AI Fore­casting -
Das führende Steue­rungs­in­strument in 2030

Wir sehen vier Trends, die diese Entwicklung bis 2030 begründen!

Forecasting 2030 Trends

1. Disruption wird zu einem Dauer­zu­stand – Hyper­globale und volatile Märkte führen zu einer immer schnel­leren Disruption bekannter Muster und Struk­turen. Die Frequenz und die Wirk­samkeit von Krisen haben sich im 21. Jahr­hundert deutlich verstärkt. Dies ist sicherlich auf die intensive Vernetzung der Liefer‑, Leistungs- und Finanz­ströme zwischen den Unter­nehmen und Konzernen zurück­zu­führen. Doch auch die schwin­denden Ressourcen durch den weltweit weiter anstei­genden Konsum führen zu Engpässen. Damit werden Schwan­kungen in den Liefer­ketten zu einem Dauer­zu­stand. Zudem erschaffen neue Tech­no­logien und immer schnellere Inno­va­ti­ons­zyklen neue und teils digitale Geschäfts­mo­delle, die bestehende Produkte und Geschäfts­mo­delle, Prozesse, Struk­turen und Systeme immer schneller aufbrechen lassen. In der Konse­quenz wird das Fore­casting an Bedeutung gegenüber der Planung gewinnen. Denn die noch immer sehr aufwendig durch­ge­führte Planung wird schneller obsolet. Fore­casting muss zu jedem Zeitpunkt in allen Bereichen verfügbar sein, um schnellst­möglich bei verän­derten Situa­tionen neue Impulse für Entschei­dungen und zur Steuerung liefern zu können. Damit müssen sich Reak­ti­onszeit und Anpas­sungs­fä­higkeit der Fore­cast­mo­delle deutlich erhöhen.

2. Daten sind die Ressource der Zukunft – Daten­ge­schwin­digkeit, ‑volumen und ‑vielfalt (Big Data) wachsen aller­dings so rasant, dass die meisten Daten uner­schlossen, ungenutzt und sogar unerkannt bleiben (Dark Data). Die intel­li­gente Nutzung von Daten wird zu einem kriti­schen Asset der Steuerung. Die Destil­lation der Daten zu verwert­baren Infor­ma­tionen liefert wertvolle Insights und Fore­sights für neue Geschäfte. Die Daten­ströme werden zum Nerven­system. Business Intel­li­gence allein reicht also nicht mehr aus, um schnelle neue Steue­rungs­im­pulse zu liefern.

3. Fore­casting mit Arti­ficial Intel­li­gence (AI) – AI kommt hier eine besondere Bedeutung zu, da es nicht nur die trans­ak­tio­nalen, sondern auch externe Daten betrachtet. Es bedarf modell­ge­stützter und teils autonomer Daten­ana­lysen mit Machine Learning in Echtzeit, von der prädik­tiven Analyse zur Vorhersage zukünf­tiger Entwick­lungen und Ereig­nisse mit Wahr­schein­lich­keiten, über die Präskription von Hand­lungs­op­tionen bis zur Kognition durch auto­ma­ti­sierte Handlung. Die Ergänzung um Trei­ber­mo­delle erlaubt es Unter­nehmen zudem die kausalen Zusam­men­hänge in der Entwicklung von Steue­rungs­größen aufzudecken.

4. CFO und Finance erhalten eine einzig­artige Position – Denn der AI Forecast wird geschäfts­kri­tische Daten bündeln, die über die Ertrags­kraft, Profi­ta­bi­lität, Liqui­dität und Kapi­tal­ver­sorgung des gesamten Unter­nehmens entscheiden. So liefert Finance präzise Steue­rungs­im­pulse für die Geschäfts­be­reiche und zeigt Hand­lungs­spiel­räume auf für das Kern- und Neuge­schäft. Das bedeutet aber auch, dass Finance zukünftig die Daten­ge­ne­rierung und Infor­ma­ti­ons­ver­wertung aus einer End-2-End Perspektive betrachten muss. Wenn­gleich die Bereit­stellung der Daten in höchster Qualität in der Verant­wortung der opera­tiven Bereiche wie Vertrieb, Produktion oder Perso­nal­ma­nagement verbleibt, muss die Data Gover­nance für den AI Forecast gesamt­heitlich in der Verant­wortung von Finance liegen. Finance und IT müssen zudem stärker als orga­ni­sa­to­rische Einheit verschmelzen und neben dem klas­si­schen Controller und Infor­ma­tiker neue Rollen mit neuen Kompe­tenzen und Fertig­keiten ausprägen (bspw. Data Analysts, Data Scientist oder Data Engineers). Denn der Einsatz von Machine Learning im Fore­casting bedarf einem inter­dis­zi­pli­nären Team aus klas­si­schen und neuen Rollen, um erfolg­reich sein zu können. Nicht zuletzt muss der CFO zum Digital Leader werden, um das Fore­casting zum führenden Instrument der Steuerung weiterzuentwickeln.

