Advanced Analytics - pmOne€¦ · Advanced Analytics Neue Möglichkeiten vonBig Data für Planung...

Der Controlling-BeraterHerausgeber: Gleich/Klein

Advanced AnalyticsNeue Möglichkeiten von Big Data fürPlanung und Analyse erkennen und nutzen

> Konzepte, Instrumente und Entwicklungstendenzen

> Grundlagenwissen und Anwendungsbeispiele

> Potenziale für Planung, Simulation und Analyse

> Auswirkungen auf Prozesse und Rollen im Finanzbereich

Band-Herausgeber:

Ronald Gleich/Kai Grönke/Markus Kirchmann/Jörg Leyk

Der Controlling-Berater

Big Data, Predictive Analytics undBusiness Intelligence

Neue Möglichkeiten durch moderne WerkzeugeDer Prozess der Unternehmenssteuerung ist durch das Zusammenspiel von Planung undKontrolle geprägt. Im Rahmen der Digitalisierung erhöhen sich sowohl die Häufigkeitals auch die Intensität auftretender Veränderungen. Eine belastbare, entscheidungsorientierte Planung aufzusetzen, wird so für Unternehmen immer risikoreicher.

Dieser Unzulänglichkeit kann mithilfe sog. Advanced-Analytics-Verfahren begegnet werden.Aus großen Datenmengen können Vorhersagen über zukünftige Entwicklungen getroffen wer-den, aus denen schließlich Handlungsempfehlungen abgeleitet werden können. Dieses Buchbeinhaltet das notwendige Basiswissen zu Advanced Analytics und beleuchtet zugleich, wiedie verschiedenen Analyseverfahren in Unternehmen mehrwertstiftend eingesetzt werdenkönnen. Folgende Aspekte stehen dabei im Fokus:

> Bedeutung, Nutzen und Mehrwert von Advanced-Analytics-Werkzeugen

> Beschleunigung und Erhöhung der Qualität des Planungsprozesses

> Prozessautomatisierung und Rollenveränderungen in einer digitalen Finanzorganisation

> Anwendungsbeispiele von Advanced Analytics aus Handels- und Dienstleistungsunter-nehmen sowie Start-ups

> Einführung einer integrierten BI-Lösung im Mittelstand

> Advanced-Analytics-Lösungen für modernes Kostenmanagement und Analysen

Die Herausgeber:

Prof. Dr. Ronald Gleich ist Vorsitzender der Institutsleitung des Strascheg Institute for Innova-tion, Transformation and Entrepreneurship (SITE) der EBS Universität für Wirtschaft und Rechtsowie geschäftsführender Gesellschafter der Horváth Akademie.

Kai Grönke ist Partner im Competence Center CFO Strategy & Organization bei Horváth &Partners Management Consultants und Leiter des Büros in Düsseldorf.

Markus Kirchmann ist Partner und Leiter der Business Unit Planning, Reporting und Consoli-dation im Competence Center Controlling & Finance bei Horváth & Partners ManagementConsultants in München.

Jörg Leyk ist Partner im Competence Center Controlling & Finance bei Horváth & PartnersManagement Consultants und Leiter des Büros in Hamburg.

Die Autoren sind Experten aus der Unternehmenspraxis, der Beratung und der Wissenschaft.

www.haufe.de/controlling

ISBN 978-3-648-08830-2

01401-0132

CB-Band 51

Inhalt

Kapitel 1: StandpunktDas Experten-Interview zum Thema „Advanced Analytics –SAP S/4HANA“Christoph Ernst, Markus Kirchmann, Mike Schulze ....................................... 15

Kapitel 2: Grundlagen & KonzepteBig Data, Business Intelligence und Business Analytics:Bedeutung, Nutzen und Mehrwert für die UnternehmenssteuerungClaus Hoening, Martin Esch, Andreas Wald .................................................. 27

Advanced Analytics als Accelerator für eine erfolgreiche digitaleTransformationAnton Haberl, Martin Esch ............................................................................. 43

Simulation im Controlling: Möglichkeiten und Chancen durch moderneWerkzeuge und Predictive AnalyticsKarsten Oehler .................................................................................................. 63

Kapitel 3: Umsetzung & PraxisPlanung 2.0 in der REWE Group: Effizienzpotenzialeidentifizieren, Planungsprozesse optimierenAnna Thiel ........................................................................................................ 89

Digitale Analyse im Finanzbereich: Ein ErfahrungsberichtCarsten Bork, Khalid Sabeeh ......................................................................... 119

Advanced Analytics in Start-ups: Besonderheiten und PraxisbeispieleJannis Friedag ................................................................................................. 137

Kapitel 4: Organisation & ITDigitale Finanzorganisation: Automatisierte Prozesse,veränderte Rollen und neue OrganisationsformenKai Grönke, Adrian Glöckner ........................................................................ 149

Digitales Controlling: Wie sich Anforderungen an BI undAnalytics im Zuge der Digitalisierung verändernFabian Dülken, Matthias Emler, Jörg Leyk, Jan Tatzel ................................ 165

Einführung einer integrierten BI-Lösung für Planung undReporting in einem mittelständischen UnternehmenAngelika Grom, Norbert Grimm ................................................................... 183

7

Warenkorbanalyse: Kaufverhalten der Kunden mit mathematischenModellen analysierenCarsten Moldenhauer, Vanessa Lange, Joachim Schmidt,Nathanael Bosch ............................................................................................. 205

Advanced Analytics und Centersteuerung als Treiber einesflexiblen Kostenmanagements von VersicherungsunternehmenChristian Briem, Martin Esch, Mark-René Hertting .................................... 221

Kapitel 5: LiteraturanalyseLiteraturanalyse zum Thema „Advanced Analytics“ .............................. 247

Stichwortverzeichnis ................................................................................... 253

8

Simulation im Controlling: Möglichkeitenund Chancen durch moderne Werkzeugeund Predictive Analytics

n Simulationen helfen, Abhängigkeiten bei Situations- und/oderHandlungsänderungen transparent zu machen.

n Kern ist dabei das Verständnis der Wirkungsbeziehungen im Model-lierungsbereich, deren Quantifizierung häufig große Probleme berei-ten.

n Predictive Analytics kann helfen, Wirkungen zu quantifizieren.Allerdings gibt es Kompatibilitätsprobleme zwischen PredictiveAnalytics und den Simulationsmodellen im Controlling.

n Es sind Infrastrukturentscheidungen zu treffen. Tabellenkalkulationenund konventionelle Planungslösungen kommen häufig an Grenzen.

n In diesem Beitrag sollen die Anforderungen an eine Simulation ausSicht eines Controllers konkretisiert und verfügbare Werkzeugedahingehend überprüft werden, ob die Anforderungen abgedecktwerden können. Zudem werden die Möglichkeiten zur Verbesse-rung der Simulation durch Predictive Analytics näher beleuchtet.

Inhalt Seite

1 Simulationen müssen der Situation angemessengestaltet werden ............................................................ 65

2 Grundlagen der Simulation ............................................ 662.1 Ein einfacher Start in die Simulation ............................... 662.2 Komplexitätstreiber in der Simulation .............................. 662.3 Formaler Hintergrund ...................................................... 682.4 Modellbildung ................................................................. 692.5 Komponenten von Simulationssystemen .......................... 70

3 Anforderungen an die Simulation aus Sicht desControllers ..................................................................... 71

3.1 Deterministische Simulation ............................................ 713.1.1 „What-If“-Simulation ...................................................... 713.1.2 Einbezug von Strukturvariationen .................................... 723.1.3 Goal Seeking ................................................................... 723.2 Szenario-Analyse ............................................................ 723.3 Stochastische Simulation ................................................ 73

4 Simulation und Predictive Analytics .............................. 754.1 Herausforderung Wirkungsbeziehung realistisch abbilden 75

63

Simulation mit modernen Werkzeugen und Predictive Analytics

4.2 Chancen für die Simulation ............................................. 754.3 Praktische Probleme ........................................................ 764.4 Fallbeispiel: Zahlungseingang aus Umsatz ableiten .......... 77

5 Umsetzungsmöglichkeiten ............................................. 805.1 Simulation mit der Tabellenkalkulation ............................ 825.2 OLAP und Planungslösungen ........................................... 825.3 System Dynamics/Simulationssprachen ............................ 835.4 Statistische Umgebungen ................................................ 845.5 Dedizierte Werkzeuge zur Simulation .............................. 85

6 Zusammenfassung .......................................................... 85

7 Literaturhinweise ........................................................... 86

n Der AutorProf. Dr. Karsten Oehler, Professor für Rechnungswesen und Con-trolling an der Provadis School of International Management andTechnology in Frankfurt am Main. Zudem verantwortet er seit Mitte2012 den Lösungsbereich Corporate Performance Management bei derpmOne AG in Unterschleißheim.

