HAMBURGER UNIVERSITÄT
FÜR WIRTSCHAFT UND POLITIK
Projektarbeit für das Projekt: Data Warehouse (DW)
und Managementinformationssysteme (MIS) für
Client-Server-Umgebungen

Anforderungen an die Vertriebskennzahlen für ein Muster
Data Warehouse von Konsumartikellieferanten

von: Konstantin Dittmann

INHALTSVERZEICHNIS

1. Problemstellung und Gang der Untersuchung  4

2. Begriffserklärungen  6

2.1. Betriebswirtschaftliche Kennzahlen 6
2.2. Vertrieb, Absatz, Distribution, Verkauf, Umsatz 9

3. Kennzahlen zu Struktur- Wirtschaftlichkeits- und Lageanalysen im Vertrieb 12

3.1. Strukturanalysen 12
3.2. Wirtschaftlichkeitsanalysen 15
3.3. Lageanalysen 19

4. Diskussion ausgewählter Kennzahlen für den Vertrieb  23

4.1. Traditionelle Vertriebskennzahlen 23
4.2. Moderne Vertriebskennzahlen 25
4.3. Häufig verwendete Vertriebskennzahlen 30

5. Ausgewählte geeignete Kennzahlen für das Vertriebsreporting des DW eines Konsumartikellieferanten 32

5.1. Generelle Vertriebskennzahlen für Konsumartikellieferanten 33
5.2. Spezielle Vertriebskennzahlen für ein Muster-Data-Warehouse  35

6. Kritische Würdigung und Schlussbetrachtung  38

A N H A N G 1  41

Tabellarische Übersicht Vertriebskennzahlen 42
Literaturverzeichnis  50

Abkürzungsverzeichnis

CAS = Computer Aided Selling
CIS = Customer Integration Systems
CRM = Customer Relationship Management
DBU = Deckungsbeitrag am Umsatz
DPP = Direkte Produktrentabilität
DW = Data Warehouse
eCRM = electronic CRM
ERM = Enterprise Relationship Management
ERP = Enterprise Ressource Planing
FWBM = Frühwarn - Benchmarks
GFK = Gesellschaft für Konsumforschung
KIS = Kundeninformationssystem
KKM = Kundenkontaktmanagement
KMU = Kleine und mittelständische Unternehmen
MAIS = Marktinformationssystem
MIS = Managementinformationssystem
PPS = Produktionsplanungssystem
ROI = Return on Investment
RMP = Repräsentant Markt Potenzial
SFA = Sales Force Automation
VIS = Vertriebsinformationssystem
VKB = Verkaufsgebiet
[...]

1. Problemstellung und Gang der Untersuchung

Im Rahmen des Projektstudiums im zweiten Studienabschnitt des Sozialökonomischen Studienganges im WiSe 2001 bis SoSe 2002 an der Hamburger Universität für Wirtschaft und Politik unter Leitung von Prof. Dr. Gerhard Brosius soll ein Managementinformationssystem / Muster Data Warehouse für kleine und mittelständische Unternehmen, nachfolgend KMU genannt, erstellt werden. Die Durchführung des Projektes erfolgt in Zusammenarbeit mit dem Unternehmen Powercase Informatik GmbH, Hamburg.

Problemstellung:

Im anhaltenden Trend zur Dezentralisierung und Internationalisierung wird im globalen Verdrängungswettbewerb die Kundennähe immer mehr zum kritischen Erfolgsfaktor. In mehr als 36 Prozent aller Unternehmen werden Managementinformationssysteme, nachfolgend MIS genannt, bereits eingesetzt und in weiteren 28 Prozent der Unternehmen wird deren Implementierung geplant, in vielen Fällen mit Hilfe eines Data Warehouses¹. Vertrieb, Zielgruppenmarkierung, Controlling, Statistik, Analyse der Kundenzufriedenheit, Betrugserkennung bei Versicherungen und auch Risk Management bei Banken zählen zu den bevorzugten Einsatzgebieten für auf einem Data Warehouse basierenden Managementinformationssystem. ² Bei einem Data Warehouse handelt es sich um eine Sammlung subjektorientierter, integrierter, nicht volatiler und zeitbasierter Daten zur Befriedigung der Informationsbedürfnisse eines Managers.³ Um die anstehenden Aufgaben dennoch wirkungsvoll bearbeiten und das Bestehen der Unternehmen am Markt gewährleisten zu können, sind traditionelle Controlling- Werkzeuge oft überfordert und ein Einsatz von EDV gestützten Vertriebs- Informationssystemen unumgänglich.⁴ Solche Systeme benötigen allerdings eine längere Konzeptions- und Einführungszeit, da sie individuell auf jedes Unternehmen zugeschnitten und in die vorhandene Systemumwelt eingebettet werden müssen.⁵

In einer Projektbesprechung Ende Dezember 2001, an der das Projektteam und die Geschäftsführung der Powercase GmbH teilnahmen, kristallisierten sich nachfolgende Parameter heraus, die von der Geschäftsführung für ein Muster Data Warehouse deswegen als signifikant eingestuft wurden, weil sie unter Marketing- und Rentabilitätsgesichtspunkten⁶, die sich in der Vergangenheit bei der Powercase GmbH als vorteilhaft erwiesen hatten, für die avisierte Zielgruppe der KMU geeignet erschienen:

