Auf dem Weg zur autonomen Planung

Das autonome Fahren wurde bis vor einigen Jahren nicht als relevante oder gar mögliche Entwicklung betrachtet – das, obwohl nahezu alle notwendigen Komponenten wie zB Sensoren oder Einparkhilfen bereits seit Langem existieren. Heute gilt autonomes Fahren als eines der größten Zukunftsthemen unserer Zeit, das die Mobilitätswelt komplett verändern wird. Eine ähnliche Entwicklung gibt es in der Planung und Unternehmens­steuerung. Auch in diesen Bereichen gibt es seit einiger Zeit eine Reihe von Neuerungen, die für sich genommen wenig spektakulär sind. Fügt man die verschiedenen Elemente jedoch zu einem großen Ganzen zusammen, so entsteht daraus eine neue Art der Planung, eine autonome Planung.

1. Autonome Planung

In vielen Unternehmen wird die Planung in einem sich jährlich wiederholenden Ritual durchgeführt: strategische Planung, darauf aufbauend operative Planung und Budgetierung sowie monatliches oder quartalsweises Forecasting. Dieser Prozess ist seit Jahrzehnten in seinen Grundzügen unverändert und steht ebenfalls seit Jahrzehnten regelmäßig in der Kritik. Trotz besserer Softwareunterstützung und neuer Ansätze wie zB Treibermodellen wird weiterhin angemerkt, dass der Aufwand zu hoch und die Qualität zu niedrig sei und die Planung bei Verabschiedung bereits häufig auf veralteten Annahmen basieren würde. 1

Während ein Teil dieser negativen Aspekte auf überholten Planungsansätzen oder den zugrunde liegenden komplexen Organisationsstrukturen basiert, sind einige der Kritikpunkte systemimmanent mit der heutigen Form der Planung verbunden.

Durch die zunehmende technologische Weiterentwicklung sehen wir neue Möglichkeiten, die Planung und das Forecasting zu optimieren.

• Die Performance von Datenbanken und Planungstools hat sich in den letzten Jahren deutlich verbessert. Neue inMemory-Datenbank-Technologien erlauben die Durchführung von Operationen, die bislang mehrere Stunden dauerten, in nur wenigen Sekunden. Diese Entwicklung ermöglicht den Aufbau umfassender und integrierter Planungsmodelle.
• In den Bereichen Analytics und Machine Learning gibt es bahnbrechende Fortschritte. Neue Predictive-Analytics-Ansätze gehen weit über bisher übliche statistische Trendfortschreibungen hinaus. Sie erlauben den Einsatz komplexer Statistikmodelle bis hin zu neuronalen Netzen. Datenbasierte Vorhersagen und die systemgestützte Ableitung von Handlungsempfehlungen sind die Folge und stellen einen ersten Schritt in Richtung künstliche Intelligenz im Rahmen von Planung und Forecasting dar.

Studien und Gespräche mit Unternehmen zeigen bisher nur sehr graduelle Veränderungen und Innovationen in der Planungslandschaft. Digitale Elemente werden gegebenenfalls als Add-on der Planung ergänzt. Dabei finden sich sowohl Beispiele für einzelne Forecasts auf Basis von Predictive Analytics als auch für umfassende und leistungsstarke Simulationsmodelle sowie deren Nutzung für eine automatisierte, szenarienbasierte Planung. Die Autoren sind jedoch der Meinung, dass das nur der Anfang einer größeren Entwicklung ist. Analog zum autonomen Fahren wird auch die Planung in Zukunft anders durchgeführt werden. Ein Paradigmenwechsel steht bevor.

Doch wie sieht eine solche autonome Planung aus? Sie wird sich in zentralen Merkmalen von der bisherigen Praxis unterscheiden und durch drei zentrale Eigenschaften auszeichnen (siehe Abb 1):

• Integration und Detaillierung: Die autonome Planung wird hochgradig integriert sein. Die Integration umfasst dabei sowohl die verschiedenen Prozesse als auch die Steuerungsebenen und Horizonte. Damit einher geht ein hoher (automatisch erzeugter) Detaillierungsgrad.
• Predictive und Automatisierung: Die Erstellung von Forecast und Planung wird durch weitgehende Automatisierungslogiken unterstützt. Dabei kommen insb Business Analytics und Machine Learning zum Einsatz.
• Szenarien und Modellierung: Der Fokus der Planungsaktivitäten liegt in der Betrachtung möglicher Szenarien und der Entscheidungsfindung. Schwerpunkt bleibt dabei die Einarbeitung strategischer Entscheidungen und Struktur­änderungen.

