Finanzen & Controlling

Machine Learning im Controlling: Forecasts mit Treibern und Bandbreiten

Budgetrunden kosten viel Zeit, und am Ende steht oft eine Zahl, die eher Verhandlungsergebnis als Erwartung ist. Dieses Tagesseminar zeigt Controllern und FP&A-Teams, wie Zeitreihenverfahren und treiberbasierte ML-Modelle Umsatz, Kosten und Cashflow prognostizieren und wie sich ihre Güte messen lässt. Zwei Übungen mit echten Zahlenreihen verbinden Methode und Praxis. Sie gehen mit einem Fahrplan, wie ein Rolling Forecast mit ML in Ihrem Haus Schritt um Schritt entstehen kann.

Für wen

Controllerinnen und Controller, Verantwortliche für FP&A sowie kaufmännische Leitungen, die Planung und Forecasts mithilfe von ML-Verfahren genauer und mit weniger Aufwand erstellen wollen.

KI-Tagesseminar · 1 Tag

Zeitreihen, Treiber und Prognosegüte: den Planungsprozess datenbasiert neu ordnen

Das nehmen Sie mit

  • Sie unterscheiden ETS, ARIMA, Gradient Boosting und Prophet und wählen ein Verfahren passend zu Datenlage und Fragestellung.
  • Mit MAPE, Bias und Forecast Value Added beurteilen Sie, ob eine Prognose oder ein Planungsschritt tatsächlich etwas verbessert.
  • Eigene Umsatz- oder Kostenreihen haben Sie in der Übung prognostiziert und ihre maßgeblichen Treiber bestimmt.
  • Für die Einführung eines Rolling Forecast mit ML liegt ein Fahrplan samt Werkzeugauswahl vor.

Ablauf

  1. Teil 1

    Modul 1 – Ausgangslage: Klassische Planung und was ML-Prognosen ändern

    • Verzerrungen der herkömmlichen Budgetierung: Ankerwerte aus dem Vorjahr, Planungspolitik, hoher Abstimmungsaufwand
    • Nüchtern eingeordnet: Leistungen und Grenzen von ML-Prognosen bei Finanzzahlen
    • Einsatzfelder im Controlling: Umsatz, Kosten, Cashflow und Working Capital
    • Ein nachvollziehbares Modell lenkt Budgetgespräche von der Verhandlung zurück auf die Sachfrage
    • Bestandsaufnahme der Runde: Planungsrhythmus, eingesetzte Werkzeuge und Datenbasis bei den Teilnehmenden
  2. Teil 2

    Modul 2 – Zeitreihen: Muster in Finanzdaten erkennen und fortschreiben

    • Monatsreihen zerlegen: Trend, Saisonalität und Sondereffekte wie Einmalaufträge oder Preisanpassungen
    • ETS, ARIMA, Gradient Boosting und Prophet: Arbeitsweise, Datenbedarf, typische Stärken
    • Übung: Mit realen Umsatzzeitreihen einen Forecast rechnen und das Ergebnis besprechen
    • Prognoseintervalle statt Einzelwert: Bandbreiten in Planung und Berichterstattung verwenden
  3. Teil 3

    Modul 3 – Treiber und Güte: Einflussgrößen modellieren, Prognosen bewerten

    • Externe Einflussgrößen aufnehmen: Marktentwicklung, Preise, Wetter und Kalendereffekte
    • Mit Szenarien rechnen, statt eine Genauigkeit vorzugeben, die die Datenlage nicht hergibt
    • Prognosegüte messen: MAPE, Bias und Forecast Value Added je Planungsschritt
    • Übung: Herausfinden, welche Treiber Ihre Umsatz- oder Kostenzahlen maßgeblich bewegen
    • Wann ein schlichtes Modell dem aufwendigen überlegen ist, etwa bei kurzer Historie
  4. Teil 4

    Modul 4 – Einführung: Rolling Forecast mit ML im Unternehmen verankern

    • Rolling Forecast mit ML: Ablauf, Rollen, Freigaben und Regeln für Modelländerungen (Governance)
    • Werkzeuge im Überblick: Python, Power BI, SAP Analytics Cloud, Board und vergleichbare Lösungen
    • Fallstudie: Wie ein Mittelständler Predictive Forecasting schrittweise eingeführt hat
    • Das Controlling-Team so qualifizieren, dass es Modelle versteht und mitgestaltet, statt nur Zahlen zu übernehmen
    • Ihr Fahrplan: erste Zeitreihe, benötigte Daten und Etappen bis zum vorausschauenden Forecast

VoraussetzungenBerufserfahrung im Controlling und sicherer Umgang mit Excel. Grundkenntnisse in Python erleichtern die Übungen, werden aber nicht verlangt.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen