of 6/6
IM+io Fachzeitschrift für Innovation, Organisation und Management 40 Heft 4 I Dezember 2015 Predictive Analytics im Controlling Chancen für bessere Entscheidungen erkennen und nutzen Klaus Möller, Svenja Pieper, Universität St.Gallen im+io_004.2015_s.40-45_sp_moeller.indd 40 13.11.15 16:34

Predictive Analytics im · PDF fileSchwerpunkte 41 Predictive Analytics als (Teil-) Antwort von benutzerfreundlichen Analysetools, einer auf die steigende Volatilität Die neue Normalität

  • View
    217

  • Download
    1

Embed Size (px)

Text of Predictive Analytics im · PDF fileSchwerpunkte 41 Predictive Analytics als (Teil-) Antwort...

  • IM+io Fachzeitschrift fr Innovation, Organisation und Management40 Heft 4 I Dezember 2015IM+io Fachzeitschrift fr Innovation, Organisation und Management40 Heft 4 I Dezember 2015

    Predictive Analytics im Controlling Chancen fr bessere Entscheidungen erkennen und nutzen

    Klaus Mller, Svenja Pieper, Universitt St.Gallen

    im+io_004.2015_s.40-45_sp_moeller.indd 40 13.11.15 16:34

  • Schwerpunkte 4141

    Predictive Analytics als (Teil-) Antwort auf die steigende Volatilitt

    Die neue Normalitt in der Unternehmensland-schaft heit VUCA Volatile, Uncertain, Com-plex, Ambigous. Ein solch verndertes Umfeld, gepaart mit einer voranschreitenden Digitalisie-rung hat entscheidende Auswirkungen auf die Planung und Steuerung von Geschftsprozessen. Schnellere, agilere und proaktive Anstze der Unternehmenssteuerung sind gefragt, um ein wettbewerbsfhiges Handeln sicherzustellen. Mit dem rasanten Anstieg der Datenvolumina und -vielfalt durch Big Data wecken daher systemati-sche, datengetriebene Entscheidungsunterstt-zungen sogenannte Advanced Analytics hohes Interesse in der Unternehmenspraxis. Im Mittelpunkt von Advanced Analytics stehen ma-thematische, statistische und konometrische Modelle, die auf Grundlage der wachsenden Da-tenmengen neue entscheidungsrelevante Er-kenntnisse generieren. Advanced Analytics er-weitern beschreibende Modelle um vorhersagen-de und optimierende Anstze. Obwohl die Ad-vanced Analytics zugrundeliegenden Methoden nicht neu sind, ist ihr praktischer Bedeutungsge-winn in den vergangenen Jahren enorm ange-stiegen. Dies ist auf verschiedene Entwicklungen wie beispielsweise eine verbesserte Verfgbarkeit

    Innovative, zukunftsgerichtete Datenanalysen, sogenannte Predictive Analytics, untersttzen Organisationen bei der proaktiven Auseinandersetzung mit Unternehmens- und Marktentwicklungen. Bei ihrem Einsatz sowie ihrer Integ-ration in Managemententscheidungen und Steuerungssys-teme kommt dem Controlling eine zentrale Aufgabe zu. Dieser Beitrag analysiert die Relevanz und Anwendungs-potenziale von Predictive Analytics sowie entsprechende Einsatzmglichkeiten im Controlling. Die Umsetzung wird an einem konkreten Anwendungsszenario illustriert.

    von benutzerfreundlichen Analysetools, einer steigenden Anzahl an speziell ausgebildeten Fachkrften, komplementren Technologien (wie Cloud-Lsungen) und einer systematischen Einbeziehung von Daten innerhalb eines Netz-werks zurckzufhren [1]. Advanced Analytics sind dabei als ergnzende Lsungen zu traditio-nellen Datenanalyseverfahren (Basic Analytics) zu verstehen, die in die bestehende Business In-telligence-Landschaft in den tglichen Entschei-dungsprozessen integriert werden [2]. Um Advan-ced Analytics als werttreibendes Element unter-nehmensweit in die tglichen Entscheidungspro-zesse einzusetzen, bedarf es nicht nur einer tech-nischen Evolution, sondern vor allem auch ei-nem kulturellen Wandlungsprozess weg von ei-ner rein reaktiv-analytischen hin zu einer proak-tiv ausgerichteten Steuerung.