2. Integration und Detaillierung

In vielen Unternehmen sind Planung und Forecasting in zahlreichen Insellösungen abgebildet, die bestenfalls manuell integriert sind. Wirklich integrierte Modelle mit einem gemeinsamen Datenmodell stellen weiterhin die Ausnahme dar, auch wenn in letzter Zeit vielfach verstärkt in professionelle Software-Unterstützung investiert wurde.

Die Grund­voraussetzung auf dem Weg zur autonomen Planung stellt die konzeptionelle und technologische Integration der verschiedenen Forecast- und Planungsaktivitäten im Unternehmen zu einem Gesamtgebilde dar. Zentrales Integrationselement sind unternehmensweite Treibermodelle, die die Zusammenhänge innerhalb und zwischen den einzelnen Unternehmensteilen darstellen und in einem konsistenten Datenmodell abbilden (siehe Abb 2). Ist die konzeptionelle Basis geschaffen, kann das Modell in einem zweiten Schritt auf eine moderne IT-Plattform gehoben werden. IT-Plattform bedeutet dabei nicht unbedingt ein einzelnes Tool, hier wird oft die Integration verschiedener Tools (zB ein Tool für Sales and Operations Planning und ein Tool für Finanzplanung) der beste Weg sein.

Moderne IT-Planungsplattformen erlauben eine erste Automatisierung der abgebildeten Forecast- und Planungsprozesse. Dabei geht es neben klassischer Prozessautomatisierung durch Workflows um die Herleitung von Vorschlags­werten sowie um die Verteilung und Kaskadierung aggregierter Werte auf untere Ebenen des Datenmodells.

Abb 1: Heutige und zukünftige Planung; Quelle: Eigene Darstellung.

Abb 2: Integration der verschiedenen Teilpläne über Treibermodelle und ein einheitliches Datenmodell; Quelle: Eigene Darstellung.

3. Predictive und Automatisierung

Unternehmen haben bereits begonnen, funktionale Forecasts durch Predictive Analytics zu unterstützen. 2 Vor allem für „automatisierte“ Vertriebs-Forecasts gibt es inzwischen eine Reihe von Praxisbeispielen. Die Autoren gehen davon aus, dass derartige, auf Predictive Analytics basierende, automatisierte funktionale Forecasts in Zukunft weit verbreitet sein werden. Zudem werden laufend weitere Anwendungsgebiete dafür erschlossen – für Dispositions­entscheidungen, Wartungen, Rohstoffpreise und Ähnliches.

Der Finanz-Forecast hat aber einen anderen Anspruch als die funktionalen Forecasts. Steht bei den funktionalen Forecasts der Koordinations- und Optimierungsaspekt im Vordergrund, so geht es beim Finanz-Forecast vor allem um Gegen­steuerung bzw Erreichung der finanziellen Unternehmensziele. Daher integriert der Finanz-Forecast die Ergebnisse funktionaler Forecasts und generiert einen unternehmensweiten Forecast (siehe Abb 3).

Im Gegensatz zu funktionalen Forecasts gibt es heute noch wenige Praxisbeispiele für einen vollständig automatisierten und umfassenden Finanz-Forecast. Zum einen sind Finanz-Forecasts als Zusammenführung verschiedener funktionaler Größen deutlich komplexer als einzelne funktionale Forecasts, zum anderen sind in der Unternehmenspraxis noch nicht ausreichend viele leistungsfähige IT-Plattformen etabliert. Mit der Einführung solcher IT-Plattformen ist zukünftig aber davon auszugehen, dass automatisierte Finanz-Forecasts in Verbindung mit Predictive Analytics ihre rasche Verbreitung finden werden. In diesem Zusammenhang ist auch von einer stärkeren Seite 59 Integration des Finanz-Forecasts mit dem Risikomanagement auszugehen.

Abb 3: Integration funktionaler Forecasts auf Basis von Treibermodellen in den Finanz-Forecast (illustrativ) ; Quelle: Eigene Darstellung.

4. Szenarien und Modellierung

Während beim Forecast der Fokus auf einer Vorhersage der voraussichtlichen Entwicklung liegt, geht es bei der Planung um eine aktive Gestaltung der Zukunft. Dabei müssen verschiedene zukünftige Entwicklungen und Handlungsoptionen zusammengebracht werden, um sich darauf aufbauend für konkrete Ziele und ein konkretes Vorgehen entscheiden zu können.

Basis der Szenarienbetrachtung sind zukünftig umfassende Simulationsmodelle, die es ermöglichen, die Auswirkungen verschiedener Veränderungen (marktseitige Veränderungen wie zB höhere Nachfrage oder höhere Beschaffungs­kosten, unternehmensinterne Veränderungen wie zB höhere Kosten oder höhere Effizienz sowie verschiedenste strukturelle Veränderungen wie zB Neuprodukte oder auch Akquisitionen) auf zentrale Unternehmenskennzahlen modellgestützt abzuleiten. Waren diese Modelle bisher eher aggregiert und vereinfacht aufgebaut – nicht zuletzt weil eine IT-seitige Abbildung anders nicht sinnvoll möglich war –, so werden die Modelle im Zuge der Digitalisierung immer detaillierter und komplexer.

