Ziel dieser Arbeit ist es, die momentanen Entwicklungen bezüglich der Anwendung von Predictive Analytics im Controlling deutscher Unternehmen offenzulegen und die Frage zu klären, wie sich der vermehrte Einsatz von Predictive Analytics auf die Unternehmensplanung auswirkt. Dabei sollen insbesondere operative Planungsprozesse hinsichtlich der Anwendungsmöglichkeiten, prozessualen Ausgestaltung sowie Nutzenpotenziale und Herausforderungen in Bezug auf den Einsatz von Predictive Analytics untersucht werden. Das Zentrum der Untersuchung stellt die Auswertung von zehn teilstrukturierten Experteninterviews dar.
Im Rahmen des globalen Trends der Digitalisierung steht den Unternehmen eine immer größere Datenmenge und Datenvielfalt zur Verfügung. Durch die stetige Verbesserung von IT-Infrastruktur und Auswertungssoftware gewinnt die Datenanalyse zunehmend an Relevanz im Bereich der Unternehmensplanung und -steuerung. Während die Auswertung vergangenheitsbezogener Daten bereits seit längerer Zeit in Literatur und Praxis bekannt ist, rücken nun zunehmend Konzepte zur Prognose zukünftiger Entwicklungen auf Basis von Vergangenheitsdaten in das Zentrum der Diskussion. Diese unter dem Begriff Predictive Analytics bekannten Modelle ermöglichen es dem Management mithilfe von quantitativ-statistischen Methoden, nähere Einblicke in zukünftige Entwicklungen des Geschäftsmodells oder Marktumfeldes ihres Unternehmens zu erhalten.
Das Controlling, welches traditionell die Planungs- und Informationsversorgungsfunktion in einem Unternehmen einnimmt, wird durch die zunehmende Digitalisierung und Verbreitung von Predictive Analytics in den kommenden Jahren einen Wandel erleben. Besonders die häufig komplexen und kostenintensiven Planungsprozesse stehen in der Kritik, eine zu geringe Genauigkeit im Verhältnis zu dem geleisteten Aufwand aufzuweisen. Die in Abstimmungsrunden gewonnenen Plandaten basieren zumeist auf Expertenmeinungen und unterliegen daher oft systematischen Fehlern. Predictive Analytics stellen in diesem Zusammenhang eine Chance dar, Planungsprozesse in Zukunft automatisierter, schneller und objektiver zu gestalten sowie gleichzeitig die Qualität der prognostizierten Daten zu erhöhen.
Inhaltsverzeichnis
1 Einleitung
2 Konzeptionelle Grundlagen
2.1 Controlling und operative Planungsprozesse
2.1.1 Begriff und Konzeption
2.1.2 Operative Planung und Kontrolle
2.1.3 Forecast
2.1.4 Systematische Planungsfehler
2.2 Predictive Analytics
2.2.1 Big Data
2.2.2 Einordnung von Predictive Analytics in den Kontext der IT-basierten Entscheidungsunterstützung
2.2.3 Theoretische Anwendungsfelder
2.2.4 Analysemethoden
3 Stand der Forschung
4 Empirische Analyse zum Einsatz von Predictive Analytics im Controlling
4.1 Forschungsdesign
4.1.1 Grundlagen Qualitative Forschung
4.1.2 Datenerhebung
4.1.3 Datenanalyse
4.2 Ergebnisse
4.2.1 Aktueller Stand der Umsetzung in der Praxis
4.2.2 Konkrete Anwendungsgebiete
4.2.3 Prozessausgestaltung
4.2.3.1 Projektplanung
4.2.3.2 Datenauswahl und Datenaufbereitung
4.2.3.3 Modellgenerierung
4.2.3.4 Planungsprozess
4.2.3.5 Monitoring
4.2.4 Nutzenpotenziale
4.2.4.1 Automatisierung und Ressourceneffizienz
4.2.4.2 Prognosegenauigkeit und Objektivierung
4.2.5 Herausforderungen und Lösungsansätze
4.2.5.1 Datenbasis und IT-Systemlandschaft
4.2.5.2 Akzeptanz im Betrieb und Transparenz
4.2.5.3 Technisches Know-How der Mitarbeiter
4.2.5.4 Marktdynamik und disruptive Entwicklungen
4.2.6 Ausblick auf zukünftige Entwicklungen
4.3 Abschließende Würdigung
5 Schlussbetrachtung
Zielsetzung & Themen
Diese Masterarbeit untersucht den aktuellen Stand der Anwendung von Predictive Analytics im Controlling deutscher Unternehmen und analysiert, wie sich der vermehrte Einsatz dieser Technologien auf operative Planungsprozesse auswirkt. Dabei wird der Fokus auf die Identifikation von Anwendungsmöglichkeiten, Prozessgestaltungen sowie Nutzenpotenzialen und Herausforderungen gelegt.
