Planung und Prognosen mit Predictive Planning

Unternehmen setzen zunehmend auf die Predictive Planning-Methode, bei der mithilfe statistischer Analysen auf der Grundlage historischer Daten Ihres Unternehmens abgeschätzt wird, was künftig wahrscheinlich passieren wird. Anhand solcher Informationen können CFOs und ihre Finanzteams nachvollziehen, wie sich Faktoren wie Umsätze oder Ausgaben entwickeln, um ihre Budgets entsprechend zuzuweisen sowie die Investitions- und Cashflow-Planung zu verbessern. Mithilfe von Predictive Planning und Forecasting können CFOs und andere Führungskräfte potenzielle Risiken in ihren Prognosen erkennen, z. B. Lieferengpässe oder Liquiditätsengpässe. Eine solche Weitsicht erhöht die Wahrscheinlichkeit, dass sie Probleme abwenden sowie die Gewinne und den Ruf ihres Unternehmens schützen können.

Was bedeutet Forecasting im Bereich Predictive Planning?

Beim „Forecasting“ mithilfe der vorausschauenden Planung (manchmal auch Predictive Forecasting genannt), werden historische Daten analysiert und Prognosen über die wahrscheinliche Entwicklung erstellt. Predictive Planning (vorausschauende Planung) ist die Art und Weise, wie CFOs und Finanzteams diese Informationen nutzen, um sich auf die Zukunft vorzubereiten. Finanzteams, die eine Predictive Planning anwenden, stützen sich weitgehend auf Zeitreihenprognosen, bei denen Muster und Trends in regelmäßig aufgezeichneten Daten wie monatlichen Verkaufszahlen oder täglichen Lagerbeständen ermittelt werden, um sich auszurechnen, was als Nächstes passieren könnte. Die Analyse von Zeitreihendaten wie dieser ist nützlich, um Zyklen, saisonale Schwankungen und langfristige Trends zu verstehen, die alle dazu beitragen, eine genaue Prognose zu erstellen.

Ein CFO möchte beispielsweise eine Umsatzprognose für eine bevorstehende Urlaubssaison erstellen. Wenn das Unternehmen über langjährige historische Verkaufsdaten verfügt, kann die Zeitreihenprognose eine Schätzung liefern, die die saisonalen Auswirkungen widerspiegelt. Das Finanzteam des Unternehmens muss jedoch das beste Zeitreihenprognoseverfahren für die jeweilige Situation ermitteln und anwenden, um eine möglichst genaue Prognose zu erhalten.

Wenn Analysten über ausreichend hochwertige Daten verfügen, um Erkenntnisse zu gewinnen und die Modelle korrekt anzuwenden, sollten die in der vorausschauenden Planung verwendeten Prognoseverfahren einen höheren Genauigkeitsgrad aufweisen als andere Praktiken, wie z. B. ein Bauchgefühl oder die Annahme einer gleichbleibenden prozentualen Steigerung im Jahresvergleich. Darüber hinaus entscheiden sich viele Unternehmen für eine weitere Validierung ihrer Prognosen mithilfe von Software mit eingebetteten prädiktiven Analysefunktionen, die Datenmodellierung und maschinelles Lernen (ML) nutzen, um Beziehungen im Datensatz aufzudecken, die ein Mensch möglicherweise nicht sieht. Die Validierung von Prognosen mithilfe von Vorhersageanalysen wird zunehmend als Standardbestandteil des vorausschauenden Planungsprozesses angesehen.

