Warum fehlerhafte Daten, nicht fehlerhafte Modelle, Ihre Finanzprognosen zum Scheitern bringen.
Warum fehlerhafte Daten, nicht fehlerhafte Modelle, Ihre Finanzprognosen zum Scheitern bringen.
Übersicht
Jedes Mal, wenn eine Prognose stark danebengeht, läuft das gleiche Gespräch ab. Jemand fragt, ob das Modell aktualisiert werden muss. Ein externer Dienstleister wird hinzugezogen. Ein Pilotprojekt wird genehmigt.
Und das eigentliche Problem bleibt bestehen.
In den meisten Finanzteams, mit denen wir in ganz Europa zusammenarbeiten, ist die Instabilität von Prognosen kein Modellierungsproblem, sondern ein Datenproblem. Das Modell erfüllt genau seinen Zweck; es arbeitet lediglich mit unvollständigen, inkonsistent definierten oder zu spät eintreffenden Eingangsdaten. Eine Aktualisierung des Algorithmus behebt das Prognoseproblem in dieser Situation nicht. Sie liefert lediglich eine ausgefeiltere Version desselben falschen Ergebnisses.
Die Voreingenommenheit, die niemand bemerkt, bis es zu spät ist
Das ist das Problem, das schlechte Datenqualität so schwer erkennbar macht: Sie ist unsichtbar, bis sie es nicht mehr ist.
Eine systematische Überschätzung von 3 % bei den Umsatzprognosen fällt nicht sofort auf. Sie schleicht sich unbemerkt in die Personalplanung, das Betriebskostenmodell und die Free-Cashflow-Prognose ein. Bis sie schließlich in einer Abweichungsdiskussion auf Vorstandsebene auftaucht, hat sie vier Modellierungsphasen durchlaufen und in jeder Phase an Glaubwürdigkeit gewonnen. Die abschließende Analyse kommt zu dem Schluss, dass das Modell wie geplant funktioniert hat, was formal korrekt ist. Niemand hat jedoch die Korrektheit der Eingangsdaten überprüft.
Dies ist insbesondere in europäischen Unternehmen mit mehreren Standorten relevant, wo die Konsolidierung über verschiedene Jurisdiktionen hinweg – jede mit ihrem eigenen Kontenplan, lokalen GAAP-Anpassungen und konzerninternen Eliminierungen – dazu führt, dass uneinheitliche Definitionen nicht die Ausnahme, sondern die Regel sind. Eine Umsatzangabe einer deutschen Tochtergesellschaft und eine Umsatzangabe eines niederländischen Unternehmens können unterschiedliche Sachverhalte erfassen, und ein Prognosemodell kann dies nicht erkennen, solange die Definition nicht vor dem Eintreffen der Daten geklärt ist.
Die vier Faktoren, die die Prognosestabilität tatsächlich beeinflussen
Wenn wir im Kontext von Finanzplanung und -analyse über Datenqualität sprechen, ist Genauigkeit (sind die Zahlen korrekt?) nur ein Aspekt. Die Finanzteams mit den stabilsten Prognosen zeichnen sich durch Disziplin in vier Bereichen aus:
GenauigkeitDie Zahlen stimmen mit den maßgeblichen Quellsystemen überein, nicht jedoch mit dem Tabellenauszug vom Vormonat.
PünktlichkeitDie Daten sind in der vom Modell benötigten Frequenz verfügbar. Ein Schlusskurs von T+5, der in eine wöchentliche rollierende Prognose einfließt, ist ein strukturelles, kein IT-Problem.
VollständigkeitDer Datensatz deckt den gesamten Umfang des Unternehmens ab. In europäischen Organisationen bedeutet dies in der Regel, dass Tochtergesellschaften, die nicht vollständig in das ERP-System integriert sind, geschätzt statt gemessen werden.
DefinitionskonsistenzJede Variable hat in allen Datenquellen, die das Modell speisen, dieselbe Bedeutung. Umsatz, Mitarbeiterzahl, Auftragsbestand, zugesagte Aufträge: Werden diese in Ihrem CRM, Ihrem ERP-System und Ihrer Konsolidierungsschicht unterschiedlich definiert, prognostiziert Ihr Modell nicht Ihr Geschäft, sondern die Diskrepanz zwischen Ihren Taxonomien.
Der letzte Punkt ist derjenige, bei dem die meisten Unterschiede tatsächlich vorliegen, und er erhält die geringste Aufmerksamkeit.
Wo F&A BPO die Gleichung verändert
Interne Finanzteams sind hier strukturell benachteiligt. Die Arbeit im Bereich Data Governance ist wenig glamourös, betrifft verschiedene Geschäftsbereiche und konkurriert mit dem Monatsabschluss, der Auditvorbereitung und dem jeweiligen Prioritätsprojekt des Quartals um Ressourcen. Sie wird nicht deshalb nachrangig behandelt, weil sie für unwichtig gehalten wird, sondern weil es immer etwas Dringenderes gibt.
