RISIKOMINIMIERUNG – Der Weg zur genauen Planung

Jedes Unternehmen will durch Planung seine unternehmerischen Risiken zu senken. Doch jeder Verantwortliche weiß, dass ein Business Plan selten so Realität wird, wie er geschrieben wurde. Das ist jedoch kein Grund, darauf zu verzichten. Bei Forecasting im Supply Chain Management verhält es sich analog. Ist die Genauigkeit und Zuverlässigkeit der Prognosen hoch genug, können sie als Planungsgrundlagen eingesetzt werden, um das Betriebsergebnis zu verbessern. Ein Fachbeitrag von Martin Selb und Daniel Loacker*

Prognosen bzw. Forecasts sind fester Bestandteil unseres täglichen Lebens. Der Wetterbericht beispielsweise unterstützt uns bei der Planung von Freizeitaktivitäten oder der Auswahl der richtigen Bekleidung. Uns ist allen bewusst, dass Prognosen nicht 100 Prozent zuverlässig sind. Dennoch ist die Wahrscheinlichkeit, dass der Wetterbericht stimmt, hoch genug, so dass wir uns damit beschäftigen. Bei Forecasting im Supply Chain Management verhält es sich analog. Ist die Genauigkeit und Zuverlässigkeit der Prognosen hoch genug, können sie als Planungsgrundlagen eingesetzt werden um das Betriebsergebnis zu verbessern.

Planung bedeutet, den Irrtum durch den Fehler zu ersetzen. Jeder Unternehmer weiß, dass ein Business Plan selten so Realität wird, wie er geschrieben wurde.

Forecasting ist ein Lernprozess

Prognosen, wie zum Beispiel Wettervorhersagen, werden oftmals durch unterschiedlichste Einflussfaktoren beeinflusst. Diese können sich im Laufe der Zeit ändern – ähnlich wie es Klimaschwankungen gibt. Der erstmalige Forecast bringt selten das gewünschte Ergebnis und auch die Einflussfaktoren müssen kontinuierlich überprüft werden. Aus diesem Grund sollten Unternehmen darauf achten, Abweichungen zu analysieren um Prognosen weiterzuentwickeln.

Planung versus Prognose

Planung bedeutet, den Irrtum durch den Fehler zu ersetzen. Jeder Unternehmer weiß, dass ein Business Plan selten so Realität wird, wie er geschrieben wurde. Planung bedeutet aber Entscheidungen systematisch, wenn auch basierend auf Annahmen, zu treffen. Liefern die getroffenen Entscheidungen nicht das gewünschte Ergebnis, so müssen die Annahmen revidiert werden. Prognosen sind ein Bestandteil der Planung und legen fest, welche Zustände und bestimmten Umständen eintreten. Statistische Methoden helfen in vielen Branchen, wie der Automobil- oder Pharmaindustrie, Prognosen stehend auf Annahmen in Zahlen zu gießen. Es stellt sich die Frage wie damit die Planungsgenauigkeit und Sicherheit nachhaltig erhöht werden kann.

Planung bedeutet aber Entscheidungen systematisch, wenn auch basierend auf Annahmen, zu treffen. Liefern die getroffenen Entscheidungen nicht das gewünschte Ergebnis, so müssen die Annahmen revidiert werden.

Mit Methode zur Prognose

Viele Unternehmen setzten bereits auf qualitative Vertriebsprognosen. In den meisten Fällen geben Außendienstmitarbeiter eine Schätzung der zukünftigen Umsätze bzw. Absätze an. Der Einkauf bildet sich anhand von vorgegebenen Zahlen seine eigene Meinung. In vielen Fällen wird auf die Überprüfung der Vertriebsprognosen mit statistischen Methoden verzichtet. Es herrscht die Meinung vor, dass der Mitarbeiter dem Computer nach wie vor überlegen ist. Dabei geht es gar nicht darum den Faktor Mensch durch Maschinen zu substituieren. Zunächst ist es wichtig zu prüfen, wie zuverlässig die bisherigen Vertriebsprognosen waren und welchen Einfluss sie auf die Planung hatten. Schon dabei kommt man durch eine mehrjährige Betrachtung oftmals auf erstaunliche Ergebnisse. Parallel dazu können statistische Methoden Anwendung finden, um Trends, Saisonalitäten und Zyklen zu ermitteln. Daraus lassen sich in vielen Fällen brauchbare Forecasting-Modelle ableiten. Diese müssen in die Vergangenheit zurückgetestet werden, um die Stabilität ausreichend zu gewährleisten. Im Endeffekt ist meist eine Mischung aus qualitativen und statistischen Prognosen der beste Weg, um die Planungsgenauigkeit zu erhöhen.

