Fachartikel

Sind Sie zufrieden mit Ihrem Forecast?

Was zeichnet eigentlich einen guten Forecast aus? Und wie kann ich meinen Prozess zur Erstellung interner Umsatz- und Kostenprognosen verbessern? Über beide Fragen wurde in den letzten Jahrzehnten vergleichsweise wenig diskutiert, andere Themen dominierten die Agenda des Managements. In den letzten Jahren hat sich dies aber zunehmend geändert. Zum einen wird die für viele selbstverständliche Verknüpfung mit dem Planungsprozess hinterfragt, zum anderen bewirkt der Einsatz von Algorithmen („Predictive Analytics“) zunehmend sichtbare Verbesserungen in der Prognose. Anlass genug für diesen kurzen Beitrag, der Ihnen die eine oder andere Anregung für die Gestaltung Ihres Forecasting-Prozesses geben soll.

Lassen Sie mich zunächst kurz den Status quo skizzieren, wie wir ihn in der Regel in der Unternehmenspraxis antreffen. Dort sind Forecast und Zielsetzung eng miteinander verknüpft. Umsatz- und Kosten-Forecast bilden die Basis für die Ableitung von Planwerten und Budget. In börsennotierten Unternehmen kommt hinzu, dass der für Steuerungszwecke ermittelte interne Forecast die Basis für den an die Kapitalmärkte kommunizierten Erwartungswert bildet, die sogenannte „Guidance“. Diese gilt es – der strengen Logik der Kapitalmärkte folgend – in der Folge auch zu erreichen oder leicht zu übertreffen. Die Verbindung des Forecasts mit Zielsetzungen führt aber leicht dazu, dass viele in den Forecasting-Prozess involvierte Manager einen starken Anreiz verspüren, keine bestmögliche Prognose abzugeben, sondern auf einen Forecast hinzuarbeiten, der auch erreichbar ist.

Der Forecast wird als zu erreichendes Ziel, die Genauigkeit der Prognose als primäres Gütekriterium des Forecasts wahrgenommen. Entsprechend sagen immerhin auch 42 Prozent der zu diesem Thema im Rahmen des WHU Controller Panels befragten Controller und Finanzvorstände, dass Forecast-Zahlen in ihrem Unternehmen Ziele repräsentieren, die es zu erreichen gilt (vgl. Becker/Schäffer 2017). Aus einer Steuerungsperspektive geht es beim Forecasting aber darum, auf der Basis gegebener Ziele immer wieder neu zu ermitteln, wo das Unternehmen in einer sich verändernden Umwelt aktuell steht und voraussichtlich am Ende der betrachteten Periode landen wird. Aus dieser Perspektive heraus macht es nicht in jedem Fall Sinn, einen Forecast auch erreichen zu wollen und die Güte eines Forecasts auf seine Genauigkeit zu reduzieren.

Im Gegenteil: Ein ungünstiger Forecast kann nur dem Zweck dienen, auf die zu Grunde liegende Entwicklung zu reagieren und entsprechend gegenzusteuern, damit das – unabhängig vom Forecast – vorliegende Ziel doch noch erreicht oder übertroffen werden kann (vgl. Morlidge/Player 2010). Vor diesem Hintergrund haben Jeremy Hope, Robin Fraser, Bjarte Bogsnes und andere Autoren vorgeschlagen, das Mehrzweckprodukt Budgetierung zu entbündeln und die auf Forecasts aufbauende Ableitung absoluter Zielvorgaben durch relative Bewertungen in Form von wettbewerbsorientierten Benchmarks zu ersetzen (vgl. etwa Hope/Fraser 2003; Bogsnes 2016).

Prognose- und Motivationsfunktion der Budgetierung werden auf diese Weise getrennt und die bestmögliche Prognose im Rahmen eines Forecasts wird nicht mehr durch politische Überlegungen beeinflusst. Zudem macht es keinen Sinn mehr, die Güte des internen Forecasts weitgehend auf seine Genauigkeit zu reduzieren. Die Frage, was ein guter Forecast ist, stellt sich somit neu und soll daher im Folgenden kurz erläutert werden. Dabei lehne ich mich eng an Morlidge/Player (2010) und Becker/Schäffer (2017) an:

Gute Forecasts müssen zeitgerecht sein.

Zeithorizont und Erstellungshäufigkeit sollten zum Geschäftsmodell passen. So mag ein sinnvoller Zeithorizont für den Umsatz-Forecast eines Unternehmens bei einem Monat liegen, für andere, nur mit großem Vorlauf veränderbare Steuerungsgrößen mag aber ein halbes oder gar ein ganzes Jahr sinnvoll sein. Ganz analog kann für den Umsatzforecast ein tägliches Update wertvolle Informationen liefern, für die Mietkosten hingegen eine quartalsweise Aktualisierung völlig ausreichen.

Gute Forecasts müssen ein effektives Gegensteuern ermöglichen.

Im Regelfall wird es wenig zielführend sein, mit hohem Aufwand alle Positionen eines Kontenrahmens zu prognostizieren, ohne wirklich zu verstehen, welche Variablen die zentralen Erfolgsgrößen treiben. Ein solcher Forecast verursacht nicht nur unnötig hohe Kosten, er verstellt möglicherweise auch den Blick auf das Wesentliche. Auf den Punkt gebracht: Nur die zentralen Steuerungsgrößen und ihre wichtigsten Treiber sollten Gegenstand der regelmäßigen Prognose sein.

