Die Auswirkungen und Funktionen von Big Data und Business-Intelligence-Systemen. Eine Literaturanalyse der Chancen und Risiken

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung
1.1 Situation
1.2 Problemstellung
1.3 Fragestellung und Ziel der Arbeit

2 Theoretische Grundlagen
2.1 Big Data – Aktueller Forschungsstand
2.2 Business-Intelligence-Systeme – Aktueller Forschungsstand
2.3 Zusammenhang Big Data, BI-Systeme und Controlling – Aktueller Forschungsstand

3 Methode und Vorgehen für das Literaturreview

4 Auswirkungen von Big Data und BI auf das Controlling und auf die Funktionen des Controllings sowie auf den Controller
4.1 Auswirkungen auf das Controlling
4.2 Auswirkungen auf das Unternehmen
4.3 Auswirkungen auf die Hauptprozesse und Funktionen des Controllings
4.3.1 Auswirkung auf die strategische Planung
4.3.2 Auswirkungen auf die Operative Planung und Budgetierung
4.3.3 Auswirkungen auf den Forecast
4.3.4 Auswirkung auf das Reporting
4.4 Auswirkungen auf die Steuerungsprozesse im Controlling/Unternehmen
4.5 Auswirkungen auf die Rolle und die Kompetenzen des Controllers
4.5.1 Auswirkungen auf das Rollenbild des Controllers
4.5.2 Auswirkungen auf die Arbeits-Kompetenzen des zukünftigen Controllers

5 Zusammenfassung und kritische Diskussion

6 Ausblick und Fazit

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1: 4-V-Modell

Abbildung 2: Unterschiedliche Facetten von BI

Abbildung 3: Business Performance Management

Abbildung 4: Enge und weite BI-Definition

Abbildung 5: Einsatzfeld von BI-Anwendungssystemen

Abbildung 6: BI-Ordnungsrahmen

Abbildung 7: Reifegradmodell von BI und Big Data

Abbildung 8: Business-Analytics-Kategorien mit Controlling-Beispielen

Abbildung 9: Big-Data-Datenquellen

Abbildung 10: Stufen der Entwicklung in der Informationsverarbeitung im Controlling

Abbildung 11: Controlling in der Makro-Ebene

Abbildung 12: Governance – Eine aufbau- und ablauforganisatorische Implementierung

Abbildung 13: Drei Ebenen (Wirkungsebenen) der Digitalisierung

Abbildung 14: Digitaler Einfluss auf die zentralen Steuerungs-System-Elemente

Abbildung 15: Kompetenzprofil des zukünftigen Controllers

Abbildung 16: Entwicklungstrends der Planung und des Berichtswesens

Tabellenverzeichnis

Tabelle 1: Einsatzgebiete und Nutzenstiftung durch Big Data

Tabelle 2: Suchsystematik, Suchbegriffe für das Literaturreview

Tabelle 3: Auswirkungsdimensionen (eigene Darstellung)

1 Einleitung

1.1 Situation

Die Digitalisierung zieht eine enorme, ständig zunehmende Datenmenge in allen Lebensbereichen nach sich. Eine zentrale treibende Kraft dieser digitalen Datenflut ist insbesondere die technologische Innovation der letzten Jahre.¹

Die Endbenutzergeräte (digitale Kameras, Smartphones, Tablets etc.) erhöhen die Datenmengen. In Verbindung mit einfachen Plattformen tauschen diese wiederum Daten mit Chats, Blogs und sozialen Netzwerken aus, wodurch die Datenmengen ins Unendliche steigen – dies gilt auch für die Vernetzung vom sogenannten „User Generated Content“.²

Neben diesen aktiven Nutzungsdaten (Chatdaten, Fotodaten etc.) werden auch indirekte Datenmengen generiert, z. B. Aufzeichnungen von GPS-Daten im Rahmen von Navigationen oder von Sensorikdaten (Bewegungen, Temperaturen etc.). Diese werden nicht nur generiert, sondern auch mit bestimmten Institutionen ausgetauscht und wiederum zurückgesandt, um auf Abruf zur Verfügung zu stehen. Eine weitere enorme Datenmengenexplosion dürfte die Erfassung und Vernetzung der Maschinendaten, die Machine-to-Machine-Kommunikation, hervorrufen. Hierbei werden Daten in Echtzeit und vernetzt in betriebliche und private Wertschöpfungsprozesse integriert (z. B. Produktionsdaten 4.0, Automobilvernetzung, Vernetzung von Hausfunktionen, Vernetzung von Energieerzeugung und -verteilung etc.).³

Diese Art der Digitalisierung wirkt sich auf alle Lebensreiche und ebenso auf die Wertketten sowie auf die Produkte und Dienstleistungen der Unternehmen aus.⁴

Diese Digitalisierungshintergründe stellen eine Kernherausforderung für die Unternehmen dar. Sie sollten die Informationsgewinnung und -nutzung als Kernkompetenz begreifen, um hieraus Wettbewerbsvorteile zu erreichen und sich im Wettbewerb besser zu behaupten.⁵