Qualitative versus quantitative Ansätze. Qualitative Methoden wie die Delphi-Methode oder die Marktforschung sind in vielen Bereichen des Marketings und die Produktentwicklung bereits Standard. Damit leisten sie einen wichtigen Beitrag zum Supply Chain Management. Für die konkrete Planung von Verbräuchen, Umsätzen, Rohstoffpreisen oder Lagerbeständen sind aber quantitative Methoden eine unerlässliche Ergänzung. Ist ein statistisches Modell erst einmal erstellt, ist der Prognoseaufwand sehr gering.

Software-Tools. Excel eignet sich sehr gut für schnelle Auswertungen wie Korrelationen, Regressionen und einfache Tests. Add-Ins, wie beispielsweise NumXL, können auch komplexere Zeitreihenanalysen durchführen. Excel erfordert oftmals jedoch den Einsatz von Visual Basic und ist deutlich fehleranfälliger als andere Tools. Statistikprogramme wie SPSS, R oder Stata sind hingegen in der Lage, eine Vielzahl von unterschiedlichen Forecast-Methoden abzubilden. Damit lassen sich professionelle Zeitreihenanalysen oder komplexe ökonometrische Modelle erstellen. Doch selbst mit einfachen und kostengünstigen Excel Add-Ins sind bereits gute Ergebnisse möglich. Die Lösungen werden zudem immer intuitiver und leistungsfähiger.

„Zusammenhang“ ist nicht „Abhängigkeit“

Korrelationen zeigen die Beziehungen zwischen zwei Variablen, jedoch ist dies keine garantierte Kausalität. Sonnenbrände und Eisverkäufe im Sommer korrelieren, jedoch besteht kein Ursache-Wirkungs-Zusammenhang zwischen den Ereignissen. Die mangelnde Kenntnis von Zusammenhängen ist in der Praxis ein weit verbreitetes Problem. Dieses manifestiert sich beispielsweise bei Balanced-Score-Cards. Immer wieder werden hier regelhafte Zusammenhänge zwischen diversen Kennzahlen hergestellt. Mit statistischen Methoden lassen sich diese aber oftmals nicht nachweisen. Stattdessen wird versucht leicht messbare Kennzahlen wie „Kundenbesuche pro Monat“ zu schaffen, um damit den Einfluss auf den Unternehmensgewinn zu messen. Im schlimmsten Fall kehren die entnervten Kunden durch die steigende Anzahl an Vertreterbesuchen dem Unternehmen den Rücken.

Besuche vs. Zufriedenheit. „Kundenbesuche pro Monat“ dürfen nicht mit Kundenzufriedenheit gleichgesetzt werden und letztere hat eventuell nur einen indirekten langfristigen Einfluss auf das kurzfristige Unternehmensergebnis. Dieses Beispiel zeigt wie wichtig es ist, Zusammenhänge und Variablen richtig zu definieren. Regressionen zeigen den Zusammenhang zwischen unabhängigen Variablen und abhängigen Variablen. Dabei misst der Regressionskoeffizient die Abhängigkeit zwischen den Variablen und lässt Rückschlüsse auf die Ursachen-Wirkungs-Zusammenhänge ziehen. Kausale Modelle beruhen genau auf diesen Beziehungen, um Prognosen erstellen zu können. In einigen Fällen fehlen aber Einflussfaktoren. Sei es weil diese unbekannt sind oder die Erhebung enorm aufwändig wäre. Als Alternative bieten sich Zeitreihenanalysen an. Im Prinzip geht es darum, eine Ursprungsreihe in den Trend, Zyklus, Saison und Zufall zu zerlegen. Dies ermöglicht eine aussagekräftige und detaillierte Betrachtung, aus welcher Rückschlüsse zur Ursachen einer Entwicklung gezogen werden können. In der abgebildeten Darstellung ist anhand eines fiktiven Beispieles die Ursprungsreihe sowie der davon abgeleitete Trend und die Saison dargestellt. Von der Ursprungsreihe selbst lassen sich schwer Rückschlüsse ziehen. Der Trend hingegen zeigt eine klare progressive Entwicklung, welche aber durch saisonale Tendenzen überlagert wird. Ein noch genauerer Rückschluss kann aber nur erfolgen, wenn die Faktoren Konjunktur sowie Zufall mitberücksichtigt werden. Zur Erstellung von Zeitreihenprognosen stehen unterschiedliche Modelle zur Verfügung. Im Prinzip lassen sich kausale Modelle und Zeitreihenanalysen auch sehr gut kombinieren.

www.xvise.com