Von der Controlling-Analyse zum Regressionsmodell

Wie die Regressionsanalyse fundierte Geschäftsentscheidungen unterstützt

Einleitung

Unternehmen verfügen heute über mehr Daten als jemals zuvor. ERP-Systeme erfassen täglich Informationen aus Einkauf, Produktion, Logistik, Vertrieb, Controlling und Finanzwesen. Der reine Zugang zu Daten stellt daher längst keinen Wettbewerbsvorteil mehr dar. Entscheidend ist vielmehr die Fähigkeit, diese Daten zu analysieren, Zusammenhänge zu erkennen und daraus fundierte Entscheidungen abzuleiten.

Eine der zentralen Aufgaben des Controllings besteht darin, die Ursachen wirtschaftlicher Entwicklungen zu verstehen. Controller beantworten nicht nur die Frage, welches Ergebnis ein Unternehmen erzielt hat, sondern insbesondere, warum sich dieses Ergebnis verändert hat und welche Faktoren dafür verantwortlich sind. Erst wenn diese Zusammenhänge bekannt sind, können Maßnahmen zur nachhaltigen Verbesserung der Unternehmensperformance entwickelt werden.

Der erste Schritt einer wirtschaftlichen Analyse besteht in der Regel in der Anwendung der deskriptiven Statistik. Durchschnittswerte, Zeitreihenanalysen, Budgetvergleiche und Abweichungsanalysen ermöglichen es, große Datenmengen zu strukturieren und Entwicklungen im Unternehmen transparent darzustellen. In der Praxis bilden diese Instrumente die Grundlage des operativen und strategischen Controllings.

Die deskriptive Statistik beantwortet jedoch in erster Linie die Frage:

„Was ist passiert?“

Sie zeigt beispielsweise, dass Materialkosten gestiegen sind, der Umsatz zurückgegangen ist oder sich der EBIT verschlechtert hat. Ebenso lassen sich Trends erkennen und außergewöhnliche Entwicklungen identifizieren.

Für Managemententscheidungen reicht diese Information allein jedoch häufig nicht aus.

Die entscheidenden Fragen lauten vielmehr:

Welche Faktoren beeinflussen den EBIT tatsächlich?
Welcher Kostenblock hat den größten Einfluss auf das Unternehmensergebnis?
Welche Veränderungen wirken sich besonders stark auf die Profitabilität aus?
In welchen Bereichen sollte das Unternehmen seine Optimierungsmaßnahmen priorisieren?

Genau an dieser Stelle stößt die deskriptive Statistik an ihre Grenzen.

Sie beschreibt vergangene Entwicklungen, ermöglicht jedoch keine quantitative Bewertung von Ursache-Wirkungs-Beziehungen zwischen verschiedenen Einflussgrößen.

Hier setzt die multiple lineare Regression an.

Obwohl sie häufig ausschließlich mit Prognosen in Verbindung gebracht wird, liegt ihr größter Nutzen im Controlling in einem anderen Bereich. Sie ermöglicht es, den Einfluss einzelner Faktoren auf den EBIT quantitativ zu bestimmen und deren wirtschaftliche Bedeutung objektiv zu bewerten.

Mit anderen Worten: Die Regression ersetzt das klassische Controlling nicht – sie erweitert es.

Während die deskriptive Statistik beschreibt, was im Unternehmen passiert ist, beantwortet die Regressionsanalyse die wesentlich wichtigeren Fragen:

Warum ist es passiert?
Welche Einflussgrößen bestimmen den EBIT?
Wie stark wirkt sich jede einzelne Variable auf das Unternehmensergebnis aus?
Wo liegen die größten wirtschaftlichen Hebel zur Verbesserung der Profitabilität?

Damit entwickelt sich die Regressionsanalyse von einer rein statistischen Methode zu einem Instrument der datenbasierten Unternehmenssteuerung (Data-driven Decision Making).