Business Intelligence, abgekürzt auch als BI bezeichnet, ist hierbei ein integrierter Gesamtansatz für die analytische und informationsbasierte Unternehmenssteuerung.⁶

Die Daten an sich sind nicht nur die zentrale Thematik des BI, sondern auch der Datenprozess, die Datengewinnung, die Entscheidungsmodelle bilden und ebenso die Informationsaufbereitung, die empfängergerecht generiert werden sollte. Somit sind diese genannten Datenthemen in einem geschlossenen Kreislauf zu integrieren. Die Business-Intelligence-Systeme erweitern sich zu sog. Operational BI-Systemen, die eine analytische Unterstützung von Geschäftsprozessen in Realtime (Echtzeit) bedeuten.⁷ Zu diesen Szenarien kommen die Informationskreisläufe hinzu, die auf Cloud-Technologien basieren, sogenannte Business-Intelligence-Clouds, auch BI-as-a-Service genannt, vernetzt werden.⁸ Neue technische Möglichkeiten und Methoden ermöglichen eine massivere Gewinnung, Nutzung von Daten, und Datenspeicherung sowie Datenanalyse. Diese Entwicklung ist dem neuen Trend Big Data zu verdanken und wird in Zukunft eine enorme Herausforderung für die Unternehmenspraxis werden.⁹ Diese sich verändernde technische Situation sowie Datenquantität betrifft das Controlling in seiner Funktion als managementunterstützende Beratungsinstanz. Die Unternehmensplanung, die Unternehmenssteuerung und das Unternehmensreporting sind hierbei massiven Veränderungen ausgesetzt, da in dieser heutigen Situation eine quantitativ hohe Datenmenge zur Verfügung steht und diese mithilfe ausgewählter Analysen qualitativ wertvoller Daten für das Unternehmen technisch zu bewältigen und zu organisieren ist.¹⁰ In Zukunft wird sich die Datenbasis stetig ausweiten. Das Marktumfeld wird sich massiv verändern, höhere Transparenzanforderungen und eine fundiertere Unternehmensentscheidung sind zwingend erforderlich für eine effektive und effiziente Unternehmenssteuerung. Die bisherigen veralteten Einzelsysteme in den Unternehmen, die als Managementunterstützung verwendet wurden, werden diesen Anforderungen in Zukunft nicht mehr gerecht werden. Diese Einzelsysteme – Einzellösungen – sind isoliert und punktuell bezüglich Zugriff, Auswertung und Verarbeitung von Daten und somit nicht ausreichend für die Aspekte der gesamtheitlichen Datenbasis und der IT-basierten Managementunterstützung, die auf Daten aus Tausenden von Datenbanken und Institutionen zugreifen muss, um gesamtheitliche Analysen und Auswertungen durchführen zu können, sodass daraus fundierte Entscheidungsgrundlagen resultieren.¹¹

1.2 Problemstellung

Genau in dieser Situation müssen die Unternehmen (große und mittlere Unternehmen) die strategischen Entscheidungen bezüglich Unternehmenssteuerung, Unternehmensplanung und Unternehmenskommunikation (Reporting) festmachen.¹²

Zuerst müssen sich die Unternehmen im Klaren sein, welche Auswirkungen die Big-Data-Situation und die datenanalytische Verarbeitung in Zukunft auf ihre besagten Controlling-Funktionen haben werden. Folgende Fragen müssen sich die Unternehmen stellen: Wie muss die Datengewinnung und Auswertung in Zukunft organisiert sein? Wie können diese generierten Daten zur Unternehmenssteuerung und zur Unterstützung der Entscheidungen bereitgestellt werden und wie kann letztendlich die Kommunikation mit qualitativ hochwertigen Daten im Unternehmen durchgeführt werden?¹³

In vielen kleinen und mittelständischen Unternehmen (KMU) sind die vorhandenen Planungs- und Reporting-Lösungen im Controlling in sogenannte Excel-Tabellen-Formate und Berichts-Report-Generatoren in z. B. vorhandene Userprogramme eingebettet. Hiermit werden entscheidende Informationen eventuell nicht berücksichtigt und können somit nicht mehr für eine umfassende Auswertung zur Verfügung stehen. Hierdurch leiden die Aktivitäten einer genauen Berichterstattung, da die Datenbasis geringer wird und Planungswerte ungenauer ausfallen können.¹⁴

Somit befinden sich viele Unternehmen noch in den Anfängen der Bewältigung der enormen Datenmengen, der intelligenten Gewinnung und Auswertung von Daten und der Bereitstellung relevanter Managementinformationen.¹⁵ Hieraus kann man eine enorme Problematik für die Zukunft der Unternehmen u. a. auch im Bereich des Controllings bezüglich der besprochenen Themen ableiten.