Wichtigste Erkenntnisse

• Bei der vorausschauenden Planung setzen Finanzteams statistische Verfahren ein, um Trends und Muster in historischen Daten zu erkennen und künftige Werte wie Umsatz, Ausgaben und Cashflow zu schätzen, um den Planungsprozess zu verbessern.
• Die daraus resultierenden Prognosen und Vorhersagen sind nur so gut wie die Daten, die in ihre Erstellung einfließen, daher sollten Finanzteams nur saubere, relevante und vertrauenswürdige Daten verwenden.
• Für die vorausschauende Planung stehen zahlreiche Zeitreihenprognoseverfahren zur Auswahl, und die Analysten müssen die am besten geeignete Methode finden und sorgfältig abwägen, welche Variablen für eine möglichst genaue Prognose erforderlich sind.
• Predictive Planning kann für eine Vielzahl von Geschäftsanwendungen eingesetzt werden, z. B. für die Vorhersage von Cashflows, der Produktnachfrage und der Investitionsrentabilität von Marketingkampagnen.

Predictive Planning und Forecasting erklärt

Predictive Planning geht davon aus, dass sich historische Muster und Trends bis zu einem gewissen Grad wiederholen. Durch die Analyse der Vergangenheit können sich CFOs und Finanzteams daher auf die Zukunft vorbereiten, indem sie Erkenntnisse gewinnen und Prognosen erstellen, die zukünftige Ergebnisse auf der Grundlage aktueller Daten vorwegnehmen. Der Einsatz von Predictive Planning und Forecasting nimmt aufgrund der steigenden Nachfrage nach zuverlässigen Trendprognosen für eine wachsende Anzahl von Anwendungsfällen und der zunehmenden Volatilität und Komplexität im Geschäftsleben zu. Die Zahl der Unternehmen, die angeben, vorausschauende Planung produktiv einzusetzen, stieg von nur 4 % im Jahr 2020 auf 27 % im Jahr 2022. Das ergab eine weltweite Umfrage des Marktanalysten BARC unter 295 Mitarbeitern, die am Planungsprozess beteiligt sind. Weitere 17 % setzten im Jahr 2022 Predictive Planning oder zumindest Prototypen davon ein, so das Ergebnis der Umfrage. Unternehmen, die genaue Prognosen für die Zukunft treffen können, sind eher in der Lage, heute schon fundierte Entscheidungen zu treffen und Pläne zu erstellen, die sie für den Erfolg von morgen rüsten.

Angenommen, ein Unternehmen möchte den Umsatz, die Rohstoffkosten und den Bedarf an Produktionskapazitäten für das nächste Jahr prognostizieren, um festzustellen, ob es sinnvoll ist, in neue Anlagen zu investieren. Ob die Vorhersagen des Prognoseteams zutreffen, hängt von mehreren Faktoren ab. Zunächst sollte das Finanzteam über genügend Daten verfügen, um Muster und Trends zu erkennen. Als Faustregel gilt, dass Sie mindestens doppelt so viele historische Daten haben sollten wie der Zeitraum, den Sie prognostizieren, z. B. historische Daten aus 24 Monaten, um eine 12-Monats-Prognose zu erstellen. Die Daten sollten außerdem zuverlässig und sauber sein, d. h. frei von falschen, doppelten oder falsch formatierten Daten. In der Regel werden für die vorausschauende Planung Daten aus dem Finanzwesen verwendet, die üblicherweise gut strukturiert und hoffentlich auch genau sind. Prognosen sind nur so gut wie die Daten, die zu ihrer Erstellung verwendet werden. Darüber hinaus muss der Analyst für Finanzplanung und -analyse (FP&A) angesichts der verfügbaren Daten und der zu beantwortenden Frage das richtige Zeitreihenprognosemodell (oft mehrere Modelle) ermitteln. Die Wahl der falschen Variablen kann zu einer schlechten Prognose und damit zu einer Fehlentscheidung führen, während überflüssige Variablen zu einer „Überanpassung“ führen können, bei der das Datenmodell beginnt, willkürliche Unregelmäßigkeiten in den Daten zu modellieren.

