Wie Sie mit Simulationen bessere strategische Entscheidungen treffen

Philip Wolfsteiner | Juni 6, 2018

Das Unternehmen langfristig auf Erfolgskurs zu halten, ist eine der schwierigsten Aufgaben für Führungskräfte. “Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen”. Zwar ist nicht klar von wem diese Aussage stammt, für Unternehmensstrategen trifft sie aber besonders zu. Regelmäßig das Richtige zu tun, kann mit traditionellen Methoden in einer sich immer rascher drehenden Businesswelt zu einer Sisyphusarbeit werden.

In diesem Blog Post geht es darum, wie Modellierung und Simulation für nicht lineare Entwicklungen bessere strategische Entscheidungsgrundlagen liefern und woran Sie die Qualität von Modellen und Simulationen erkennen.


Der Druck steigt

50% der Fortune 500 Unternehmen, die im Jahr 2000 noch in diesem Index waren, existierten 2016 nicht mehr und 75% der Unternehmen die 2020 im Standard & Poor’s 500 Index sein werden, wurden noch nicht gegründet (Stand 2016). Die Geschwindigkeit mit der Unternehmen kommen und gehen, steigt in einem globalen hyper-kompetitiven Wettbewerb. Was Schumpeter mit kreativer Zerstörung meinte, erleben wir heute in der Digitalisierung hautnah.


Die Unternehmensführung ist heute gefordert Entwicklungen, Chancen und Risiken rascher zu erkennen. Mit herkömmlichen Methoden stochern sie dabei oft in einer trüben Suppe. Gute Simulationen und Entscheidungsmodelle sind in der Praxis eher die Ausnahmen als die Regel.


Die Schwächen heute eingesetzter Entscheidungsmodelle


Im Tagesgeschäft bleibt kaum Zeit, um sich eingehend mit der Modellierung und Simulation von Unternehmensentscheidungen auseinanderzusetzen. Controlling wird beauftragt ad hoc Daten aufzubereiten und Informationen von den Fachabteilungen einzuholen, um schnell einen Business Case zu rechnen.


Ist-Daten werden hochgerechnet, Zeitreihen der letzten Jahre analysiert und extrapoliert, Experten geben ihre Einschätzungen ab und eine Rechnung wird angestellt. Das Ergebnis sieht vielversprechend aus, alle sind zufrieden, eine Entscheidung auf solider Basis kann gefällt werden.


Was ist daran schlecht? Im Prinzip gar nichts und in vielen Fällen werden Sie mit einem pragmatischen Ansatz zu hinreichend guten Ergebnisse kommen. Manche Entscheidungsfindung auf einer solchen Basis birgt jedoch die Gefahr wesentliche Zusammenhänge zu übersehen oder Effekte falsch einzuschätzen. Nicht immer lässt sich aus der Vergangenheit in die Zukunft projizieren, oftmals sind Zusammenhänge nicht so linear wie sie erscheinen und Effekte können sich überlagern.


Zwei Beispiele aus der Praxis


Das Kostenrechnungssystem eines Maschinenbauers trennt nicht sauber in variable und (sprung-)fixe Kosten und allokiert die Kosten nicht verursachungsgerecht auf den Kostenträger. Auf Basis der vorliegenden Zahlen werden Produkte forciert, die scheinbar gute Deckungsbeiträge liefern. Tatsächlich verursachen diese vermeintlichen Gewinnbringer überproportional hohen Aufwand im Engineering und an der Kundenschnittstelle. Bei genauerer Betrachtung stellt sich heraus, dass einige der Top-Produkte in Wirklichkeit Verluste einfahren. Die bisherige Strategie hatte sich auf die falschen Informationen und Entscheidungsgrundlagen gestützt und zielte dementsprechend nicht auf ein Gesamt-Optimum ab.


Ein Hersteller von Fahrzeugkomponenten sieht gute Marktchancen in Übersee. Die Nachfrage ist groß, das Preisniveau hoch und gegenüber dem Wettbewerb können klare Vorteile ausgespielt werden. Der Markteintritt verläuft gut, Kundenaufträge kommen herein, doch nach ein paar Monaten taucht ein Problem auf: Die Working Capital Linie bei der Hausbank ist ausgeschöpft - Liquidität wird knapp.