64

Grundlagen & Konzepte

1 Simulationen müssen der Situation angemessengestaltet werden

In einer Einleitung zu einem Operation-Research-Buch von 1970 heißt es„Wenn man nicht mehr weiter kann, fängt man zu simulieren an“.1 Obdies nun gute Poesie ist, sei dahingestellt. Die wissenschaftliche Haltung inden Wirtschaftswissenschaften in dieser Zeit war allerdings eindeutig:Optimieren ist besser als simulieren.

Fast 50 Jahre später ist man sich jedoch einig, dass Optimierung nur beisehr einfachen Bedingungen möglich und auch nur bei relativ konstantenRahmenbedingungen sinnvoll ist. Unternehmensführung ist mehr als einegroße Optimierungsrechnung. Gutes Management lässt sich auch eher als„Ausbalancieren“ unterschiedlicher Interessen beschreiben. Daher über-rascht es nicht, dass die Simulation in der Praxis zumindest im Controllingdeutlich beliebter als die Optimierungsrechnung ist. Mit ihr lassen sichkomplexe Szenarien mit vielen Abhängigkeiten, Veränderungen undWirkungen auf Zielgrößen besser abschätzen.

Der Controller als Lotse der Unternehmensführung kann von der Si-mulation in vieler Hinsicht profitieren. Zielkonflikte, Limitationen undsonstige Widersprüche können aufgedeckt, kritische Situationen frühzeitigerkannt und Maßnahmen entwickelt werden. Gleichzeitig kann sich auchdas Bewusstsein über die Stärke von Wirkungsbeziehungen verbessern.

Gegenüber anderen Bereichen wie Risikomanagement oder Strategieent-wicklung liegt der Controller laut einer Studie aus dem Jahr 2012 zwarnoch etwas zurück, aber im Funktionsranking mit 3,82 von 5 Punktenrecht weit vorne.

Somit geht es nicht um die Frage, ob simuliert wird, sondern ob

• der jeweiligen Situation angemessen simuliert wird und

• die eingesetzten Werkzeuge hierzu adäquat sind.

Die Diskussion um die richtige Methode und Unterstützung ist notwen-dig. Schließlich sind zahlreiche Methoden und Werkzeuge zum Teil alsOpen Source und zum Teil kostenpflichtig verfügbar. Die Gefahr ist groß,mit ungeeigneten Werkzeugen in eine Komplexitätsfalle zu geraten oderbeim Aufbau eines Modells zu grob vereinfachen zu müssen.

In diesem Beitrag sollen die Anforderungen an eine Simulation aus Sichteines Controllers konkretisiert und verfügbare Werkzeuge dahingehendüberprüft werden, ob die Anforderungen abgedeckt werden können.

65


1 Vgl. Stahlknecht, 1970, S. 1.

Simulieren stattoptimieren

Anforderungen andie Simulation

Zudem werden die Möglichkeiten zur Verbesserung der Simulation durchPredictive Analytics näher beleuchtet. Die Betrachtung dieses Einflusses istein relativ neues Gebiet. Allerdings ist ein hohes Potenzial hinsichtlich derGestaltung realitätsnaher Simulationssysteme zu erwarten.

2 Grundlagen der Simulation2.1 Ein einfacher Start in die Simulation

Üblicher Startpunkt zur Simulation ist wie so häufig im Controller-Lebendie Tabellenkalkulation. Ein einfaches Modell in Excel ist leicht erstellt:Eine Deckungsbeitragsrechnung wird aufgebaut, evtl. mit der Unter-nehmenssicht verknüpft und schon kann simuliert werden, indem aneinzelnen Parametern wie den variablen Kosten gedreht wird undanschließend die Ergebnisse betrachtet werden. Dies wird üblicherweiseals „What-If“-Simulation bezeichnet. Einfache Fragestellungen, wie bspw.was mit dem Deckungsbeitrag in Folge von Preisanstieg, Inflations-steigerung und Kostensenkung passiert, können beantwortet werden.

Es ist unmittelbar einleuchtend, dass mit dieser Abbildung des Unter-nehmensausschnitts in einem Modell auch viel von den Eigenschaftender Realität verloren geht:

• Was ist bspw. mit Kapazitätsbeschränkungen?

• Wirkt ein Preisanstieg nachfragedämpfend?

• Wirkt eine Erfahrungskurve auf den Deckungsbeitrag?

Das Thema Simulation ist somit deutlich vielschichtiger, als es auf denersten Blick erscheint. Es sind daher verschiedene Aspekte zu berück-sichtigen.

2.2 Komplexitätstreiber in der Simulation

Es treten zeitliche Abhängigkeiten auf. Parameterveränderungen habenAuswirkungen auf Folgezeitpunkte und -perioden. Alleine durch dieBilanzidentität ergibt sich die Notwendigkeit, Periodenscheiben zu ver-binden, so dass Entscheidungen einer Periode immer Auswirkungen aufdie Folgeperioden haben. Losgelöst von der Periodensicht können kausaleBeziehungen mit Verzögerung einsetzen. So reagiert ein unzufriedenerKunde nicht sofort, sondern unter Umständen erst beim nächstennotwendigen Kauf oder sein kommunizierter Unmut verleitet zu einemspäteren Zeitpunkt andere Käufer zur Entscheidungsänderung.

Gelegentlich sind auch Wechselwirkungen vorzufinden. Abhängigkeitenkönnen sich verstärken. Dies ist bspw. bei klassischen Netzeffekten der

66


Vereinfachungder Realität

ZeitlicheAbhängigkeiten

Fall: Ist erst eine bestimmte Anzahl an Kunden oder Teilnehmern (z.B.Facebook) gewonnen, sorgen diese Kunden für den Zustrom weitererKunden, da durch die Anzahl der Teilnehmer die Attraktivität derTeilnahme steigt.

Typische Modelle im Controlling haben eine mehrdimensionale Struk-tur. Ein Vertriebsplanungsmodell ist i.d.R. mehrdimensional, es kanndie Dimensionen Produkte, Kunden, Absatzwege etc. enthalten. Ohneauf die besonderen Eigenschaften einzugehen, ist es einleuchtend, dass ineiner Unternehmenssimulation unterschiedliche Kunden- und Produkt-gruppen sowie Produktionsstätten und Kostenstellen zu berücksichtigensind. Wirkungsbeziehungen können sich hinsichtlich der Dimensions-ausprägungen unterscheiden. Im Hochpreissegment wirken häufigandere Einflussfaktoren als der Preis, der im Niedrigpreissegment häufigdas entscheidende Kaufkriterium ist.

Folgemaßnahmen aufgrund von Parametervariationen müssen berück-sichtigt werden: Parameterveränderungen ziehen Anpassungsmaßnahmennach sich. Die erwähnte Preisanpassung bei sinkenden Kosten aus derErfahrungskurve erfolgt somit nicht automatisch, sondern ist eine bewussteFolgeentscheidung. Eine Simulation ist somit keine Momentaufnahme,sondern Parametervariationen werden häufig zu Szenarien, die Folgeent-scheidungen enthalten, weiterentwickelt.

Beispiel: Antizipierte Währungskursveränderungen könnenInvestitionsentscheidungen beeinflussenUnter veränderten Rahmenbedingungen bei den Währungskursen könnte dieErstellung eines Werkes in den USA nicht mehr lohnend sein. Stattdessen bötesich ein Investment in Mittelamerika an. Hieraus könnten wiederum Plan-änderungen z.B. in der Logistik entstehen. Im Rahmen eines Simulationsmodellskönnte man versuchen, solche Entscheidungsketten zu automatisieren. Aufgrundder Komplexität der Entscheidungen wird das allerdings nicht immer gelingen.Aber es spricht auch nichts dagegen, sukzessive zu simulieren: Aus dem erstenSimulationslauf erkennt man die unvorteilhafte Situation und entwickeltentsprechende Maßnahmen.

Den Simulationsparametern liegen Unsicherheiten zugrunde. Zwar lassensich über Sensitivitätsanalysen Aussagen über die Stabilität der Zielgrößenmachen. Man ist aber weit von einem echten Risikoprofil entfernt, daSensitivitäten nur auf einen oder wenige Parameterveränderungen be-schränkt werden. Belastbare Aussagen über Gesamtrisiken lassen sichmithilfe der Monte-Carlo-Simulation ermitteln, die im weiteren Verlaufnoch detaillierter erläutert wird.