Da so viele Faktoren zu berücksichtigen sind, wenden sich immer mehr Finanzexperten an Software und Dienstleistungen für die vorausschauende Planung, die ihnen helfen, diese Entscheidungen zu treffen und letztendlich schneller genauere Prognosen zu erstellen. Je genauer die Prognosen sind, desto besser können Finanzteams für die Zukunft planen und ihre Budgets sinnvoll zuweisen. Bedenken Sie, wie viele Faktoren bei der Erstellung eines Jahresbudgets eine Rolle spielen und wie stark sich ein einzelner Posten, z. B. die Einstellungskosten, auswirken kann. Ein Unternehmen könnte die vorausschauende Planung nutzen, um historische Trends in der Fluktuationsrate eines Unternehmens zu erkennen, die wahrscheinlichsten Best- und Worst-Case-Szenarien zu bewerten und eine Anpassung der Fluktuationsprognose in Betracht zu ziehen, wenn das Modell ein deutlich anderes Ergebnis vorhersagt.

Auch außerhalb des Finanzteams wird der abteilungsübergreifende Einsatz von Predictive Planning und Forecasting immer wichtiger, um mit den Schwankungen in der Wirtschaft, der Belegschaft, der Lieferkette und anderen Geschäftsfaktoren fertig zu werden. Die vorausschauende Planung kann beispielsweise in der Bestandsverwaltung eingesetzt werden, um zyklische oder saisonale Spitzen zu erkennen, die das Betriebskapital unerwartet belasten, oder um Engpässe zu erkennen, die die Produktion verlangsamen können. Ein Beschaffungsmanager kann mithilfe von Prognosen die Rohstoffkosten abschätzen und entscheiden, ob er sich gegen einen Anstieg der Rohstoffpreise absichern will. Ein Kundendienstleiter könnte die vorausschauende Planung nutzen, um Trends beim Anrufaufkommen zu prognostizieren und den Personalbestand festzulegen. Operative Erkenntnisse wie diese wirken sich auf viele Bereiche eines Unternehmens aus und helfen Organisationen, präzisere Finanzpläne zu erstellen.

Laut einer PwC-Umfrage vom August 2022 hat für fast die Hälfte der befragten CFOs die Entwicklung von Prognosemodellen und die Fähigkeit, verschiedene Szenarien zu analysieren und sich darauf vorzubereiten, oberste Priorität. Diese Weitsicht ermöglicht es ihnen, potenzielle Risiken zu vermeiden, z. B. Einnahmeausfälle oder zu hohe Investitionen in einen neuen Markt, der die Erwartungen wahrscheinlich nicht erfüllen wird. Die Erstellung von Szenarioplänen auf der Grundlage von Best- und Worst-Case-Prognosen bereitet die Teams darauf vor, wie sie reagieren werden. Darüber hinaus setzen Unternehmen zunehmend Software für die vorausschauende Planung ein, die Prognosen automatisch auf der Grundlage der Echtzeitdaten eines Unternehmens aktualisiert, sodass die Finanzteams eine Katastrophe oder einen Erfolg früher erkennen und ihre geplante Reaktion beschleunigen können.

Zeitreihenprognoseverfahren

Bei der Zeitreihenprognose handelt es sich um eine Technik, bei der historische, in regelmäßigen Abständen aufgezeichnete Datenpunkte verwendet werden, um vorauszusagen, was in der Zukunft wahrscheinlich passieren wird. Da es zahlreiche Zeitreihenprognoseverfahren bzw. -algorithmen gibt, liegt es an den Finanzfachleuten herauszufinden, welches Verfahren auf der Grundlage der verfügbaren Daten und der angestrebten Ziele die genaueste Vorhersage ermöglicht.

