Controlling und Big Data. Vom Controller zum Datenspezialist

Inhaltsverzeichnis

1. Vom Controller zum Datenspezialist

2. Veränderungen im Berufsbild Controlling
2.1. Big Data im Unternehmen
2.2. Tätigkeitsbereiche eines klassischen Controllers
2.3. Neue Entwicklungen durch Big Data
2.4. Diskrepanzen zwischen Tätigkeiten des Controllers und neuen Entwicklungen durch Big Data

3. Fazit: Neue Chancen, die es zu nutzen gilt

1. Vom Controller zum Datenspezialist

Die aktuelle Lage auf dem deutschen Arbeitsmarkt wirkt zunächst blendend. Seit 2009 ist die deutsche Arbeitslosenquote konstant gesunken. So wurde 2018 eine bemerkenswert niedrige Quote von 5,2% durch die Bundesagentur für Arbeit erhoben.¹ Das deutsche Durchschnittseinkommen stieg im Jahr 2018 auf ein Rekordhoch von 35.198,00€ pro Arbeitnehmer.²

Trotz der positiven Entwicklungen auf den Märkten und dem steigenden wirtschaftlichen Wohlstand der deutschen Gesellschaft hegen viele Arbeitnehmer Bedenken über ihren zukünftigen Verbleib auf dem Arbeitsmarkt. Eine Studie aus dem Jahr 2018 ergab, dass 80 Prozent der Deutschen glauben, dass ein Großteil der Routine-Aufgaben im Jahr 2030 nicht mehr von Menschen, sondern von Maschinen oder Computerprogrammen erledigt werden. Nur 9% hingegen glauben an die sprichwörtliche schöpferische Zerstörung der Wirtschaft, also die positive Auswirkung des natürlichen wirtschaftlichen Prozesses der Verdrängung des Alten durch das Neue. Nur 9% der Befragten glauben demnach, dass durch Digitalisierung und Roboter mehr Jobs geschaffen werden als verloren gehen.³

Diese Arbeit hat es sich zur Aufgabe gemacht, herauszuarbeiten, was die zukünftigen Anforderungen an einen Controller sind, wie diese von aktuellen Digitalisierungstrends - im speziellen Big Data - beeinflusst werden und ob die Tätigkeiten solcher klassischen Controller noch zeitgemäß sind. Daraus folgend ergibt sich die Frage, ob das Berufsbild des Controllers zukunftsfähig ist und falls nein, welche Fähigkeiten in Zukunft relevant sein werden, um am Arbeitsmarkt weiterhin bestehen zu können.

Nach einem Überblick über die wirtschaftlichen Auswirkungen von Big Data werden die klassischen Tätigkeitsbereiche des Controllers mit den neu entstehenden Aufgaben durch größere Datenbasen verglichen und abschließend hinsichtlich ihrer Diskrepanzen analysiert. Aus dieser kurzen Analyse folgt dann ein Ausblick mit Handlungsempfehlung.

2. Veränderungen im Berufsbild Controlling

2.1. Big Data im Unternehmen

Um nun die wirtschaftlichen Auswirkungen von Big Data zu erläutern, muss zunächst ein einheitliches Verständnis für den Begriff Big Data an sich geschaffen werden:

„Mit "Big Data" werden große Mengen an Daten bezeichnet, die u.a.
aus Bereichen wie Internet und Mobilfunk, Finanzindustrie,
Energiewirtschaft, Gesundheitswesen und Verkehr und aus Quellen wie
intelligenten Agenten, sozialen Medien, Kredit- und Kundenkarten,
Smart-Metering-Systemen, Assistenzgeräten, Überwachungskameras
sowie Flug- und Fahrzeugen stammen und die mit speziellen Lösungen
gespeichert, verarbeitet und ausgewertet werden. “ ⁴

Ausgehend von dieser Definition werden im Folgenden die gravierendsten Auswirkungen auf die Strategie von Unternehmen dargestellt. Es ist anzumerken, dass neben den aufgeführten Auswirkungen noch eine Vielzahl weiterer Wirkmechanismen bestehen, diese jedoch nicht thematisiert werden, weil sie die Arbeit des Controllers nur peripher beeinflusst.