67


Mehrdimen-sionalität alstypischesMerkmal

Unsicherheitnur bedingtausschließbar

2.3 Formaler Hintergrund

Simulationen werden in zahlreichen Fachgebieten, teilweise mit ähnlichenZielen und basierend auf ähnlichen Strukturen, eingesetzt. Insofern ist essinnvoll, einen gemeinsamen Rahmen zu beschreiben, der aber möglichstoffen ist. Inhalt der Simulation ist es, ein vorwiegend realitätsnahes Abbildvon der Wirklichkeit durch ein Modell zu erhalten, um durch Variationder Modellparameter Rückschlüsse für das eigene Handeln zu gewinnen.Damit wird die Zweckorientierung der Modellbildung deutlich. Zweckeder Simulation sind u.a.:2

• Erkenntnisse über Wirkungsmechanismen der Realität zu gewinnen:Der Mensch ist nur in der Lage, wenige Zusammenhänge gleichzeitigzu betrachten. Ein komplexes Wirkungsgefüge kann zwar durchisolierte Partialbetrachtungen umfassend beschrieben werden. Kom-binierte und transitive Wirkungen führen aber trotz Verständnis derEinzelbeziehungen häufig zu überraschenden Ergebnissen.

• Nutzen dieses Verständnisses zur Prognose, welches wiederum Grund-lage einer Planung darstellen kann: Durch Parametervariation kann dieSensitivität des Ergebnisses bestimmt werden. Es sollen insbesonderedie möglichen Auswirkungen von Parametern, wie Währungskurse,politische Entscheidungen oder Nachfrageänderungen, auf das Ergebnisdurchgespielt werden.

• Nutzen der Erkenntnisse zur Verbesserung der Unternehmensprozesse:Klassiker sind hier Warteschlangenmodelle, mit denen z.B. Wartezeitenan Kassen oder bei der Produktion dargestellt werden können. Damitkönnen bspw. Liefergrade ermittelt werden.

• Fundierung von Auswahlentscheidung wie bspw. Investitionsentschei-dungen: Natürlich sind etablierte Entscheidungsmodelle wie Kapital-werte auch ohne Simulation verwendbar. Durch die Simulation gelingtes aber, die Abhängigkeit des Kapitalwerts von einzelnen Parametern zuverdeutlichen.

• Risiken sollen transparent gemacht werden: Insbesondere sollenexistenzgefährdende Bedrohungen gemacht werden. Allerdings geht esnicht nur um Einzelrisiken, sondern auch um die kumulierten Effektealler betrachteten Einzelrisiken. Über Annahmen zukünftiger Vertei-lungen soll eine Aussage über den Unternehmensgewinn hinsichtlichder Volatilität gewonnen werden.

68


2 Vgl. Romeike/Spitzner, 2013, S. 57.

Rahmen zurSimulation

2.4 Modellbildung

Grundlage der Simulation ist ein Modell. Kennzeichnend für ein Modellist die Vereinfachung bei der Abbildung der Realität und des Zweckbezugs.Es geht bei der Unternehmenssimulation um zu betrachtende (Ziel-)Grö-ßen (z.B. Unternehmenswert, Jahresüberschuss) und deren Beeinflussungdurch Parameteränderungen, zum Teil auch als Treiber bezeichnet (z.B.Absatz, Preis).

Der Zweckbezug wirft die Frage nach dem Startpunkt auf, der auf dasVerständnis der Zielgröße oder der Wirkungsbeziehung gerichtet werdenkann.

In diesem Zusammenhang erscheint es notwendig, zwischen linearem undvernetztem Denken zu unterscheiden. Sehr vereinfacht dargestellt, berück-sichtigt das lineare Denken Ziel-Mittel-Beziehungen, die tendenziellhierarchisch und von der Ableitungsrichtung top-down verlaufen. Wasbeeinflusst mein Ziel und welche Mittel sind zur Erreichung einzusetzen?Diese Frage wird rekursiv gestellt, so dass als Ergebnis ein Treiberbaumentsteht. Aus der Gleichung Deckungsbeitrag = Umsatz – Kosten leitensich 2 Ziel-Mittel-Richtungen ab: Aus dem Umsatz können preis- oderabsatzsteigernde Maßnahmen abgeleitet werden. Aus den Kosten könnenwiederum Kostensenkungsprogramme abgeleitet werden.

Lineares Denken ist auch mit linearen Funktionen verbunden. Stark ver-einfacht lässt sich konstatieren: „Mehr ist besser“ und zwar mit konstantemZielgrößenwachstum. Allerdings zeigt schon das Ertragsgesetz, dass lineareAbhängigkeiten nicht die Regel, sondern eher die Ausnahme sind.

Beim vernetzen Denken liegt der Schwerpunkt auf der Betrachtung derBeziehung der Modellobjekte. Unabhängig vom Zweck wird nach denwesentlichen Abhängigkeiten des Realitätsausschnitts eines Systems ge-sucht. Insbesondere zeitdynamische Wirkungsbeziehungen werden be-trachtet. Ziel ist es, ein besseres Verständnis der Wirkungsmechanismen zuerlangen. Erst im zweiten Schritt erfolgt die Ausrichtung auf möglicheZielgrößen. Kritisch anzumerken ist jedoch, dass bereits bei der Wahl desModellausschnitts und dem Abstraktionsgrad Zielaspekte eine wichtigeRolle spielen.

Somit stellen die Ziel-Mittel-Disaggregation und die Wirkungsanalyse2 Pole in einem Kontinuum dar. Lineare Treiberbeziehungen könnendurch beliebige Verknüpfungen ergänzt werden. Allerdings besteht dieGefahr, dass das lineare Modell den Blick auf die Vernetzung verstellt, daman sich auf die Einzelwirkungen konzentriert.

Abb. 1 zeigt, dass das traditionelle Controlling die lineare Ziel-Mittel-Sicht in den Vordergrund stellt. Je weiter man jedoch die Sphäre der

69


Lineares vs.vernetztesDenken

Kontinuum derDenkansätze

finanziellen Kennzahlen verlässt und vorlaufende Indikatoren betrachtet,werden nicht-lineare Beziehungen wichtiger. Gleichzeitig sind bei denModellen im nichtfinanziellen Bereich auch mehr Verhaltensgleichungenabzubilden.

EVA

NOPAT

Gesamt-kapital-kosten

Eigen-kapital-kosten

Fremd-kapital-kosten

BetrieblicheKosten

Betriebliche Steuern

Umsatz

Variable Kosten

Fixe Kosten

Preis

Absatz-menge

Variable Stückkosten

Wettbewerb

Kunden-bindung

Markt-wachstum

Qualität

-

-

-+

+

x

*

Klassischer Bereich (geringe Varianz)

Analytischer Bereich (hohe Varianz)

Einkaufs-preise

Analytische Verfahren

Schätz-funktionen

Preisindizes

Wechselkurs

Abb. 1: Treibermodellierung im Controlling

Nicht nur im Absatz- und Beschaffungsbereich sind multivariate, nichtlineare Abhängigkeiten zu betrachten. Auch intern gibt es eine hoheFunktionsvielfalt. Kosten werden bspw. durch vielfältige Treiber beein-flusst (z.B. Komplexitätskosten, Qualitätskosten usw.).

2.5 Komponenten von Simulationssystemen

Folgende Komponenten sind als grundlegende Bausteine der Simulationzu betrachten:

• Modell: Ein Modell besteht i.d.R. aus mathematischen Gleichungen.Eine umfassende mathematische Ausformulierung ist wünschenswertaber nicht immer möglich. Aus formaler Sicht besteht kein Unter-schied zwischen Verhaltens- und Definitionsgleichungen.

70


• Parameter: Diese sind aus Datenmodellierungssicht die Fakten, alsodie Basisbausteine eines Modells. Diese können veränderbar sein oderbewusst konstant gesetzt werden (ceteris paribus). Startwert einerSimulation können Forecasts oder auch Planungswerte sein. Parame-ter können einzelne Werte oder auch Verteilungen (im Rahmen derMonte-Carlo-Simulation) sein.

• Zwischengrößen: z.B. Umsatz, dienen der Komplexitätsreduktionund unterstützen die Nachvollziehbarkeit.

• Zielgrößen: Die Outputvariablen, deren Entwicklung von Interesse ist(Zweckbezug). Sie stehen immer links auf der Gleichungsseite.