Die Zeitreihenprognose untersucht im Allgemeinen Trends, Saisonalität und Zyklen. Trends spiegeln die allmähliche oder stetige Zunahme oder Abnahme von Datenmustern im Laufe der Zeit wider, die in der Regel auf langfristige Faktoren zurückzuführen sind, z. B. auf Veränderungen in der Bevölkerung, organisches Wachstum oder technologische Veränderungen. Diese können Sie häufig entweder mit einer linearen Funktion oder einer Funktion mit einer langsam verlaufenden Kurve modellieren. Die Saisonalität konzentriert sich auf periodische, regelmäßige und einigermaßen vorhersehbare Zu- und Abnahmen, die im Laufe der Zeit auftreten. Bei monatlichen Daten tritt die Saisonalität in der Regel innerhalb eines Kalenderjahres auf. Sie kann nach Quartalen oder natürlichen saisonalen Schwankungen, wie z. B. Feiertagen, unterteilt werden. Zyklen sind Muster von Zu- und Abnahmen, die vielleicht nicht ganz so regelmäßig sind und länger als ein Jahr dauern können. In der Wirtschaft ist das oft auf Dinge wie mehrjährige Geschäftszyklen zurückzuführen, die sich langsamer bewegen als ein typisches saisonales Muster.

Folgende Methoden sind besonders beliebt:

• Der einfache gleitende Durchschnitt (Single Moving Average, SMA) berechnet den Durchschnittspreis eines Artikels über einen bestimmten Zeitraum und funktioniert am besten mit volatilen Daten ohne Trends oder Saisonalität.
• Der doppelte gleitende Durchschnitt (Double Moving Average, DMA) berechnet den gleitenden Durchschnitt und bildet dann den Durchschnitt dieses einfachen gleitenden Durchschnitts. Diese Technik verwendet beide Datensätze, um das erwartete zukünftige Verhalten zu projizieren und funktioniert gut mit historischen Daten, die einen Trend, aber keine Saisonalität aufweisen.
• Bei der einfachen exponentiellen Glättung (Single Exponential Smoothing, SES) werden die Daten gewichtet, wobei dem jüngsten Datenpunkt die größte Bedeutung beigemessen wird. Die Gewichtung nimmt allmählich ab, je älter die Daten werden. Mit dieser Methode lassen sich die Einschränkungen der gleitenden Durchschnitte und der Methoden der prozentualen Veränderung überwinden, und sie funktioniert am besten bei volatilen Daten, die keinen Trend oder keine Saisonalität aufweisen.
• Die doppelt exponentielle Glättung (Double Exponential Smoothing, DES) führt die SES-Methode durch und wiederholt sie. DES ist anwendbar, wenn die Daten einen Trend, aber keine Saisonalität aufweisen.
• Die saisonunabhängige Methode der gedämpften Trendglättung (Damped Trend Smoothing, DTS) wendet SES zweimal an, aber im Gegensatz zur DES-Methode wird die Kurve der Trendkomponente gedämpft und flacht mit der Zeit ab. Diese Technik gilt für Daten, die einen Trend, aber keine Saisonalität aufweisen.
• Die additive Saisonale berechnet den saisonalen Index für trendlose historische Daten, was zu einer gekrümmten Vorhersage führt, die saisonale Veränderungen und exponentiell geglättete Werte zeigt. Sie ist nützlich, wenn die Saisonabhängigkeit im Laufe der Zeit nicht zunimmt.
• Die multiplikative Saisonale funktioniert am besten mit saisonalen Daten, die steigen oder fallen, und unterscheidet sich damit von der additiven Saisonale. Mit dieser Methode wird auch der saisonale Index für trendlose historische Daten berechnet.
• Das Additiv nach Holt-Winters erzeugt exponentiell gedämpfte Werte für das Niveau der Vorhersage und den Trend und bereinigt die Saisonalität. Diese Methode funktioniert gut, wenn weder der Trend noch die Saisonalität im Laufe der Zeit zunehmen.
• Das Multiplikativ nach Holt-Winters gilt dann, wenn Trend und Saisonalität im Laufe der Zeit zunehmen. Wie beim Additiv nach Holt-Winters werden auch beim Multiplikativ nach Holt-Winters exponentiell geglättete Werte für das Niveau der Vorhersage und den Trend erstellt und um die Saisonalität bereinigt.
• Das Verfahren des gedämpften Trends und der additiven Saisonalität prognostiziert die Saisonalität, den gedämpften Trend und das Niveau einzeln und kombiniert dann die Daten zu einer linearen Trendprognose. Diese Technik funktioniert am besten, wenn die Daten einen Trend und eine Saisonalität aufweisen, die saisonalen Schwankungen jedoch relativ konstant sind.
• Bei der additiv-multiplikativen Methode mit gedämpftem Trend werden Saisonalität, gedämpfter Trend und Niveau ebenfalls einzeln projiziert und dann zu einer Prognose kombiniert. Sie folgt jedoch einem Verfahren, das für Situationen entwickelt wurde, in denen die saisonalen Schwankungen mit der Zeit zunehmen.
• Der autoregressive integrierte gleitende Durchschnitt (Autoregressive Integrated Moving Average, ARIMA) ist eine Berechnung, die Trends für eine Variable im Laufe der Zeit erfasst und zukünftige Datenpunkte vorhersagt, indem sie die Differenz zwischen den Werten in der Reihe betrachtet. Er wird angewendet, wenn es keine Saisonalität gibt, aber separate saisonale ARIMA-Modelle (SARIMA) existieren.

