Forecasts ersetzen zunehmend klassische Budgets als zentrales Steuerungsinstrument

Fundierte Entscheidungen in dynamischen Märkten erfordern schnelle und aktuelle ForecastsLangsam, aber stetig steigt die Frequenz für die Aktualisierung von Forecasts in Unternehmen. So sind es heute bereits 41 Prozent der befragten Organisationen, die mindestens einmal pro Monat ihre Prognosen und Hochrechnungen aktualisieren, um geänderte Signale aus ihrer Umwelt für Steuerungszwecke zu berücksichtigen. Bei Vorreitern sind es sogar 64 Prozent, im Vergleich zu nur 23 Prozent bei den Nachzüglern. Kein einziges Unternehmen gibt an, gar keine Forecasts durchzuführen.3x mehr Vorreiter als Nachzügler erstellen wöchentliche und monatliche ForecastsFortschritte in der Technologie haben diese Entwicklung ermöglicht und steigende Anforderungen an die Unternehmenssteuerung haben sie beschleunigt. Ohne fundierte Softwareunterstützung stünde der Aufwand zur Erstellung von Forecasts häufig nicht in Relation zum Nutzen oder die Erstellung würde schlicht zu lange dauern, um kurzfristige Steuerungsimpulse ableiten zu können. Gleichzeitig müssen aber auch die Prozesse und Inhalte adaptiert werden, da „more of the same“ nur zu mehr Arbeit führt, selten aber bessere Erkenntnisse bringt.In welchen Zyklen erfolgt derzeit eine unterjährige Aktualisierung der Plan-Zahlen (Forecasting)? (n=73) , nach Best-in-ClassEin wichtiger aktueller Trend im Bereich Forecasting ist die Nutzung von prädiktiven Algorithmen, statistischen Methoden und von Machine Learning (ML), die für Predictive Planning and Forecasting genutzt werden. Das Ziel ist es dabei, aussagekräftige und qualitativ hochwertige Planzahlen mit möglichst geringem Aufwand und einer schnellen Durchlaufzeit zu erzeugen. Getrieben wird dieser Trend von den Top-Zielen aus Kapitel 02. Einen detaillierten Einblick in das Thema bietet Ihnen die BARC-Studie „Predictive Planning and Forecasting hebt die Unternehmensplanung auf die nächste Stufe“.Prädiktive Algorithmen sind der Königsweg zur Automatisierung von PrognosenSchnellere Forecasts und zuverlässigere Simulationen machen immer stärker Verwendung von prädiktiven Algorithmen (Predictive Planning and Forecasting). Sie sind der Königsweg für die Automatisierung und Beschleunigung, gleichzeitig sind sie aber kein Allheilmittel. Wer also zu hohe Erwartungen in die Technologie setzt, wird höchstwahrscheinlich nicht den erhofften Nutzen generieren. Bei allem Potenzial von Machine Learning stammt die Datenbasis immer aus der Vergangenheit. Das „Wissen“ einer „künstlichen Intelligenz“ besteht somit aus historischen Mustern, die in den Daten identifiziert und daraus erlernt wurden. Zusammenhänge, die in der Vergangenheit nicht aufgetreten sind, können somit auch nicht in die Prognosen einfließen, was gerade für dynamische Märkte mit hoher Unvorhersehbarkeit eine unüberbrückbare Herausforderung darstellen kann.Wie schätzen Sie die Prognosefähigkeit von prädiktiven Modellen ein? (n=223)Trotz aller Herausforderungen bestätigen dennoch 22 Prozent der befragten Unternehmen (bei den Vorreitern sogar 33 Prozent), dass prädiktive Modelle für sie auch in volatilen Märkten gute Prognosen liefern. 53 Prozent – und damit die Mehrheit der Umfrageteilnehmer – bejahen valide Prognosen durch prädiktive Algorithmen nur für Teilbereiche bei hoher Dynamik. Dies zeigt, dass die Maschine dem Menschen insbesondere in dynamischen Märkten noch lange nicht den Rang abläuft. Die letztendliche Entscheidung und Bewertung liegt klar beim Menschen, gerade dann, wenn historische Daten keine adäquate Basis für Prognosen der Zukunft bieten.Wie schätzen Sie die Prognosefähigkeit von prädiktiven Modellen ein? (n=60), nach Best-in-Class3x mehr Vorreiter als Nachzügler schätzen die Prognosequalität prädiktiver Algorithmen in volatilen Märkten als sehr gut einDass es kein „blindes“ Vertrauen in die Technologie geben sollte, ist angesichts der Herausforderungen in dynamischen und komplexen Märkten eine wichtige Nachricht. Beim Einsatz automatisierter Hochrechnungen ist es unabdingbar zu klären, wo gute Ergebnisse mit geringerem Aufwand generiert werden können, um Planungsverantwortliche von Routinetätigkeiten zu entlasten. Anstatt von Planern quartalsweise Zahlenkolonnen anzufordern, sollten diese zeitnah nur die wichtigsten Änderungen erfassen. Die Basis für eine effiziente Lösung ist die Konzentration auf das Wesentliche sowie die Bereitschaft, bei Bedarf Änderungen vorzunehmen. Gleichzeitig bedarf es eines Konzepts, wie die Genauigkeit automatisierter Prognosen konstant überprüft und ergänzender Input von Planungsverantwortlichen in die Ergebnisse der Modelle einfließen kann.