3 Anforderungen an die Simulation aus Sicht desControllers

Simulationen werden in vielen Fachbereichen angewendet. Es gibt ver-schiedene Simulationsverfahren, die hier kurz erläutert werden sollen.

3.1 Deterministische Simulation

3.1.1 „What-If“-SimulationDie „klassische“ Controllersimulation dürfte die einfache Parameterver-änderung sein. Diese wird häufig als „What-If“-Analyse bezeichnet. Einesimple „What-If“-Analyse ist quasi die Basisausprägung der Simulationund lässt sich mit den meisten Werkzeugen gut realisieren. Manverändert einen oder mehrere Parameter, rechnet die Modellgleichungenneu durch und kann das Ergebnis anhand der gewählten Zielgrößenbetrachten. Ein Durchrechnen erfolgt idealerweise in Echtzeit. Beigrößeren Modellen werden auch längere Berechnungsläufe akzeptiert.

Eine interessante Erweiterung von „What If“ ist die Verwendung einesMaßnahmenschalters. Entscheidungen in Form von Parameteränderun-gen werden zu Bündeln zusammengefasst. Eine Produktentscheidungkann bspw. ein Entwicklungsprojekt und weitere Infrastrukturmaß-nahmen nach sich ziehen. Im Rahmen des Entwicklungsprojekts sindweitere Entscheidungen zu treffen. Steht die Produktentscheidung nunzur Disposition und wird aus der aktuellen Simulation herausgenom-men, sind alle Folgeentscheidungen ebenfalls zu deaktivieren. Dies wirdin Simulationsmodellen mit einem Maßnahmenschalter gelöst. Formalgesehen, stellt der Maßnahmenschalter einen einfachen Parameter dar,der nur 2 Zustände (an/aus -> 0/1) annehmen kann.

71


Was wäre, wenn...

3.1.2 Einbezug von StrukturvariationenEs stellt sich bei der Simulation zwangsläufig die Frage nach dem Umfangder Änderung der Parameter von Simulationsmodellen. Die übliche„What-If“-Analyse bezieht die Veränderung von Parametern in Formvon Absatz-, Kostenänderungen etc. mit ein. Eine Simulation kann solcheWertänderungen umfassen, allerdings auch die Veränderung der Modell-gleichungen bzw. das Hinzufügen oder Weglassen ganzer Gleichungen.Aus Datenmodellsicht kann auch die Veränderung von Strukturdateneinbezogen werden.

Solche Strukturveränderungen sind zum Teil mit verfügbaren Lösungenschwer abzubilden, wenn der Bezug zum Originalmodell nicht verlorengehen soll. Insbesondere die Simulationsvergleichsrechnung erweist sichdann als schwierig.

3.1.3 Goal SeekingEine andere Nutzung von Modellen stellt die Zielwertsuche (Goal Seeking)dar. Diese Funktion ist aus Excel heraus bekannt, kann aber auch inkomplexeren Umgebungen angewendet werden. Es wird als Startpunkteine Zielgröße ausgewählt und eine gewünschte Werteausprägung vor-gegeben. Ausgangsparameter werden solange erhöht oder reduziert bis dasModell konsistent ist und den gewünschten Zielwert hat. Üblicherweisewird nur ein Basisparameter variabel gehalten. Denkbar wären auch dieAnpassung mehrere Parameter, wobei das nur in einfachen Fällen zuzufriedenstellenden Ergebnissen führt. Eine Zielwertvorgabe für denUmsatz lässt sich bei multiplikativ verknüpften Parametern (Menge undPreis) nur willkürlich justieren. Bei einer Disaggregation von Zielgrößen-anpassungen erscheint dies schon eher machbar. Dann wird häufig einePro-Rata-Verteilung angewendet oder eine explizite Verteilungsreferenzangegeben.

3.2 Szenario-Analyse

Eine Erweiterung der einfachen „What-If“-Analyse stellt die Szenario-Analyse dar. Man betrachtet i.d.R. verschiedene möglichst plausibleSituationen (in unserer Sprache Parameterkonstellationen) und mögli-che Wirkungsketten. Hierbei steht die vollständige Quantifizierbarkeithäufig nicht im Mittelpunkt.

Oft werden Szenarien in Best, Worst und Expected Case unterteilt, umeine mögliche Risiko-Bandbreite auszuweisen. Dies schränkt die Szena-rio-Analyse jedoch unnötig ein.

72


Da Szenarien zum Teil komplexe Situationsbeschreibungen sind, bei derdas Wissen vieler Experten zusammengeführt wird, empfiehlt sich einestrukturierte Vorgehensweise. Typische Schritte bei der Erstellung vonSzenarien sind:

1. Abgrenzung des Untersuchungsraums,

2. Auswahl und Analyse der wichtigsten endogenen Einflussfaktoren imBetrachtungsraum,

3. Ermittlung kritischer Kenngrößen des Umfelds und Abschätzung vonEntwicklungstendenzen,

4. Bildung und Auswahl alternativer und konsistenter Annahmebündelbezüglich der Zukunftsentwicklung,

5. Interpretation der ausgewählten Umfeldszenarien,

6. Analyse der Auswirkungen signifikanter Störereignisse (Einzelrisikenoder exogene Risikofaktoren),

7. Kalkulation der Szenarien bzw. Ableitung von Konsequenzen für dasUntersuchungsfeld (Zielgrößen) und

8. Ableiten sinnvoller Maßnahmen.

3.3 Stochastische Simulation

Eine konsequente Erweiterung der bisher vorgestellten Modelle ist es, dieUnsicherheit direkt in das Modell zu integrieren. Wahrscheinlichkeitenwerden bisher nur pauschal für ganze Szenarien hinterlegt. Zusätzlich zueinwertigen Parametern wird mit Verteilungsfunktionen gearbeitet. Sokönnte der Absatz beispielweise normalverteilt mit einem Mittelwert undeiner Standardabweichung eingegeben werden. Daneben werden auchbinäre Risiken einbezogen. So könnte der Zahlungsausfall eines Kundenmit Schadenshöhe und Eintrittswahrscheinlichkeit hinterlegt werden.Solche Einzelrisiken können mit der Binomialverteilung beschriebenwerden.

Damit ergibt sich allerdings das Problem der Aggregation. Bei stochas-tischer Unabhängigkeit der Parameter multiplizieren sich die Wahr-scheinlichkeiten der Ereignisse, was bei einer Worst-Case-Betrachtung zueiner extrem unwahrscheinlichen Situation führt. Normalverteilungenhaben bspw. keine Minimal- oder Maximalausprägung. Gesucht sindaber realistische Bedrohungen Dies kann nur mit der Durchrechnungvon Szenarien erfolgen. Die Monte-Carlo-Simulation hat sich hier alsStandard etabliert.

73


StrukturierteSzenario-entwicklung

Aggregation vonRisiken mithilfeder Monte-Carlo-Simulationminimieren

In einer hohen Anzahl von Simulationsläufen werden Zufallszahlen gemäßeiner Dichtefunktion für die jeweiligen Parameter erzeugt. Jeder Simula-tionslauf wird mit den Modellgleichungen durchgerechnet.

Aus den Simulationsläufen ergibt sich dann eine Verteilung der Ziel-größen durch Intervallbildung und Häufigkeiten der Intervallzugehörig-keit. Diese Verteilung gibt Auskunft über das Risiko in Bezug auf diegewählte Zielgröße (s. Abb. 2). Häufig wird hier ein Konfidenzintervallherangezogen: „Mit einer Wahrscheinlichkeit von 5 % wird ein Verlustvon XX nicht überschritten“. Wenn bspw. der Jahresüberschuss alsZielgröße verwendet wird, kann die Verteilung darüber Auskunft geben,welches Eigenkapital zur Verlustdeckung benötigt wird.

EBIT

0,00

0,02

0,03

0,04

0,05

0,06

0-50-100-150-200 50 100 150 200 250

Wahrscheinlichkeit

EBIT@RISK EBIT =0 Erwartungswert EBIT

geplanterEBIT

Stichprobe: 100 000Ausreißer: 179

Eigenkapital-bedarf

Zielwerte

95 %5 %

Abb. 2: Ergebnisverteilung3

Da in die Simulation zur Kalkulation aufgrund der hohen Anzahl der Läufenicht eingegriffen werden kann, ist es notwendig mögliche Reaktionenentweder als Wenn-Dann-Regel einzubeziehen oder sukzessive Anpassungs-maßnahmen einzuarbeiten. So erfolgt nach der Ergebnis-Analyse i.d.R. dieAusarbeitung von Maßnahmen zur Risikosteuerung. Die Simulation wirdanschließend mit diesen Maßnahmen erneut durchgeführt.

