Prognose-Trend-Analyse
Methode Steinbeis-BI
Für die Steinbeis-BI Prognose-Trend-Analyse haben wir unsere Erfahrungen aus dem Projektmanagement auf Prgnosen angewendet. Hier eignet sich die Meilenstein-Trend-Analyse auch für die Verbesserung von Prognoseergebnissen.
Die Steinbeis-Prognose-Trend-Analyse kann dem rollierenden Prognosemodellen zugeordnet werden, da wir jeweils rollierend die dem Prognosetermin näherkommenden Erhebungszeiten und dann deren jeweiligen Prognoseergebnisse so auflisten, dass wir dem Prognosezeitpunkt zeitlich immer näher kommen. Unter der Voraussetzung, dass mit näherückendem Prognosedatum, also immer kürzer werdenden Prognosezeiträumen die Prognoseergbenise auch immer besser werden, können wir somit einen Prognose - Trend erkennen und entsprechend extrapolieren.
Nehmen wir als Beispiel für diese Steinbeis-BI Methode an, dass wir über einen Pool guter Prognosen zu einer spezifischen Fragestellung verfügen.
Wir haben in dem Beispiel im Januar 2012 nach der voraussichtlichen Werteentwicklung für die Jahre 2023 und 2024 gefragtn. Diese Abfrage haben wir bis zum Januar 2022 jährlich wiederholt und die in der untenstehenden Graphik aufgeführten Antworten erhalten. Legen wir nun eine Trendgerade (hier sehr einfach mit Excel erstellt) in die Entwicklung der Prognosewerte, so können wir annehmen, dass sich in den Jahren 2023 und 2024 die Werte um 255, 280 und 290 einspielen werden. Dies Prognose basiert auf den erhobenen Werten über einen Zeitrauim von 10 Jahren. Aber wir nehmen zusätzlich an, dass sich die tatsächlich realisierten Werte den Prognosewerten asymptotisch nähern, je kürzer der Prognosezeitraum wird. Also je näher wir mit den Prognosewerten an die Echtzeit herankommen. Mit deiser Methode haben wir zum Teil sehr verblüffende Prognoseergebnisse erzielt, die sich allesamt in einer ex post Analyse als sehr zutreffend erwiesen haben
Steinbeis-BI rollierende Prognose:
Blaue Linie: Pronosewerte des Pools über eien 10 Jahreszeitraum von 2020 bis 2022
Orangene Linie am Ende: Werte der Steinbeis-BI Prognose asymptotisch angepasst an die älteren Prognosewerte
Die Delphi-Methode (auch Delphi-Studie, Delphi-Verfahren oder Delphi-Befragung genannt) ist ein systematisches, mehrstufiges Befragungsverfahren, um zukünfteige Ereignisse, die dazu dient, zukünftige Ereignisse, Trends, technische Entwicklungen etc. abzuschätzen und zu prognostizieren. Namensgeberin der Methode ist das antike Orakel von Delphi, das seinen Befragern Ratschläge für die Zukunft erteilte.
Ein Beispiel für eine sehr komplexe Delphi-Methode ist das "Foresight-Projekt" des BMBF:
Quelle: https://www.bmbf.de/bmbf/de/forschung/soziale-innovationen-und-zukunftsanalyse/foresight/foresight_node.html
Foresight ist ein strategischer Prozess zur längerfristigen Vorausschau. Analysiert werden mögliche und wünschenswerte Entwicklungen mit einem Zeithorizont von bis zu 15 Jahren. Das BMBF führt bereits seit den 1990er Jahren Foresight-Prozesse mit unterschiedlichen Schwerpunkten durch. In 2019 startete der Dritte Foresight-Prozess und nimmt zu Beginn die Wertevorstellungen unserer Gesellschaft in den Blick.
2019 startete ein neuer Foresight-Prozess, um die technologischen und gesellschaftlichen Veränderungen, die bis in die 2030er Jahre auf uns zukommen, zu analysieren und vorher zu sagen. Dazu geht das BMBF folgende Wege: Ein Zukunftsbüro sucht systematisch und mit wissenschaftlichen Methoden nach Trends und Themen, die in Zukunft von Bedeutung sein können. Der Zukunftskreis, ein Gremium aus Expertinnen und Experten aus Wissenschaft, Wirtschaft und Kultur, berät das BMBF, welche dieser Trends und Themen in weiterführenden Studien näher untersucht werden sollen und für Bildung und Forschung besonders wichtig sind. Gemeinsam entwerfen Zukunftskreis und Zukunftsbüro Zukunftsszenarien: Es werden Expertenbefragungen durchgeführt und Trends fortgeschrieben, um mögliche und wünschenswerte Zukünfte zu beschreiben. In einem ersten Schritt ist eine Studie über die Veränderung gesellschaftlicher Wertevorstellungen in Deutschland geplant. Welche Werte werden den Menschen in Zukunft wichtig sein? Wer oder was wird Werte vermitteln?