Ihr größter Mehrwert besteht nicht darin, zukünftige Werte vorherzusagen, sondern wirtschaftliche Zusammenhänge messbar zu machen und Managemententscheidungen auf eine objektive, quantitative Grundlage zu stellen.

Von der klassischen Controlling-Analyse zum Regressionsmodell

In der Unternehmenspraxis beginnt eine wirtschaftliche Analyse nur selten mit komplexen statistischen Modellen. Controller analysieren zunächst historische Daten, vergleichen Ist- und Budgetwerte und identifizieren Auffälligkeiten sowie Entwicklungen im Zeitverlauf. Erst wenn diese Analysen keine eindeutigen Antworten liefern, werden weiterführende Methoden eingesetzt.

Betrachten wir ein produzierendes Unternehmen, das die Ursachen für Veränderungen des EBIT im ersten Halbjahr untersuchen möchte.

Dem Controller stehen hierzu folgende Unternehmensdaten zur Verfügung.

Tabelle 1. Beispielhafte Unternehmensdaten als Grundlage der Regressionsanalyse

Monat	Materialkosten	Transportkosten	Energiekosten	Personalkosten	EUR/USD	Umsatz	EBIT
Januar	950	82	118	420	1,08	2.980	420
Februar	972	85	121	423	1,09	2.965	409
März	1.010	89	128	425	1,11	2.940	396
April	998	87	124	424	1,10	2.955	402
Mai	1.042	93	131	429	1,12	2.925	386
Juni	1.018	90	127	426	1,11	2.938	392
Durchschnitt	998	87,7	124,8	424,5	1,10	2.950	401

Quelle: Eigene Darstellung auf Basis fiktiver Unternehmensdaten. Die Werte dienen ausschließlich der Veranschaulichung der statistischen Methodik.

Bereits anhand dieser Übersicht lassen sich erste Erkenntnisse gewinnen. Die Material-, Transport- und Energiekosten steigen im Zeitverlauf, während sich der EBIT kontinuierlich reduziert. Durchschnittswerte und Trendanalysen liefern damit wertvolle Informationen über die wirtschaftliche Entwicklung des Unternehmens und ermöglichen es, Bereiche mit erhöhtem Handlungsbedarf frühzeitig zu identifizieren.

Aus Sicht des klassischen Controllings stellt dies einen wichtigen ersten Analyseschritt dar. Der Controller erkennt, welche Kostenarten besondere Aufmerksamkeit erfordern und in welchen Bereichen sich deutliche Veränderungen abzeichnen.

An dieser Stelle stellt sich jedoch eine entscheidende Frage.

Lässt sich aus diesen Daten bereits ableiten, welcher Faktor tatsächlich für den Rückgang des EBIT verantwortlich ist?

Auf den ersten Blick scheint die Antwort eindeutig zu sein. Steigende Materialkosten und ein gleichzeitig sinkender EBIT legen die Vermutung nahe, dass genau diese Kostenentwicklung die Hauptursache für die rückläufige Profitabilität ist.

Die Realität ist jedoch deutlich komplexer.

Unternehmen bestehen aus einer Vielzahl miteinander verknüpfter Prozesse. Veränderungen einer einzelnen Einflussgröße wirken sich häufig gleichzeitig auf mehrere Unternehmensbereiche aus. Steigende Rohstoffpreise erhöhen beispielsweise nicht nur die Materialkosten. Sie beeinflussen oftmals auch Lagerbestände, Working Capital, Einkaufspreise und in vielen Fällen sogar die Verkaufspreise.

Ähnlich verhält es sich mit den Transportkosten. Längere Lieferzeiten können höhere Sicherheitsbestände erforderlich machen, steigende Produktionsmengen führen häufig gleichzeitig zu höheren Energie- und Logistikkosten, während Wechselkursschwankungen sowohl Einkaufspreise als auch Exportumsätze beeinflussen können.

Der beobachtete EBIT ist somit niemals das Ergebnis eines einzelnen Einflussfaktors. Vielmehr entsteht er durch das gleichzeitige Zusammenwirken zahlreicher wirtschaftlicher Größen, die sich gegenseitig beeinflussen.