Gute Forecasts dürfen keine systematischen Verzerrungen aufweisen.

Solche Verzerrungen können ganz unterschiedliche Ursachen haben. Entweder passen die dem Forecast zu Grunde liegenden Annahmen nicht mehr, das Modell ist falsch spezifiziert oder kognitive Verzerrungen und Opportunismus kommen ins Spiel. Wenn der Forecast als zu erreichendes Ziel verstanden wird, hat das dezentrale Management starke Anreize, die Prognose systematisch zu negativ oder zu positiv anzusetzen. Unbewusste kognitive Verzerrungen tun vielfach ein Übriges:

So mag ein im Forecasting-Prozess involvierter Manager oder Controller seine eigene Leistungsfähigkeit zu hoch einschätzen, die Informationen, die den Status quo bestätigen, unbewusst stärker gewichten, sich zu schnell der im Unternehmen vorherrschenden Einschätzung anschließen oder sich auch einfach mit nichtlinearen Zusammenhängen und Wahrscheinlichkeiten schwertun.

Gute Forecasts müssen aufeinander abgestimmt sein.

Sind die zu Grunde liegenden Annahmen verschiedener Forecasts (etwa des zentralen Finanz-Forecasts, des dezentralen Finanz- und Mengen-Forecasts und unterschiedlicher funktionaler Forecasts) nicht ausreichend aufeinander abgestimmt, erschwert das den Dialog und ein gemeinsames Verständnis darüber, wie diese Forecasts zu interpretieren sind. Genau an dieser Stelle – und im folgenden Punkt – sehen die im Rahmen einer Studie des WHU Controller Panels befragten Controller und Finanzvorstände auch die größten Defizite in ihren Unternehmen (vgl. Becker/ Schäffer 2017).

Gute Forecasts müssen effizient erstellt werden.

Stellhebel dafür gibt es viele, etwa die oben diskutierte Frage, was wirklich wie häufig prognostiziert werden muss. Ein weiterer Hebel ergibt sich aus der Frage, wo der Forecasting-Prozess beginnt. Müssen wirklich alle dezentralen Vertriebs- und Produktionseinheiten in den Prozess eingeschlossen werden oder reicht es für einen verlässlichen Forecast auch aus, den Prozess erst auf einer bestimmten Aggregationsebene aufzusetzen?

Der größte Stellhebel liegt aber in aller Regel im Einsatz von Predictive Analytics und der damit verbundenen Automatisierung des Forecasting-Prozesses. Predictive Analytics beinhalten aber nicht nur ein erhebliches Effizienzpotenzial, sondern helfen zudem, den Erstellungsprozess zu objektivieren – systematische Verzerrungen durch kognitive Verzerrungen und politisches Verhalten werden reduziert, die Genauigkeit des Forecasts nimmt zu. Und damit nicht genug: Auch wenn es heute in aller Regel noch Zukunftsmusik ist, kann ein automatisierter Prozess durchaus so gestaltet werden, dass beim Verlassen eines vorab definierten Korridors erlaubter Prognosewerte Gegenmaßnahmen angestoßen werden.

Der Einsatz von Bandbreiten erhöht so die Reaktionsfähigkeit des Unternehmens und die Kalenderorientierung des Prozesses gehört der Vergangenheit an. Kurzum: Predictive Analytics haben das Potenzial, die meisten Aspekte eines guten Forecasts positiv zu beeinflussen. Dennoch ist Vorsicht geboten: Die Sinnhaftigkeit des Einsatzes von Algorithmen ist eine Funktion der Datenqualität. Daran mangelt es in der Regel und die Integration verschiedener Datenquellen stellt vielfach noch eine große Herausforderung dar. Zudem gilt es zu beachten, dass die von Algorithmen produzierten Ergebnisse sorgfältig interpretiert werden müssen. In dem Maße wie sie auf historischen Mustern und Annahmen beruhen, stoßen sie bei Strukturbrüchen an ihre Grenzen.

Zudem berücksichtigen sie nur explizite Zielsetzungen, implizite Nebenbedingungen oder Trade-offs fallen leicht unter den Tisch. Und schließlich sagen Algorithmen nichts über Ursachen und Treiber von Veränderungen. Entsprechend gilt es, Korrelationen und Kausalität zu unterscheiden. In all diesen Punkten liegt eine große Chance für das Controlling: Die Notwendigkeit, die Rationalität des Einsatzes der neuen Technologie sicherzustellen, ist immens. Dazu gehört es auch, die Akzeptanz von Predictive Analytics im Management zu gewährleisten. Fehlt diese, wird ein wirkungsvolles Gegensteuern auf der Basis entsprechender Forecasts kaum erfolgreich möglich sein.

Fassen wir zusammen: Forecasting-Prozesse sind häufig von Politik und kognitiven Verzerrungen geprägt. Denken Sie also ruhig darüber nach, ob es nicht auch für Ihr Unternehmen Sinn machen könnte, den traditionellen Planungsprozess zu entbündeln und das von der Zielsetzung entkoppelte Forecasting konsequent auf das ganze Bündel der angeführten Gütekriterien auszurichten. Der Einsatz von Algorithmen stellt einen zweiten Hebel dar, den Sie prüfen sollten. Die Mobilisierung von Predictive Analytics ist nicht frei von Stolperfallen, hat aber ebenfalls das Potenzial, die Güte Ihres Forecasts signifikant zu verbessern.

Passende Artikel