Der Finanzierungsbedarf für das Vorhaben wurde falsch eingeschätzt: das Wachstum, die längeren Transportwege, die geänderten Zahlungsusancen der neuen Kunden und die Notwendigkeit Lieferanten früher als geplant zu bezahlen, da Kreditlinien bei ihnen ausgeschöpft waren, haben ihre Spuren in der Bilanz hinterlassen. Mit der Projektion des bisherigen Geschäfts auf den neuen Markt lag man definitiv daneben.


Diese Beispiele zeigen, dass es nicht immer ausreicht, den Ist-Zustand fortzuschreiben, Hochrechnungen auf Basis des Status-Quo durchzuführen und eine “überschlagsmäßige” Kalkulation anzustellen.



Was bringen Modellierung und Simulationen bei strategischen Entscheidungsprozessen?


Ein Modell ist die Abstraktion der Realität, die es erlaubt “im Kleinen” Vorgänge zu simulieren, die in der Realität aufgrund ihres Aufwandes oder ihres Risikos nicht möglich oder sinnvoll wären und Simulationen sind Szenarien, die anhand eines Modells gefahren werden können. So kann zum Beispiel der günstigste Fall, der ungünstigste Fall oder der wahrscheinlichste Fall simuliert werden.



8 Kennzeichen von guten Modellen

 

1. Sie bilden die wesentlichen Einflussfaktoren und Wirkungsweisen möglichst realistisch ab

  • Hierbei handelt es sich um eine wahre Gratwanderung - wie weit kann, wie weit muss abstrahiert werden, um ein Modell bedienbar und lauffähig zu halten?
  • Eine Möglichkeit, sich dem Thema anzunähern, ist anhand von Treiberbäumen Zusammenhänge zu skizzieren, ihre Abhängigkeiten und Wirkungsmechanismen zu analysieren und vor allem die Stärke ihrer Wirkungen auf das Endergebnis zu verstehen.
  • Ausgangspunkt dafür sind jene Kennzahlen, die für die Entscheidungsfindung relevant sind. Sie bilden quasi das Blattwerk des Entscheidungsbaums. Damit ist sichergestellt, dass diese Informationen als Minimal-Anforderungen am Ende vorliegen.
  • Die Wurzeln am anderen Ende sind jene Input-Faktoren und Annahmen, die benötigt werden, um ein Szenario zu rechnen.

 

2. Sie sind szenario-fähig
  • Modellierungen müssen es ermöglichen, unterschiedliche Szenarien zu testen, ihre jeweiligen Ergebnisse und Annahmen zu dokumentieren und zu vergleichen.
  • Dazu ist es notwendig, die Abläufe und Berechnungen zu einem hohen Maße zu automatisieren und manuelle Interventionen auf ein Minimum zu reduzieren.
  • Gegebenenfalls sind Schnittstellen zu Datenquellen zu modellieren, um eine schnelle und sichere Übernahme von Input-Daten zu gewährleisten.

3. Sie sind vollständig integriert

  • Gute Modelle sind aus einem Guss - sie sind end-to-end integriert und erlauben es, geänderte Annahmen in Echtzeit und ohne manuelle Intervention in aktualisierte Ergebnisse zu übersetzen.

4. Sie sind skalierbar

  • Gute Modelle wecken Begehrlichkeiten: was passiert, wenn wir noch ein Produkt dazu nehmen? Was, wenn wir einen weiteren Vertriebskanal etablieren?
  • Gute Modell bieten daher an den wesentlichen Stellen die Möglichkeit sie einfach, schnell und mit geringem Aufwand flexibel zu erweitern.

5. Sie sind gut dokumentiert

  • Wesentliche Annahmen zu Wirk-Mechanismen (Stichwort Treiberbaum) müssen sauber dokumentiert sein, um die Ergebnisse des Modells richtig einschätzen und interpretieren zu können und um Nachvollziehbarkeit und Vertrauen in das Modell sicherzustellen.
  • Darüber hinaus ist es natürlich notwendig die Annahmen für unterschiedliche Szenarien festzuhalten. Denn die Frage “Welchen Preis hatten wir in Jahr 5 des Szenario 7b angenommen und warum?” kommt früher oder später bestimmt.