Auswahl von Prognoseverfahren und -techniken

Vorausschauende Planung hilft Unternehmen, wichtige Entscheidungen zu treffen und sich auf die Zukunft vorzubereiten. Um diese Aufgabe effektiv zu bewältigen, müssen die Fachleute der FP&A-Abteilung die genaueste Prognosemethode anwenden, wenn sie die gewünschten Ziele erreichen wollen und die entsprechenden Daten verfügbar sind. Wichtig ist außerdem, dass die verwendeten Daten vertrauenswürdig und relevant sind und der Datensatz groß genug ist, um eine möglichst genaue Vorhersage zu ermöglichen. Die Empfehlungen für den Umfang variieren zwar, aber ein Ansatz ist, dass die Datenmenge mindestens doppelt so groß sein sollte wie der Vorhersagezeitraum.

Wie oben im Abschnitt Zeitreihenprognoseverfahren dargestellt, hat jeder Algorithmus seine Tücken und ist unter bestimmten Umständen besser als ein anderer. Wenn Sie z. B. den zukünftigen Preis von Rohstoffen in Ihrem Herstellungsprozess schätzen wollen, indem Sie den durchschnittlichen historischen Preis über einen bestimmten Zeitraum betrachten, funktioniert SMA am besten, wenn es keinen Trend oder keine Saisonalität gibt. Wenn Ihre Daten jedoch einen Trend, aber keine Saisonalität aufweisen, ist es wahrscheinlicher, dass Sie mit DMA eine genaue Prognose erhalten. Daten können zwar auch entsaisonalisiert werden, aber das macht Ihr Modell nur noch komplizierter.

Neben der Datenverfügbarkeit und dem Zweck der Vorhersage müssen Analysten auch Faktoren wie die erforderliche Genauigkeit der Schätzung, die Kosten für die Erstellung der Vorhersage in Form von Personalzeit, Datenbeschaffung und Computerressourcen im Vergleich zum Nutzen sowie die für die Durchführung der Analyse zur Verfügung stehende Zeit berücksichtigen. Die Suche nach der statistisch genauesten Vorhersage kann ein zeitaufwändiger Prozess sein. Sie müssen die relevanten Prognosemethoden ermitteln, die Zahlen für jedes Modell mit den historischen Werten vergleichen und dann analysieren, welches Modell die geringsten Fehler und die besten Vorhersagen gehabt hätte, wenn es in der Vergangenheit verwendet worden wäre. Wenn Sie beispielsweise einen Validierungsdatensatz mit einer Berechnung des mittleren quadratischen Fehlers (RMSE) erstellen, können Sie Ihr Modell anhand historischer Datenpunkte bewerten. RMSE ist im Wesentlichen die Standardabweichung der Residuen auf dem Validierungsdatensatz, und je niedriger der RMSE-Wert, desto besser. Bei der Prognosemethode mit der genauesten Vorhersage liegen die Datenpunkte am nächsten an der Regressionslinie, die die Beziehung zwischen zwei Variablen – den abhängigen Variablen auf der y-Achse und den unabhängigen Variablen auf der x-Achse eines Diagramms – darstellt. Der richtige Ansatz könnte die Anwendung mehrerer Methoden beinhalten.