Mit Big Data haben Unternehmen die Möglichkeit, sehr große, aber heterogene Datenmengen auszuwerten, vorausgesetzt, die Datenverantwortlichen haben die richtigen Analysewerkzeuge zur Hand. Heterogen meint in diesem informationstechnologischen Zusammenhang, dass die Datentypen sowie die Datenherkunft variiert.⁵

Diese Daten entstehen, wie aus der Definition hervorgeht, überwiegend aus OnlinePlattformen, bei denen Endverbraucher aktiv oder inaktiv - wie z.B. bei Browser-Cookies - Nutzungs- und Verhaltensdaten angibt. Aus industrieller Sicht steigt die Datenmenge vor allem aufgrund des vermehrten Einsatzes von RFID-Chips und Sensoren für die Vernetzung von Maschinen. Bis zum Jahr 2025 rechnet man mit ungefähr 50 Mrd. vernetzten Sensoren, die einen konstanten Datenstrom an zentralisierte Unternehmensdatenbanken senden.⁶

Damit einher geht ein weltweiter Wettlauf der Unternehmen um die Datenhoheit in ihren Prozessen. Ein Beispiel zur Erläuterung von Datenhoheit lässt sich fiktiv konstruieren, wenn man davon ausgeht, dass die US-amerikanischen Unternehmen Apple Inc. und Alphabet Inc. (Google) nur auf dem Markt für Navigationssoftware um die Marktführerschaft kämpfen. Die bessere Navigationssoftware ist die, die aktuellere Verkehrsinformationen liefert. Der Wettbewerber, der mehr App-Installationen realisieren kann, hat mehr Daten in Echtzeit zur Verfügung als der Konkurrent und wird so über kurz oder lang den Wettkampf für sich entscheiden können, weil seine Informationen dem Verbraucher einen wichtigen Mehrwert bieten.

Big Data stellt zudem neue Anforderungen an die Infrastruktur von Unternehmen. Um größere Datenmengen zu verarbeiten, kommt es auf Speicherkapazität, Prozessorleistung, Arbeitsspeichergröße und Arbeitsspeichergeschwindigkeit an.⁷ Lediglich die Speicherkapazität der internen Infrastruktur auszubauen, ist nicht ausreichend, weil die Datenmengen dann zwar gespeichert, aber nicht schnell genug von Prozessor und Arbeitsspeicher ausgewertet werden können. Um handlungsempfehlende Schlüsse aus gesammelten Daten zu ziehen, muss die Datenverarbeitungsgeschwindigkeit nahezu in Echtzeit erfolgen.

Die gesammelten Daten müssen außerdem auf ihre Aussagekräftigkeit und Validität überprüft werden. Unternehmen müssen sich folglich Konzepte erarbeiten, um zu prüfen, ob die Daten, die sie verarbeiten, Rückschlüsse darauf zulassen, was das Unternehmen erheben will.

Die Eigenschaften von Big Data kann man somit in vier Kategorien unterteilen: Datenmenge, Datenvielfalt, Datenverarbeitungsgeschwindigkeit und Datenqualität. Im Englischen spricht man dabei von den „Four V’s“ von Big Data: Volume, Variety, Velocity, Veracity, die zusammen neue Erkenntnisse und Optimierungspotenziale für das Unternehmen generieren sollen: Einen Value.⁸

2.2. Tätigkeitsbereiche eines klassischen Controllers

Im Folgenden werden die Tätigkeiten eines Controllers im Allgemeinen grob skizziert, um in Kapitel 2.4. vergleichsartig die Veränderungen durch Big Data herauszuarbeiten. Um genauer auf die Arbeitsschritte eines Controllers eingehen zu können, muss zunächst eine einheitliche Definition für den Begriff Controlling festgelegt werden:

Controlling ist ein Teilbereich des unternehmerischen Führungssystems,
dessen Hauptaufgabe die Planung, Steuerung und Kontrolle aller
Unternehmensbereiche ist. Im Controlling laufen die Daten des
Rechnungswesen und anderer Quellen zusammen.⁹

Aus dieser Definition geht hervor, dass der Controller Informationen aus der Rechnungswesenabteilung und weiteren externen Quellen bezieht, um daraus zukunftsorientierte Plan- und Steuerungsschritte für die Unternehmensführung abzuleiten.

