Predictive Analytics im Controlling. Grundlagen, Nutzenpotenziale und praktische Umsetzung

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

Hinweise

1 Einleitung
1.1 Ausgangssituation und Problemstellung
1.2 Zielsetzung
1.3 Aufbau und Methodik

2 Theoretische Grundlagen
2.1 Controlling
2.1.1 Grundlagen Controlling
2.1.2 Einführung in die Hauptprozesse des Controllings
2.1.3 Digitalisierung im Controlling
2.2 Predictive Analytics
2.2.1 Grundlagen von Predictive Analytics
2.2.2 Zusammenhang Big Data und Predictive Analytics
2.2.3 Einordnung, Abgrenzung und Entwicklung von Predictive Analytics
2.2.4 Grundlagen angewendeter Methoden und Algorithmen

3 Nutzenpotenziale von Predictive Analytics bei den Hauptprozessen im Controlling
3.1 Planung, Budgetierung und Forecast
3.2 Projekt- und Investitionscontrolling
3.3 Kosten-, Leistungs- und Ergebnisrechnung
3.4 Management Reporting und Business Partnering
3.5 Risikocontrolling
3.6 Datenmanagement
3.7 Weiterentwicklung von Organisation, Prozessen, Instrumenten und Systemen
3.8 Zwischenergebnis: Nutzenpotenziale von PA in den Hauptprozessen im Controlling

4 Einsatz von Predictive Analytics in der Praxis
4.1 Aktueller Implementierungsgrad in der Unternehmenspraxis
4.2 Herausforderungen und Risiken bei der Umsetzung und Anwendung von Predictive Analytics
4.3 Handlungsempfehlungen für die Implementierung von Predictive Analytics

5 Praxistest von Predictive Analytics
5.1 Excel Data Mining Add-In
5.2 RapidMiner
5.3 Zwischenergebnis Praxistest

6 Fazit
6.1 Zusammenfassung und Erläuterung der Ergebnisse
6.2 Kritische Würdigung
6.3 Ausblick

Literaturverzeichnis

Anhang

Anhangverzeichnis

Abbildungsverzeichnis Anhang

Abbildungsverzeichnis

Abbildung 1: Individualisiertes Controlling-Konzept

Abbildung 2: Schnittmenge Manager und Controller

Abbildung 3: Das IGC Controlling-Prozessmodell 2.0

Abbildung 4: Entwicklung der Datenanalyse

Abbildung 5: Einsatzgebiete von Business Intelligence und Business Analytics

Abbildung 6: Vegleich traditioneller Forecast und Predictive/Digital Forecast

Abbildung 7: Anwendungspotenzial von Predictive Analytics in bestimmten Aufgabenbereichen (1 = höchstes / 6 = niedrigstes)

Abbildung 8: Matrix zur digitalen Transformation

Abbildung 9: Digitale Transformation Roadmap

Abbildung 10: 4-E Prozess zur Implementierung von Predictive Analytics

Abbildung 11: Kontinuierlicher Verbesserungszyklus von Predictive Analytics Modellen

Abbildung 12: Visualisierung Ergebnis Vertriebs-Forecast mit RapidMiner

Abbildung 13: Ausschnitt Ergebnisse logistische Regression mit Excel Data Mining Add-In

Abbildung 14: Vorhersagemodell in RapidMiner

Abbildung 15: Visualisierung Ergebnis Vertriebs-Forecast mit RapidMiner

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Hinweise

Aus Gründen der besseren Lesbarkeit wird in der vorliegenden Masterarbeit auf die gleichzeitige Verwendung männlicher und weiblicher Sprachformen verzichtet. Es wird das generische Maskulinum verwendet, wobei beide Geschlechter gleichermaßen gemeint sind.