1.3 Fragestellung und Ziel der Arbeit

Vor diesem beschriebenen Hintergrund hat die einschlägige Literatur ab ca. 2005 spezielle Forschungsgedanken hierüber angestellt. Daher wird in dieser Arbeit die später beschriebene Literatur in einer Literaturanalyse untersucht. Hierbei müssen nun die Auswirkungen von Big Data und den Business-Intelligence-Systemen auf das Controlling (in seinen Funktionsbereichen) literarisch ergründet werden. Anschließend können auf dieser Grundlage Handlungsempfehlungen bezüglich der Unterstützung des Controllings (aufgrund dieser Auswirkungsergebnisse) abgeleitet werden.

Aus diesem zweiteiligen Forschungsgang kann nun der Arbeitstitel bzw. die Fragestellung hergeleitet werden:

„ Eine Literaturanalyse zu den Auswirkungen von Big Data und Business-Intelligence-Systemen aufs Controlling – abgeleitete Chancen und Risiken.“

Aufbau der Arbeit:

In der Einleitung (Kapitel 1) ist die Situation der Thematik Big Data und Business-Intelligence-Systeme im Zusammenspiel mit den Controlling-Funktionen kurz dargestellt, um hieraus die Problematik abzuleiten, in der sich das Controlling mit seinen Funktionsaufgaben befindet. Denn Big Data und Business-Intelligence-Systeme haben Auswirkungen auf das Controlling und somit ergeben sich die Probleme und Fragestellungen für das zukünftige Controlling 4.0.

Die theoretischen Grundlagen für das Verständnis von Big Data und Business-Intelligence-Systemen (Stand der Forschung) und deren aktuelle sowie zukünftige Auswirkungen werden in Kapitel 2 gelegt. Am Ende des Kapitels wird hierbei der Zusammenhang von Big Data, Business-Intelligence-Systemen und dem Controlling für das Veränderungs- und Auswirkungsverständnis aufgezeigt.

Die theoretischen Grundlagen (Forschungsstand) sowie die Auswirkungen sind Ergebnisse dieser Forschungsthematik, die in einem Literaturreview analysiert und beschrieben werden. Die Methodik dieses Literaturreview wird in Kapitel 3 dargelegt. Hierbei wird die Methode der Auswahl der Literatur und der Rechercheanalysen aufgezeigt, sodass im Ergebnis eine breite wissenschaftliche Basis und ebenso eine aktuelle sowie repräsentative Analysebasis entsteht.

Anschließend können die zukünftigen Veränderungen und Auswirkungen in diesem Literaturreview in Kapitel 4 analysiert und ausgewertet dargestellt werden, d. h., es können die Auswirkungen von Big Data und BI auf die Funktionen, auf die sozio-ökonomische Ebene und auf die Technik des Controllings exemplarisch aufgezeigt werden, um anschließend in Kapitel 5 die abgeleiteten Chancen und Risiken kritisch zu diskutieren und anschließend eine Schlussbetrachtung der Thematik anzubringen.

Am Ende dieser Arbeit wird ein kurzer Ausblick aufgezeichnet und gezeigt, inwieweit sich diese Thematik (Big Data und BI) weiter entwickeln könnte und inwieweit weitere mögliche Auswirkungen auf das Controlling zu erwarten sind.

2 Theoretische Grundlagen

Der Begriff Big Data ist in der Praxis nicht klar definiert, wird aber in der Wirtschaft sehr häufig verwendet. Der Begriff gibt noch keine ausreichende Definition auf die Frage, was Big Data ist und welche Datenbestände gemeint sind. Dieses Kapitel soll hierüber etwas mehr Klarheit und Abgrenzung bringen. Big Data hat drei grundlegende Merkmale: Volume, Velocity und Variety. Dies bedeutet, dass Unternehmen besondere Technologien und Fähigkeiten benötigen, um Daten zu generieren, zu formatieren und auch semi-strukturierte und unstrukturierte Daten effizient verarbeiten zu können.

Für die Abbildung moderner Reporting- und Planungslösungen zeigt sich seit über 10 Jahren ein Trend zu Systemen, die auf einer Data-Warehouse-Technologie basieren und unter dem Stichwort „Business Intelligence“ (kurz BI) beschrieben werden. Unbestritten ist, dass Business Intelligence ein sehr populärer Begriff ist, der sowohl bei der Wissenschaft als auch bei Softwareherstellern und Unternehmen in der Praxis Anwendung findet. Recherchiert man diesen Begriff im Internet, gibt es zahlreiche große Mengen an Treffern.

Für den Begriff Business Intelligence gibt es allerdings bis heute keine allgemein akzeptierte Definition. Die wörtliche Übersetzung, z. B. mit „Geschäftsintelligenz“, führt sogar auf die falsche Fährte. Das Wort „Intelligence“ sollte hier eher für Informationsdienst oder weiterführend für die Umwandlung von Informationen in Wissen stehen.