Viele Menschen ziehen es vor, Anwendungen mit integrierten Funktionen zur vorausschauenden Planung zu verwenden, die diesen Prozess automatisieren. Das Beratungsunternehmen EY befragte für seine EY Global DNA of the CFO-Umfrage 1.000 CFOs und Führungkräfte im Finanzwesen und stellte fest, dass die technologische Transformation die wichtigste Methode ist, um die Finanzabteilung in den nächsten drei Jahren zu verbessern, gefolgt von fortschrittlicher Datenanalyse, zu der auch der Einsatz von KI zur Verbesserung von Finanzaufgaben gehört. Solche KI-Anwendungen lassen die Daten eines Unternehmens durch verschiedene Zeitreihenprognoseverfahren laufen, wenden RMSE- und Standardfehlerkriterien an und ermitteln das am besten geeignete Modell. Diese Anwendungen können zusammen mit der Vorhersage außerdem ein Best- und Worst-Case-Szenario projizieren.

Einige Anwendungen ermöglichen multivariate Analysen, sodass FP&A -Experten mehrere Faktoren auf einmal vergleichen können, um Finanzprognosen und Unternehmensplanung zu verbessern. Darüber hinaus ist es möglich, diese Prozesse zu automatisieren, sodass Prognosen und Vorhersagen aktualisiert werden, sobald neue Daten zur Verfügung stehen, um CFOs und Finanzteams die neuesten Erkenntnisse zur Verfügung zu stellen.

Anwendungsfälle für Predictive Planning und Forecasting

Die vorausschauende Planung wird immer wichtiger, da Unternehmen angesichts der schwankenden Nachfrage der Verbraucher, wirtschaftlichen Bedingungen, Leistung der Lieferanten und anderer Variablen ständig unter dem zunehmenden Druck stehen, ihre Gewinne zu steigern und Risiken zu minimieren. Eine weltweite Umfrage von CFO Dive und FTI Consulting unter 303 Führungskräften aus dem Finanzwesen hat ergeben, dass die Verbesserung der Prognosegenauigkeit und der Analysefähigkeiten zu den fünf wichtigsten Strategien gehört, die sie zur Verbesserung der Finanzperformance im Jahr 2023 und darüber hinaus einsetzen werden. Bessere Prognosen mit häufigen Aktualisierungen helfen einer Organisation, sich besser auf verschiedene Szenarien einzustellen und sich schnell anzupassen.

Die KCB Group, eine Holdinggesellschaft für Finanzdienstleistungen, benötigte früher mehr als 12 Wochen, um die Budgets für alle Filialen und Geschäftsbereiche zu erstellen und abzuschließen. Eines der Probleme bestand darin, dass die Daten an verschiedenen Standorten waren. Außerdem stützten sie sich bei der Planung auf Markttrends und andere externe Daten, um Prognosen für ungedeckte Erträge wie Transaktionsgebühren und Gebühren für unzureichende Fonds zu erstellen, was die Prognosen zusätzlich erschwerte. Sobald die KCB Group eine Anwendung mit eingebetteten Tools für die vorausschauende Planung einsetzte, fiel es ihr leichter, ihre eigenen geschäftlichen und externen Daten zu nutzen, um Trends zu erkennen und verschiedene Szenarien vorherzusagen. Letztendlich konnte die KCB Group durch Verbesserungen im gesamten Planungsprozess ihre Budgetzykluszeit um 60 % verkürzen.

