Der Anspruch an Controlling wächst schon lange. Strategischer Sparringspartner, Frühwarnsystem, Forecast-Maschine, und dazu die Schnittstelle zur KI, die aus allen Unternehmensdaten sofort die richtige Antwort zieht. ChatGPT und Claude haben diese Erwartung nicht ausgelöst, aber sie haben sie noch einmal deutlich verschärft.
In einer Deloitte-Befragung von 276 CFOs gaben 77 Prozent an, dass die Erwartungen aus dem C-Level an ihre Rolle in den letzten zwei Jahren gestiegen sind. Finance soll also nicht mehr nur berichten, sondern stärker steuern, einordnen und Entscheidungen vorbereiten.
Auf Strategiefolien sieht dieser Anspruch sauber aus. Alle Daten fließen zusammen, eine KI kann alles abfragen, Forecasts entstehen automatisch, das Management sieht jederzeit, was passiert und wo Risiken entstehen.
Der Abstand zwischen Wunsch und Wirklichkeit
In der Praxis liegen die relevanten Informationen nicht an einem Ort. Sie liegen im ERP, im CRM, in BI-Tools, in alten Reports oder im Kopf von jemandem, der ungefähr weiß, wie das normalerweise läuft. Und genau daraus sollen dann Forecasts, Business Cases und belastbare Entscheidungsgrundlagen entstehen.
Excel ist dabei nicht das Problem. Excel ist oft der Grund, warum überhaupt etwas funktioniert. Laut einer Datarails-Studie, über die ITPro berichtet hat, nutzen nahezu neun von zehn Unternehmen Excel weiterhin für Finance-Prozesse. Das ist kein Detail am Rande. Excel ist flexibel, schnell, bekannt und meistens verfügbar.
Schwierig wird es erst, wenn Excel Dinge leisten soll, für die es kaum gebaut ist: Daten aus verschiedenen Systemen konsolidieren, Annahmen versionieren, Abhängigkeiten sauber abbilden, Szenarien vergleichen und nebenbei Grundlage für Managemententscheidungen sein. Dann wird aus Flexibilität ziemlich schnell Handarbeit. Exportieren, kopieren, abgleichen, eine neue Version speichern, noch einmal prüfen. Und kurz vor dem Meeting kommt dann doch wieder eine Datei, deren Name auf „final“ endet und trotzdem nicht die letzte ist.
Es sieht aus wie ein Datenproblem. Zum Teil ist es das auch. Aber darunter liegt etwas Grundsätzlicheres: die Annahme, dass es für jede Zahl einen richtigen Wert gibt, den man nur finden muss.
Die Vorstellung, dass es irgendwann die perfekte Datenlage gibt, ist wahrscheinlich die eigentliche Illusion.
Die perfekte Datenwelt ist selten der Startpunkt
Natürlich wäre es besser, wenn alle Daten sauber verbunden wären. ERP, CRM, BI, Planung, Reporting, alles harmonisiert, eine belastbare Single Source of Truth. Das Ziel ist richtig. Nur ist es selten der beste Startpunkt.
Gerade in kleineren und mittelgroßen Unternehmen ist die vollständige Digitalisierung von Finance und Controlling kein Nebenprojekt. Sie braucht Budget, IT-Kapazität, Prozessdisziplin, Datenkompetenz und Zeit. Also genau die Dinge, die ohnehin knapp sind. Und während diese Transformation geplant und irgendwann umgesetzt wird, müssen Entscheidungen trotzdem getroffen werden. Investieren oder nicht. Projekt starten oder stoppen. Welcher Forecast ist realistisch, welche Annahme ist kritisch und welche sieht nur wichtig aus.
Das Tagesgeschäft wartet nicht darauf, dass die Systemlandschaft perfekt ist.
Das Problem mit Punktannahmen
Klassische Financial Models arbeiten oft mit Punktannahmen. Ein Umsatzwert, eine Marge, eine Conversion Rate, ein Ramp-up. Das sieht präzise aus und passt gut in Excel.
Nur ist die Zukunft selten so ordentlich. Der Umsatz liegt vielleicht nicht bei exakt 10,4 Millionen, sondern irgendwo zwischen 8 und 12. Die Marge nicht bei 27 Prozent, sondern zwischen 23 und 30. Der Ramp-up dauert vielleicht 4 Monate, vielleicht auch 9. Eigentlich wissen das alle.
Das Problem ist: Mit normalem Aufwand lässt sich diese Unsicherheit in Excel kaum sauber abbilden. Man kann Szenarien bauen, Best Case, Base Case, Worst Case, vielleicht noch ein paar Varianten. Aber tausende Kombinationen aus verschiedenen Annahmen gegeneinander durchzurechnen, ist manuell nicht praktikabel. Und genau das wäre sinnvoll. Wenn man weiß, dass viele Annahmen unsicher sind, warum dann so tun, als gäbe es jeweils nur einen perfekten Wert?
