in der Finanzabteilung, in der Disposition, in der Produktion, im Verkauf, in der Personalabteilung kurz in allen Abteilungen eingesetzt werden. Er wird aus einer strategischen Perspektive für Produkte, Prozesse, Margen, Zinsen, Einnahmen, Ausgaben u. a. verwendet (Shim, 2009, S. 3-4). Forecasts werden mit dem Ziel eingesetzt, das Unternehmensrisiko von Fehlentscheidungen zu minimieren. Sie basieren auf keiner exakten Wissenschaft (Shim, 2009, S. 12). Tendenziell nimmt die Qualität eines Forecasts mit der Erfahrung des Erstellers zu. Ein Forecast kann nach Shim (2009, S. 7) in die Hauptkategorien Verkaufsforecast, Ökonomischer Forecast, Finanzieller Forecast und Technologischer Forecast eingeteilt werden.

Predictive Forecasting

Predictive Forecasting ist eine Teildisziplin von Predictive Analytics, was wiederum ein Bestandteil von Business Analytics darstellt. In Abbildung 1 werden die verschiedenen Bestandteile von Business Analytics aufgezeigt und an einem Beispiel verdeutlicht (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 17). Mit Predictive Forecasting sind Methoden und Modelle gemeint, welche die Zukunft bestmöglich voraussagen. Die Vorhersagen beruhen auf historischen und real-time Daten und deren Zusammenhänge. Das Einsatzgebiet von Predictive Analytics in Unternehmen ist sehr umfangreich und beinhaltet unter anderem die Unternehmens- und Finanzplanung, die Beschaffung, die Produktion, den Vertrieb, das Personalmanagement und das Qualitätsmanagement (Schön, 2016, S. 268).

Methodik von Predictive Forecasting

Ein Forecast kann grundsätzlich nach qualitativen und quantitativen Ansätzen erstellt werden. Bei der qualitativen Methode werden Kundenumfragen und Meinungen von Experten wie beispielsweise Produktmanager oder Grosskundenberater beigezogen. Bei den quantitativen Methoden werden Zusammenhänge basierend auf historischen Daten und/oder nach kausalen Zusammenhängen gesucht. Auf historischen Daten basierende Modelle sind häufig intuitiv. Der Komplexitätsgrad ist in der Regel tiefer als in Modellen zur Berechnung von kausalen Zusammenhängen. Mit Regressionen werden Assoziationen, also kausale Zusammenhänge, aus historischen Daten ermittelt. Die Anwendung von Regressions-Modellen bedeutet je nach Anzahl Variablen eine hohe Komplexität der stochastischen Formeln (Larose, 2015, S. 601-619).

Um die Datenmuster überhaupt erkennen und daraus Prognosen erstellen zu können, werden zu Beginn Modelle entwickelt. Sie beinhalten Methoden und Algorithmen aus den Disziplinen Mathematik, Statistik, Informatik, Biologie und Physik. Als gängige Methoden für die Entwicklung von Modellen dienen die Klassifikation, die Clusterbildung, die Hauptkomponentenanalyse, die Faktorenanalyse, die Abhängigkeitsentdeckung, die Abweichungsentdeckung, die Diskriminanzanalyse, Entscheidungsbäume, die Attributgewichtung, die Regressionsanalyse, die Assoziationsanalyse, Neuronale Netze und Support-Vector Maschinen (Schön, 2015, S. 270-271). Die Modelle sind kontinuierlich weiterzuentwickeln und zu pflegen.

Der Predictive Forecast kann als eine Erweiterung vom klassischen Forecast verstanden werden. Anhand neuer Daten können neue kausale Zusammenhänge gefunden werden, die den zur Verfügung stehenden Datensatz bereichern und zu einem besseren Forecast-Output bringen. Mit jedem weiteren Zusammenhang zwischen Daten, können Data Scientists neue Varianten ausprobieren, um so den Predictive Forecast zu verbessern (Taylor, 2011, S. 260).