Genauer beleuchtet stützen sich die Aufgaben des Controllers auf mehrere Säulen. Zunächst befasst sich ein Controller mit der Zielplanung eines Unternehmens. Dabei fasst er mit Hilfe der Geschäftsleitung die Ziele der einzelnen Abteilungsleiter zu einem Gesamtziel zusammen und verteilt ein zuvor berechnetes Budget auf die einzelnen Stellen. Diese Budgets müssen von den Abteilungen eingehalten werden, um die langfristigen strategischen Unternehmensziele erreichen zu können. Dabei greift der Controller sowohl auf externe Daten aus dem Unternehmensumfeld, wie z.B. Markt- und Absatzlage konkurrierender Unternehmen, sowie interne Daten, die durch Controlling und Rechnungswesen bereitgestellt werden, zurück. vgl¹⁰

Des Weiteren agiert der Controller als ständiger Informations- und Berichterstatter für die Geschäftsleitung. Es ist seine permanente Aufgabe, betriebswirtschaftliche Kennzahlen sowie prognostizierte Planzahlen in gut strukturierter und organisierter Form präsentieren zu können. In der Praxis werden hierfür oft Excel-Tabellen verwendet, die automatisch Zahlen aus ERP-Systemen wie SAP übernehmen, um wichtige Steuerungsgrößen wie Gewinn, Deckungsbeiträge und Umsatzrentabilität schnell berechnen zu können.vgl¹¹

Der Controller leitet zudem in seiner steuernden Funktion Steuerungshandlungen oder Handlungsempfehlungen ab. Dabei kann er auf bereits vergangene Daten, aktuelle Daten oder prognostizierte Zukunftsplanwerte zurückgreifen. In der Praxis wird hier aus Zeiteffizienzgründen oft die retrospektive Methode angewendet, also das Ableiten von Steuerungshandlungen aus bereits vergangenen Daten. Bei dieser Analyse der Daten führt er immer auch einen Soll-Ist-Vergleich durch, um zu überprüfen, ob bereits getätigte Maßnahmen den gewünschten Effekt in Zahlen ausdrücken. vgl¹²

Das Controlling koordiniert außerdem alle Führungsorgane untereinander. So bringt der Controller die Unternehmensführung sowohl vertikal als auch horizontal in Konformität mit Planungs- und Steuerungszielen. Horizontal meint die einzelnen Führungsabteilungen untereinander, während vertikale Koordination bedeutet, dass die einzelnen Hierarchieebenen eines Führungsorgans koordiniert werden.¹³

Einige Unternehmen gliedern zudem Aufgaben zur Rationalitätssicherung ins Controlling mit ein. Für den Controller bedeutet dies, dass er Risiko- und Machbarkeitsanalysen anfertigt, um daraus ableiten zu können, ob Unternehmensziele realistisch zu bewerten sind.

Alle Entscheidungsprozesse der oben genannten Punkte haben eines gemeinsam: sie beruhen auf Zahlen und Daten. Für den Arbeitsalltag des Controllers ist es also essenziell, auf welche Datenbasis er für seine Entscheidungsfindung zurückgreift. Auffällig ist außerdem, dass viele Controlling-Abteilungen keine Daten in Echtzeit, sondern Daten aus der Vergangenheit für ihre Berichte und Analysen verwenden. Im nachfolgenden Kapitel soll nun erläutert werden, wie Big Data - Ansätze die Arbeit der Controller verändern könnte.

[...]

¹ Vgl. Bundesagentur für Arbeit (2019).

² Vgl. Fraunhofer FIT (2019).

³ Vgl. Brandt (2017).

⁴ Bendel (2018).

⁵ Vgl. Leser/Naumann (2007), S.58.

⁶ Vgl. Davenport (2014), S.29.

⁷ Vgl. Freiknecht (2014), S. 141-142.

⁸ Horvath/ Gleich/ Seiter (2015), S. 220-222.

⁹ Weber (2018).

¹⁰ Weber/ Schäffer (Juli 2016), S.12.

¹¹ Weber/ Schäffer (Juli 2016), S.13.

¹² Horvath (2017), S.210.

¹³ Vgl. Küpper (2013), S. 33-38