In Anlehnung an die Wissenspyramide werden Informationen mit Erfahrungen, z. B. betriebswirtschaftlichen Erkenntnissen, verknüpft und ergeben somit Wissen.¹⁶

2.1 Big Data – Aktueller Forschungsstand

Das Internet und die Social-Media-Plattformen rücken immer weiter in den Mittelpunkt der Gesellschaft. Im World Wide Web (WWW) werden, bewusst und auch unbewusst, tagtäglich unzählige Daten hochgeladen, gespeichert oder geteilt. Dies gilt nicht nur für den privaten Bereich, sondern betrifft genauso die Wirtschaft und die öffentliche Verwaltung.¹⁷

Die eingesetzten Informationssysteme in den Unternehmen, in öffentlichen Einrichtungen und in anderen Organisationen werden immer zahlreicher. Hierdurch müssen immer größere Datenmengen verarbeitet werden, wie bereits intensiv anhand des Themenbereichs Data Warehouse gezeigt wurde. Die Unternehmen und Einrichtungen haben erkannt, nicht nur die internen Daten aus den täglichen Geschäftsprozessen zu verarbeiten, sondern auch das Potenzial der Daten aus dem Internet, den sozialen Netzwerken und weiteren Datenquellen zu nutzen, um sich z. B. einerseits besser auf die künftigen Kundenbedürfnisse einzustellen, und andererseits Risiken zu vermeiden und sich vom Wettbewerber abzugrenzen. Blogeinträge, Web-Logs und viele andere Daten können hier wertvolle Informationen liefern. Weiterhin liefern unsere mobilen Endgeräte wie Handy und Notepad viele unstrukturierte Informationen wie Fotos, Videos, Audios und Navigationsdaten. Das Datenvolumen wird zudem durch die vielen sensorischen Daten wie Bewegungs- und Temperaturdaten von Bauteilen, Maschinen, Autos und Gebäuden und anderen Infrastrukturanlagen (z. B. Energieleitungen) angereichert.¹⁸ Hier können diese Daten als wertvoll gewertet werden, wenn diese aus den Massendaten so extrahiert werden, dass sie für die richtigen Entscheidungen als Grundlage dienen können.

Die Anzahl der Daten wächst nicht nur stetig an, sondern explodiert vielmehr exponentiell. Dies belegt u. a. eine Studie der IDC (International Data Corporation) im Jahr 2011-2014, die ergab, dass sich das Datenvolumen weltweit alle zwei Jahre mehr als verdoppelt.¹⁹ Im Jahr 2011 betrug das weltweite Datenvolumen hiernach insgesamt 1,8 Zettabyte (1,8 Trillionen Gigabytes). Eine Folgestudie der IDC im Jahr 2012 ergab, dass das Datenvolumen im Jahr 2012 um 0,9 auf 2,7 Zettabyte anstieg. Datenintensiv arbeitende Unternehmen erreichen heute schon ein Volumen von einem Petabyte (= 1015 Byte = 1000 Terrabyte) oder mehr. Relationale Datenbanken und auch die Data-Warehouse-gestützten OLAP-Datenbanken werden mit den Massendaten, die meist unstrukturiert sind, an ihre Verarbeitungsgrenzen kommen und diese zukünftig nicht mehr effizient bewältigen können. Die wichtigsten Nachteile dieser Systeme sind, neben der unzureichenden Verarbeitung von unstrukturierten Daten, vor allem die mangelnde Skalierbarkeit der Datenhaltung (über Rechnergrenzen hinweg) und die Konsistenzsicherung der Daten, die einen strukturierten Aufbau und eine Distribution der Daten innerhalb eines zumeist physischen relationalen bzw. multidimensionalen Datenmodells benötigt. Hier setzt Big Data an.²⁰

Unstrukturierte Daten sollen kostengünstig, ortsunabhängig und mit hoher Geschwindigkeit analysiert, gespeichert und den verschiedenen Anwendern zur Verfügung gestellt werden. Big Data bietet hierfür Werkzeuge und Techniken an, mit denen das Erfassen, Speichern und Analysieren von großen unstrukturierten, strukturierten und semi-strukturierten (gemischten) Datenmengen technisch möglich und wirtschaftlich interessant wird.²¹

Big Data soll neue Erkenntnisse aus der Informationsnutzung (z. B. Abweichungen, Zusammenhänge oder Trenderkennung) zur Verbesserung der Entscheidung auf allen Führungsebenen liefern, um somit zur Wertsteigerung des Unternehmens beizutragen.

Häufig genannte Einsatzfelder von Big Data-Lösungen und deren Nutzenstiftung werden in der folgenden Tabelle zusammengefasst.