Vorangegangene Foresight-Prozesse
In den Jahren 1992 und 1993 wurde die erste deutsche Delphi-Studie zur Entwicklung von Wissenschaft und Technik im Auftrag des damaligen Bundesministeriums für Forschung und Technologie (BMFT) durchgeführt. Methodisch orientierte sich die Studie an der fünften japanischen Delphi-Studie; ein deutsch-japanischer Vergleich schloss sich an. Die Ergebnisse aus insgesamt 16 Themenfeldern, die von Energie bis zu Informations- und Kommunikationstechnologie reichten, wurden allen Interessierten kostenlos zur Verfügung gestellt. Somit konnte insbesondere die deutsche Industrie die Ergebnisse für ihre strategische Planung nutzen. 1996 startete Delphi '98, eine Studie zur globalen Entwicklung von Wissenschaft und Technik. Im Rahmen dieser neuerlichen Studie wurde eine Aktualisierung der Daten vorgenommen und es wurden insbesondere "typisch deutsche" Themen zur Diskussion gestellt. Die Ergebnisse wurden von allen Akteuren des deutschen Innovationssystems stark nachgefragt. Wieder waren die Unternehmen die häufigsten Nutzer, gefolgt von den Medien. Angesichts der nahenden Jahrtausendwende stießen die Berichte damals auf großes Interesse und wurden auch in Schulen verwendet.
Der Foresight-Prozess von 2007 bis 2009 nahm Technologieentwicklungen in den Fokus mit dem Ziel, neue Schwerpunkte für die Forschungs- und Technologiepolitik sowie das Potenzial strategischer Partnerschaften zu identifizieren. Im darauffolgenden Foresight-Prozess (2012-2014) standen die gesellschaftlichen Veränderungen im Mittelpunkt, sowie die Wechselwirkungen von technologischen und gesellschaftlichen Entwicklungstendenzen. Die daraus abgeleiteten Szenarien für den Zeitraum bis 2030 wurden abschließend in anschaulichen „Geschichten aus der Zukunft“ festgehalten – Kurzgeschichten über einen fiktionalen Alltag.
Mitglieder des Zukunftskreises Foresight
© BMBF/Hans-Joachim Rickel
Cornelia Daheim (Vorsitzende): Gründerin und Inhaberin von Future Impacts Consulting; Vorsitzende des German Node des Millennium Project und Senior Fellow des IZT.
Prof. Dr. Armin Grunwald (Vorsitzender): Leiter des Instituts für Technikfolgenabschätzung und Systemanalyse – ITAS am Karlsruher Institut für Technologie. Leiter des Büros für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB).
Geraldine de Bastion: Geschäftsführende Gesellschafterin des Beratungsunternehmen Konnektiv Kollektiv GmbH mit Sitz in Berlin.
Prof. Dr. Dr. Dr. Roland Benedikter: Professor am Willy Brandt Center der Universität Wroclaw/Breslau; Co-Leiter des EURAC Research Center for Advanced Studies Bozen.
Dr. Christine Burtscheidt: Leiterin der Abteilung Wissenschaftspolitik und Strategieprozesse der Max-Planck-Gesellschaft.
Dr. Karim Fathi: Mitglied der European School of Governance, geschäftsführender Partner der PROTECTIVES GbR, Mitglied der Forschungsgruppe ethisch-ökologisches Rating.
Prof. Dr. Veronika Grimm: Professorin für Volkswirtschaftslehre und Leiterin des Lehrstuhls für Wirtschaftstheorie an der Universität Erlangen-Nürnberg, Direktorin des Laboratory for Experimental Research Nürnberg (LERN) und Vorsitzende der Wissenschaftlichen Leitung des Energie Campus Nürnberg (EnCN).
Dr. Ute Günther: Vorstand des Business Angels Netzwerk Deutschland (BAND).