* Das Muster Data Warehouse soll primär ausschließlich Vertriebsanalysen anbieten.
* Es soll ein möglichst differenziertes Umsatzreporting leisten.
* Ferner soll es bedienerfreundlich sein mit der Funktion eines Frühwarnsystems und keine unaufgeforderten endlosen Zahlenkolonnen und Tabellen liefern, sondern nur kurze, übersichtliche, relevante Analysen.
* Und schließlich soll es der Unternehmens- und Vertriebsführung unter minimalem Zeitaufwand “per Knopfdruck“ und zeitnah detaillierte Informationen über Umsatz, verkaufte Artikel, Absatzregionen, Vertriebsmitarbeiter etc. liefern.
* Finanzwirtschaftliche Controllingkennzahlen, Jahresabschlusskennzahlen, Investitions- Budget-, und Beschaffungskennzahlen, Produktions- und Logistikkennzahlen etc. sollen in dem Muster Data Warehouse nicht angelegt werden. Der Grund dafür ist, dass derartige Kennzahlen das Muster Data Warehouse für einen neuen Nutzer überdimensionieren würden und im Normalfall ohnehin nur individuell eingerichtet werden können.⁷ Dem potentiellen Nutzer soll ein überschaubares DW präsentiert werden, welches zunächst auf den Vertrieb konzentriert ist, und bei Bedarf erweitert und den Kundenbedürfnissen angepasst werden kann.

Gang der Untersuchung:

Die vorliegende Arbeit wird sich eingangs im ersten und zweiten Abschnitt mit der Klärung der Begriffe auseinandersetzen, im dritten Abschnitt die Struktur- Wirtschaftlichkeits- und Lageanalyse von Vertriebskennzahlen behandeln, im vierten Abschnitt werden dann im Detail theoretisch denkbare Vertriebskennzahlensysteme vorgestellt, wie sie in einem komplexen Data Warehouse zum Einsatz gelangen könnten, um dann im fünften Abschnitt diejenigen Kennzahlen vorzustellen, die für das Muster Data Warehouse eines Markenartikelherstellers als sinnvoll erachtet werden. Nach der kritischen Würdigung von Kennzahlen erfolgt dann die Schlussbetrachtung.

2. Begriffserklärungen

In diesem Abschnitt erfolgt die Dimensionsanalyse von Kennzahlen und Kennzahlensystemen und es sollen die Gütekriterien für betriebswirtschaftliche Vertriebskennzahlen herausgearbeitet werden, die für ein Vertriebsorientiertes DW zweckmäßig sind.

2.1. Betriebswirtschaftliche Kennzahlen

Bei der Errichtung eines Data Warehouses spielen Kennzahlen deswegen eine Kardinalrolle, weil sie als zentraler Bestandteil der Faktentabelle für den Aufbau und die Funktion grundlegende Bedeutung haben.⁸ In der betriebswirtschaftlichen Literatur gibt es keine einheitliche Definition des Begriffs „Kennzahl“.⁹ Häufig werden Ausdrücke wie Kennziffern, Kontrollgrössen, Kontrollzahlen, Kontrollziffern, Messzahlen, Messziffern, Ratios, Richtzahlen, Schlüsselgrössen und Schlüsselzahlen synonym verwendet.¹⁰ Die folgenden Ausführungen übernehmen die klassische Begriffsbestimmung von Staehle: „Betriebswirtschaftliche Kennzahlen sind [...] Zahlen, die in konzentrierter Form über einen zahlenmässig erfassbaren betriebswirtschaftlichen Tatbestand informieren.“¹¹ Wesensimmanentes Merkmal von Kennzahlen ist somit die Verdichtung quantifizierter Informationen.¹² Grundsätzlich kann man dabei absolute Zahlen (Einzelzahlen, Summen, Differenzen, Mittelwerte) und Verhältniszahlen unterscheiden; letztere lassen sich unterteilen in Gliederungszahlen (Aufgliederung einer Gesamtgrösse in Teilgrössen), Beziehungszahlen (Verhältnis von zwei inhaltlich ungleichartigen Grössen) und Messzahlen (zeitliche Veränderung bestimmter Grössen.)¹³ Viele Autoren rechnen ausschließlich Verhältniszahlen zu den betriebswirtschaftlichen Kennzahlen, weil eine absolute Grösse ohne Relation keine Aussagekraft habe. Wolf relativiert dies mit Blick auf die Praxis, weil in der Realität eine ganze Reihe absoluter Zahlen laufend als Kennzahlen verwendet werden, beispielsweise Umsatz, Gewinn oder Cashflow. Solche Zahlen sind sehr wohl aussagekräftig, wenn damit Zeitreihen gebildet werden oder sie als Sollgrösse mit einer entsprechenden Istgrösse verglichen werden.

[...]

1 Vgl. Reinicke (2001), S. 728.

2 Vgl. Reinicke (2001), S. 727.

3 Vgl. Microsoft Corporation (2001), S. 479.

4 Vgl. Gluchowski P., Gabriel R. u. Chamoni P., (1997), Management Support Systeme, Heidelberg.

5 Vgl. Stahlknecht; Hasenkamp (1999), S. 413 – 419.

6 Vgl. Kotler, Philip; Bliemel, Friedhelm (2001), S. 354 ff.

7 Vgl. Petkovic (2001), s. 536 ff.

8 Vgl. Tiemeyer; Konopasek (2001), S. 57.

9 Für eine umfassende, theoretisch fundierte Begriffsdiskussion siehe Geiss (1986), S. 29 ff.

10 Siehe hierzu Siegwart (1998), S. 5 und Meyer (1994), S. 9.

11Staehle (1967), S. 62.

12 Wolf (1997), S. 11; Gritzmann (1991), S. 30 f.

13 Wolf (1997), S. 11 f.; Siegwart (1998), 6 ff.; für eine umfassende Kategorisierung von Kenn zahlen siehe Meyer (1994), S. 7., GEISS (1986), S. 42 ff.