Damit eine schnelle und verlässliche Vorhersage gemacht werden kann, werden verschiedene Datensätze, wie beispielsweise unstrukturierte Daten aus dem Internet (Facebook, Twitter, YouTube etc.), Sensordaten der Produktion, Lieferantendaten oder Kundendaten gesammelt, analysiert und daraus sinnvolle Erkenntnisse abgeleitet (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 75). Mit der zur Verfügung stehenden qualitativen Datenmenge steigt die Genauigkeit der Prognosen an. Aus diesem Grund spielt der Einsatz von Big Data-Technologien im Bereich des Predictive Forecasting eine zentrale Rolle (Schön, 2015, S. 268).

Die aktuellen wissenschaftlichen Kenntnisse zeigen, dass die quantitativen Forecasts in der Genauigkeit vor den qualitativen Forecasts liegen. Dennoch sind die qualitativen Forecasts nicht zu unterschätzen. Der optimale Forecast ergibt sich häufig aus einem Mix aus quantitativen und qualitativen Methoden (Shmueli et al., 2017, S. 337).

In Anlehnung an Blascheck, Raschke & Ertl (2013, S. 111-113) messen Eye-Tracking-Tools die Zeit, wie lange die Kundschaft online auf einer Webpage gewisse Produkte betrachtet. Wird nun ein kausaler Zusammenhang zwischen Betrachtungszeit und Wunsch nach dem Produkt definiert, kann mit einem Algorithmus errechnet werden, wie stark sich der Markt verändern wird. Falls die Kundschaft länger ein Neuprodukt betrachtet als die Top-Seller, kann dies bereits eine Implikation für eine Marktveränderung sein. In diesem Fall wären weitere Informationen über die Kundschaft wie Alter, Geschlecht, Einkommen und Vermögen spannend. An diesem Beispiel wird schnell ersichtlich, welches Potenzial in einem Predictive Forecast liegt.

Kritische Würdigung

Vorteile

Durch die Anwendung von Predictive Forecasting können Forecasts schneller, effizienter und somit auch häufiger erstellt werden. Weiter wird durch die grosse Anzahl der mit den entwickelten Methoden analysierten Daten, die Qualität und dadurch auch die Verlässlichkeit der Voraussage erhöht. Aufgrund der präziseren und häufigeren Prognosen kann das Management gezielter eingreifen und nötige Massnahmen in die Wege leiten, um die gesetzten Ziele zu erreichen oder Einspar- und Kostenoptimierungspotenziale auszunutzen (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 75).

Nachteile

Um die gewünschte grosse Anzahl von Daten zu analysieren und die Berechnungen durchführen zu können, wird sehr viel Speicherkapazität benötigt. Teilweise rechnen Analysten mit Volumina im Bereich von Zettabyte (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 27). Weiter erfordert die Erstellung und anschliessende Einführung eines Predictive Forecasting-Modells ein umfangreiches technisches und fachliches Wissen (Schön, 2015, S. 271). Vielen Unternehmen fehlt es an entsprechend ausgebildeten Mitarbeitenden, um das Modell selbständig zu entwickeln, anzuwenden und zu pflegen (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 34). Diese Kompetenzen müssen sich die bestehenden Mitarbeitenden zuerst aneignen oder sie müssen durch zusätzliche Mitarbeitende beziehungsweise externe Partner abgedeckt werden. Es ist somit für die Einführung und den Betrieb von Predictive Forecasting sowie die dafür nötigen Big Data-Technologien mit nicht zu unterschätzenden Kosten zu rechnen (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 171-172).

Chancen

Predictive Forecasting ermöglicht unter anderem eine bessere Absatzprognose, ein vollautomatisiertes Pricing, die frühzeitige Erkennung von Rohstoffpreisveränderungen und die Optimierung der Lagerhaltung. Die daraus resultierenden Kosteneinsparungen und Umsatzsteigerungen tragen zum wirtschaftlichen Erfolg bei und können einen Wettbewerbsvorteil darstellen (Mehanna, Müller & Tunco, 2015, S. 5-6).