1 Einleitung

1.1 Ausgangssituation und Problemstellung

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.¹ „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.² 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.³

Die steigenden Datenmengen nutzbar zu machen ist wettbewerbskritisch und ermöglicht entscheidende Wachstumsimpulse.⁴ Dafür müssen die Daten aufbereitet, analysiert und genutzt werden. 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 jetziges und zukünftiges wirtschaftliches Umfeld. Dies ermöglicht wiederrum ökonomisch angemessenere Entscheidungen.⁵ Ein Instrument für die Analyse von großen heterogenen Datenmengen für die Vorhersage von zukünftigen Entwicklungen ist unter dem Begriff „Predictive Analytics“ (PA)⁶ bekannt. Aus aktuellen Studien geht hervor, dass PA vermehrt in Unternehmen eingesetzt wird.⁷ Dennoch steht der Einsatz von PA im Controlling noch am Anfang und es bestehen zahlreiche Herausforderungen und Risiken, die Unternehmen davon abhalten, PA zu implementieren.⁸ Daher werden die Potenziale der Anwendung von PA derzeit von Praktikern, Unternehmensberatern und Wissenschaftlern in Fachkreisen diskutiert.⁹ Dementsprechend ist es relevant die Vielzahl der Einsatzszenarien von PA im Controlling zu betrachten, um die sich daraus ergebenden Nutzenpotenziale in den verschiedenen Prozessen im Controlling zu untersuchen.

1.2 Zielsetzung

Diese Arbeit soll zur Bewältigung der skizzierten Problemstellung beitragen und dabei das Instrument PA beleuchten. Dabei soll in der zentralen Forschungsfrage geklärt werden, welche Nutzenpotenziale sich durch PA im Controlling ergeben. Ein weiteres Ziel ist es, Aufschlüsse über den aktuellen Forschungsstand von PA im Controlling zu geben, um nicht genutzte Potenziale offenzulegen. Darüber hinaus sollen die Auswirkungen, Herausforderungen und Risiken bei einer Implementierung von PA im Controlling ermittelt und bewertet werden. Der Einsatz von PA anhand von selbst durchgeführten Praxistests soll dazu dienen, Aufschlüsse über die Anwendbarkeit geben. Abschließend soll aufgezeigt werden, wie eine mögliche zukünftige Entwicklung aussehen könnte.

1.3 Aufbau und Methodik

Die vorliegende Arbeit ist in sechs Kapitel gegliedert. Die Einleitung dient zur allgemeinen Einführung in den behandelten Themenbereich. Im zweiten Kapitel werden die für diese Arbeit relevanten theoretischen Grundlagen erarbeitet. Dort soll zunächst ein allgemeines Verständnis von Controlling und den Hauptprozessen im Controlling vermittelt werden. Ein Einblick in die Digitalisierung im Controlling bildet die Überleitung zu PA. Hier werden die Grundlagen und der Zusammenhang zwischen Big Data und PA erläutert. Da es einige verwandte Themenfelder zu PA gibt, wird eine Einordnung, Abgrenzung und Klärung der Zusammenhänge vorgenommen. Zusätzlich wird die Entwicklung von PA dargelegt. Eine Vorstellung von relevanten Methoden schließt das Grundlagenkapitel ab. Im dritten Kapitel werden die Nutzenpotenziale von PA in Bezug auf die Hauptprozesse im Controlling untersucht. Am Ende dieses Kapitels werden im Rahmen eines Zwischenergebnisses die relevantesten Nutenpotenziale von PA identifiziert und im vierten Kapitel dem aktuellen Implementierungsstand gegenübergestellt. Des Weiteren werden im vierten Kapitel Herausforderungen vorgestellt, die bei der Umsetzung und Anwendung von PA zu beachten sind, um daraus anschließend Handlungsempfehlungen abzuleiten. In Kapitel fünf werden zwei PA-Softwarelösungen in der Praxis getestet, um die Anwendbarkeit bei ausgewählten Hauptprozessen im Controlling zu erforschen. Das letzte Kapitel beinhaltet eine Zusammenfassung der Ergebnisse, eine kritische Einschätzung der Beschränkungen dieser Arbeit und ein Ausblick auf die mögliche Entwicklung von PA im Controlling.

