Die Masterarbeit klärt, welche Nutzenpotenziale sich durch Predictive Analytics im Controlling ergeben. Ein weiteres Ziel ist es, Aufschlüsse über den aktuellen Forschungsstand von Predictive Analytics im Controlling zu geben, um nicht genutzte Potenziale offenzulegen. Darüber hinaus werden die Auswirkungen, Herausforderungen und Risiken bei einer Implementierung im Controlling ermittelt und bewertet. Selbst durchgeführte Praxistests geben Aufschlüsse über die Anwendbarkeit.
Das Controlling unterliegt einem kontinuierlichen Veränderungsprozess. Ursprünglich wurden Daten noch auf Papier verarbeitet, später konnten Computer bei der Auswertung unterstützen und seit kürzester Zeit können intelligente Algorithmen genutzt werden, um eine effiziente Datenverarbeitung zu ermöglichen.
"Daten sind das Öl des 21. Jahrhunderts, und Datenanalyse der Verbrennungsmotor dazu." Dieses Zitat stammt von Peter Sondergaard, ehemaliger Senior Vice President des IT-Marktforschungs- und Beratungsunternehmens Gartner Research. Mit der Globalisierung und einem zunehmenden technologischen Fortschritt steigen Datenmengen rasant an. Oftmals werden die Potenziale, die sich durch die steigenden Datenmengen ergeben nur unzureichend von Unternehmen genutzt. Analysen sind mit einem enormen Zeitaufwand verbunden und stellen häufig nur ein Abbild der Vergangenheit dar.
Zudem führt eine steigende Zahl komplexer und dynamischer Faktoren in der Umwelt aller Organisationen zu einer wachsenden Unsicherheit in Bezug auf zukünftige Entwicklungen. Daraus entstehen neue Herausforderungen für das Controlling und es verlangt nach neuen datengetriebenen Planungs- und Steuerungsinstrumenten, die nicht nur einen vergangenheits-, sondern vor allem einen zukunftsgerichteten Fokus haben. Die steigenden Datenmengen nutzbar zu machen ist wettbewerbskritisch und ermöglicht entscheidende Wachstumsimpulse.
Entscheidungsträger in Unternehmen, die spezialisiert darauf sind, Daten zu analysieren und zukünftige Entwicklungen präziser zu prognostizieren, haben aufgrund der Erkenntnisgewinne ein besseres Verständnis über ihr wirtschaftliches Umfeld. Dies ermöglicht wiederum ökonomisch angemessenere Entscheidungen. Ein Instrument für die Analyse von großen heterogenen Datenmengen für die Vorhersage von zukünftigen Entwicklungen ist unter dem Begriff Predictive Analytics bekannt.
Inhaltsverzeichnis
- Einleitung
- Ausgangssituation und Problemstellung
- Zielsetzung
- Aufbau und Methodik
- Theoretische Grundlagen
- Controlling
- Grundlagen Controlling
- Einführung in die Hauptprozesse des Controllings
- Digitalisierung im Controlling
- Predictive Analytics
- Grundlagen von Predictive Analytics
- Zusammenhang Big Data und Predictive Analytics
- Einordnung, Abgrenzung und Entwicklung von Predictive Analytics
- Grundlagen angewendeter Methoden und Algorithmen
- Nutzenpotenziale von Predictive Analytics bei den Hauptprozessen im Controlling
- Planung, Budgetierung und Forecast
- Projekt- und Investitionscontrolling
- Kosten-, Leistungs- und Ergebnisrechnung
- Management Reporting und Business Partnering
- Risikocontrolling
- Datenmanagement
- Weiterentwicklung von Organisation, Prozessen, Instrumenten und Systemen
- Zwischenergebnis: Nutzenpotenziale von PA in den Hauptprozessen im Controlling
- Einsatz von Predictive Analytics in der Praxis
- Aktueller Implementierungsgrad in der Unternehmenspraxis
- Herausforderungen und Risiken bei der Umsetzung und Anwendung von Predictive Analytics
- Handlungsempfehlungen für die Implementierung von Predictive Analytics
- Praxistest von Predictive Analytics
- Excel Data Mining Add-In
- RapidMiner
- Zwischenergebnis Praxistest
- Fazit
- Zusammenfassung und Erläuterung der Ergebnisse
- Kritische Würdigung
- Ausblick
Zielsetzung und Themenschwerpunkte
Diese Arbeit befasst sich mit den Nutzenpotenzialen von Predictive Analytics (PA) im Controlling und analysiert den Einsatz dieses Instruments zur Bewältigung der Herausforderungen, die sich aus der zunehmenden Volatilität, Unsicherheit, Komplexität und Ambiguität (VUCA) der heutigen Unternehmensumgebung ergeben. Ein weiterer Fokus liegt auf der Erhellung des aktuellen Forschungsstandes von PA im Controlling, um ungenutzte Potenziale aufzudecken. Die Arbeit beleuchtet die Auswirkungen, Herausforderungen und Risiken der Implementierung von PA im Controlling und bewertet diese anhand von selbst durchgeführten Praxistests.
- Nutzenpotenziale von PA in verschiedenen Controlling-Prozessen
- Aktueller Forschungsstand von PA im Controlling
- Herausforderungen und Risiken bei der Implementierung von PA im Controlling
- Bewertung der Anwendbarkeit von PA anhand von Praxistests
- Entwicklungsperspektive von PA im Controlling
Zusammenfassung der Kapitel
- Einleitung: Die Einleitung führt in die Thematik von Predictive Analytics (PA) im Controlling ein und erläutert die Ausgangssituation, die Problemstellung und die Zielsetzung der Arbeit.
- Theoretische Grundlagen: In diesem Kapitel werden die Grundlagen des Controllings, die Hauptprozesse des Controllings und die Grundlagen von PA sowie der Zusammenhang von PA mit Big Data erläutert.
- Nutzenpotenziale von PA in den Hauptprozessen im Controlling: Dieses Kapitel analysiert die Nutzenpotenziale von PA in den Hauptprozessen des Controllings, wie Planung, Budgetierung und Forecast, Projekt- und Investitionscontrolling, Kosten-, Leistungs- und Ergebnisrechnung, Management Reporting und Business Partnering, Risikocontrolling, Datenmanagement und die Weiterentwicklung von Organisation, Prozessen, Instrumenten und Systemen.
- Einsatz von PA in der Praxis: Dieses Kapitel untersucht den aktuellen Implementierungsgrad von PA in der Unternehmenspraxis, beleuchtet Herausforderungen und Risiken bei der Umsetzung und Anwendung von PA und gibt Handlungsempfehlungen für die Implementierung.
- Praxistest von PA: Zwei PA-Softwarelösungen (Excel Data Mining Add-In und RapidMiner) werden in der Praxis getestet, um die Anwendbarkeit von PA für ausgewählte Hauptprozesse im Controlling zu erforschen.
Schlüsselwörter
Die Schlüsselwörter der Arbeit sind: Controlling, Predictive Analytics (PA), Big Data, Business Analytics (BA), Digitalisierung, Unternehmenssteuerung, Planung, Budgetierung, Forecast, Projekt- und Investitionscontrolling, Kosten-, Leistungs- und Ergebnisrechnung (KLE), Management Reporting, Business Partnering, Risikocontrolling, Datenmanagement, IT-Infrastruktur, Praxistest, Softwaretools, Excel Data Mining Add-In, RapidMiner.
- Arbeit zitieren
- Adrian Haas (Autor:in), 2022, Predictive Analytics im Controlling. Grundlagen, Nutzenpotenziale und praktische Umsetzung, München, GRIN Verlag, https://www.grin.com/document/1167867