    Ein wesentliches Fundament der proakti-ven Steuerung bilden vorhersagende Modelle, sogenannte Predictive Analytics. Predictive Analytics beschreiben Anstze, die auf Grund-lage statistischer Modelle und Algorithmen Be-ziehungen in historischen Daten identifizieren und auf zuknftige Entwicklungen bertragen. Ihr Nutzen liegt in der automatisierten, statis-tisch abgesicherten Erstellung von Prognosen auf Knopfdruck. Insbesondere in einem VU-CA-geprgten Unternehmensumfeld erlauben

    im+io_004.2015_s.40-45_sp_moeller.indd 41 13.11.15 16:34

  • IM+io Fachzeitschrift fr Innovation, Organisation und Management42 Heft 4 I Dezember 2015

    Prozent der Unternehmen im deutschsprachigen Raum an, explizit den Aufbau von Vorhersage-modellen zu forcieren, um zuknftige Entwick-lungen prziser und vorhersehbarer zu gestalten [5]. Mit dem Einsatz und der Integration von Predic-tive Analytics kommt insbesondere dem Cont-rolling mit seinen Kernfunktionen der Planung und Informationsversorgung eine zentrale Auf-gabe im Sinne der systematischen Entschei-dungsuntersttzung zu.

    Daten als Grundlage prdiktiver Analysen im Controlling

    Die Kernkompetenz des Controllings liegt in der Planung, Koordination und Kontrolle der Unter-nehmensziele sowie der zielgerichteten Versor-gung der Unternehmensfhrung mit entschei-dungsrelevanten Informationen [6]. Als Folge ist der Controller von jeher mit der zielgerichteten Analyse von Daten vertraut, die in der Vergan-genheit jedoch meist einen rckwrtsgerichteten reaktiv-analytischen Charakter aufwies. Im Zuge dynamisierter Umfeldbedingungen steigt das Bedrfnis des Controllings nach proaktiven

    Predictive Analytics frhzeitig und effizient, Trends und Gefahren zu erkennen, um daraus proaktiv zielgerichtete Handlungsmanahmen abzuleiten. Ein wesentlicher Erfolgsfaktor fr Predictive Analytics liegt in der synchronen Ver-arbeitung und Analyse unternehmensinterner (etwa Kapazitten, Investitionen) und externer Faktoren (beispielsweise Marktentwicklung, Rohstoffpreise). Dies fhrt zu einem erheblichen Verstndnisgewinn bezglich Geschftsmodell und Geschftsdynamik, was wiederum wesentli-che Vorteile fr eine verbessere Entscheidungs-findung mit sich bringt. Neben dem klassischen Einsatz von Vorhersagemodellen im Kontext von Umsatz- und Absatzprognosen bieten Predictive Analytics auch Einsatzmglichkeiten in weiteren betrieblichen Funktionsbereichen, wie beispiels-weise zur individuellen dynamischen Bewertung von Kundenbeziehungen [3]. Infolgedessen wird prdiktiven Anstzen wie Prognose- und Frh-warnmodellen sowie Trendanalysen ein hohes Potenzial zur zuknftigen Entscheidungsunter-sttzung zugeschrieben [4].

    Der Bedarf an Predictive Analytics in der Unternehmenspraxis ist hoch. So geben 51

    Prof. Dr. Klaus Mller

    Klaus Mller ist Inhaber des

    Lehrstuhls fr Controlling/

    Performance Management

    und Direktor des Instituts fr

    Accounting, Controlling und

    Auditing der Universitt

    St. Gallen. Seine Forschungs-

    schwerpunkte liegen in den

    Bereichen Performance

    Management, Predictive

    Analytics und Innovations-

    controlling.