74


3 Vgl. Kalwait/Oehler, 2015.

Eine Herausforderung ist die Berücksichtigung von Abhängigkeiten zwi-schen den Risiken. Eine veränderte Nachfrage kann auch eine Veränderungder Wettbewerbsintensität beeinflussen. Hier gibt es Ansätze, dies in Si-mulationsläufen zu berücksichtigen.4

4 Simulation und Predictive Analytics4.1 Herausforderung Wirkungsbeziehung realistisch abbilden

Simulationsmodelle lassen sich mit den geeigneten Werkzeugen kom-fortabel aufbauen. Dies gelingt umso einfacher, wenn die notwendigenWirkungsbeziehungen auch bekannt und quantifizierbar sind. I.d.R.müssen für sachlogische Abhängigkeiten Annahmen getroffen werden,die mehr oder weniger empirisch fundiert sind. Zentrale Aufmerk-samkeit sollte daher den Verhaltensgleichungen geschenkt werden. Diezentrale Frage ist, wie belastbar die verwendeten Wirkungsbeziehungensind. Ohne Frage sind Stücklistenbeziehungen durch die Konstruktiondes Produkts hinreichend bekannt. Weniger gut planbar, aber i.d.R.durch Ist-Daten abschätzbar, sind Ausschussrelationen, die bei derVerwendung von Stücklisten im Rahmen von Simulationen berück-sichtigt werden sollten.

Schwieriger wird es im Marktumfeld der Unternehmung. Es bleibtmeistens unklar, wie Kunden auf Marketing-Maßnahmen reagieren. Dasgilt auch für Wirkungsketten: wie der Wettbewerber auf Preisänderungenund wie die Kunden auf die hieraus folgende Preissituation im Marktreagieren, bleibt auch beim Einsatz modernen Werkzeugen unklar.

4.2 Chancen für die Simulation

Nun überrascht es nicht, dass mit zunehmender Vernetzung und digitalenGeschäftsmodellen mehr Informationen zur Ableitung von Wirkungs-zusammenhängen zur Verfügung stehen. Dies war anders zur Hochzeitder Balanced Scorecard in den 90er Jahren. Die Validierung der StrategyMaps war und ist immer noch ein zentrales Problem.5 Bei der Erstellungeiner Strategy Map wird beispielweise intuitiv schnell klar, dass Kunden-zufriedenheit eine Auswirkung auf den Absatz hat. Wie stark dieseWirkung ist, ist allerdings die Frage. Es hilft auch nicht, Partialanalysendurchzuführen. Andere Einflussfaktoren wirken bei einer Partialbetrach-tung als Störfaktoren, die die Ermittlung möglicher Abhängigkeitenverzerren.

75


4 Vgl. Dannenberg, 2009.5 Vgl. Oehler, 2006, S. 261.

Vereinfachungdurch Wirkungs-beziehungen

Validierungder Wirkungs-zusammenhänge

Folgende Aspekte haben sich in der Zwischenzeit verbessert:

• Es sind mehr Daten verfügbar (insbesondere externe Daten) und siekönnen leichter in Simulationsanwendungen integriert werden.

• Methoden zur Analyse sind etabliert. Allerdings dominieren nochstatistisch orientierte Methoden zur Korrelationsanalyse mit linearenFunktionsverläufen.

Die Unterstützung von Predictive Analytics für die Simulation geht infolgende Richtungen:

• Schätzung der Parameter durch Trendrechnung, Statistische Analysenwie ARIMA, exponentielle Glättung, Regression oder neuronale Netzekönnen verwendet werden.

• Finden der Einflussgrößen, Ermittlung der Abhängigkeiten undTaxierung der Stärke der Wirkung durch statistische Methoden oderData-Mining-Verfahren.

• Aussagen über die Wahrscheinlichkeit in Bezug auf die Abhängig-keiten.

4.3 Praktische Probleme

Eine Herausforderung stellen die unterschiedlichen Modellierungsansätzevon Simulation und Predictive Analytics dar. Simulationsmodelle imControlling basieren i.d.R. auf mehrdimensionalen Modellen, die zumTeil sehr stark verdichtet sind. Kennzeichnen für mehrdimensionaleModelle sind Würfel oder Fakten, die durch Dimensionen beschriebenwerden. Einzelereignisse werden hierbei zusammenfasst, z.B. alle Käufeeines Produkts einer Kundengruppe über eine Periode.

Predictive Analytics-Algorithmen benötigen i.d.R. Einzelsätze. DerPredictive-Teil eines explorativen Algorithmus benötigt ebenfalls Einzel-sätze. Diese sind Bestandteil einer Tabelle, die über Attribute beschriebenwerden. Die Attribute enthalten Zielgrößen und potenziell beeinflus-sende weitere Merkmale. Der Strukturunterschied erschwert die Über-tragung der Predictive Analytics-Ergebnisse in die Simulationslösung,falls diese auf mehrdimensionalen Strukturen basiert.

Zwar können mehrdimensionale Modelle zum Teil auch Attributeverwalten. Um aber auch im Rahmen einer Simulation globale Änderun-gen an Ausprägungen vornehmen zu können, ist es zweckmäßig, eineTransformation in Dimensionen oder Hierarchien vorzunehmen. Auseiner Altersgruppierung als Ergebnis eines Entscheidungsbaum-Algorith-mus kann bspw. eine Hierarchie (über Kunden) oder eine eigenständigeDimension erstellt werden, die die jeweiligen Intervalle auflistet. Damit

76


Strukturprobleme

Attribute vs.Dimensionen/

Hierarchien

können Simulationen wie Änderungen in der Altersstruktur leicht durch-gespielt werden. Veränderungen der Simulation benötigen Veränderungenauf aggregierter Ebene.

Um die Anzahl der Dimensionen nicht zu stark zu erhöhen, sollte derPredictive Analytics-Algorithmus ein Ranking der Einflussfaktoren erstel-len. Nur die wesentlichen Attribute sollten übernommen werden, um dieSimulation nicht zu komplex werden zu lassen. Die entstehenden Re-geln aus einem Entscheidungsbaumverfahren können anschließend inOLAP6-Regeln transformiert werden.

Eine Aggregation über Hierarchien, wie sie in mehrdimensionalen Systemenvorgesehen ist, setzt bereits Hypothesen über die Aggregation voraus. DieseHypothesen werden aber durch die Ergebnisse von Predictive Analytics ersterzeugt. So könnte das Ergebnis eines Entscheidungsbaumverfahrens eineKundengruppierung nach Altersklassen vorsehen, um eine Aussage zurZahlungswahrscheinlichkeit zu treffen. Diese Gruppierung müsste dann inder Simulation vorhanden sein. Mit jedem neuen Entscheidungsbaum-Laufkann sich diese Kategorisierung jedoch verändern, was eine hohe Flexibilitätdes Simulationswerkzeugs voraussetzt.

Man muss sich im Klaren darüber sein, dass es sich bei der Anwendung vonPredictive Analytics um Vergangenheitsbetrachtungen handelt. DisruptiveVeränderungen lassen sich damit nicht ermitteln. Dies ist ein Bereich, derim Rahmen der Simulation durch manuelle Parameteränderungen abge-bildet werden kann. Schwache Signale werden als Initiator für extremeSzenarien verwendet. Die Wirkung eines Dieselfahrverbots in Großstädtenkann bspw. als disruptives Ereignis durchsimuliert werden.

4.4 Fallbeispiel: Zahlungseingang aus Umsatz ableiten

Ein Beispiel soll die Erarbeitung von Wirkungsbeziehungen durchPredictive Analytics verdeutlichen. Die Ableitung des Zahlungseingangsaus dem geplanten Umsatz stellt für viele Unternehmen eine Heraus-forderung dar. Dies erfolgt häufig eher grob: Teilweise werden diehinterlegten Zahlungsbedingungen aus dem ERP-System herangezogen.Das ist aber oft unrealistisch, schließlich entscheiden die Kunden, wann siezahlen.

Es können jedoch auch sog. Geldwerdungsfaktoren statistisch abgeleitetwerden, die wiederspiegeln, wann Kunden in der Vergangenheit gezahlthaben:7

77


6 OLAP bedeutet Online Analytical Processing.7 Vgl. Oehler, 2006, S. 331.

DisruptiveVeränderungenmit manuellenParameter-änderungen

• sofort: 30 %

• nach 1 Monat: 50 %

• nach 2 Monaten: 20 %

Dies sind Wahrscheinlichkeitsinformationen, die aus Predictive Ana-lytics-Methoden leicht abgeleitet werden können.

