Bessere Prognosen dank KI

Eine der Kernaufgaben des Controllings ist die Ermittlung von Prognosewerten für zentrale Erfolgsfaktoren eines Unternehmens, wie z.B. Absatz- und Umsatzzahlen oder Gewinne. Diese so genannte Prognose nimmt einen erheblichen Teil der täglichen Arbeit des Controllers in Anspruch. Der Grund dafür ist, dass die Prognose die Grundlage für viele Planungsprozesse bildet, wie z.B. die Planung von Produktionskapazitäten oder Marketingausgaben. Außerdem zeigt sie frühzeitig Abweichungen von der Planung auf. So können bei nachteiligen Abweichungen rechtzeitig Gegenmaßnahmen ergriffen werden.

Die Methoden des maschinellen Lernens sind bereits sehr ausgereift, was die Fähigkeit betrifft, gute Prognosen zu liefern. Studien haben für zahlreiche Anwendungsbereiche gezeigt, dass auf künstlicher Intelligenz basierende Vorhersagen oft den vom Menschen erstellten Prognosen überlegen sind. Dabei kommen sowohl statistische Methoden als auch die lineare Regression, bei der die Prognosewerte aus einer Vielzahl von Einflussgrößen ermittelt werden, zum Einsatz. In vielen Situationen sind aber auch ausgefeiltere Methoden wie künstliche neuronale Netze, die mit großen Datensätzen trainiert werden können und bei komplexen Prognoseprozessen oft bessere Ergebnisse liefern, sinnvoll.

Allen Methoden ist gemeinsam, dass die Prognosewerte immer auf Vorkenntnissen basieren. Unvorhersehbare Veränderungen, für die es in den bisherigen Daten keine Hinweise gibt, können auch mit Methoden des maschinellen Lernens nicht vorhergesagt werden. Daher ist es sinnvoll, bei wichtigen Prognoseprozessen eine Mischung aus künstlicher und menschlicher Intelligenz einzusetzen. Während die künstliche Intelligenz eine automatisierte Prognose liefert, kann der Mensch jederzeit in den Prozess eingreifen und durch eine persönliche Einschätzung den Vorhersagewert verändern.

Inzwischen gibt es mehrere Anbieter von Business-Software, die Methoden der künstlichen Intelligenz in ihren Lösungen für Steuerungsfragen einsetzen. Die Unternehmenssoftware Unit4 Prevero zum Beispiel verwendet künstliche neuronale Netze zur Bestimmung von Prognosewerten. Diese können automatisch ermittelt werden, können aber jederzeit durch ein anderes Prognoseverfahren wie zum Beispiel einen linearen Trend ersetzt oder durch die persönliche Einschätzung des Entscheidungsträgers korrigiert werden.