Tabelle1: Einsatzgebiete und Nutzenstiftung durch Big Data²²

Abbildung in dieser Leseprobe nicht enthalten

Die größten Probleme bei der Einführung und Anwendung der Big-Data-Technologie sehen die Unternehmen im fehlenden technischen und fachlichen Know-how sowie in den hohen Kosten für die Erschließung der Datengrundlagen und den IT-Lösungen für das sogenannte Advanced Analytics. Weiterhin sehen Unternehmen wie Gesellschaft im Allgemeinen auch besondere Datenschutz- und Datensicherheitsgefahren.²³

Das 3-V-Modell bzw. 4-V-Modell

Das junge Forschungsfeld Big Data besitzt bisher keine anerkannte und allgemeingültige Definition für den Begriff Big Data.²⁴ In der Praxis und in Studien fallen häufig Erklärungen, die unter Big Data die Verarbeitung großer Datenmengen, z. B. von Social-Media- und Internetdaten, verstehen, und hierfür bessere Techniken für das Datenmanagement, z. B. verteilte Datenhaltung und Echtzeitdatenauswertungen, nutzen.²⁵ In den meisten Fällen sind sich IT- und Fachexperten einig, dass nur über Big Data gesprochen werden kann, wenn mindestens ein Kriterium des 3- bzw. 4-V-Modells (Volume, Variety und Volatility/Velocity bzw. Veracity) erfüllt wird. Beim 3-V-Modell handelt es sich um die Begriffe: Volume (das Volumen bzw. die Menge an Daten), Variety (die Datenvielfalt bzw. Komplexität) und Volatility bzw. Velocity (die Unbeständigkeit bzw. die Geschwindigkeit der Daten bzw. der Datenveränderung). Im 4-V-Modell wird das 3-V-Modell ergänzt um den Begriff Veracity (Richtigkeit bzw. Glaubwürdigkeit) der Daten.²⁶

Volume (Datenmenge)

Das Volumen beschreibt die Datenmengen, die Unternehmen intern wie extern zur Verfügung stehen, die zu groß sind, um diese mit der bisherigen traditionellen Datenspeicherung, z. B. durch relationalen Datenbanken, zu bewältigen.²⁷ Big Data erlaubt es, Daten in einem Umfang zu speichern und zu verarbeiten, der weit über die bisher bekannten Obergrenzen hinausreicht.²⁸ Eine Studie der IDC ergab beispielsweise, dass Sensordaten etwa 2 % des gesamten Datenvolumens weltweit ausmachen und dass dieser Anteil bis zum Jahr 2020 auf 10 % und in Deutschland auf 14 % steigen wird.²⁹ Je mehr Daten ein Unternehmen extrahiert, desto eher werden Zusammenhänge zwischen diesen erkennbar und Entscheidungen können auf Basis verifizierter Daten präziser getroffen werden.³⁰

Abbildung in dieser Leseprobe nicht enthalten

Abbildung1: 4-V-Modell³¹

Variety (Datenvielfalt/Komplexität)

Das Merkmal Variety beschreibt die Datenvielfalt und Komplexität von Daten. Die zu speichernden Daten haben i. d. R. nicht die gleiche Struktur. Unterschieden werden strukturierte Daten sowie unstrukturierte Daten. Unter strukturierten Daten versteht man zum Beispiel Daten einer relationalen Tabelle mit Namen, Alter oder Einkommen eines Mitarbeiters.³² Beispiele für unstrukturierte Daten sind unter anderem maschinengenerierte Daten wie Sensordaten und Web-Logs sowie Bilder, Audio- und Videodateien, deren Datentyp unterschiedlich ist.³³ Zudem gibt es Mischformen, sogenannte semi-strukturierte Daten, die man z. B. in einer E-Mail findet. Eine E-Mail enthält im Kopf strukturierte Daten wie den Absender und das Sendedatum, enthält aber im Textfeld häufig unstrukturierte Daten, z. B. den Texteintrag mit Anhängen und Bildern. Bei der Verwendung strukturierter und unstrukturierter Daten spricht man auch von polystrukturierten Daten.³⁴

Velocity (Datengeschwindigkeit) und Volatility (Datenunbeständigkeit)

Die dritte Eigenschaft befasst sich mit der Datengeschwindigkeit (Velocity) und der Datenunbeständigkeit (Volatility) der Daten. Daten, z. B. im Internet und in sozialen Netzwerken, werden ständig ergänzt oder erneuert, was bedeutet, dass neben der Verarbeitungsmenge die Datenverarbeitungsgeschwindigkeit und die Aktualisierung von großer Relevanz sind. Daten sollten möglichst in Echtzeit ausgewertet werden können. Datenänderungen sind nachzuvollziehen, alte Einträge müssen durch neue Einträge ersetzt oder ergänzt werden. Zu unterscheiden sind Daten, die relativ konstant oder nicht konstant sind. Relativ konstante Daten sind u. a. Namen von Kunden, das Geschlecht oder die Nationalität. Inkonstante Daten sind Daten, die sich (häufig) ändern wie zum Beispiel der Preis und die Menge einer Bestellung beim Lieferanten oder die Geschwindigkeit einer Maschine.³⁵

Veracity (Richtigkeit/Echtheit der Daten)