6. Sie bieten ausreichend Freiheitsgrade und Flexibilität

  • In welchem Detailgrad Annahmen getroffen werden sollen, ist oftmals eine der wesentlichen Fragen für die Modellierung. Dabei kann es sinnvoll sein, Flexibilität zuzulassen. Im ersten Schritt können beispielsweise Preis- und Mengen-Annahmen auf einer Produkt-Gruppen-Ebene definiert und erst später dann auf Ebene einzelner Kundensegmente vertieft werden.
  • In vielen Fällen ist es schier unmöglich alle Komplexitäten des Geschäftes vorab schon in den erwähnten Treiberbäumen abzubilden. Flexibilität heißt folglich auch, die Learnings, die im Zuge der Modellierungsarbeit gewonnen werden zu integrieren und das Modell iterativ zu erweitern um die Qualität der getroffenen Aussagen zu verbessern.

  • Gute Modelle sehen solche Freiheitsgrade vor bzw. lassen die Möglichkeiten dafür offen.

7. Sie sind verlässlich


  • Ein Modell muss richtige Ergebnisse liefern - klar, wichtige Entscheidungen hängen davon ab. Investitionen werden auf dieser Basis freigegeben, strategische Roadmaps anhand der Ergebnisse definiert.
  • Dazu ist es einerseits notwendig, Modelle ausgiebig zu testen, Extrem-Szenarien zu simulieren, Ist-Daten zur Plausibilisierung heranzuziehen und Berechnungs-Logiken immer wieder zu challengen.
  • Beim Bau von Modellen empfehlen wir daher ein 4-Augen-Prinzip - das heißt Berechnungslogiken werden von jemand zweiten abgenommen
  • Zudem empfehlen wir Plausibilitäts-Checks direkt in die Modelle einzubauen, um Bedienfehler auszuschließen bzw. Fehlerquellen frühzeitig zu erkennen.

8. Sie sind leicht zu bedienen


  • Im Idealfall sind Modelle so strukturiert, dass ein Außenstehender sie problemlos bedienen kann.
  • Es gibt Eingabemasken, die klar beschrieben sind und Ergebnis-Cockpits, die eine verständliche Darstellung der Ergebnisse ermöglichen.
  • Manchmal ist es erforderlich, dass mehrere Personen oder Abteilungen gleichzeitig an einem Modell arbeiten - auch dafür ist entsprechend Sorge zu tragen.

Anwendungsfelder für strategische Simulationen


Nachdem das Modell erstellt und getestet wurde, können Simulationen gefahren werden. Typische Anwendungsfelder für strategische Simulationen sind beispielsweise:

  • Markteintritt und neue Geschäftsfelder: gerade bei Entscheidungen, die mit hoher Unsicherheit behaftet sind, können Simulationen und Szenariorechnungen wertvollen Input liefern und mögliche Risiken aufzeigen.
  • Strategische Weichenstellungen: Wachstum zur weiteren Nutzung von Skaleneffekten oder Rückzug in die Nische? Kapazitätsausbau oder Optimierung im bestehenden Setup? Fragen wie diese erfordern eine umfassende Sicht auf das Unternehmen, seine Prozesse, Strukturen, Kosten, Kapazitäten, Finanzmittel, etc. Mittels Simulationen können strategische Optionen abgetestet und bewertet werden, Zusammenhänge werden sichtbar und Potenziale quantifiziert.
  • Optimierung von Wertschöpfungsketten: Lohnt sich die Investition in ein neues Aggregat oder reicht ein Upgrade des bestehenden? Wie ist diese Frage im Lichte unserer zukünftigen Produktstrategie zu sehen? Ist es vielleicht doch sinnvoller den Wertschöpfungsschritt auszulagern? Oder setzen wir ein überhaupt völlig neues Verfahren ein? Entscheidungen in der Wertschöpfungskette lassen sich oftmals nicht isoliert betrachten - es existieren Abhängigkeiten innerhalb der Fertigungsabläufe aber auch zu externen Partnern entlang der Supply Chain.

Fazit Modellierung und Simulation:

Wenn Sie Ihr Unternehmen auf Kurs halten wollen, reichen heute einfache Analysen der Zeitreihen und das Extrapolieren in die Zukunft nicht aus. Das Risiko ist groß, dass Zusammenhänge übersehen werden. Mit einem guten Modell können Sie alle erdenklichen Szenarien simulieren und so eine bessere Grundlage für Ihre strategischen Entscheidungen schaffen.

 

New Call-to-action

Über den Autor

Philip Wolfsteiner

Manager bei GCI Management

Kommentare