Sukzessive verbessert werden kann dies nun durch ein Entscheidungs-baumverfahren. Es können verschiedene Attribute untersucht werden, dieeinen Einfluss auf die Zahlungsbereitschaft haben. Dies können u.a. sein:

• Lokation des Kunden: Gibt es starke oder schwache regionale Unter-schiede im Zahlungsverhalten?

• Kundenart: Zeigen Privatkunden ggü. Geschäftskunden ein anderesZahlungsverhalten? Wie sieht das bei Großkunden aus?

• Kundenbeziehung: Hat die Länge der Kundenbeziehung einen Ein-fluss auf die Zahlungsbereitschaft?

• Verkaufte Produkte: Haben diese einen Einfluss auf die Zahlung?Qualitätsmängel führen z.B. häufig zu Zahlungsverzögerungen.

• Zeitpunkt der Rechnungserstellung: Zum Quartalsanfang wird oftanders gezahlt als zum Quartalsende.

• Häufigkeit des Kaufens: Zum Teil werden Zahlungen zusammengefasst.

Über ein Entscheidungsbaumverfahren können nun Regeln abgeleitetwerden, die darlegen, welche (dynamisch aus dem Verfahren erzeugte)Kundenklasse wann zahlt. Da ein Entscheidungsbaumverfahren ein Klassi-fikationsverfahren ist, ist das Ergebnis entsprechend wiederum eine Klasse.Hier erscheint es opportun, Klassen in Bezug auf die Abweichung zumZahlungsziel zu bilden.

Das Entscheidungsbaumverfahren kann jedoch noch mehr. Es werdenauch Wahrscheinlichkeiten der Klassenzugehörigkeit ermittelt. Diesekönnen unmittelbar in Geldwerdungsfaktoren transformiert werden. Ineinem kleinen Piloten sind 4 Klassen definiert worden.8

• Mehr als 10 Tage vor Zahlungsziel;

• 0 bis 10 Tage vor Zahlungsziel;

• 0 bis 10 Tage nach Zahlungsziel;

• Mehr als 10 Tage nach Zahlungsziel.

Zur Anwendung wird der rpart-Algorithmus9 aus R verwendet. Das Er-gebnis kann grafisch in Form eines Baums ausgegeben werden.

78


8 Das Beispiel basiert auf modifizierten Daten aus North, 2012.9 Rpart steht für „Recursive Partitioning“ und ist eine Implementierung des weit-

verbreiteten CART-Algorithmus („Classification and Regression Trees“).

Analyse vonEinflussfaktoren

Erzeugungder Regeln

Umsetzung mit R

Abb. 3: Entscheidungsbaum

Informativer ist jedoch die Betrachtung der Regeln. Abb. 4 zeigt einenAusschnitt aus einem Testszenario.

• Die erste Zahl gibt die Trefferzahl für den Ast an,

• die zweite den „Loss“, also die Irrtumswahrscheinlichkeit und

• der letzte Wert die wahrscheinlichste Klasse.

• In Klammern sind die Wahrscheinlichkeiten der Verzögerungsklassenangegeben.

Diese Regeln können in eine OLAP-Regel überführt werden. Voraus-setzung ist, dass aus den Intervallen entsprechende Strukturen (entwederHierarchien oder Dimensionen) erzeugt worden sind. In unserem Beispielsind es Dimensionen.

Im Rahmen der Simulation können nun die Absätze verändert werden.Man bestimmt die Entwicklung des Kundenprofils aufgrund von Fort-schreibungen, Vorgaben oder auch Maßnahmen („Wir wollen jungeKunden stärker ansprechen.“). Gemäß dessen kann die Anzahl der ge-planten Kunden der entsprechenden Altersklasse angepasst werden.Typische Simulationsfragen können sein: Was passiert mit dem Zahlungs-fluss bei

• Steigerung einer Altersgruppe um 10 %?

• Steigerung der erfahrenen Anwender um 15 %?

79


Simulation

- 1) root 661 456 10 (0.26021180 0.14826021 0.31013616 0.28139183)- 2) Website_Activity=Seldom 424 265 -10 (0.37500000 0.04009434 0.26179245 0.32311321)- 4) Bought_Digital_Books=No 225 80 -10 (0.64444444 0.02222222 0.04444444 0.28888889)- 8) Age>=25.5 189 47 -10 (0.75132275 0.02116402 0.05291005 0.17460317) *- 9) Age< 25.5 36 4 20 (0.08333333 0.02777778 0.00000000 0.88888889) *- 5) Bought_Digital_Books=Yes 199 98 10 (0.07035176 0.06030151 0.50753769 0.36180905)- 10) Age< 37.5 77 29 10 (0.03896104 0.12987013 0.62337662 0.20779221) *- 11) Age>=37.5 122 66 20 (0.09016393 0.01639344 0.43442623 0.45901639)- 22) Payment_Method=Bank Transfer,Monthly Billing 64 31 10

(0.10937500 0.00000000 0.51562500 0.37500000) *- 23) Payment_Method=Credit Card,Website Account 58 26 20

(0.06896552 0.03448276 0.34482759 0.55172414) *- 3) Website_Activity=Frequent,Regular 237 143 10 (0.05485232 0.34177215 0.39662447 0.20675105)- 6) Bought_Digital_Books=Yes 98 44 0 (0.04081633 0.55102041 0.29591837 0.11224490) *- 7) Bought_Digital_Books=No 139 74 10 (0.06474820 0.19424460 0.46762590 0.27338129)- 14) Age< 58.5 115 53 10 (0.05217391 0.22608696 0.53913043 0.18260870) *- 15) Age>=58.5 24 7 20 (0.12500000 0.04166667 0.12500000 0.70833333) *

Abb. 4: Abgeleitete Entscheidungsregel

Ersteres heißt nichts anderes, als dass bezüglich der Absätze alle Zellen mitAuswahl der anzupassenden Altersgruppe um 10 % erhöht werden. DieSimulation kann einen Spreading-Algorithmus nutzen (s. Abschn. 3.1.3).Aufgrund der erzeugten Regeln kann anschließend der entsprechendeZahlungsfluss auf der Basis der veränderten Kundenstruktur erzeugtwerden.

5 UmsetzungsmöglichkeitenIm Folgenden werden nun die Umsetzungsmöglichkeiten in Bezug aufdie IT-Unterstützung diskutiert. Neben der schon erwähnten Tabellen-kalkulation bieten sich vorhandene Planungslösungen an, die mitt-lerweile von vielen Unternehmen genutzt werden.

Nach einer BARC-Studie gibt es allerdings dabei einige Probleme: 36 % derBefragten sehen als größtes Problem an, das Simulationen und Szenariennicht abbildbar sind.10 Da man grundsätzlich mit nahezu jedem Systemzumindest einfache Simulationen durchführen kann, ist davon auszugehen,dass von den Umfrageteilnehmern bereits höhere Ansprüche an die Lösunggestellt werden. Die Erfahrung des Autors zeigt u.a.:

• Strukturen in Planungslösungen können i.d.R. für die Simulation nursehr eingeschränkt verändert werden, da dies Auswirkungen auf denPlanungsprozess hat.

• Die benötigten Abhängigkeiten können nur eingeschränkt hinterlegtwerden.

• Die Verwaltung von Szenarien wird von vielen Lösungen nicht unter-stützt.

80


10 Vgl. BARC, 2014, S. 21.

Probleme bei derSimulation

Was sind nun Einflussfaktoren für die Auswahl von Simulationswerk-zeugen? Romeike und Spitzner stellen heraus, dass die Entscheidungimmer vom Modell ausgehen soll. „Wähle eine IT-Umsetzung stets aufBasis des Modells, nie aus bestehenden IT-Systemen! Das vermeidetspäter Einschränkungen“.11 Das mag theoretisch richtig sein, geht aberan der Praxis häufig vorbei. Neben der Lösungseignung sind auch andereEinflussfaktoren zu berücksichtigen:

• Vorkenntnisse in Bezug auf die zu verwendende Lösung.

• Eignung für die Fachabteilung, abgestimmt auf die Skills der Mit-arbeiter des Controllings.

• Komplexitätsreduktion, z.B. in Form der Reihenfolge-Automatisie-rung bei der Auflösung der Regeln für die Kalkulation. Das Systemsollte selbst die Kalkulationsreihenfolge der Regeln steuern.