IBM führte als viertes Merkmal die „Richtigkeit und Echtheit“ (Veracity) der Daten ein.³⁶ Die Datenmengen/Datengenerierung stammen aus unterschiedlichen Quellen. Diese weisen unterschiedliche Strukturen auf und müssen somit harmonisiert und abgestimmt werden. Hieraus gewonnene falsche Daten müssen gelöscht werden, die ungewissen/unbestimmten Dateninhalte sollten durch eine Transformation ergänzt werden – hierdurch ergeben die Informationen keinen Widerspruch. Die Datenqualität und Sicherheit der Daten muss bei der Bearbeitung und Auswertung der Daten beachtet werden. Beispiele für falsche Daten sind Übersetzungsfehler oder irreführende Werbung.³⁷ Nicht widerspruchsfreie Daten ergeben sich z. B. durch die Verwendung alter Quellen wie eine alte Lieferanschrift oder Telefonnummer.

Da alle Kriterien des 3- bzw. 4-V-Modells in der Praxis nicht alleine, sondern i. d. R. zusammenwirken, kann die These aufgestellt werden, dass Big-Data-Lösungen dann für Unternehmen und Einrichtungen interessant sind, wenn alle vier Kriterien auf die zu nutzenden Daten zutreffen.³⁸ Big Data wird zunächst nur für größere Unternehmen, später aber auch für den Mittelstand interessante Erweiterungsmöglichkeiten in der Datenverarbeitung bieten.³⁹

2.2 Business-Intelligence-Systeme – Aktueller Forschungsstand

Das bisherige Management verwendet zur Unterstützung der Entscheidungsfindung seit jeher IT-gestützte Verfahren und ist somit ein Stück IT-Historie. Diese Historie nahm ihren Anfang bereits in den frühen 60er-Jahren des letzten Jahrhunderts. Hier wurden die Manager mithilfe der Informationssysteme in vielen Managementaktivitäten unterstützt. Im Zeitverlauf wurden stets bessere benutzergruppenspezifische und aufgabenorientierte Einzelsysteme entwickelt, die nicht nur das Management, sondern auch das Controlling, das gesamte Rechnungswesen und ebenso das Marketing in eine bessere Informationslage gebracht und somit unterstützt hatten. Diese Art von Managementunterstützung wurde zu einem Informations- und Kommunikationssystem in den 1980er-Jahren zu einem Sammelbegriff MSS (Management Support System) zusammengefasst – die deutsche Fassung war das MUS (Management Unterstützungssystem). Somit wurde bereits in diesen Jahren bewusst, dass Einzelplatzsysteme nicht die optimale Informationsgüte liefern konnten. Hier musste ein Umfeld von Informations- und Kommunikationstechnologien geschaffen werden, das regional, national und global agieren konnte. In der heutigen Wissenschaft hat sich in der IT-basierten Managementunterstützung der Begriff MSS durchgesetzt, obwohl bisher umfangreiche Entwicklungen in diesem Bereich stattgefunden haben. In der Praxis der 1990er-Jahre hat sich auf dem Gebiet der Managementunterstützung mit Business Intelligence eine neue Bezeichnung entwickelt. 1996 hat diesen Begriff vornehmlich die Gartner Group geprägt.⁴⁰ Für den Begriff Business Intelligence gibt es allerdings bis heute keine allgemein akzeptierte Definition.⁴¹ Die wörtliche Übersetzung mit „Geschäftsintelligenz“ führt sogar auf die falsche Fährte. Das Wort „Intelligence“ sollte hier eher für Informationsdienst oder weiterführend für die Umwandlung von Informationen in Wissen stehen.⁴² BI wurde in der Vergangenheit als Frontendwerkzeug im Sammelbegriff bezeichnet, ist aber als echte Bezeichnung für diese Art der Systemkategorie nicht relevant.⁴³ Dennoch haben sich in der Praxis und Wissenschaft intensive Diskussionen entwickelt, um eine diesbezügliche Neuorientierung für diese IT-basierte Managementunterstützung zu erreichen.⁴⁴

Vor allem die Abgrenzung zu anderen Begriffen wie Controlling und Data Warehouse sind undeutlich. Klar ist, dass dieser Begriff dem Wissenschaftsgebiet der Wirtschaftsinformatik zugeschrieben wird. Mertens⁴⁵ hat beispielsweise aus der Vielzahl der Definitionen sieben Varianten herausgearbeitet:⁴⁶

1. BI als Fortsetzung der Daten- und Informationsverarbeitung, u. a für die Unternehmensleitung,
2. BI als Filter in der Informationsflut: Informationslogistik,
3. BI = MIS (Management-Informations-System) mit schnellen und flexiblen Auswertungsmöglichkeiten,
4. BI als Frühwarnsystem,
5. BI = Data Warehouse,
6. BI als Informations- und Wissensspeicherung,
7. BI als Prozess der Symptomerhebung: Diagnose, Therapie, Prognose, Therapiekontrolle.