Basis der Simulation werden die Ist-Werteflüsse bzw -strukturen, wie sie auch im ERP-System abgebildet sind. Ein zusätzlicher Simulationsmodellbau wie heute wird damit weitgehend obsolet. Jedes modellierte Szenario enthält das vollständige Datenmodell. Dazu gehört, dass Änderungen auf aggregierter Ebene nach definierten Logiken auf darunterliegende Ebenen verteilt werden und Anpassungen auf detaillierten Ebenen nach oben aggregiert werden. Werden zB Personal­kostensteigerungen auf Unternehmensebene modelliert, so finden sich diese auch auf den einzelnen Kostenstellen des Szenarios. Im Vordergrund steht weiterhin die Veränderung zentraler Parameter (Treiber) und struktureller Veränderungen (Maßnahmen). Grundsätzlich können Änderungen aber an allen Elementen des Datenmodells, einschließlich der verschiedenen Strukturdimensionen, simuliert werden.

Komplexe Simulationsmodelle werden durch deutlich leistungsstärkere Tools und erhöhte Rechnerkapazitäten ermöglicht, sind aber per se noch keine Digitalisierung im engeren Sinne. Zur eigentlichen Digitalisierung werden die Simulationsmodelle um sogenannte Prescriptive Analytics erweitert. Dabei geht es darum, nicht nur Vorhersagen über Entwicklungen zu treffen, sondern automatisiert Entscheidungsempfehlungen vor dem Hintergrund bestehender Ziele, Anforderungen und Beschränkungen zu generieren. Der zentrale Unterschied zu Predictive Analytics besteht in der Verwendung von Geschäftslogiken (Business Rules). Damit ist abstrakt gesprochen ein Regelwerk gemeint, das definiert, wie eine Entscheidung unter vorhandenen Daten getroffen werden sollte. Mit dem Simulationsmodell und den dort integrierten Logiken steht bereits ein wesentlicher Teil dieses Regelwerks zur Verfügung. Durch den Einsatz mathematischer Optimierungsmodelle in Verbindung mit weiteren Analytics- und Big-Data-Komponenten (einschließlich Machine Learning) können fundierte Entscheidungsempfehlungen gegeben werden. In diesem Zusammenhang muss allerdings betont werden, dass der Begriff Prescriptive Analytics noch relativ neu ist und die darauf basierenden praktischen Beispiele folglich begrenzt sind.

5. Praxisbeispiele

5.1. THÜGA AG: Automatische Kostenstellenplanung und Vertriebsprognose

Die THÜGA AG, das größte Netzwerk kommunaler Energie- und Wasser­dienstleister in Deutschland, setzte im Jahr 2017 zwei digitale Forecasts um (siehe Abb 4). 3

• Zum einen wurde eine Prognose der Vertriebsmarge für Strom- und Gasvertriebs­gesellschaften auf Basis von Predictive Analytics implementiert. Diese Prognose liefert eine Hochrechnung für das laufende Jahr und die drei Folgejahre unter Nutzung historischer Daten, Daten aus energiewirtschaftlichen Abrechnungssystemen und mathematischen Modellen. Neben der Vertriebsmarge werden weitere zehn vertriebsrelevante Größen automatisch prognostiziert.
• Zum anderen erfolgt eine Prognose der Kostenstellen und Gemein­kostenaufträge je Buchungskreis. Auch dabei werden das laufende Jahr und die drei Folgejahre automatisiert prognostiziert, und zwar in Form detaillierter Einzelprognosen je Kostenstellen-Kosten­arten bzw Auftrags-Kosten­arten-Kombination.

Beide Prognosen integrieren treiberbasierte Szenarioanalysen und bilden die Basis für die Diskussionen im Rahmen der Planung mit dem Ziel, wertschöpfende Anpassungen vorzunehmen. Durch die Automatisierung stieg nicht nur die Effizienz, weil wenig wertschöpfende manuelle Tätigkeiten nicht mehr notwendig sind, sondern auch die Qualität von Planung und Forecast, denn die maschinelle Vorschlagsplanung sorgt für Objektivität und vermeidet typische Prognosefehler.

Abb 4: Nutzung von Predictive Analytics zur Automatisierung von Prognose und Planung bei der THÜGA AG; Quelle: Eigene Darstellung.