Zur Klärung der vorher genannten Zielsetzung wurde als Forschungsmethodik eine überwiegend qualitativ-deduktive Sekundärliteraturrecherche gewählt.¹⁰ Eine kritische Auseinandersetzung mit den Grundlagen bereits bestehender Erkenntnisse der Bereiche Controlling und PA soll mittels logischer Argumentation eine Ableitung der Nutzenpotenziale von PA für das Controlling ermöglichen. Als Forschungsgrundlage für diese Arbeit dient aktuelle Literatur in Form von, wissenschaftlichen und branchenspezifischen Fachzeitschriften, relevanten Monographien, anerkannten Studienergebnissen und soweit erforderlich, Beiträgen aus dem Internet. Überwiegend konzentriert sich diese Arbeit auf Quellen aus dem deutschsprachigen Raum und vereinzelte internationale Veröffentlichungen in englischer Sprache. Obwohl der Fokus auf deutschsprachige Literatur gelegt wird, sollten die erarbeiteten Erkenntnisse in der Praxis durch die Globalisierung der Unternehmenswelt international übertragbar sein.

2 Theoretische Grundlagen

Im Folgenden werden die Grundlagen und Begrifflichkeiten erläutert, die für diese Arbeit relevant sind. Dafür werden in Kapitel 2.1 zunächst die Grundlagen des Controllings vorgestellt, um anschließend in Kapitel 2.2 detailliert auf PA einzugehen.

2.1 Controlling

Dieses Kapitel soll einen Einblick in das Controlling bieten, indem zunächst auf die Grundlagen, Definitionen und Aufgaben des Controllings sowie die Abgrenzung zu der Berufsbezeichnung „Controller“ eingegangen wird. Es soll ein Einblick in ausgewählte Hauptprozesse des Controllings vermittelt werden. Im späteren Verlauf dieser Arbeit wird die Untersuchung der Nutzenpotenziale von PA anhand dieser ausgewählten Hauptprozesse erfolgen. Ein Ausblick auf die Digitalisierung im Controlling bildet die Überleitung zum Themenbereich PA.

Unternehmensführungen in fast allen Wirtschaftsbereichen sind mit einem zunehmend volatilen, unsicheren, komplexen und ambigen¹¹ Umfeld konfrontiert.¹² Vor diesem Hintergrund kommt Controlling eine zunehmend erfolgskritische Rolle für Unternehmen zu, um Führungshilfe im gesamten Prozess der betriebswirtschaftlichen Zielfindung, Planung und Steuerung zu leisten und ein schnelles Handeln am Markt zu ermöglichen.¹³

2.1.1 Grundlagen Controlling

„Controlling“ ist in der Wissens- und Wirtschaftspraxis ein junger Begriff und findet seine Ursprünge im 19. Jahrhundert in den USA.¹⁴ Ab den 1920er Jahren entstanden auf breiter Front Controllerstellen und das Controlling nahm deutlichere Ausprägungen an. Primär bei Tochtergesellschaften US-amerikanischer Konzerne entstanden ab 1950 erste Controlling-Funktionen im deutschsprachigen Raum. Ungefähr ab 1960 steigerte sich die Bekanntheit des Begriffs.¹⁵ Die Bedeutung und Verbreitung des Controllings hat seitdem in der Praxis sowie in der betriebswirtschaftlichen Forschung stark zugenommen.¹⁶ Einer von McKinsey durchgeführten Studie zufolge verfügten 1974 bereits 90% der deutschen Großunternehmen über Controllerstellen.¹⁷