Die meisten dieser Varianten zeigen jedoch, dass sich die Definitionen häufig über die verwendeten Systeme abgrenzen. Die betriebswirtschaftlichen Managementmethoden und Steuerungsaufgaben kommen hier gar nicht vor.

Einordnung von BI-Systemen

Eine mögliche Strukturierung für diesen Bereich liefert Gluchowski.⁴⁷ Er nennt seine Strukturierung den zweidimensionalen Ordnungsrahmen (siehe Abbildung 2). Die vertikale Achse beschreibt die Phasen der analytischen Datenverarbeitung (angefangen von der Bereitstellung bis hin zur Auswertung der Daten), die horizontale Achse beschreibt einen technikorientierten und einen anwendungsorientierten Schwerpunkt. Hierbei lassen sich drei Typen von Definitionen darstellen:⁴⁸

a. Enges BI-Verständnis:

Hierbei werden unter BI eigentlich nur wenige Kernapplikationen verstanden, die in der Entscheidungsfindung aktiv unterstützen. Es sind in diesem Sinne vor allem das OLAP (Online Analytical Processing), das MIS (Management Information System) und das EIS (Executive Information System) zu benennen.⁴⁹

b. Analyseorientiertes BI-Verständnis:

BI als analyseorientiertes System beinhaltet Anwendungen für Entscheider (oder Entscheidungsvorbereiter), die im System direkt arbeiten und einen direkten Zugriff auf die Benutzeroberfläche haben, die mit interaktiven Funktionen versehen ist. Diese Analysesysteme können u. a. sein: OLAP, MIS, EIS, Text Mining und Data Mining, weiterhin auch: Balanced Scorecard Reporting, Customer Relationship Management und Planungs- und Konsolidierungssysteme.

c. Weites BI-Verständnis:

Hier werden unter BI i. w. S. die direkten und indirekten Anwendungssysteme bezeichnet, die die Entscheidungen der Manager unterstützen – diese beinhalten nicht nur die Auswertungsfunktion, sondern auch die Datenaufbereitung und die Datenspeicherung.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung2: Unterschiedliche Facetten von BI⁵⁰

Positiv hervorzuheben ist an dieser Einteilung, dass versucht wird, die technischen Systemebenen und die (fachliche) Anwendung miteinander zu verbinden. Unklar ist allerdings, warum Planung als Anwendung und Reporting eher der Technik zugeordnet wird. Auch die unscharfen technischen Zuordnungen sind nur schwer zu verstehen. Planung wird z. B. mehr der Datenauswertung zugeordnet als das Reporting. Von daher muss die Abgrenzung deutlicher erfolgen.

Schaut man auf den bzw. die Begründer des Begriffes BI zurück, so erkennt man hier zunächst auch den Schwerpunkt der Informationssystemseite der Definition und weniger die fachliche, betriebswirtschaftliche Anwendung der Managementmethoden: Unter dem Begriff „Business Intelligence“ versteht die Gartner Group⁵¹ die kreative, intelligente Nutzung von unternehmensweit zur Verfügung stehendem Wissen.

Howard Dresner (Gartner Group) hat diesen Begriff erstmalig geprägt. Er sagte, dass BI ein Umwandlungsprozess von Daten in zielorientierte Informationen ist und wenn diese einer logischen Erforschung unterliegen, sogar Wissen generiert werden könne.⁵² Er prägte zudem auch den weiterführenden Begriff Business-Performance-Management (BPM). Performance bedeutet wörtlich übersetzt Leistung. Leistungsmanagement oder auch im Englischen Performance Management genannt, bezeichnet in einer Organisation das Management, das die Leistungssteuerung (z. B. von Mitarbeitern, Teams, Abteilungen, Prozessen etc.) innehat.⁵³ Zur Steuerung und Kontrolle der Performance dienen Zielvorgaben, Ergebniskontrollen, Leistungsbeurteilungen und die Honorierung der Leistungen. Die Messung (Measurement) der Performance erfolgt durch eine Mischung von quantitativen und qualitativen Größen. Zur Leistungssteuerung werden Instrumente wie z. B. die Balanced Scorecard vorgeschlagen.⁵⁴ Die Daten zur Messung und die generierten Informationen zur Steuerung der Performance werden i. d. R. über die drei Data-Warehouse-Ebenen bereitgestellt. Der Begriff BPM stellt somit eine Weiterentwicklung von BI dar.⁵⁵ Somit wird unter BPM Folgendes verstanden: Methoden, Werkzeuge und Prozesse, basierend auf der Betriebswirtschaft und IT, zur Verbesserung der Unternehmensergebnisse (Leistungsfähigkeit, Profitabilität).

Während das BI eher von der Daten- und Informationsverarbeitung her geprägt ist, fasst das BPM die Wechselwirkungen zwischen dem Informationsversorgungssystem sowie den primären und sekundären Führungsfunktionen zusammen (siehe Abbildung 3).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung3: Business Performance Management⁵⁶

[...]