    Kontakt

    [email protected]

    Tel.: +41 71 2247406

    www.aca.unisg.ch/de/

    arbeitsgebiete/moeller

    Methode & Anwendung (Lsungsuntersttzung)

    Performance Management Kontext

    Strategie, Geschftsmodell, Steuerung, Wettbewerb

    Frhwarnung, Ressourcen,Planung

    Zielsetzung

    c

    DatenQualitt & Quantitt

    Predictive Analytics

    Fragestellung (Problem)

    Anwendungsbeispiele

    Prognose konomischer Erfolgsfaktoren fr die Unternehmensplanung

    Simulation von Werttreiberbumen zur Vergtungsplanung

    Methoden

    DEA, ANP, AHP, CPBRAS, Utility Analysis, MAUT, TOPSIS,

    Gleitender Durchschnitt, Exponentielles Gltten, Zeitreihendekomposition, ARIMA-Box Jenkins, ARCH / GARCH, MARS,

    VAR, VECM, Neurale Nets, GLM Regression, Dynamische Regression, Markov-Models, (Dynamic) Panel, Evolutionre Algorithmus,

    Szenario-Simulation, Werttreiber-Simulation, Monte Carlo Simulation,

    Regressionsanalyse (univariat, multivariat), SEM, Faktorenanalyse,

    Numerische Simulation,

    AB

    D

    Text Mining, K-Means Clustering, Entscheidungsbume, 1

    2

    3

    4

    5

    6

    7

    Kausalittsbasierte Einflussfaktorenanalyse

    E

    Performance Management Analytics

    C

    1

    4

    2

    3

    76

    5

    Kontext Ziel Daten Methoden AnwendungA B DC E

    Abbildung 1

    Abbildung 1: Einordnung von Predictive Analytics im Performance Management Kontext.

    im+io_004.2015_s.40-45_sp_moeller.indd 42 13.11.15 16:34

  • Schwerpunkte 43

    Steuerungslogiken. Diesem Bedrfnis kommen Predictive Analytics explizit entgegen, da sie schnellere und verbesserte, in die Zukunft ge-richtete Entscheidungsuntersttzung bieten. Sie helfen dem Controller, die Vergangenheit besser zu verstehen, Vernderungen interner und exter-ner Faktoren frhzeitig zu erkennen und infol-gedessen zielgerichtet proaktive Handlungsma-nahmen fr zuknftige Entwicklungen abzulei-ten. Als Resultat knnen die operative und stra-tegische Entscheidungsuntersttzung verbes-sert werden und das bisher eher retrospektive Berichtswesen durch Erkenntnisse aus statisti-schen Prognosen und Simulationen ergnzt werden [7]. Der Einsatz von prdiktiven Model-len und Analysen ist nicht nur auf Prozesse der strategischen und operativen Planung sowie des Forecasts beschrnkt. Vielmehr stellen sie eine Querschnittsfunktion ber smtliche Control-lingprozesse wie Kostenrechnung, Manage-ment Reporting und Risikomanagement hin-weg dar.

    Performance Management Analytics sind als Schnittstelle von Controlling-Fachwissen, IT-basierter Anwendung und analytischen Me-thoden zu verstehen [8]. Ihr Einsatz folgt einer strukturierten, problemorientierten und me-thodenneutralen Vorgehensweise. Wie in Ab-bildung 1 dargestellt, bilden Predictive Ana-lytics in diesem Kontext eine Teilmenge rund um prdiktive Fragstellungen und Lsungsun-tersttzungen. Den Ausgangspunkt ihrer An-wendung bildet die Definition der Fragestel-lung. Neben der Festlegung des zu untersu-chenden Kontextes (A), insbesondere bezglich des Controlling- beziehungsweise Performance Management Verstndnisses, umfasst dieser Schritt die Zielsetzung der Anwendung (B) [9]. Klassifikationen sowie Extrapolationen bilden dabei die Kernanwendungsbereiche von Predic-tive Analytics und werden durch dynamische Interaktionen und Simulationen ergnzt. Auf-bauend auf der definierten Fragestellung erfolgt die Analyse des Datenkontexts (C). Die Daten-quantitt sowie explizit die Datenqualitt stel-len einen Erfolgsfaktor fr datengetriebene Analysen dar. Schwchen der Datengte kn-nen zu fehlerhaften Auswertungen und darauf gesttzten, falschen Managementen