Teil II: Wie Künstliche Intelligenz und erweiterte Statistik die Unternehmensplanung verändern

Im Rahmen der Publikationsreihe Strategic Insights wurden in Teil I die Nutzenpotenziale von erweiterter Statistik und Machine Learning für die Strategie- und Planungsarbeit umrissen. Als tieferen Einstieg in die Thematik behandelt nun Teil II Möglichkeiten, die Prognosequalität und -zuverlässigkeit in der Planung zu erhöhen.

Jährlich erstellen wir Prognosen zu Marktvolumen, Umsätzen und Erträgen für unsere Produkte, Applikationen, Kunden oder Regionen im Rahmen aufwändiger Planungsrunden. Nicht selten kommt bei unseren volatilen Geschäften das Gefühl auf, dass uns eine Glaskugel ähnlich gute Dienste leisten könnte wie unsere Vorhersageversuche. Den Prozess an sich empfinden viele Verantwortliche als aufwändig mit zu geringem Nutzen für den eigenen Verantwortungsbereich. Zu viele unterschiedliche Annahmen vieler beteiligter Akteure und die hohe Komplexität unserer Planungsstrukturen sind eine wirkliche Herausforderung.

Die Sinnhaftigkeit und der Nutzen der Prognosearbeit sollte bei all den Schwierigkeiten jedoch nicht in Frage gestellt werden:

1. Die Planung von Marktvolumen, Umsätzen und Erträgen über die kommenden Jahre zwingt uns zum konsequenten Durchdenken unserer Geschäfte.
2. Es stellt ein wesentliches Werkzeug für vorauslaufende Koordination aller Aktivitäten eines Bereiches dar und ist eine wichtige Quelle für die Kapazitätsplanung und verbundene Personalentscheidungen.
3. Die Vorausplanung ist nach wie vor eines der zentralen Werkzeuge für wirksame Kommunikation, die Zielvereinbarung und Zielesteuerung.
4. Unsere Prognosen sind die relevanteste Eingangsgröße für die Mittelfristplanung und auch für die Budgetierung. Damit sind sie die „indirekten Treiber“ für die Aktivitäten, die faktisch im Geschäftsjahr angegangen werden.

Gute Planungsarbeit schafft eine robuste Grundlage für die Vorsteuerung unserer Geschäfte und stiftet Mehrwert für alle beteiligten Akteure – insbesondere in Zeiten hoher Komplexität und Dynamik.

An welchen Stellen können wir mit Machine Learning konkret ansetzen?

Erweiterte Statistik und maschinelles Lernen gepaart mit der richtigen Technologie ermöglicht uns einen praktikablen Einstieg in zwei Themenfelder mit hohem Nutzenpotenzial für unser Geschäft.

1. ‍Kritisches Reflektieren unserer Planungsqualität und -zuverlässigkeit:
   Aus unterschiedlichen Perspektiven prüfen, an welchen Stellen wir uns in der Planung systematisch über- oder unterschätzen – unter Berücksichtigung der jeweiligen Marktvolatilität und der Zeit.
2. ‍Aktives Nutzen der vorhandenen Datenhistorie für maschinell unterstützte Prognosen:
   Aus den Zeitreihen der Vergangenheit übergreifende Muster entdecken und maschinell generierte Empfehlungen als „Prüfstein für Plausibilisierung“ nutzen.

Wie finde ich die Nadel im Heuhaufen?

Wenn zahlreiche Planungseinheiten für all ihre Regionen, Applikationsfelder und Produktgruppen und Weiteres ihre Planzahlen zu Volumen, Umsätzen und Erträgen über mehrere Jahre mindestens jährlich liefern, gehen die vorhandenen Zeitreihen und Datenpunkte schnell in die Tausende. Wer sollte sich das noch alles im Detail ansehen können?

Wir müssen einen Weg finden, die gesamte vorhandene Datenfülle automatisch und unter Berücksichtigung der Zeit zu durchforsten. Jede Prognoseeinheit (beispielsweise die Umsatzentwicklung einer Produktgruppe in einer Region) wird mit Blick auf die relative Bedeutung für das Geschäft, die Volatilität und mögliche Prognosefehler untersucht.

Werden die verdichteten Ergebnisse aus diesem automatisierten Filtervorgang in ein Prognosequalitätsportfolio überführt, wird deutlich, wo die für das Geschäft relevanten Kandidaten für weitere Untersuchungen zu finden sind:

• ‍„Why so good – Warum so gut?”
  Dort sind Planungseinheiten zu finden, dessen Entwicklung wir trotz hoher Volatilität jeweils relativ treffsicher vorhersagen. Dies ist eine Quelle für Best Practices und Lernimpulse für andere.
• ‍„Why so wrong?“ – „Warum so falsch?“
  Dort sind Planungseinheiten zu finden, bei welchen wir uns schwertun, belastbare Prognosen zu bilden; und dies obwohl die Volatilität der jeweiligen Einheit relativ gering ist. Da liegen potenziell wirksame Hebel für eine höhere Planungssicherheit.
• ‍„Hot Potatoes“
  Einheiten, die rechts oben im Portfolio erscheinen, sind erwartungsgemäß schwieriger zu planen und bedürfen besonderer Aufmerksamkeit.
• ‍„Safe Bet“
  Einheiten links unten weisen ein relativ geringes Planungsrisiko auf.