Genau an diesem Punkt stößt die deskriptive Statistik an ihre Grenzen.

Sie beschreibt Entwicklungen, Durchschnittswerte und Trends, beantwortet jedoch nicht die entscheidende Frage:

Welcher Faktor beeinflusst den EBIT tatsächlich – und wie stark?

Besonders deutlich wird dies bei der Interpretation von Durchschnittswerten.

Die durchschnittlichen Personalkosten betragen im dargestellten Beispiel 424,5 T€, während die durchschnittlichen Transportkosten lediglich 87,7 T€ ausmachen. Betrachtet man ausschließlich diese Werte, liegt die Schlussfolgerung nahe, dass Personalkosten den wesentlich wichtigeren Optimierungsbereich darstellen.

Diese Annahme muss jedoch nicht zutreffen.

Die absolute Höhe einer Kostenposition ist nicht gleichbedeutend mit ihrer wirtschaftlichen Bedeutung. Eine vergleichsweise kleine Kostenposition kann einen deutlich größeren Einfluss auf die Profitabilität eines Unternehmens besitzen als eine Kostenart mit wesentlich höherem Volumen.

Die deskriptive Statistik beantwortet somit die Frage:

„Welche Werte wurden beobachtet?“

Für fundierte Managemententscheidungen ist jedoch eine andere Frage entscheidend:

„Welche Einflussgrößen bestimmen den Unternehmenserfolg tatsächlich – und welchen Beitrag leisten sie zum EBIT?“

Zur Beantwortung dieser Fragestellung reicht die Analyse von Durchschnittswerten und Trends allein nicht mehr aus.

Erst die Regressionsanalyse ermöglicht es, den individuellen Einfluss mehrerer Variablen gleichzeitig zu quantifizieren und damit die tatsächlichen Werttreiber des Unternehmenserfolgs zu identifizieren.

Genau hierin liegt der Übergang von der beschreibenden Statistik zur datenbasierten Entscheidungsunterstützung.

Das Regressionsmodell – von der mathematischen Gleichung zur betriebswirtschaftlichen Entscheidungsgrundlage

Nachdem gezeigt wurde, dass die deskriptive Statistik wertvolle Informationen über die Entwicklung eines Unternehmens liefert, stellt sich die nächste Frage:

Wie lässt sich der tatsächliche Einfluss einzelner Faktoren auf den EBIT quantitativ bestimmen?

Zur Beantwortung dieser Fragestellung wird die multiple lineare Regression eingesetzt. Im Gegensatz zur deskriptiven Statistik beschreibt sie nicht nur beobachtete Entwicklungen, sondern quantifiziert die Zusammenhänge zwischen einer Zielgröße und mehreren Einflussgrößen gleichzeitig. Dadurch wird es möglich, den individuellen Einfluss jeder Variablen auf das Unternehmensergebnis zu bestimmen.

Das allgemeine Regressionsmodell lässt sich wie folgt darstellen:

Ŷ = β₀ + β₁X₁ + β₂X₂ + … + βₖXₖ + ε

wobei:

Ŷ – geschätzter Wert der Zielgröße (z. B. EBIT),
β₀ – Achsenabschnitt (Intercept),
β₁ … βₖ – Regressionskoeffizienten,
X₁ … Xₖ – erklärende Variablen,
ε – Zufallsfehler des Modells.

Für das zuvor betrachtete Beispiel könnte das geschätzte Regressionsmodell beispielsweise wie folgt aussehen:

EBIT = 2.850 − 0,42 × Materialkosten − 0,31 × Transportkosten − 0,18 × Energiekosten − 0,27 × Personalkosten + 0,65 × Umsatz + 0,12 × EUR/USD

Der erste Parameter des Modells ist der Wert 2.850. Dabei handelt es sich um den sogenannten Achsenabschnitt (β₀). Mathematisch beschreibt dieser den theoretischen EBIT, wenn alle erklärenden Variablen den Wert Null annehmen. Da ein Unternehmen in der Realität weder ohne Kosten noch ohne Umsatz existiert, besitzt dieser Parameter meist keine unmittelbare betriebswirtschaftliche Bedeutung. Er ist jedoch für die mathematische Schätzung des Modells unverzichtbar.