Doch das heutige Fore­casting trifft diese Erwar­tungen nicht

Doch ein Blick auf die aktuellen Heraus­for­de­rungen zeigt auch, dass viele Unter­nehmen von diesem Zielbild weit entfernt sind und sie Zeit brauchen werden das Fore­casting dahin zu entwi­ckeln. Denn das Fore­casting in Finance heute…

Forecasting 2030 Herausforderungen

Die geringe Anpas­sungs­fä­higkeit heutiger Forecast-Modelle, schlechte Daten­aus­wer­tungen, komplexe Abläufe, geringe Auto­ma­ti­sierung repe­ti­tiver Aufgaben und kein Einsatz von Arti­ficial Intel­li­gence (AI) entschleu­nigen die Fähigkeit erheblich, auf die Vola­ti­lität und der Märkte reagieren zu können. Impulse zur Steuerung gelangen an den CFO und an andere Entscheider besten­falls verzögert. Es besteht Unklarheit darüber, wie sich Kenn­zahlen entwi­ckelt haben, so dass der „Call to Action“ zu spät oder gar falsch gesetzt wird. Das Resultat ist eine deutlich verrin­gerte Wirk­samkeit des Fore­casting!

Unser Lösungs­ansatz, um das Zielbild zu erreichen

Mit vier Hebeln können wir die gezeigten Heraus­for­de­rungen über­winden und das Fore­casting zum führenden Instrument der Steuerung machen.

Forecasting 2030 mit diesen 4 Hebeln überwinden Sie die Herausforderungen

1. Das Fore­casting optimal auf den Steue­rungs­bedarf ausrichten – Zunächst sind Anpas­sungs­fä­higkeit, Reak­ti­onszeit und Verfüg­barkeit deutlich zu erhöhen, um einer disrup­tiven und volatilen Umgebung stand­halten zu können. Das Corporate Perfor­mance Management (CPM) bildet dabei für uns das Rahmenwerk für eine effektive und effi­ziente Ausge­staltung des Fore­casting. Als Steue­rungs­system des Unter­nehmens liefert es uns die Anker­punkte für die Entwicklung eines indi­vi­du­ellen Ziel­bildes für das Fore­casting 2030. Gemeinsam mit CFO und Finance bestimmen wir den Steue­rungs­an­spruch und die Leit­prin­zipien zur Ausge­staltung des Fore­casting auf Basis von steue­rungs­re­le­vanten Sichten und Objekte, Kenn­zahlen und Treiber, verant­wort­licher Ebenen und Prozesse. Bereits durch die Inte­gration von Trei­ber­mo­dellen kann das Fore­casting trans­parent und ressour­cen­schonend ausge­staltet werden.

Erst wenn die Leit­prin­zipien stehen, decken wir mit unserer Heatmap und mit unseren Better Practices die notwen­digen Hand­lungs­felder und Opti­mie­rungs­po­ten­tiale auf. Wir betrachten alle Bausteine des Fore­casting, u.a. Timing, Frequenz und Horizont, Reak­ti­ons­zeiten, Qualität und Verfüg­barkeit sowie Daten­in­te­gration und Möglich­keiten zur Auto­ma­ti­sierung (bspw. mit Robotic Process Automation).

2. Arti­ficial Intel­li­gence als Basis einsetzen – Ein beson­derer Fokus liegt bei den Hand­lungs­feldern zur optimalen Ausrichtung des Fore­casting auf den Einsatz­mög­lich­keiten von Arti­ficial Intel­li­gence (AI). Das Fore­casting muss als schneller Impuls­geber mindestens die prädiktive Prognose, Analyse und Simu­lation von Entwick­lungen und Ergeb­nissen in Echtzeit ermög­lichen, um die Reak­ti­ons­zeiten im Forecast zu erhöhen. Mit Machine Learning kann das Fore­casting sogar Hand­lungs­op­tionen ableiten und vorschlagen, wirkt also präskriptiv. Weitere Entwick­lungen im Bereich von Arti­ficial Intel­li­gence zielen sogar eine voll­ständige Auto­mation von Aktionen und Entschei­dungen („Operating Analytics“). Doch das ist noch Zukunft. Machine Learning hingegen ist bereits Standard im Forecasting!

Daher braucht es für den Einsatz von Machine Learning im Fore­casting immer einen klar defi­nierten Anwen­dungsfall (Use Case) zu Beginn. Ein Blick auf die Daten allein schafft noch kein Zielbild, wie das Machine Learning im Fore­casting zum Einsatz kommt. Es braucht immer eine klare Ziel­setzung und einen klar erkenn­baren Nutzen für den CFO und für Finance. Denn die Qualität von AI im Fore­casting kann nur so gut sein, wie sein zugrun­de­lie­gender Anwen­dungsfall. Nicht mehr und nicht weniger!