• Unterstützung von nicht linearen Gleichungen. Dies kann bspw. überTransformationstabellen erfolgen.

• Übernahme der Strukturen aus Vorsystemen (Planungslösung/ERP).

• Strukturunterstützung (Dimensionen, Hierarchien, Attribute).

• Möglichkeit der Montage von Teilsimulationsmodellen. In größerenUnternehmen wird häufig abteilungsbezogen simuliert. Eine Zusam-menfassung der Teilsimulationen zu einem Gesamtmodell ist aberwünschenswert.

• Separationsanspruch. Wie unabhängig soll die Simulation von derBasislösung sein? Im Rahmen einer Simulation werden bspw. häufigZielvorgaben entwickelt. Diese Parameter sollen auch wieder in das(operative) Planungssystem zur weiteren Konkretisierung zurück-gespielt werden.

Einige mögliche Ansätze, wie bspw. die Simulation mittels ERP-Systemenoder auch die Programmierung mit klassischen Programmiersprachen,sollen hier ausgeklammert werden. Erstere sind zu starr, da die Abrech-nungsstrukturen nur schwer an die Anforderungen der Simulation an-gepasst werden können. Letztere erfordern eine zu detaillierte Program-mierung und einen hohen Aufwand der Datenverwaltung. Zudembedürfen sie Kenntnisse, die i.d.R. nicht in Controllingabteilungenvorzufinden sind. Programmierähnliche Ansätze stehen allerdings in vielenWerkzeugen zur Verfügung:

• Regeln in OLAP- und Planungssystemen,

• Statistische Umgebungen wie R oder

• Tabellenkalkulation Makros.

81


11 Vgl. Romeike/Spitzner, 2013, S. 82.

Ohne ERP undkonventionelleProgrammierung

Im Folgenden werden die Werkzeuge kurz vorgestellt und eine grobeEinschätzung der Stärken und Schwächen vorgenommen werden.

5.1 Simulation mit der Tabellenkalkulation

Mit der Tabellenkalkulation steht dem Controlling ein leistungsfähigesWerkzeug zur Verfügung. Gleichungen werden über die Zellverknüpfungund Built-In-Funktionen abgebildet. Berechnungen werden i.d.R. in Echt-zeit durchgeführt. Zur Verwaltung von Simulationsszenarien kann einSzenario-Manager als Add-In verwendet werden.12 Dieser wird kostenfreidurch Microsoft bereitgestellt.

Datenintensivere Verfahren, wie die Monte-Carlo-Simulation, könnendurch Erweiterungen umgesetzt werden.13 Hier bieten sich @Risk, CrystalBall oder RiskKit von Wehrspohn an.

n Stärken

• Die Simulation kann ohne größere Vorbereitung umgesetzt werden.

• Die Tabellenkalkulation ist etabliert, Know-how ist i.d.R. vorhanden.

• „What-If“ und Zielwertsuche werden bei einfachen Modellen unmit-telbar unterstützt.

• Add-Ins für Simulation und Predictive Analytics sind verfügbar.

n Schwächen

• Strukturen und Daten müssen übernommen werden. Die Daten-anbindung ist schwierig. Die Unterstützung bei der Transformationvon Importdaten ist ungenügend.

• Rechenintensive Operatoren sind häufig sehr langsam.

• Die erstellten Modelle besitzen häufig eine Strukturschwäche, daDimensionen und Hierarchien nicht unterstützt werden. Das Copy-&-Paste-Management zur Formelvervielfältigung ist fehleranfällig. Diesog. Matrixformeln helfen hier nur partiell.

5.2 OLAP und Planungslösungen

Mehrdimensionale Werkzeuge eignen sich zum Teil gut für die determinis-tische Simulation. Neben mehrdimensionalen Strukturen sind mehr oderweniger leistungsfähige Regelmaschinen im Einsatz, die zum Teil eine

82


12 Vgl. Oehler, 2014, S. 417–420.13 Vgl. Gleißner/Wolfrum, 2015, S. 241–264.

Kalkulation in Echtzeit ermöglichen. Im Gegensatz zu den Excel-Ver-linkungen sind die Regeln ohne weitere Einschränkung über den gesamtenDimensionsraum gültig, was die Anpassungsfähigkeit an veränderte Struk-turen im Rahmen von Simulationen erhöht.

Die Umsetzung einer Monte-Carlo-Simulation ist prinzipiell möglich,wobei allerdings programmtechnische Ergänzungen notwendig sind.14 ZurVerwaltung von Szenarien wird meistens eine eigene Dimension verwendet.

n Stärken

• Struktur-Unterstützung.

• Zum Teil komfortable Datenübernahme aus Vorsystemen.

• Zum Teil Spezialfunktionen zur Erstellung von unabhängigen Szena-rien (sog. Sandbox), die nach der Simulation wieder zusammenge-führt werden können.

n Schwächen

• Keine vollständige Unabhängigkeit vom Planungssystem. Dies giltinsbesondere für die Strukturen, so dass Strukturveränderungen imRahmen von Simulationen problematisch sind. Unter Umständen istein Kopieren der ganzen Anwendung möglich.

• Eine Anbindung an Predictive Analytics ist zum Teil schwierig.

• Zeitdynamische Funktionen müssen über eine Bestandsveränderungs-logik programmiert werden.

• Die Erzeugung von Zufallszahlen nach einer bestimmten Verteilungwird i.d.R. nicht unterstützt.

• Spezialmethoden, wie z.B. die Monte-Carlo-Simulation, fehlen häufigbzw. müssen hinzuprogrammiert werden.

• Bei In-Memory-Systemen ist das hohe Datenvolumen bei einer Monte-Carlo-Simulation zu berücksichtigen.

5.3 System Dynamics/Simulationssprachen

Anbieter wie VenSim, PowerSim, Anylogic oder iThink unterstützen dierecht gut standardisierte Methode System Dynamics. Damit ist es möglich,dynamische Systeme zu modellieren und somit zukünftige Entwicklungenrealistisch zu prognostizieren. Die Methode ist weit verbreitet. Die Werk-zeuge besitzen i.d.R. eine komfortable Oberfläche.

83


14 Vgl. Oehler/Gruenes/Ilacqua, 2012, S. 736–748.

n Stärken

• Verfügbarkeit von Entwicklungsvorlagen (sog. Systemarchetypen).

• Umfangreicher Funktionsapparat zur Definition von Wirkungsbezie-hungen.

• Dynamische Aspekte (z.B. Periodenübergänge und Verzögerungs-effekte) werden unmittelbar unterstützt.

• Gute Visualisierung.

n Schwächen

• Hohe Einarbeitungszeit in ein für Controller ungewohntes Werkzeug.

• Mehrdimensionalität wird nur eingeschränkt unterstützt.

• Anbindung an Predictive Analytics ist schwierig.

• Datenintegration häufig nicht sehr elegant gelöst.

5.4 Statistische Umgebungen

Eine weitere interessante Möglichkeit stellen statistische Umgebungen dar.In diesem Bereich hat sich seit einiger Zeit die Open Source Lösung R alsStandard etabliert. Sie stellt mittlerweile die „Lingua Franca“ der Statistik-Community dar. Interessant bei R sind Erweiterungen durch Packages(zurzeit über 10.000), die von der R-Community kostenfrei bereitgestelltwerden. Es gibt einige etablierte Methoden zur Umsetzung von SystemDynamics.15

n Stärken

• Integration von Simulation und Predictive Analytics.

• Schnelle Simulation.

• Eine Vielzahl von Methoden zur Erzeugung von Verteilungen verfügbar.

n Schwächen

• Sehr hoher Einarbeitungsaufwand.

• Skalierbarkeit, allerdings gibt es hier schon Erweiterungen, die dieAusführung von R-Algorithmen auf großen Datenbeständen, wiebspw. Hadoop-Clustern ermöglichen.

• Programmierkenntnisse sind erforderlich.

• Unterstützungskomfort lässt bei komplexen Simulationen zu wün-schen übrig.

84


15 Verbreitet ist bspw. das Package „deSolve“.

• Keine richtige mehrdimensionale Verarbeitung, insbesondere wasSparcity16 und die Definition mehrdimensionaler Regeln angeht.

• Die Abbildung von Regeln ist komplex.

5.5 Dedizierte Werkzeuge zur Simulation

Der Markt ist noch relativ überschaubar, speziell für Simulationen wie„What-If“- und die Monte-Carlo-Simulation. Rahmen, wie bspw. Valueat Risk, sind vordefiniert.