Genauere Prognosen helfen den Unternehmen zudem dabei, Markttrends vorherzusehen und schnell darauf zu reagieren, um ein profitables Wachstum zu erzielen. Als lululemon beschloss, sich auf das Wachstum seines Geschäfts außerhalb Nordamerikas zu konzentrieren, erkannte das Finanzplanungs- und Analyseteam, dass es besser voraussehen musste, wie sich Veränderungen in der Weltwirtschaft und Branchentrends auf den Umsatz auswirken würden. Sie begannen, eine robustere Planungsanwendung mit integrierter prädiktiver Analytik, einer ausgefeilten Prognosetechnik, einzusetzen, um mehrere Szenarien auf der Grundlage ihrer historischen und Echtzeitdaten zu prognostizieren und ihren Jahresplan kontinuierlich zu aktualisieren. Die gewonnenen Erkenntnisse verbesserten die wirtschaftliche Situation und die Strategie von lululemon und ermöglichten den Führungskräften, fundiertere Entscheidungen zu treffen, um die Reichweite der Marke zu vergrößern.

Prognosen haben viele weitere Verwendungszwecke zur Unterstützung der geschäftlichen und finanziellen Bedürfnisse. So können Unternehmen beispielsweise ihre Umsätze genauer prognostizieren, da die Vorhersage die menschliche Voreingenommenheit verringern kann. Statistische Prognosen lassen Emotionen außer Acht und prognostizieren auf der Grundlage von Vergangenheitsdaten, was am wahrscheinlichsten eintreten wird. Ebenso kann eine Vorhersage der Produktverkäufe in den nächsten sechs Monaten den Unternehmen helfen, schon heute einen Plan zu erstellen, um zu garantieren, dass sie über genügend Material verfügen, um die erwartete Nachfrage zu decken.

Finanzteams nutzen Predictive Planning häufig, um mittel- bis langfristige Cashflows zu prognostizieren und ein besseres Bild von ihrer wahrscheinlichen Liquidität zu erhalten – ein wichtiges Anliegen für Unternehmen jeder Größe. Bargeld gibt ihnen die Flexibilität, unerwartete Gelegenheiten zu ergreifen oder unvorhergesehene Ausgaben zu decken. Es kann jedoch schwierig sein, herauszufinden, wie viel Bargeld zu einem bestimmten Zeitpunkt verfügbar ist. Wenn Sie beispielsweise ein Lieferant sind, der seinen Kunden Waren mit einem Zahlungsziel verkauft, ist Bargeld nicht sofort am Verkaufsort für diese Artikel verfügbar. Sie müssen vorhersagen, wann die Kunden diese Zielverkäufe abbezahlen werden.

Die meisten Finanzfachleute benötigen mehr als einen Tag, um sich einen konsolidierten Überblick über ihre Barmittel und Liquidität zu verschaffen, so die IDC Global CFO/Treasury Survey 2021. Dadurch entstehen zwei Probleme: Erstens wird dadurch die Fähigkeit des Unternehmens beeinträchtigt, schnell auf unerwartete Situationen zu reagieren, und zweitens ist die Zahl, wenn sie dann vorliegt, wahrscheinlich schon veraltet. Die Umfrage ergab außerdem, dass weniger als 5 % der Befragten ihren Liquiditätsprognosen vertrauen, wenn diese mehr als drei Monate in die Zukunft reichen. In Anbetracht der Komplexität der Liquiditätsmessung und ihrer erheblichen Auswirkungen auf das Geschäft befassen sich immer mehr Unternehmen mit prädiktiven Cash-Prognosen, um schnell genauere Prognosen zu erhalten.

Auch Finanzteams nutzen zunehmend Vorhersagemodelle, um ihre Prognosen schnell zu validieren. Prognosemodelle, die auf maschinellem Lernen und fortschrittlicher Datenanalyse basieren, können Zusammenhänge in historischen Daten erkennen, die einem Analysten möglicherweise verborgen bleiben. Betrachten Sie das als eine ausgefeiltere Methode zur Erstellung von Prognosen und Erkenntnissen, insbesondere wenn Analysten versuchen, komplizierte Fragen mit vielen Variablen zu beantworten.

