Ein Praxisleitfaden (Teil 1)
Digitalisierung und Predictive Planning
Die fortschreitende Digitalisierung erhöht die Geschwindigkeit, mit der Unternehmen ihre Entscheidungen treffen müssen. Damit steigt die Marktdynamik und gleichzeitig nimmt die Planungssicherheit ab. Eine stärkere Automatisierung der Steuerungsprozesse und Realtime-Monitoring sind dabei bedeutende Aufgaben von CFOs, um als Business Partner die Digitalisierung zu steuern. Dabei wird das größte Augenmerk auf die Forecast-Geschwindigkeit gelegt, um das Unternehmen kurzfristig in seinen Entscheidungen handlungsfähig zu machen. Faktoren zur Erhöhung der Forecast-Geschwindigkeit können zum einen die Fokussierung auf die wesentlichen steuerungsrelevanten Größen sein. Zum zweiten können automatisierte Planungsprozesse die Forecast-Erstellung deutlich beschleunigen.
Predictive Planning – worum geht es?
Predictive Planning bezeichnet Methoden und Modelle, die einen Blick auf zukünftige Entwicklungen ermöglichen. Dazu zählen insbesondere Szenarioplanungen, Simulationsrechnungen, Trendrechnungen und unterjähriges Forecasting. Die Methode beruht auf dem Erkennen von Mustern in vorliegenden Datenbeständen. Durch die Analyse dieser Muster erzeugt das System eigenständig Vorschlagswerte.
Der Treiber für Predictive Planning heißt Big Data. Unternehmensplanern steht dank neuer Technologien eine stetig wachsende Menge an gesammelten Daten zur Verfügung. Mit dem Fortschritt der Technologie und deren zunehmender Reife können inzwischen auch solche Anwender mit Lösungen arbeiten, die kein IT-Hintergrundwissen haben. Moderne Technologien folgen intuitiven Bedienkonzepten und sind als Cloud-Lösungen sehr einfach zugänglich und zu implementieren. Dies kommt vor allem mittelständischen Unternehmen zugute, die oftmals nicht die Ressourcen für komplexe und zeitaufwendige Verfahren haben. Mithilfe von Predictive Planning gewinnen Mittelständler schneller und verlässlicher Erkenntnisse über das eigene Unternehmen und das Marktumfeld. Zu diesen neuen Erkenntnissen zählt beispielsweise das Erkennen von Zusammenhängen zwischen unterschiedlichen Variablen oder von Mustern innerhalb der Daten. All diese Erkenntnisse können Unternehmen in die Planung einfließen lassen.
Laut einer aktuellen Studie des Business Application Research Center (BARC) steigt die Relevanz von voraussagenden Planverfahren für 75 % der teilnehmenden, mittelständischen Unternehmen in der DACH-Region stark an. Praktisch im Einsatz haben allerdings erst 22 % der befragten Unternehmen Predictive-Planning-Methoden. Ganze 59 % gaben sogar an, bisher keine Erfahrungen damit gemacht zu haben. Jedoch sind mit 86 % die meisten Unternehmen aktuell entweder aktiv dabei, die nötigen Kompetenzen aufzubauen oder sie planen den Aufbau in der Zukunft.
Die folgenden sieben nutzbringenden Einsatzgebiete von Predictive Planning sieht der Mittelstand dabei als führend an:
Ein- und Umsetzung im Unternehmen - Ein Praxisleitfaden
Jedes Unternehmen kann seine Planung und sein Forecasting mittels entsprechender Predictive-Planning-Methoden verbessern. Dazu bedarf es einer fokussierten Herangehensweise, um die vorhandenen Ressourcen treffsicher einzusetzen und schnell Ergebnisse zu erhalten. Folgender Leitfaden zeigt Controllern in konkreten Schritten, wie sie die optimalen Bedingungen schaffen, um Predictive-Planning-Methoden in ihrem Unternehmen einzusetzen.
Schritt 1: Die Ansatzpunkte identifizieren
Zuallererst sind vom Controlling jene Positionen zu definieren, die ein Potenzial für automatisierte Planverfahren bieten. Wo liegt Potenzial zur Verbesserung? Dazu empfiehlt es sich, zunächst die wesentlichen Treiber des Unternehmens zusammenzutragen. Welche sind die finanziellen Werttreiber, welche die operativen? Dazu sind alle anfallenden Routineaufgaben in der Datenerhebung zu dokumentieren. Dann kann das Controlling gemeinsam mit den Planern identifizieren, welche Daten regelmäßig und mit wiederkehrender Systematik geplant werden, und wo statistische Verfahren unterstützen könnten.
Ein pragmatischer Ansatz für das Herausarbeiten der Positionen ist es, sich zunächst die kostenseitige Analyse vorzunehmen sowie alle Positionen, die in der Regel im Rahmen des Budgetierungsprozesses auf Basis der Vorjahreswerte geplant werden. Hierfür sind exemplarisch die Berücksichtigung von laufenden Verträgen, Abschreibungen und standardisierte Prozesse für Rückstellungen und Abgrenzungen zu nennen. Danach sind alle anfallenden Routineaufgaben in der Datenerhebung zusammenzutragen. Genau das sind die Ansatzpunkte, an denen statistische Verfahren unterstützen können. Selbst wenn es marginal oder als selbstverständlich erscheinen mag: Einen wesentlichen Beitrag zum Erfolg trägt die frühzeitige Kommunikation mit allen Beteiligten bei. Es empfiehlt sich, bereits in dieser frühen Phase alle Abteilungen und Kollegen mit einzubeziehen, deren Unterstützung im Implementierungsprozess benötigt wird. Es ist zu klären, welchen Informationsbedarf die einzelnen Planer haben und dann sollten konkrete Zuständigkeiten vergeben werden. Predictive Planning-Ansätze sollen dem Planer valide Vorschlagswerte als Orientierungshilfen bieten und damit einen wertschaffenden Beitrag zur Effizienz der Unternehmensplanung leisten.
Schritt 2: Datenmanagement – eine solide Basis schaffen
Um die Potenziale moderner Planungsmethodiken zu nutzen, ist es unabdingbar, am Fundament und damit an der Grundmasse aller zur Verfügung stehenden Daten zu arbeiten. Je genauer, lückenloser und fehlerfreier die zugrunde gelegten Stammdaten ausgeprägt sind, desto höher ist die Qualität, die vom Controlling bei den automatisiert errechneten Planwerten erzeugt werden kann. Das Thema Datenqualität und Datenmanagement sollte daher der erste Punkt auf der Agenda des Controllers zur Umsetzung von Predictive Planning-Ansätzen sein.
Folgende Einzelaufgaben tragen zum Erfolg bei:
- Die Hoheit über finanzielle und nicht-finanzielle Stammdaten im Unternehmen als organisatorische Konsequenz erlangen. Zu diesen Daten zählen auch Vertriebsdaten – beispielsweise aus dem CRM – sowie Daten aus der Produktion oder dem Bereich HR.
- Die bestehende Datenqualität analysieren und deren Konsistenz prüfen.
- Datenlücken beseitigen und die notwendigen Stammdaten für die Automation definieren.
- Zusätzliche Datenquellen und deren Einbindung überprüfen.
- Eine einheitliche Datenplattform inklusive der notwendigen Schnittstellen schaffen.
Predictive Planning in 5 Schritten – Ein Praxisleitfaden (Teil 2)