3. Präzision erhöhen und Optionen simu­lieren – Schon heute ist die fehlende Simu­lation im Fore­casting auffällig. Doch CFO und Finance benötigen mehr denn je die Möglichkeit zur Darstellung alter­na­tiver Entwick­lungen in Echtzeit, um den Korridor von bestehenden Hand­lungs­op­tionen besser verstehen zu können. Den Forecast optimal auf den Steue­rungs­bedarf auszu­richten bedeutet daher für uns auch immer das Fore­casting mit starken Simu­la­ti­ons­fä­hig­keiten auszu­statten. Visua­li­sierte Trei­ber­mo­delle können zudem bei solchen Simu­la­tionen schnell die kausalen Zusam­men­hänge zwischen den Treibern und den Steue­rungs­größen verdeutlichen.

Zeit­gleich darf die Über­prüfung der Fore­cast­qua­lität keine Aufgabe mehr sein, die nur am Ende eines Fore­cast­pro­zesses steht. Die Fore­cast­qua­lität gilt es in allen Phasen zu über­wachen. So sichert die Anomaly Detection die Progno­se­ge­nau­igkeit bereits in der Phase der Daten­be­reit­stellung, indem sie die einge­henden Daten für den Forecast überwacht und auf Basis trai­nierter Muster konti­nu­ierlich überprüft. Somit können Ausreißer in den Daten oder gar falsche Trans­ak­ti­ons­daten früh­zeitig erkannt werden. Die Visua­li­sierung mit modernen Reporting-Lösungen ermög­licht auch dem Controller die Anomalien schnell zu verstehen. Zudem wird das Machine Learning als Kern des Fore­cast­mo­dells konti­nu­ierlich überwacht. Bei diesem Retraining und Refit werden Daten und Algo­rithmen evaluiert und bei sich ändernden Para­metern (bedingt durch neue externe Einflüsse oder neue Entschei­dungen) auch neu trainiert, damit „die Maschine“ lernen kann. Zudem müssen die Fore­cas­t­er­geb­nisse auch mit klas­si­schen Quali­täts­kenn­zahlen überwacht werden, indem die Forecast-Abwei­chungen den Istzahlen gegen­über­ge­stellt werden, bspw. mit RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), MASE (Mean Absolute Scaled Error) oder MAPE (Mean Absolute Percentage Error).

4. Mindset weiter­ent­wi­ckeln und Wandel begleiten – Der Fokus liegt dabei auch auf der Arbeits­teilung zwischen Mensch und Maschine. Aufbau und Einsatz von Machine Learning im Fore­casting erfordert einen orga­ni­sa­to­ri­schen Wandel und auch ein Umdenken in den Köpfen. Es werden sich neben dem Controller neue Rollen etablieren müssen, wie der Data Scientist oder der Data Engineer. Sie ermög­lichen nicht nur den Aufbau von Machine Learning im Fore­casting, sondern sich als DevOps-Team auch die konti­nu­ier­liche Weiter­ent­wicklung und das Training des Machine Learning Modells. Wir bringen diese Kompe­tenzen mit und stärken Finance und IT im Aufbau dieser Fähigkeiten.

Mit dem Anwen­dungsfall (Use Case) für Machine Learning schaffen wir von Beginn an Klarheit im Zielbild und im Nutzen für CFO und Finance. Speziell die Einführung von Arti­ficial Intel­li­gence kann zu einer Ablehnung in der Orga­ni­sation führen. Wir über­winden diesen anfäng­lichen Schock in der Orga­ni­sation mit eigenen und sehr prag­ma­ti­schen Live Cases zu Machine Learning und Robotics im Fore­casting und leuchten auch die „Black Box“ der Machine aus. Im Lauf des Projektes machen wir dann erste Lösungs­bau­steine schnell greifbar (bspw. Dash­boards mit Simu­lation) für die Orga­ni­sation, trai­nieren und binden diese in die agilen Tests fertige Bausteine ein. Dadurch werden Logiken und Algo­rithmen des Machine Learning schneller verständlich anhand echter Geschäfts­daten. Und nicht zuletzt auch der Mehrwert für den Menschen.

Unsere Vorge­hens­weise ist unser Mehrwert für Sie

Manchmal sagt ein Bild mehr als tausend Worte. Ihr Anspruch ist für uns Chefsache und damit die Basis für eine nach­haltige und moderne Forecast-Lösung in 2030!

6 Bausteine für den CFO Anspruch

Die Heraus­for­de­rungen des 21. Jahr­hundert machen die Planung schnell obsolet. CFOs brauchen präzisere Prognosen für schnelle Entschei­dungen. Mit der richtigen Ausge­staltung wird das Fore­casting zum mäch­tigsten Instrument der Steuerung und Arti­ficial Intel­li­gence zu seinem wich­tigsten Hebel.

Werden Sie Teil dieser Entwicklung!

Fragen an unseren Experten
Christian Baumgarten Experte für Planung und Forecasting

Christian Baum­garten
Manager -
Planung und Forecasting