Genau hier bietet ein erfahrener BPO-Partner im Finanz- und Rechnungswesen einen Mehrwert, der weit über Kostenreduzierung hinausgeht. Wenn Ihre zentralen Finanzprozesse von einem Team betreut werden, dessen gesamtes Geschäftsmodell auf sauberen, konsistenten und zeitnahen Daten basiert, wird Datenqualität nicht länger als Nebensache betrachtet, sondern als absolute Voraussetzung für die Leistungserbringung. Abstimmungsfehler werden im Prozess erkannt, nicht erst im Managementbericht. Definitionsunterschiede werden eskaliert und behoben, anstatt stillschweigend umgangen zu werden.
Das europäische Regulierungsumfeld verstärkt diesen Effekt. Die CSRD-Berichtspflichten, die für einen erheblichen Teil großer europäischer Unternehmen gelten, fordern Prüfbarkeit und Konsistenz nichtfinanzieller Daten, die direkt von derselben Dateninfrastruktur abhängen, auf die sich auch Ihr FP&A-Team stützt. Für Kunden aus dem Finanzdienstleistungssektor erhöht Basel IV die Anforderungen an die Steuerung von Modelleingaben deutlich. Unternehmen, die Datenqualität als FP&A-Problem und nicht als unternehmensweite Disziplin betrachten, stellen zunehmend fest, dass der regulatorische Zeitplan diese Position unhaltbar macht.
Der Investment Case
Wenn man die Kosten für ein Upgrade des Modells gegen ein Datenbereinigungsprogramm abwägt, liegen die Zahlen in der Regel weit auseinander.
Eine neue, auf maschinellem Lernen basierende Prognoseplattform kostet in der Regel 1.5 bis 2.5 Millionen Euro für die korrekte Implementierung. Anbietertests zeigen eine Genauigkeitsverbesserung von 15 bis 20 %. Diese Tests wurden mit sauberen Daten durchgeführt. Ihre Daten sind wahrscheinlich nicht sauber. Der tatsächliche Genauigkeitsgewinn liegt eher bei 5 bis 8 %, da das neue Modell die gleichen strukturellen Störungen übernimmt, mit denen das alte Modell bereits zu kämpfen hatte.
Ein gezieltes Programm zur Datenqualitäts- und Pipeline-Optimierung, das Lücken im Quellsystem schließt, die Definitionsgovernance verbessert und Latenzzeiten reduziert, kostet in der Regel nur einen Bruchteil davon. Und es verbessert gleichzeitig jedes Modell in Ihrer Pipeline, da alle Modelle bessere Eingangsdaten erhalten. Organisationen, die diese Reihenfolge korrekt anwenden – zuerst die Daten, dann die Modellaktualisierungen – erzielen durchweg eine 3- bis 4-fach höhere Genauigkeitsverbesserung pro investiertem Euro.
Ein Wort zu KI-Prognosetools
Die meisten europäischen Finanzverantwortlichen evaluieren derzeit KI-gestützte FP&A-Plattformen. Das Marketing suggeriert häufig, dass das Modell in der Lage sei, fehlerhafte Daten zu kompensieren und das Wesentliche im Rauschen zu erkennen. Das stimmt nicht. Es handelt sich um hochentwickelte Mustererkennungssysteme, und selbst diese finden bei verrauschten Daten falsche Muster. Die entscheidende Frage an jeden Anbieter von KI-Prognoselösungen lautet daher nicht: Wie genau ist Ihr Modell in Bezug auf Ihre Daten?Die Frage lautet: Was geschieht mit der Stabilität der Prognosen, wenn unsere Eingangsdaten Lücken in der Datenabdeckung oder definitorische Inkonsistenzen aufweisen? Wenn diese Frage nicht präzise beantwortet werden kann, sind das nur Informationen.
Die Frage, die Sie Ihrem Team stellen sollten
Prognosestabilität ist ein wirtschaftliches Gut. Unternehmen, die zuverlässig planen, setzen Kapital effizienter ein, benötigen weniger Puffer gegen Unsicherheiten und können schneller auf veränderte Bedingungen reagieren. Der Schlüssel dazu liegt in der Datenqualität, nicht in der Komplexität der Modelle.
Eine wichtige Frage sollten Sie jetzt Ihrer Finanzplanungs- und Analyseleitung stellen: Welcher Anteil der Abweichungen bei den drei größten Prognoseabweichungen des letzten Jahres war auf Modellfehler und welcher auf Fehler in den Eingangsdaten zurückzuführen? Können sie diese Frage sicher beantworten, haben Sie die nötige Transparenz. Können sie das nicht, sollten Sie dort ansetzen.
Haben Sie noch weitere Fragen?
Jetzt Kontakt aufnehmen!
Baltic Assist bietet umfassende Outsourcing-Lösungen, die Kosten sparen, die Effizienz steigern und die strategische Entscheidungsfindung für Ihr Unternehmen erleichtern.
