Digitale Mechanismen: Verbesserte Prognosefähigkeit

Digitale Mechanismen: Alles besser

Wie Abschlussprüfer Predictive Analytics einsetzen - ein Werkstattbericht

Keyfacts über Risikoprognose

  • Digitale Mechanismen verbessern die Prognosefähigkeit von Abschlussprüfern
  • Als Frühwarnsystem machen sie Fehlplanungen von Unternehmen erkennbar
  • Für die finale Beurteilung bleibt der Mensch dem Computer überlegen
Zusammenfassung lesen

„Prognosen sind eine schwierige Sache. Vor allem, wenn sie die Zukunft betreffen“, wusste schon Mark Twain. Niemand weiß, wie die Zukunft werden wird. Dennoch wird von Prüfern immer wieder an verschiedensten Stellen erwartet, dass sie zukunftsorientierte Informationen von Unternehmen prüfen und bewerten können – von der Prognose im Lagebericht bis zur weiteren Unternehmensplanung. Und dann? Die Frage, wie realistisch Zukunftspläne von Unternehmen sind, können Prüfer sehr wohl einschätzen.

Es gibt kaum größere Probleme für Unternehmen, als plötzlich feststellen zu müssen, dass sie gesellschaftliche und technologische Entwicklungen schlicht und einfach verschlafen haben. Einmal entstandene Lücken lassen sich nur sehr schwer wieder schließen – wenn überhaupt. Im Umkehrschluss bedeutet das: Entsprechend bedeutend sind auch zukunftsorientierte Informationen in der externen Berichterstattung. Je stärker Unternehmen die Vergangenheit analysieren und aktuelle Tendenzen identifizieren, desto besser ist ihre Prognosefähigkeit und umso realistischer ist in den meisten Fällen die Planung. Moderne Anwendungen unterstützen dabei, da man auf viele Datenquellen zurückgreifen kann und die hohe Datenmenge zielorientiert analysieren kann.

Kaum jemand zieht in Zweifel, dass die Analyse vergangenen Entwicklungen eine wichtige Grundlage für aktuelle Entscheidungen eines Unternehmens ist. Darüber hinaus sind Annahmen über die Zukunft zu treffen. Dies beinhaltet auch alle relevanten und wesentlichen künftigen Entwicklungen mit Ihren Chancen und Risiken. Die Unsicherheit aus diesen Annahmen muss ebenfalls in der Planung berücksichtigt werden. Der Wirtschaftsprüfer beurteilt hierbei die Einschätzungen des Managements, wobei er auch auf die Planungsqualität der Vergangenheit abstellt. Das bedeutet, er schaut, wie gut die Planungen in der Vergangenheit zu den tatsächlich eingetretenen Ergebnissen gepasst haben.

Disruption schwächt Prognosefähigkeiten

In vielen Fällen sind Informationen über die Vergangenheit jedoch nur noch bedingt relevant für Zukunftsprognosen. Die Geschichte war schon immer voller Beispiele von Unternehmen, die – aus ihrer Sicht – plötzlich feststellen mussten, dass ihr Geschäftsmodell nicht mehr oder anders funktionierte. In Zeiten der Digitalisierung und der Start-Up-Kultur mehren sich diese Beispiele. Analog dazu steigt das Risiko, dass Prognosen anhand der Vergangenheit zwar realistisch wirken, aber es tatsächlich gar nicht sind.

Unvergessen bleibt die Einschätzung von Thomas Watson, CEO von IBM, der im Jahr 1943 sagte: „Ich denke, dass es einen Weltmarkt für vielleicht fünf Computer gibt“. Eine Aussage, die aus vergangenheitsorientierten Informationen abgeleitet wurde – und damit aus damaliger Sicht vermutlich sogar ein realistisches Szenario war. Ein Treppenwitz der Geschichte, dass ausgerechnet Watson der Namensgeber für eine der heutigen Anwendungen ist, die zukünftig für bessere Einschätzungen sorgen soll?

1943

war das Jahr einer der berühmtesten Fehleinschätzungen der Unternehmensgeschichte: „Ich denke, dass es einen Weltmarkt für vielleicht fünf Computer gibt“, sagte US-Unternehmer Thomas Watson.

Doch wie hilft hierbei nun künstliche Intelligenz? Sogenannte Predictive Analytics sind darauf ausgelegt, höhere Datenmengen zu verarbeiten, so dass diese in die Prognose mit einbezogen werden können. Hierbei kann neben historischen Informationen auch auf Analysteneinschätzungen, Marktpreise oder geopolitische Indikatoren zurückgegriffen werden. Sogar Informationen über aktuelle Startup-Gründungen können einbezogen werden, um Gefahren für Geschäftsmodell oder Margenentwicklung frühzeitig zu erkennen.

Damit die hohe Anzahl an Datenpunkten handhabbar wird, nutzen viele Systeme Sensitivitätsrechnungen um bedeutsame Inputvariablen zu identifizieren. Korrelationen zwischen diesen und dem abzubildenden Planobjekt können in Sekundenbruchteilen über Szenarios bestimmt werden. Am Ende bleibt die Herausforderung, dass zu den wesentlichen Faktoren Annahmen getroffen werden müssen. Das Tool hat aber bereits herausgearbeitet, welche Annahmen überhaupt bedeutsam sind und was wahrscheinliche und weniger wahrscheinliche Szenarien sind. Diese Anwendungen stehen sowohl dem Management bei der Erstellung als auch dem Prüfer bei der Plausibilisierung zur Verfügung.

Verknüpfung der relevanten Parameter

Ein Beispiel: Ein Unternehmen bezieht für sein Produkt seltene Erden aus Malaysia. Was passiert, wenn aus geopolitischen Gründen dort die Produktionsbedingungen ins Wanken geraten? Was passiert, wenn der Währungskurs plötzlich dramatisch nach oben oder unten ausschlägt? Und was passiert, wenn die Nachfrage nach dem Rohstoff rasant ansteigt, weil China seine eigenen Vorkommen politisch beschränkt? Intelligente Systeme zur Prognose verknüpfen diese Parameter, bilden die innere Relevanz der Entwicklungen ab und entwickeln Vorschläge für Frühwarnindikatoren.

Bedeutet das, dass man solchen Prognosen von Computern immer bedenkenfrei folgen kann? Natürlich nicht, denn zum einen hängt die Analyse von der Qualität und Relevanz der verwerteten Daten ab. Gerade bei hohen Datenmengen ist die Gefahr groß, sich voll auf errechnete Korrelationen zu verlassen, die aber auch rein zufällig sein können – sogenannte Scheinkorrelationen.

Die Technik aber befreit den Menschen von Datenermittlung und –analyse und ermöglicht so eine Fokussierung auf die eigentliche Einschätzung. Es ist wie mit einem Kompass: Gut zu wissen, wo Norden ist. Vor allem dann, wenn man in den Süden will.

06. Dezember 2017

Kommentare

Welche Rolle spielen Predictive Analytics in Ihrem Unternehmen?

KPMG verwendet Cookies, die für die Funktionalität und das Nutzerverhalten auf der Website notwendig sind. Durch die Nutzung der Website stimmen Sie dem Einsatz von Cookies zu, wie sie in der Datenschutzerklärung von KPMG im Detail ausgeführt ist. Schließen