Energie Steiermark GmbH, 1.400 Mitarbeiter und 980 Mio. EUR Umsatz, will ihren Quartalsumsatz drei Monate im Voraus schätzen. Der bisherige Ansatz: Vorjahreszahlen plus Daumenregel. Das Ergebnis war 14 % Abweichung vom tatsächlichen Wert — zu ungenau für Liquiditätsplanung und Personalkapazitäten. Mit Regressionsmodellen und strukturiertem Forecasting sinkt die Abweichung auf unter 4 %.
Prädiktive Analytik
Einsatz statistischer Modelle und Machine-Learning-Algorithmen, um künftige Zustände oder Ereignisse aus historischen Daten vorherzusagen. Typische Anwendungen in österreichischen Finanzfunktionen: Umsatz-Forecasting, Kundenabwanderungswahrscheinlichkeit, Kreditausfallprognose, Beschaffungspreisschätzung.
MAPE (Mean Absolute Percentage Error)
Durchschnittlicher absoluter prozentualer Fehler zwischen vorhergesagtem und tatsächlichem Wert. Wichtigste Güte-Kennzahl für Umsatz-Forecasts in österreichischen Controlling-Berichten. Ein MAPE unter 5 % gilt als exzellent, 5–10 % als gut, über 15 % als verbesserungsbedürftig.
Power BI hat seit Version 2022 integrierte Forecast-Funktionen auf Zeitachsen-Visualisierungen. Für österreichische KMU-Controller ist dies der schnellste Einstieg in prädiktive Analytik ohne Python- oder R-Kenntnisse. Die Konfiguration umfasst Prognosezeitraum, Saisonalitätsmuster und Konfidenzintervall (80 % oder 95 %).
| Analytik-Typ | Frage | Werkzeug (AT-Praxis) | Typische Genauigkeit |
|---|---|---|---|
| Deskriptiv | Was ist passiert? | Power BI, Excel, BMD-Reports | 100 % |
| Diagnostisch | Warum ist es passiert? | Power BI Drillthrough, Pareto-Analyse | — |
| Prädiktiv | Was wird passieren? | Power BI Forecast, Python/R | MAPE 3–15 % |
| Präskriptiv | Was soll man tun? | Simulation, Optimierungsmodelle | Szenario-basiert |
Das Controlling-Team lädt 36 Monate Monatsumsatzdaten aus BMD NTCS per ODBC in Power BI. Mit der integrierten Zeitreihenprognose (saisonale Zerlegung nach 12-Monats-Zyklus, 95-%-Konfidenzband) wird ein Quartalsumsatz von 245 Mio. EUR prognostiziert. Der tatsächliche Wert beträgt 249 Mio. EUR — Abweichung 1,6 %. Die Methode ersetzt das bisherige Spreadsheet-Schätzen und spart dem Team acht Stunden manuelle Planungsarbeit.
⚠️Prognosen ohne Validierung am Testdatensatz in Produktion bringen
→ Immer einen Trainings- und Testdatensatz trennen (z. B. 80/20-Split) und den MAPE am Testset berechnen, bevor das Modell operativ eingesetzt wird.
⚠️Strukturbrüche (COVID, Energiekrise) nicht bereinigen
→ Österreichische Konjunkturbrüche (2020/2021 COVID, 2022 Energiepreisschock) als Ausreißer kennzeichnen und im Modell behandeln, sonst verzerren sie die Prognose dauerhaft.
⚠️Prognosequalität nicht laufend überwachen
→ MAPE und RMSE monatlich gegen reale Werte tracken und das Modell bei dauerhafter Verschlechterung neu kalibrieren.
Solva Finanz- und Controlling-Berater für österreichische Unternehmen
Empfohlene Fragen