In vielen Unternehmen gewinnen Rolling-Forecast-Projekte an Bedeutung, da das Bewusstsein für schnellere Planungszyklen wächst. Zahlreiche Krisen und Veränderungen haben das wirtschaftliche Umfeld in den letzten Jahren zunehmend unvorhersehbar gemacht.
Ein Rolling Forecast ist nicht nur wichtig, um in turbulenten Zeiten schnell auf Veränderungen reagieren zu können, sondern verbessert durch kontinuierliche Abweichungsanalysen und Plan-Ist-Vergleiche auch die Planungsqualität.
Die bloße Wiederholung der traditionellen Jahresplanung reicht nicht aus. Häufig sind Prognosemodelle zu komplex und intransparent, sodass die Informationen bereits veraltet sind, wenn sie fertiggestellt werden. Neben Genauigkeit sollten in Zeiten schnellerer Veränderungen neue Qualitätsparameter gelten: Robustheit, Resilienz und Geschwindigkeit. In all diesen Aspekten haben viele Planungssysteme — insbesondere während der COVID-19-Pandemie — versagt.
Kausallogik der Treiber prüfen
Unvorhersehbare Ereignisse, die nicht in historischen Daten abgebildet sind, können in Planungsmodellen nur dann dargestellt werden, wenn kausale Zusammenhänge korrekt abgebildet sind. Modelle werden oft zu genau auf aktuelle Bedingungen kalibriert und funktionieren bei größeren Veränderungen nicht mehr. Es empfiehlt sich, die Anzahl und Komplexität der Planungsparameter gering zu halten — unnötige Details erhöhen den Planungsaufwand und die Unsicherheit in den Beziehungen.
Automatisierung und Technologie nutzen
Ein Vergleich mit Ist-Zahlen sollte stets aufrechterhalten werden, um kontinuierlich an der Planungsgenauigkeit zu arbeiten und Abweichungsanalysen durchzuführen. Moderne Technologien und Automatisierung sollten genutzt werden, um Prognosen in Stunden statt Tagen zu erstellen — das schafft mehr Zeit für die Analyse der Ergebnisse. Als guten Einstieg empfiehlt es sich, zunächst die Vergangenheit mit dem Rolling-Forecast-Modell zu replizieren.
Robustheit durch Stresstests messen
Durch konsequente Verbesserung von Annahmen und Treiberlogiken sowie schnelle, automatisierte Datenverarbeitung kann ein Prognosesystem sehr robust werden — d.h. unter allen Umständen aussagekräftige Ergebnisse liefern. Die Robustheit lässt sich durch Stresstests messen: Dabei weichen einzelne Parameter oder Parameterkombinationen ungewöhnlich stark von den Erwartungswerten ab. Experten können dann beurteilen, ob das Unternehmen in einer Ausnahmesituation genauso reagieren würde — und die kausalen Zusammenhänge zwischen Treibern und Ergebnissen werden überprüft.
Ein robustes Prognosesystem liefert unter allen Umständen aussagekräftige Ergebnisse — nicht nur in ruhigen Zeiten.
In many companies, rolling forecast projects are on the rise as the understanding of the need for faster planning cycles increases. This is due in part to the numerous crises and changes that have made the business environment increasingly unpredictable in recent times.
A rolling forecast is not only important for being able to quickly respond to changes in turbulent times, but also to improve planning quality through continuous variance analysis and plan-to-actual comparisons.
Simply repeating the traditional annual planning is not enough to achieve the desired effect. Forecast models are often too complex and opaque, so the information is already outdated by the time it is completed. In addition to accuracy, new parameters for planning quality should be considered: robustness, resilience, and speed. In all these aspects, many planning systems — especially during the COVID-19 pandemic — completely failed.
Check drivers for causal logic
Unforeseeable events not reflected in historical data can only be represented in planning models if causal relationships are correctly captured. Models are too often calibrated too precisely to current conditions and no longer work under major changes in circumstances. It is advisable to keep the number and complexity of planning parameters low — unnecessary details increase planning effort and uncertainty in relationships.
Use automation and modern technology
A comparison and linkage to actual figures should always be maintained to continuously work on planning accuracy and conduct variance analyses. Modern technologies and automation should be used to create forecasts in hours instead of days — leaving more time to engage with the results. To find a good starting point, first try to replicate the past with the rolling forecast model.
Measure robustness through stress testing
Through consistent improvement of assumptions and driver logics, as well as fast and automated data processing, a forecasting system can become very robust — meaning it delivers meaningful results under all circumstances. Robustness can be measured by stress-testing the model: individual parameters or combinations deviate unusually strongly from expected data, and experts assess whether the real company would behave the same way in an exceptional situation.
A robust forecasting system delivers meaningful results under all circumstances — not only in calm times.