---

¹ Vgl. Bitkom (2018a), S. 17.

² Ebenda, S. 18.

³ Vgl. Bitkom (2018b), S. 13f.

⁴ Vgl. Baumöl, T. (2016), S. 16f.

⁵ Vgl. Kiron, D. /Shockley, R. (2011), S. 57f.

⁶ Vgl. Chamoni, P./Gluchowski, P. (2004), S. 119-128; Seufert, A./Lehmann, P. (2006), S. 21-32; Kemper, H. et al. (2010), S. 7-10.

⁷ Vgl. Schiefer, J./Seufert, A. (2005), S. 1-7; Baars, H. et. al. (2014), S. 11-16.

⁸ Vgl. Seufert, A./Bernhardt, N. (2011), S. 23-27.

⁹ Vgl. Bitkom (2018b), S.9ff.

¹⁰ Vgl. Schön, D. (2016), S. 35f.

¹¹ Vgl. Schermann, M. et al. (2014), S. 261-266; Kieninger, M. et al. (2016), S. 241-247.

¹² Vgl. Schön, D. (2016), S. 39.

¹³ Vgl. Seiter, M. et al. (2015), S. 466f.

¹⁴ Vgl. ebenda, S. 466f.

¹⁵ Vgl. Horvath, P./Michel, U. (2015), S. 12f.

¹⁶ Vgl. Bitkom (2018b). S. 18f.

¹⁷ Vgl. ebenda

¹⁸ Vgl. Seufert, A./Oehler, K. (2011), S. 24.

¹⁹ Vgl. IDC (2014).

²⁰ Vgl. ebenda

²¹ Vgl. ebenda

²² Eigene Darstellung. Ähnliche Beispiele findet man in unterschiedlichen Quellen, u. a. Bitkom (2018a), S. 28; Davenport, T. H. (2014), S. 33; Gentsch, P./Kulpa, A. (2016), S. 38; König, C. et al. (2018), S. 54; Wamba, S. F. et al. (2015), S. 234-246.

²³ Vgl. Jaekel, M. (2017), S. 67; Kamal, M. M. et al. (2016), S. 59; Kieninger, M. et al. (2016), S. 241-247.

²⁴ Vgl. Caesarius, M./Hohenthal, J. (2018), S. 129-140; Capgemini (2014), S. 60.

²⁵ Vgl. Capgemini (2014), S. 61; Becker, W. et al. (2017), S. 115.

²⁶ Vgl. Bitkom (2018a), S. 29.

²⁷ Vgl. Bitkom (2018a), S. 30; Alpar, P. et al. (2014), S. 69; Braganza, A. et al. (2016), S. 328-337; IDC (2014), S. 15.

²⁸ Ebenda

²⁹ Vgl. IDC (2014), S. 16.

³⁰ Vgl. Bitkom (2018a), S. 30; IDC (2014), S. 16.

³¹ Klein, A./Gräf, J. (2017), S. 115.

³² Vgl. Bitkom (2018a), S. 30; IDC (2014), S. 16.

³³ Vgl. Bitkom (2018a), S. 30; Alpar, P. et al. (2014), S. 69.

³⁴ Ebenda.

³⁵ Vgl. Becker, W. et al. (2017), S. 115; Bitkom (2018a), S. 30; Alpar, P. et al. (2014), S. 69.

³⁶ Ebenda.

³⁷ Ebenda.

³⁸ Ebenda; Buschbacher, F. (2016), S. 40-45.

³⁹ Ebenda.

⁴⁰ Vgl. Anandarajan, M. (2004), S. 18f.

⁴¹ Vgl. Glukowski, P. et al. (2014), S. 15f.

⁴² Ebenda, S. 36; Kemper, H./Baars, H./Mehanna, W. (2010), S. 19f.

⁴³ Vgl. Kemper, H./Baars, H./Mehanna, W. (2010), S. 20f.

⁴⁴ Vgl.ebenda, S. 21.

⁴⁵ Vgl. Mertens, A. (2002), S. 4.

⁴⁶ Vgl. ebenda, S. 4f.

⁴⁷ Vgl. Glukowski, P./Gabriel, P./Dittmar, C. (2014), S. 15f.

⁴⁸ Ebenda, S. 37f.

⁴⁹ Eine nähere Erläuterung der Konzepte und Technologien dieser Systeme kann in diesem Arbeitsrahmen nicht erfolgen und ist auch nicht notwendig für die Fragestellung dieser Arbeit.

⁵⁰ Glukowski, P./Gabriel, P./Dittmar, C. (2014), S. 17.

⁵¹ Vgl. Klein, A. (2012), S. 22f.

⁵² Vgl. ebenda, S. 22.

⁵³ Vgl. ebenda, S. 23; Gleich, R. et al. (2017), S. 19f.

⁵⁴ Vgl. Gleich, R. et al. (2017), S. 19f.

⁵⁵ Ebenda, S. 20.

⁵⁶ Gleich, R. et al. (2017), S. 20.