- Aktueller Umsetzungsstand von Predictive Analytics in der Praxis
- Prozessuale Ausgestaltung von Predictive Analytics im Controlling
- Identifikation von Nutzenpotenzialen (Automatisierung, Prognosegenauigkeit)
- Analyse von Herausforderungen (Datenbasis, Mitarbeiter-Know-how, Change-Management)
- Entwicklung eines Rahmenkonzepts für die erfolgreiche Implementierung
Auszug aus dem Buch
4.2.3.5 Monitoring
Der letzte Schritt eines Predictive Analytics Prozess in der Unternehmensplanung umfasst das Monitoring, also die kontinuierliche Evaluation der Prognosegenauigkeit und Wartung des Prognosemodells. Dies erfolgt in Form von Abweichungsanalysen, bei denen die IST-Werte mit dem Digital Forecast abgeglichen werden. Zudem können zur Kontrolle Genauigkeitsmaße etabliert werden, welche die prozentuale Abweichung von den IST-Werten darstellen. Eine stetige Optimierung ist entscheidend, um eine konstant hohe Prognosequalität sowie ein Verständnis für die Logik des Prognosemodells sicherzustellen und Fehler im System frühzeitig zu beseitigen. Das Geschäftsverständnis des Controllings ist dabei entscheidend zur Kontrolle von Planungsfehlern. Dementsprechend stellt das größte Risiko bei der Nutzung von Predictive Analytics gemäß den Aussagen der Experten ein blindes Vertrauen auf das Prognosemodell dar. Während alle befragten Unternehmen die Prognosegenauigkeit ihrer Modelle in einer Form überwachen, berichten nur die Transport AG und die Auto AG von der Verwendung expliziter Genauigkeitsmaße. Diesbezüglich lassen sich daher noch Optimierungspotenziale bei den Unternehmen vermuten.
Das zweite große Risiko sehen die Experten in disruptiven Veränderungen, die einen strukturellen Bruch mit der Planungshistorie bedingen. Als Beispiel wurden die Auswirkungen der COVID-19 Krise genannt, die von den Planungsmodellen ohne eine manuelle Anpassung nicht auf Grundlage der Vergangenheit erfasst werden können. Demnach ist es im Rahmen des Monitoring zwingend notwendig Veränderungen des Geschäftsmodells oder Marktes zu beobachten um in der Lage zu sein, rechtzeitig Anpassungen am Modell vornehmen zu können.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet den Digitalisierungstrend und die wachsende Bedeutung von Predictive Analytics für die Unternehmensplanung und das Controlling, wobei die Forschungslücke zur praktischen Anwendung identifiziert wird.
2 Konzeptionelle Grundlagen: Dieses Kapitel definiert die Grundlagen des operativen Controllings sowie von Predictive Analytics und ordnet diese in den Kontext der IT-basierten Entscheidungsunterstützung ein.
3 Stand der Forschung: Hier werden bestehende Studien und Erkenntnisse zum Einsatz von Predictive Analytics zusammengefasst, um den aktuellen Kenntnisstand einzuordnen.
4 Empirische Analyse zum Einsatz von Predictive Analytics im Controlling: Den Kern der Arbeit bildet die Auswertung von zehn Experteninterviews, welche den Umsetzungsstand, Prozessgestaltungen, Nutzenpotenziale und Herausforderungen im Unternehmenskontext darlegen.
5 Schlussbetrachtung: Das letzte Kapitel resümiert die wesentlichen Ergebnisse der Untersuchung, ordnet sie kritisch ein und gibt einen Ausblick auf künftigen Forschungsbedarf.
Schlüsselwörter
Predictive Analytics, Controlling, operative Planung, Digitalisierung, Big Data, Experteninterviews, Prozessausgestaltung, Prognosegenauigkeit, Datenmanagement, Business Analytics, Change-Management, IT-Systemlandschaft, Digital Forecast, Unternehmensplanung, Fallstudien
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von Predictive Analytics innerhalb von Controlling-Prozessen in deutschen Unternehmen, insbesondere im Hinblick auf die operative Planung.
Welche Themenfelder stehen im Zentrum?
Die Schwerpunkte liegen auf dem praktischen Umsetzungsgrad, den technologischen Anforderungen, der Integration in Planungsprozesse und dem Umgang mit datengestützten Prognosemodellen.
Was ist die primäre Forschungsfrage?
Die zentrale Frage ist, wie sich der verstärkte Einsatz von Predictive Analytics auf die Unternehmensplanung auswirkt und welche prozessualen Möglichkeiten sowie Herausforderungen dabei entstehen.
Welche wissenschaftliche Methode wurde gewählt?
Es wurde ein qualitatives Forschungsdesign gewählt, basierend auf zehn leitfadengestützten Experteninterviews mit Führungskräften aus dem Controlling und Beratungsbereich.
Was wird im Hauptteil detailliert behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, den Stand der Forschung sowie eine detaillierte Auswertung der Experteninterviews zur prozessualen Anwendung, Nutzenpotenzialen und Herausforderungen.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Die Arbeit ist geprägt durch Begriffe wie Predictive Analytics, operative Planung, Big Data, digitale Transformation im Controlling und die Rolle des Controllers als Business Partner.
Welche Rolle spielt die Datenqualität?
Die Datenqualität wird als kritischer Erfolgsfaktor eingestuft, wobei die Experten betonen, dass ein Großteil des Implementierungsaufwands in die Datenaufbereitung und -transformation fließt.
Wie gehen Unternehmen mit dem technologischen Wandel um?
Unternehmen setzen vermehrt auf agile Projektansätze wie SCRUM oder KANBAN, um mit interdisziplinären Teams in Pilotprojekten Erfahrungen zu sammeln und das Vertrauen in die neue Technologie aufzubauen.
Warum ist das Change-Management so wichtig?
Widerstände der Mitarbeiter gegenüber der Automatisierung und die Sorge vor Bedeutungsverlust erfordern ein systematisches Change-Management, um Akzeptanz und Vertrauen in die Prognosemodelle zu fördern.
- Quote paper
- Florian Dick (Author), 2020, Predictive Analytics im Controlling deutscher Unternehmen. Auswirkungen auf Planungsprozesse, Munich, GRIN Verlag, https://www.grin.com/document/1064380