Die eigentliche Aussagekraft des Modells liegt in den Regressionskoeffizienten β.

Sie geben an, um welchen Betrag sich der EBIT durchschnittlich verändert, wenn sich eine Einflussgröße um genau eine Einheit verändert und alle übrigen Variablen konstant bleiben (ceteris paribus).

Tabelle 2. Interpretation der Regressionskoeffizienten

Einflussgröße	β	Betriebswirtschaftliche Interpretation
Materialkosten	-0,42	Steigen die Materialkosten um 1 T€, sinkt der EBIT durchschnittlich um 0,42 T€.
Transportkosten	-0,31	Zusätzliche 1 T€ Transportkosten reduzieren den EBIT durchschnittlich um 0,31 T€.
Energiekosten	-0,18	Der Einfluss der Energiekosten ist negativ, jedoch geringer als bei Material- oder Transportkosten.
Personalkosten	-0,27	Höhere Personalkosten führen ebenfalls zu einem Rückgang des EBIT, der durchschnittliche Effekt ist jedoch geringer als bei den Materialkosten.
Umsatz	+0,65	Steigt der Umsatz um 1 T€, erhöht sich der EBIT durchschnittlich um 0,65 T€.
EUR/USD	+0,12	Eine Veränderung des Wechselkurses wirkt sich im betrachteten Modell positiv auf den EBIT aus.

Quelle: Eigene Darstellung.

An dieser Stelle stellt sich häufig eine berechtigte Frage:

Warum führt ein Anstieg der Materialkosten um 1.000 € nicht automatisch zu einem Rückgang des EBIT um ebenfalls 1.000 €?

Die Antwort liegt im Charakter der Regressionsanalyse.

Regression beschreibt keine buchhalterische Identität, sondern einen statistisch beobachteten wirtschaftlichen Zusammenhang.

Steigende Materialkosten wirken sich in der Praxis nicht isoliert auf das Unternehmen aus. Unternehmen reagieren auf Kostensteigerungen beispielsweise durch Preisanpassungen, Produktivitätssteigerungen, Nachverhandlungen mit Lieferanten, Prozessoptimierungen oder Veränderungen der Produktstruktur. Gleichzeitig beeinflussen weitere Faktoren wie Umsatzentwicklung, Wechselkurse oder Produktionsauslastung das Unternehmensergebnis.

Der Regressionskoeffizient bildet daher den durchschnittlich beobachteten Gesamteffekt aller dieser Zusammenhänge innerhalb der historischen Daten ab.

Mit anderen Worten: Der Regressionskoeffizient beschreibt nicht die Höhe eines Kostenblocks, sondern die Sensitivität des EBIT gegenüber Veränderungen einer bestimmten Einflussgröße.

Je größer der absolute Wert eines Regressionskoeffizienten ist, desto stärker reagiert das Unternehmensergebnis auf Veränderungen dieses Faktors.

Für das Controlling entsteht dadurch ein erheblicher Mehrwert. Während klassische Berichte zeigen, welche Kosten gestiegen oder gefallen sind, beantwortet die Regressionsanalyse die wesentlich wichtigere Frage:

Welche dieser Veränderungen beeinflussen den EBIT tatsächlich – und in welchem Ausmaß?

Damit entwickelt sich die Regression von einer rein statistischen Methode zu einem Instrument der betriebswirtschaftlichen Entscheidungsunterstützung. Sie liefert nicht nur Informationen über historische Zusammenhänge, sondern schafft eine objektive Grundlage für die Priorisierung zukünftiger Managemententscheidungen.

