Forecasting 2030

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

Weitere News
  • Target Setting in CCH Tagetik

    Von Andre Mourao

  • Unternehmensplanung in inflationären Zeiten effektiv gestalten

    Von Bettina Bauer

  • Target Setting 2030

    Von team planning and forecasting