Beispiele für dieses Werkzeug sind Strategie-Navigator oder Opture. MitXPCT kommt Ende 2017 ein weiteres dediziertes Simulationswerkzeugfür Controller auf den Markt.

n Stärken

• Hoher Vordefinitionsgrad.

• Komplexität wird verborgen.

• Eingebaute Simulation.

n Schwächen

• Gewisse Begrenztheit der Funktion.

• Offenheit (dies soll allerdings bei XPCT durch die enge Anbindung anR überwunden werden).

6 ZusammenfassungDer Simulation kommt als Risiko-Werkzeug und Entscheidungsgrund-lage eine wichtige Rolle im Controlling zu. Hierzu müssen die Wirkungs-beziehungen herausgearbeitet werden. Die schwierige Ermittlung solltenicht zu einer Vogel-Strauß-Taktik führen. Schließlich stehen mit denPredictive-Analytics-Methoden Bausteine zur Gewinnung neuer Er-kenntnisse zur Verfügung. Ganz so unproblematisch ist das allerdingsnicht. Hierzu gilt es Kompatibilitätsprobleme zu überwinden.

Wie so oft, kann keine eindeutige Empfehlung für einen Lösungsweggegeben werden. Dazu ist das Feld der Simulation zu facettenreich.Kombinationen von Werkzeugen i.S.v. Best of Breed wären wünschens-wert, sind aber i.d.R. mit sehr viel unternehmensspezifischem Aufwand

85


16 OLAP-Strukturen basieren auf einer zellbezogenen Speicherung. Wenn nur wenigeZellen in einem Würfel belegt sind („Sparcity“), kann dies bei einer hohenDimensionalität zu Problemen bzgl. des Speicherplatzes führen.

verbunden. Deshalb ist es notwendig, sich mit einer Infrastruktur zurSimulation auseinanderzusetzen.

7 LiteraturhinweiseBARC (Hrsg.), The Planning Survey, Aktuelle Entwicklungen, Trendsund Prozesse in Unternehmen der D/A/CH-Region, 2014, S. 21.

Buckler, Das Ende der Kennzahlen-Illusion: Mehr Marge, mehr Absatz,mehr Effizienz durch einen digitalen Spürhund, 2014.

Charnes, Financial Modeling with Crystal Ball and Excel, 2007.

Dannenberg, Berücksichtigung von Abhängigkeiten im Risikomanage-ment – Nutzung von Microsoft Excel, in Controller Magazin, 6/2009,S. 63–70.

Gleißner/Wolfrum, Szenario-Analyse und Simulation: Ein Fallbeispielmit Excel und Crystal Ball, in Klein/Gleißner (Hrsg.), Der ControllingBerater, 2017, Band 50, S. 315–337.

Kalwait/Oehler, Ansätze einer Integration von Risiko-Management undControlling, Vortrag auf dem EY Risikostammtisch, 2015.

Meier/Romeike/Spitzner, Simulationen in der Unternehmenssteuerung –Studienergebnisse, 2012.

Müller-Merbach, Operations Research: Methoden und Modelle derOptimalplanung, 3. Aufl. 1973.

North, Data Mining for the Masses, 2012.

Oehler, Corporate Performance Management mit Business IntelligenceLösungen, 2006.

Oehler, Excel im Controlling für Dummies, 2014.

Oehler/Gruenes/Ilacqua, IBM Cognos TM1 – The Official Guide, 2012.

Romeike/Spitzner, Von Szenarioanalyse bis Wargaming – Betriebswirt-schaftliche Simulationen im Praxiseinsatz, 2013.

Stahlknecht, Operations Research, 2. Aufl. 1970.

86


Haufe Controlling Offi ceDVD-Version, inkl. Zugang zur stets aktuellen Online-VersionBestell-Nr. A01422108,00 i zzgl. MwSt.Updates nach Bedarf à 56,00 h zzgl. MwSt.

auch als Online-Version erhältlich:

Bestell-Nr.: A01426VJ01monatlich 20,75 i zzgl. MwSt.Jahresbezugspreis 249,00 h zzgl. MwSt.

Der Controlling-BeraterBroschur, inkl. Zugang zur stets aktuellen Online-Version Haufe Controlling Offi ceBestell-Nr.: A0140156,00 i zzgl. MwSt.Aktualisierung 5 Bände pro Jahr

Mit Haufe Controlling Offi ce haben Sie

alle Informationen zur Hand, die Sie zum

zuver lässigen Planen, erfolgreichen Steuern

und sicheren Kalkulieren brauchen. Die

Software informiert Sie über alle Trends und

aktuellen Entwicklungen im Controlling,

damit Sie Ihre Rolle als strategischer Partner

im Unternehmen perfekt wahrnehmen

können.

Leistungsmerkmale:

n Operatives und strategisches Controlling:

Trends und aktuelle Entwicklungen sowie

umfassende Fachbeiträge und Arbeits-

hilfen zur erfolgreichen Umsetzung, z. B.

Budgetierung, Kalkulation oder Liqui di-

täts steuerung

n Best-Practice-Lösungen: Erfahrungs-

berichte von Experten aus der Praxis,

Fall beispiele und Praxishinweise von der

Einführung eines Risikomanagements bis

zur Optimierung Ihrer Kostenstellenrech-

nung

n Nützliche Arbeitshilfen: praktische Tools,

wie z. B. Businessplaner, Investitionsrech-

ner, Rating-Tool, Checklisten, Vorlagen,

Mustertexte und Excel-Makros für die

tägliche Arbeit

Der Controlling-Berater informiert Sie in

jedem Band ausführlich über ein relevantes

Controlling-Schwerpunktthema. Die Inhalte

kombinieren aktuelles Grundlagenwissen,

empirische Erkenntnisse und Fallbeispiele

aus der Praxis.

Leistungsmerkmale:

n Ausführliche, umsetzungsorientierte

Fachinformationen zu zentralen Auf-

gabenstellungen des Controllers

n Praxisberichte aus Unternehmen als

Möglichkeit zum Benchmarking

n Inkl. Zugang zur stets aktuellen Online-

Version Haufe Controlling Offi ce

Das Power-Paket für Ihr Controlling!

Straße/Postfach

Name Ansprechpartner

Firma

Vorname Ansprechpartner

PLZ Ort

Branche

E-Mail

Herr Frau

Haufe Controlling Offi ce A01422 108,00 i zzgl. MwSt. (128,52 h inkl. MwSt.) DVD-Version, inkl. Zugang zur stets aktuellen Online-Version

zzgl. Versandpauschale 6,90 h

Anz. Titel Best.-Nr. Preis

Haufe Controlling Offi ce A01426VJ01 monatlich 20,75 i zzgl. MwSt. (24,69 h inkl. MwSt.) Online-Version

Jahresbezugspreis zzgl. MwSt. 249,00 h

Ja, ich teste kostenlos und unverbindlich 4 Wochen lang:

Darauf können Sie vertrauen. Garantiert! Bei der Haufe Gruppe bestellen Sie immer ohne Risiko zum unverbindlichen Test mit 4-wöchigem Rückgaberecht. Sie bezahlen nur, was Ihnen auch wirklich zusagt. Anderenfalls schicken Sie das Produkt einfach portofrei zurück und die Sache ist für Sie erledigt. Bei der Online-Version genügt eine kurze Mitteilung per Post oder E-Mail. Unser Aktualisierungs-Service gewährleistet, dass Ihre Produkte gesetzlich, inhaltlich und technisch stets auf dem neuesten Stand bleiben. Sie können ihn jederzeit beenden – bei Jahresbezügen mit einer Frist von 4 Wochen zum Ende des Bezugszeitraums. Die Nutzung der Online-Version ist auf den Bezugszeitraum begrenzt.

Per Fax:0800 50 50 446 *

Per Internet:

www.haufe.de/bestellungPer E-Mail:[email protected]

Per Telefon:0800 50 50 445 *

Datum Unterschrift

✗

Vielen Dank für Ihre Bestellung!

Der Controlling-Berater A01401 56,00 i zzgl. MwSt. (59,92 h inkl. MwSt.) Broschur inkl. Zugang zur Online-Version Haufe Controlling Offi ce; 5 Bände pro Jahr

zzgl. Versandpauschale 3,00 h

* kostenlos

Advanced Analytics - pmOne€¦ · Advanced Analytics Neue Möglichkeiten vonBig Data für Planung...

Documents

Transcript of Advanced Analytics - pmOne€¦ · Advanced Analytics Neue Möglichkeiten vonBig Data für Planung...