Diese Relevance Detection über das Portfolio setzt drei Größen über die Zeit in einen Zusammenhang:

1. ‍Relative Bedeutung des Planungswertes
   Jeder Wertetyp (Volumen, Umsatz, Ertrag, ...) wird standardisiert und relativ gewichtet.‍
2. Relativer Prognose-Fehler
   Relative prozentuale Abweichung von Prognose zum IST-Stand.‍
3. Relative trendbereinigte Volatilität
   Die Standardabweichung der Differenz einer Zeitreihe zu ihrem Trend (Linear Curve-Fitting) dividiert durch den Mittelwert der Zeitreihe.

Damit sind wir mit einfachen statistischen Methoden in der Lage, die Entwicklungen in unseren Geschäften zu plausibilisieren, übergreifende Muster in einer Vielzahl an Planungseinheiten zu entdecken und die Qualität unserer Prognosearbeit nachhaltig zu verbessern. Und dies ohne selbst tagelang im Heuhaufen suchen zu müssen.

Die Datenhistorie für maschinelle Prognosevorschläge nutzen

Während des Planungsprozesses legen wir den Fokus naturgemäß auf die Zukunft, die historischen Entwicklungen spielen eine eher untergeordnete Rolle. Was wäre aber, wenn wir einen digitalen Assistenten zur Verfügung hätten, der alle Zahlen der Vergangenheit, hunderte Zeitreihen, Korrelationen und Zusammenhänge kennt und immer verfügbar hält?

Genau hier liegt die Kernkompetenz von Machine Learning Modellen: aus einer Unmenge an Daten die statistischen Zusammenhänge erkennen und daraus Prognosen ableiten. Solche Modelle lernen aus unserer Vergangenheit und empfehlen uns wahrscheinliche Szenarien für die Zukunft. Die Maschine wird zur perfekten Unterstützung der Führungskraft mit all ihrem Wissen, ihrer persönlichen Erfahrung und ihrem feinen Gespür für Geschäft und Kontext. Die größte Schwäche des Modells ist gleichzeitig die größte Stärke des Menschen und umgekehrt.

Perfekt komplementär, sogenanntes Predictive Modeling hilft uns an unterschiedlichen Stellen:

• Eine frühzeitige Plausibilitätsprüfung manueller Prognosen wird möglich und zwar auf allen Ebenen und für alle Planungseinheiten.
• Eine Frühwarnung für das potenzielle Nicht-Erreichen der Planwerte und zu den Planungsrisiken erfolgt in Echtzeit.
• Prognosevorschläge im Sinne einer maschinellen „Zweitmeinung“ erhöhen die Planungssicherheit.
• Mögliche unerwartete Geschäftsentwicklungen können unabhängig von menschlichen Prognosen frühzeitig identifiziert werden.
• Die Führungskraft wird während des Prozesses bei der Prognosearbeit durch einen digitalen Assistenten aktiv unterstützt, der alle Daten auswendig kennt, jeweils die Sicht des Planers einnimmt und Sparring anbietet.

Solange der Schwanz nicht mit dem Hund wedelt ...

Die Bedeutung der Prognosearbeit ist zu hoch, um diese komplett aus der Hand zu geben und die Maschine alleine entscheiden zu lassen. Im Idealfall tritt der Mensch in Interaktion mit dem Algorithmus (Human in the loop). Dies beinhaltet, die Simulationsergebnisse zu interpretieren, die Entscheidung treffen, welche Werte in die Planung einfließen und welche Impulse an die Maschine damit zurückgegeben werden sollen, um Lernschleifen zu drehen und den Algorithmus zu optimieren.

Das Einschätzen von Markt- und Geschäftsentwicklungen hat nichts mit einer analytisch-deduktiven Wissenschaft zu tun. Es geht um das Finden einer Balance zwischen dem Heute und Morgen, der Innen- und Außenwelt einer Organisation. Dafür ist Erfahrung, Intuition, Kreativität und Wahrnehmung nötig. All das, was eine menschliche Führungskraft auszeichnet und keine Maschine ersetzen kann. Diese intelligenten, digitalen neuen Möglichkeiten werden in die Organisationen von heute schon bald Einzug halten.

Mit Systemerfahrung werden wir unsere Planungsarbeit zuverlässiger, effizienter und stressfreier für uns selbst gestalten. Wir sprechen dabei nicht mehr von abstrakten Ideen. In einem aktuell laufenden Projekt ist es uns gelungen, mit maschinell erstellten Prognosen von Umsätzen die Genauigkeit der menschlichen Prognosen um den Faktor zwei bis drei zu schlagen.

‍Im dritten Teil der Publikationsreihe Strategic Insights gehen wir tiefer in die Methodik und Systematik der Machine Learning Technologien und des Predictive Modeling.‍