Risiken

Quantitative Forecasts unterliegen zwei gravierenden Mängeln. Erstens kann nicht davon ausgegangen werden, dass sich die Vergangenheit wiederholt. Es genügt, wenn ein Anbieter ein neues Produkt auf den Markt bringt, um die Märkte zu verändern. Zweitens können Regressionen Beziehungen zwischen Daten finden, die nur zufällig im Zusammenhang stehen. Diese nicht kausalen Zusammenhänge werden in den Forecasts abgebildet und führen so zu einem falschen Output (Albright & Winston, 2015, S. 461-590; Shim, 2009, S. 7-8).

Für die Anwendung von Predictive Forecasting dient eine grosse Menge an Daten beziehungsweise Big Data-Technologien als Grundlage. In diesen Daten liegen grundsätzlich auch die grössten Risiken. Zum einen muss darauf geachtet werden, dass bei der Datenbeschaffung und Datenverwendung sowohl nationale als auch internationale Gesetze eingehalten werden. Auch bestehen diesbezüglich gewisse soziale Risiken, da die Verwendung von persönlichen Daten in der Bevölkerung oft kritisch aufgefasst wird und die Kundenbindung Schaden nehmen könnte, wenn bekannt wird, dass ein Unternehmen entsprechende Daten sammelt und weiterverwendet. Zusätzlich sind die Qualität und die Sicherheit der Daten als grosses Risiko zu betrachten, da manipulierte oder qualitativ schlechte Daten zu falschen Ergebnissen und anschliessend zu falschen Entscheidungen führen. Schlussendlich besteht durch die automatisch vorgenommene Verarbeitung und Analyse der Daten das Risiko, dass die Ergebnisse nicht mehr hinterfragt oder falsch interpretiert werden (Gleich, Grönke, Kirchmann & Leyk, 2014, S. 97-105).

Lern- und Praxismaterialien

Fallstudien

Quellen

Literaturverzeichnis

  • Albright, S. C. & Winston, W. L. (2015). Business Analytics: Data Analysis and Decision Making (5. Aufl.). Stamford: Cengage Learning.
  • Blascheck, T., Raschke, M., Ertl, T. (2013). eTaddy - Ein integratives Framework für die Erstellung, Durchführung und Analyse von Eyetracking-Daten. In Gesellschaft für Informatik (Hrsg.). Lecture Notes in Informatics (LNI) – Seminars (S. 111–114). Bonn: Köllen Druck+Verlag GmbH.
  • Gleich, R., Grönke, K., Kirchmann, M. & Leyk, J. (2014). Controlling und Big Data. Anforderungen, Auswirkungen, Lösungen. München: Haufe.
  • Larose, D. T. & Larose, C. D. (2015). Data Mining and Predictive Analytics (2. Aufl.). New York: WILEY.
  • Mehanna, W., Müller, F. & Tunco, C. (2015). Predictive Forecasting und die Digitalisierung der Unternehmenssteuerung. IM+io Fachzeitschrift für Innovation, Organisation und Management (4), S. 28-32.
  • Satzger, G., Holtmann, C. & Peter, S. (2015). Advanced Analytics im Controlling – Potenzial und Anwendung für Umsatz- und Kostenprognosen. Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, 27 (4/5), 229-235
  • Schön, D. (2016). Planung und Reporting. Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics (2. Aufl.). Wiesbaden: Springer Gabler.
  • Shim, J. K. (2009). Strategic Business Forecasting. Including Business Forecasting Tools and Applications. London: Global Professional Publishing.
  • Shmueli, G., Bruce, P. C., Stephens, M. L. & Patel, N. R. (2017). Data Mining for Business Analytics: Concepts, Techniques, and Applications with JMP Pro®. New York: WILEY.
  • Taylor, J. (2011). Decision Management Systems. A Practical Guide to Using Business Rules and Predictive Analytics. Bosten: IBM Press.

Weiterführende Literatur

Autoren

Tobias Lang, Adrian Steiger, Silvan Vogel