Fazit

Die deskriptive Statistik bildet seit Jahrzehnten die Grundlage des Controllings. Durchschnittswerte, Kennzahlen, Trendanalysen und Budgetvergleiche ermöglichen es Unternehmen, Entwicklungen transparent darzustellen und Abweichungen frühzeitig zu erkennen. Sie beantwortet die wichtige Frage, was im Unternehmen passiert ist.

Für fundierte Managemententscheidungen reicht diese Betrachtung jedoch häufig nicht aus.

Unternehmen müssen verstehen, warum sich Ergebnisse verändern, welche Faktoren den EBIT tatsächlich beeinflussen und auf welche Bereiche sich Optimierungsmaßnahmen konzentrieren sollten.

Genau hier setzt die Regressionsanalyse an.

Sie erweitert die klassische Controlling-Analyse um eine quantitative Bewertung der Zusammenhänge zwischen verschiedenen Einflussgrößen und dem Unternehmensergebnis. Dadurch wird es möglich, die tatsächlichen Werttreiber des EBIT zu identifizieren und deren wirtschaftliche Bedeutung objektiv zu bewerten.

Der größte Mehrwert der Regressionsanalyse besteht daher nicht in der Prognose zukünftiger Entwicklungen, sondern in der Unterstützung fundierter Managemententscheidungen.

Sie zeigt Unternehmen nicht nur, welche Kosten gestiegen sind, sondern vor allem, welche Faktoren den größten Einfluss auf die Profitabilität besitzen.

Dadurch entsteht die Grundlage für eine zielgerichtete Priorisierung weiterer Analysen und die systematische Identifikation von Einsparungspotenzialen.

Die Regression liefert dabei keine fertigen Lösungen und ersetzt weder betriebswirtschaftliches Know-how noch die Erfahrung von Führungskräften. Sie beantwortet jedoch eine der wichtigsten Fragen moderner Unternehmenssteuerung:

An welchen Stellen sollte das Unternehmen zuerst handeln, um die größte wirtschaftliche Wirkung zu erzielen?

Genau hierin liegt ihr strategischer Mehrwert.

Sie verbindet Controlling, Statistik und Business Analytics zu einer datenbasierten Entscheidungsgrundlage und unterstützt Unternehmen dabei, ihre Ressourcen gezielt dort einzusetzen, wo der größte Beitrag zur Verbesserung von EBIT, Profitabilität und langfristiger Unternehmensperformance zu erwarten ist.

Bei MS Solutions betrachten wir die Regressionsanalyse daher nicht als isoliertes statistisches Verfahren, sondern als einen integralen Bestandteil unseres Savings & Performance Framework™.

Sie bildet den Ausgangspunkt für die Identifikation der wesentlichen EBIT-Treiber und schafft damit die analytische Grundlage für die Entwicklung nachhaltiger Maßnahmen zur Steigerung der Unternehmensperformance.

Hinweis

Die in diesem Artikel dargestellten Beispiele und Regressionsmodelle dienen ausschließlich der Veranschaulichung der beschriebenen statistischen Methoden und basieren auf fiktiven Unternehmensdaten.

Autor: Michał Studzizur

Dieser Artikel basiert auf meinem fachlichen Wissen sowie meiner mehrjährigen beruflichen Erfahrung in den Bereichen Controlling, Finance, Einkauf, Data Quality und Business Analytics.

Die dargestellten Inhalte verbinden betriebswirtschaftliche Grundlagen mit statistischen Methoden und zeigen, wie Unternehmen Regressionsanalysen nutzen können, um die wesentlichen Einflussfaktoren des EBIT zu identifizieren, datenbasierte Entscheidungen zu treffen und Potenziale zur nachhaltigen Verbesserung der Unternehmensperformance zu erkennen.

Die dargestellten Ansätze spiegeln meine praktische Erfahrung aus der Analyse von Unternehmensdaten sowie der Entwicklung eigener Methoden und analytischer Modelle im Bereich Controlling und Business Analytics wider.

MS Solutions – Data. Decisions. Performance.