Thomas Le Blanc: Autor und Herausgeber, Gründer der Phantastischen Bibliothek Wetzlar, welche mit über 270.000 Werken inzwischen die größte ihrer Art weltweit ist.
Wolfgang Müller-Pietralla: Leiter der Abteilung Zukunftsforschung und Trendtransfer, Volkswagen AG und Dozent im Fachgebiet Zukunftsforschung an der Freien Universität Berlin/ Institut Futur.
Dr. Heike Riel: IBM Fellow und Executive Director IBM Research Frontiers Institute, Director IoT Technology and Solutions und Mitglied der IBM Academy of Technology.
Prof. Dr. Dr. Martina Schäfer: Wissenschaftliche Geschäftsführerin des Zentrums Technik und Gesellschaft der TU Berlin, Sachverständige in der Enquete-Kommission Zukunft der ländlichen Regionen vor dem Hintergrund des demografischen Wandels des Landes Brandenburg.
Dr. Gesa Schönberger: Geschäftsführerin des Heidelberger Instituts für Theoretische Studien (HITS gGmbH).
Prof. Dr. Martina Schraudner: Leiterin des Center for Responsible Research and Innovation (CeRRI) des Fraunhofer-Institut für Arbeitswirtschaft und Organisation (Fraunhofer IAO), Beauftragte des wiss. Präsidenten der acatech, Deutsche Akademie der Technikwissenschaften.
Prof. Dr. York Sure-Vetter: Universitätsprofessor am Karlsruher Institut für Technologie (KIT) und Sprecher des Instituts für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) des KIT.
Björn Theis: Head of Corporate Foresight bei EVONIK.
Nicht-statische Prognosemethoden sind Prognosemethoden, die auf Echtzeitdaten basieren und auf rollierender Basis aktualisiert werden. Im Gegensatz zu traditionellen Prognosemodellen, die auf jährlicher Basis aktualisiert werden, können nicht-statische Prognosemethoden schneller auf Veränderungen reagieren und sind somit besser geeignet, um in unsicheren Zeiten Entscheidungen zu treffen1. Eine spezielle Art von nicht-statischen Prognosemethoden sind rollierende Prognosemodelle. Diese Modelle basieren auf Echtzeitdaten und werden auf rollierender Basis aktualisiert. Sie sind somit in der Lage, schneller auf Veränderungen zu reagieren und sind besser geeignet, um in unsicheren Zeiten Entscheidungen zu treffen2.
Rollierende, nicht statische Prognosemodelle
Rolling Forecasts, auch bekannt als rollierende Prognosen, sind ein Ansatz, bei dem Prognosen auf Basis von rollierend über die Zeit angepassten Daten erstellt werden.
Für Steinbeis-BI sind nicht-statische Prognoseverfahren, Verfahren, die zwar auf Echtzeitdaten oder Prognosedaten basieren, aber rollierend aktualisiert werden. Im Gegensatz zu traditionellen Prognosemodellen, die z.B. auf Jahresbasis aktualisiert werden, können rollierende, nicht-statische Prognoseverfahren schneller auf Veränderungen reagieren und sind damit besser geeignet, Entscheidungen in volatilen Zeiten zu treffen.
Rolling Forecasts garantieren eine höhere Aktualität als statische Modelle. Dadurch können Anwender schneller auf Marktveränderungen reagieren.
Vorteile rollierender Prognosen:
- Flexibilität: Sie sind per se flexibler als statische Verfahren.
- Kürzere Planungszeit: Die Intervalle für die Anpassung der Planung werden zwangsläufig kürzer, sobald neue Daten zur Verfügung stehen.
- Bessere Entscheidungen: Insbesondere bei Echtzeitberichten werden Entscheidungen schneller und besser getroffen.
- Höhere Prognosegenauigkeit: Rollierende Systeme bieten eine höhere Prognosegenauigkeit, da mit kürzeren Prognosezeiträumen gearbeitet wird.
Rollierende Systeme bedeuten aber auch entsprechende Anforderungen an die Datenqualität und damit einen höheren Ressourcenaufwand. Vor dem Hintergrund neuerer Systeme, die mit der heute zur Verfügung stehenden Rechnerleistung realisierbar sind, sollte zur Prozessoptimierung auch eine weitgehende Standardisierung der Prozesse und der zu erhebenden Daten dem höheren Ressourcenaufwand entgegenwirken.