Die Vorhersage des Bevölkerungswachstums einer Stadt ist zum Beispiel sehr schwierig. Stadtplaner müssen berücksichtigen, wie viele Menschen im Durchschnitt jährlich in die Gemeinde ein- und ausziehen, wie viele Kinder jedes Jahr geboren werden, wie viele Männer und Frauen es gibt, wie lange sie leben werden und viele weitere Faktoren. Je genauer sie Veränderungen in der Größe der Stadt vorhersehen können, desto besser können sie der Gemeinde dienen, indem sie Straßen und Schulen bauen, sich auf Schwankungen im Wasser- und Energieverbrauch vorbereiten und andere wichtige Entscheidungen treffen. Prognosemodelle können bei dieser Art von Vorhersagen helfen.

Ein potenziell lebenswichtiger Anwendungsfall der vorausschauenden Planung findet sich in Notaufnahmen. Krankenhausmanager können mithilfe von prädiktiven Analysen das Patientenaufkommen prognostizieren und eine angemessene Personalbesetzung planen. In der Regel gilt in der Notaufnahme eine Vier-Stunden-Regel, d. h. das Personal muss einen Patienten innerhalb dieser Zeit sehen, behandeln und entscheiden, ob er aufgenommen oder entlassen wird. Eine britische Studie aus dem Jahr 2022 mit mehr als 5 Millionen Patienten, die im Emergency Medicine Journal veröffentlicht wurde, ergab, dass eine Wartezeit von mehr als fünf Stunden in der Notaufnahme vor der Einlieferung ins Krankenhaus die Wahrscheinlichkeit erhöht, dass ein Patient in den nächsten 30 Tagen stirbt. In einer Zeit, in der Krankenhäuser mit einem Mangel an Pflegekräften und Ärzten zu kämpfen haben, bieten vorausschauende Planung und Prognosen ein wertvolles Instrument, um Mitarbeiter so effektiv wie möglich einsetzen zu können.

Besser planen mit Predictive Planning und Forecasting

Ein datengesteuerter Ansatz für Prognosen kann die menschliche Voreingenommenheit verringern und ermöglicht es den Finanzteams, schnell das wahrscheinlichste Ergebnis aus mehreren Szenarien zu ermitteln, sodass CFOs mit anderen Führungskräften zusammenarbeiten können, um fundiertere Entscheidungen zu treffen. Predictive Planning and Forecasting durch Oracle Cloud Enterprise Performance Management (EPM) Planning, Teil von Oracle Fusion Cloud Enterprise Performance Management, verbindet die Planung über Finanz- und Geschäftsbereiche hinweg. Jeder Bereich profitiert vom Zugang zu vorgefertigten Planungsmodellen, um schnell mehrere Szenarien zu untersuchen. Finanzteams können diese Prognosen und Datenmodelle nutzen, um präzisere und fundiertere Pläne zu erstellen, die Unternehmen dabei helfen, sich auf den besten und den schlimmsten Fall vorzubereiten, und zwar so, dass das Unternehmen geschützt und profitabel wächst.

Predictive Planning – Häufig gestellte Fragen

Was versteht man unter Predictive Planning?
Predictive Planning nutzt das, was wir aus der Vergangenheit gelernt haben, um für die Zukunft zu planen. Zeitreihenprognoseverfahren projizieren wahrscheinliche künftige Werte, wie z. B. Verkaufszahlen, Aktienkurse und monatliche Ausgaben, auf der Grundlage der Annahme, dass sich Muster und Trends in den historischen Daten wiederholen werden. Tools wie maschinelles Lernen und KI können zur schnellen Validierung dieser Prognosen eingesetzt werden.

Was versteht man unter Predictive Forecasting?
Predictive Forecasting, allgemeiner als Forecasting bezeichnet, analysiert historische Daten, um abzuschätzen, was wahrscheinlich passieren wird, indem Muster und Trends in den in regelmäßigen Abständen aufgezeichneten Daten identifiziert werden.