Das Forecasting-Modell muss auf den Business Case optimiert sein
Sursee. In der 18. Ausgabe vom Podcast «Finance Excellence» spreche ich mit Oliver Schär über das Thema Business Forecasting.
Oliver Schär studierte Wirtschaft an der Hochschule Luzern und Management Science an der Lancaster University und am Centre for Marketing Analytics and Forecasting in England. Aktuell arbeitet Oliver an der University of Virginia, Darden School of Business als Research Associate. Sein Forschungsschwerpunkt liegt im Bereich Predictive Analytics. Im speziellen fokussierte sich Oliver in den vergangenen Jahren auf den Nutzen von User-Generated-Content (UGC) zur Prognose von Produkte-Nachfrage und die Prognose zur Nachfrage von neuen Produkten.
Die turbulenten Zeiten haben einen massiven Einfluss auf den Forecasting-Prozess in den Unternehmen. Aufgrund mangelnder historischer Daten haben statistische Forecasting-Modelle in der jüngsten Vergangenheit relativ schlecht funktioniert und erforderten von den Verantwortlichen viele manuelle Anpassungen. Die Unternehmen steuern zunehmend Ad-hoc. Viele Business Forecasting-Modelle müssen überarbeitet werden. Zukünftig müssen die Business Forecasting-Modelle robuster gegenüber Extremsituationen werden. Ausserdem sollten Unternehmen wenige auf Punkt-Forecast fokussieren und sich stärker auf Prediction-Intervall orientieren. In den Unternehmen braucht es zukünftig ausgearbeitete Pläne, wie und vor allem wer in Krisenzeiten den Business Forecast-Prozess anpasst und allfälliger Bias reduziert werden kann.
Oliver Schär beschreibt die Business Forecasting-Trends auf der strategischen, taktischen und operationalen Ebene. Er betont die wichtige aber auch schwierige Suche nach Leading Indicators. Andererseits müssen Unternehmen bei schnelllebigem User-Generated-Content (UGC) abklären, wie schnell man das Geschäftsmodell auf aktuelle Entwicklungen anpassen kann und ob sich das überhaupt rechnet. In letzter Zeit hat sich die Forschung zudem vermehrt mit Business Forecasting-Modellen befasst, die auf hierarchisch und gruppierten Zeitreihen aufbauen und sich deren verschiedenen Aggregierungs-Level zu Nutze machen.
Ausserdem müssen Unternehmen ihre Business Forecasting-Modelle richtig evaluieren und den richtigen Benchmark setzen. Das heisst nicht, dass Maschine Learning unbedingt besser ist. Oftmals reichen auch einfache Modelle für eine gute Prognose. Wichtig ist der Aufbau eines Pools an Business Forecasting-Modellen, die auch regelmässig überprüft werden und situativ richtig eingesetzt und angewendet werden.
Gerade beim manuellen Anpassen vom Forecast ist die Berechnung vom Forecast Value Added zu empfehlen, um zu prüfen, ob man manuell überhaupt Wert schafft. Oft wird auch der Forecast-Error nur ungenügend bestimmt. Aber gerade in Extremsituationen hat der Mensch ein besseres Interpretationsverständnis, wie sich die Situation entwickeln könnte.
Das Controlling-Domain-Wissen ist zentral, um seien Rolle als Business Partner auszufüllen. Andererseits muss der Controller immer mehr die statischen Business Forecasting-Modelle verstehen und richtig interpretieren. Ein Verständnis quantitativer Modelle ist gemäss Oliver unabdingbar.
Buchempfehlung:
Forecasting: Principles and Practice» von Rob J. Hyndman und George Athanasopoulos: https://otexts.com/fpp2/
Ulrich Egle ist Dozent an der Hochschule Luzern. Seine Schwerpunkte sind Controlling, Digitalisierung und Agilität. Zu diesen Themen publiziert er regelmässig. Er unterstützt und coacht Unternehmen bei der digitalen und agilen Transformation der Finanzorganisation.
Folgen Sie Ulrich Egle auf seinem Blog Digital Performance Cockpit mit spannenden Inhalten zu den Themenfeldern Controlling, Digitale Transformation und Agilität. Sie können Ulrich Egle per Mail kontaktieren: ulrich.egle@gmail.com oder folgen Sie ihm auf LinkedIn.