Die Monte-Carlo-Methode
Die Monte-Carlo-Methode klingt komplizierter, als sie ist. Man nimmt nicht einen einzigen Business Case und behandelt ihn wie die Wahrheit. Man definiert für die wichtigen Annahmen plausible Bandbreiten und rechnet viele mögliche Kombinationen durch. In der Praxis können das tausende Simulationsläufe sein.
Am Ende sieht man nicht ein Ergebnis, sondern eine ganze Verteilung möglicher Ergebnisse: Wie wahrscheinlich ist ein positives Szenario, und wie groß ist das Risiko nach unten? Welche Annahmen treiben den Case wirklich, und wo lohnt sich zusätzliche Validierung? Welche Zahl wird zwar heiß diskutiert, bewegt das Ergebnis aber kaum?
Der Punkt ist nicht, Unsicherheit verschwinden zu lassen. Sie soll sichtbar und nutzbar werden.
Der pragmatische Ansatz
Bayescase ersetzt keine saubere Datenstrategie. Und es verspricht nicht, dass morgen alle Systeme perfekt miteinander sprechen. Der Gedanke ist ein anderer: Man kann bessere Entscheidungen treffen, ohne darauf zu warten, dass die komplette IT-Landschaft erneuert ist.
Man arbeitet mit plausiblen Ranges statt mit dem einen perfekten Wert. Man simuliert viele mögliche Verläufe, statt einen Business Case auf eine einzige Zukunft festzunageln. Und die Sensitivitätsanalyse zeigt, welche Treiber wirklich entscheidend sind, statt jede Annahme mit gleicher Energie zu validieren.
Das spart die Datenarbeit nicht komplett. Aber es macht sie gezielter. Wenn ein Modell zeigt, dass drei Annahmen den größten Einfluss auf das Ergebnis haben, muss man nicht zehn mit gleicher Energie hinterherjagen. Man kann dort anfangen, wo die Entscheidung wirklich kippt.
Gerade für kleinere Finance- und Controlling-Teams ist das wertvoll. Dort gibt es selten ein großes Transformation Office, das nebenbei die perfekte Datenarchitektur baut. Dort gibt es Menschen, die Entscheidungen vorbereiten müssen. Mit echten Fristen, echten Unsicherheiten und echten Excel-Dateien.
Perfekte Daten gibt es nicht. Gute Entscheidungen trotzdem.
Die Zukunft des Controllings wird digitaler. Mehr Systeme werden verbunden, mehr Prozesse automatisiert, mehr Daten laufen in KI-Modelle. Alles richtig.
Aber die Vorstellung, dass es irgendwann die perfekte Datenlage gibt, ist wahrscheinlich die eigentliche Illusion. Gerade bei allem, was die Zukunft betrifft, gibt es keinen perfekten Wert. Es gibt Annahmen, Unsicherheiten, Abhängigkeiten. Dinge, die heute plausibel wirken und morgen von Markt, Kunden oder Umsetzung eingeholt werden.
Eine Bandbreite ist deshalb nicht ungenauer als eine Punktannahme. Sie ist ehrlicher. Ein Forecast mit Bandbreiten behauptet nicht, man wisse nichts. Er zeigt, welche Entwicklungen realistisch sind, wie groß das Risiko ist und welche Annahmen den Unterschied machen. Eine einzelne Zahl strahlt Präzision aus und bleibt am Ende doch nur eine Annahme.
Die bessere Frage ist deshalb nicht, wann die Finance-IT endlich perfekt ist. Sondern, wie man gute Entscheidungen trifft, obwohl die Zukunft unsicher bleibt. Genau dort wird probabilistisches Planen interessant. Wer mit Bandbreiten plant, versteckt Unsicherheit nicht in einer Zelle. Er legt sie offen und kann mit ihr arbeiten.
Quellen
Deloitte / WSJ CFO Journal: In einer Befragung von 276 CFOs im asiatisch-pazifischen Raum gaben 77 Prozent an, dass die Erwartungen aus dem C-Level an ihre Rolle in den letzten zwei Jahren gestiegen sind.
ITPro / Datarails: ITPro berichtet auf Basis einer Datarails-Studie, dass nahezu neun von zehn Unternehmen Excel weiterhin für Finance-Prozesse nutzen. Der Artikel nennt außerdem typische Probleme wie Datenkonsolidierung, Versionierung und Fehleranfälligkeit.
Geschrieben von
Lukas Mayer
Co-Founder & COO, Bayescase