5.2. Swiss Re: Planungsplattform und Simulation

Die Swiss Re, das weltweite zweitgrößte Rückver­sicherungsunternehmen, brachte in den Jahren 2015 und 2016 die Planungsprozesse für alle Business Units einschließlich operativer Planungsschritte (insb Underwriting, Asset Management) auf eine harmonisierte, konzernweite Planungsplattform. Damit einher ging eine Vereinheitlichung des Datenmodells und der Planungsmethodik (siehe Abb 5). 4

Im Zuge des Projekts wurde auch eine umfassende Simulationslösung implementiert. Diese erlaubt es, die komplette Planung zu modellieren und zu simulieren. Ausgangspunkt bildet entweder eine existierende Planung oder ein Forecast, der über intelligente Logiken fortgeschrieben wird. Auf dieser Datenbasis können in allen Teilplänen entlang des Datenmodells Treiber und Maßnahmen verändert bzw ergänzt werden. Die Auswirkungen der Veränderungen einschließlich der finanziellen Auswirkungen in Erfolgs­rechnung, Bilanz und Kapitalfluss­rechnung sind unmittelbar sichtbar. So können in kurzer Zeit verschiedene Szenarien erstellt, diskutiert und verglichen werden. Dies dient zum einen dem Erstellen einer Top-down-Planung in Zusammenarbeit von Gruppe und Business-Unit-Management, zum anderen der Ad-hoc-Betrachtung neuer Entwicklungen (zB Auswirkungen der BREXIT-Entscheidung) und zum Risikomanagement. Der Geschwindigkeits­gewinn sorgt dabei für eine Verschiebung des Fokus von der Szenariener­stellung auf die Diskussion und Maßnahmenableitung.

5. Fazit

Die autonome Planung wird neben einer umfassenden Effizienzsteigerung infolge hoher Automatisierung auch einen deutlich erhöhten Steuerungsnutzen mit sich bringen. Planung und Forecasting werden zu einem Non-Event und die operativ funktionale Welt wird viel enger mit der finanziellen Steuerung verbunden. Mit der Weiterentwicklung des Planungssystems hin zu einer digitalen Planung und der damit einhergehenden Prozessverkürzung ist theoretisch auch eine deutlich höhere Frequenz von Planungs- und Forecasting-Aktivitäten möglich.

Eine permanente Planung – im Sinne einer kontinuierlichen Hinterfragung und Adjustierung von Zielen und Ressourcenallokationen – erscheint allerdings zumindest auf Unternehmensebene wenig sinnvoll. Es ist davon auszugehen, dass sich auch zukünftig Rahmenbedingungen nicht laufend ändern und aus strategischen Überlegungen getriebene Strukturver­änderungen nur periodisch entschieden werden. Gleichwohl erscheint eine gewisse Erhöhung der Planungsfrequenz (zB halbjährliche oder quartalsweise Planungsrunden anstelle einer jährlichen Planung) durchaus realistisch, weil aufwandsarm und aktuell.

Abb 5: Konzernweite Planungs- und Simulationsplattform bei der Swiss Re; Quelle: Eigene Darstellung.

Abb 6: Gegenüber­stellung State-of-the-Art-Planung und autonome Planung; Quelle: Eigene Darstellung.

Auf den Punkt gebracht

Enabler der digitalen Planung sind leistungsfähige IT-Plattformen. Ihre Entwicklungsgeschwindigkeit wird die Umsetzungsgeschwindigkeit in den Unternehmen bestimmen. Auch wenn die autonome Planung heute wie eine ferne Zukunftsvision aussieht, sind die Autoren davon überzeugt, dass sie und der mit ihr einhergehende Paradigmenwechsel (siehe Abb 6) in den nächsten fünf bis zehn Jahren ihren Siegeszug feiern werden: Es sind bereits zu viele Vorteile ersichtlich. Zudem bestehen bereits zuversichtlich machende Pilotansätze.

Quellen

1 Kappes/Klaaßen, Horváth Partners Planungsstudie 2015 (2015).

2 Vgl Kirchmann/Leyk/Tobias, Planung, Forecast und Reporting in der digitalen Welt, in Kieninger (Hrsg), Digitalisierung der Unternehmens­steuerung (2017) 51.

3 Vgl Kittelberger, Automatisierung der Planung Prognose durch Business Analytics in der Thüga-Gruppe, Vortrag im Rahmen der 19. Horváth Partners Planungsfachkonferenz 2017 am 7. 12. 2017 im Hotel Pullmann in Köln.

4 Vgl Schertzinger/Teuscher/Kappes, State-of-the-Art Planung bei der Swiss Re, in Kieninger (Hrsg), Digitalisierung der Unternehmens­steuerung (2017) 293.

Der Artikel ist in CFO aktuell (Heft 2/2019) erschienen. Mehr Infos unter: www.cfoaktuell.at