Im deutschsprachigen Raum wird abgeleitet von „Control“ unter dem Begriff Controlling fälschlicherweise nur die Kontrolle (Prüfung und Vergleichsanalyse) verstanden. Die englischsprachige Literatur hat eine ungleich breitere Auffassung für „Control“ und neben der Kontrolle als Teildisziplin beinhaltet sie die Lenkung, Prüfung, Beherrschung, Steuerung und Regelung.¹⁸ Entsprechend hat hier der Controlling-Begriff eine weitreichendere Bedeutung und beinhaltet alle „devices that insure that it goes where it‘s leaders want it to go.“¹⁹,²⁰ Daher wird Controlling als ein Arbeitsbegriff aufgefasst, der in der Praxis unterschiedlichen Interpretationen unterliegt.²¹ An dieser Stelle ist auf Preißler zu verweisen, der sich hierzu folgendermaßen äußert: „Jeder hat seine eigene Vorstellung darüber, was Controlling bedeutet oder bedeuten soll, nur jeder meint etwas anderes.“²²

Dies zeigt sich in einer Vielzahl von Definitionsansätzen und Konzeptionen für das Controlling, die von vielen praxisnahen Wissenschaftlern und Organisationen entwickelt wurden.²³ Es konnte sich weder im internationalen noch im deutschsprachigen Raum eine allgemein anerkannte Definition für den Begriff „Controlling“ in der Literatur durchsetzen.²⁴ Daher wird im Folgenden der Controlling-Begriff anhand der entwickelten Definitionen einiger ausgewählter Autoren konzipiert.²⁵

Horváth et al. beschreiben Controlling als unterstützendes „Subsystem der Führung, das Planung und Kontrolle sowie Informationsversorgung systembildend und -koppelnd ergebniszielorientiert koordiniert und so die Adaptation und Koordination des Gesamtsystems unterstützt.“²⁶ Folglich wird Controlling auf zwei Führungsteilsysteme, nämlich das Planungs- und Kontrollsystem sowie das Informationsversorgungssystem begrenzt.

Nach Küpper et al. wird Controlling ebenfalls als Führungssystem mit einem Fokus auf die Koordinationsfunktion eingeordnet, doch im Gegensatz zu Horváth et al. wird sie die Koordination des gesamten Führungssystems mit eingeschlossen und das System um zusätzliche Funktionen erweitert. So werden die Personalführung und die Organisation des Unternehmens der Controlling-Funktion zugeordnet. Das Planungs- und Kontrollsystem wird zudem getrennt dargestellt. Durch diese Anpassungen hat sich das Controlling an allen Unternehmenszielen auszurichten.²⁷

Reichmann und Hoffjan sehen im Controlling „die zielbezogene Unterstützung von Führungsaufgaben, die der systemgestützten Informationsbeschaffung und Informationsverarbeitung zur Planerstellung, Koordination und Kontrolle dient; es ist eine rechnungswesen- und vorsystemgestützte Systematik zur Verbesserung der Entscheidungsqualität auf allen Führungsstufen der Unternehmung.“²⁸ Sie stützen ihre Aussagen auf einen kennzahlenbasierten Ansatz und sehen die Hauptaufgabe des Controllings in der Unterstützung des Managements auf allen Führungsebenen durch entsprechende Beschaffung, Verarbeitung und Kommunikation von Informationen.

Weber und Schäffer sind der Ansicht, dass die Rationalitätssicherung der Führung im Mittelpunkt vom Controlling steht. Zweckrationalität im Sinne dieses Verständnisses von Controlling zielt auf Effizienz und Effektivität des Handelns der Führung. Die Führungsebene ist nicht unfehlbar und Defizite können beispielsweise durch individuell begrenzte kognitive Fähigkeiten oder aus der eigenständigen Verfolgung von Zielen (basierend auf persönlichen Erfahrungen und/oder Emotionen) entstehen. Daher soll die Aufgabe des Controllings darin bestehen, Defizite und Denkfehler für die Unternehmensführung erkennbar zu machen, um diese zu minimieren oder ganz zu beseitigen.²⁹ Implizit wird dies ebenfalls von den anderen oben genannten Autoren mit einbezogen, da deren Ansätze zum Controlling-Begriff die Grundlagen der Rationalitätssicherung der Führung bilden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Individualisiertes Controlling-Konzept³⁰

Dieser Überblick zeigt wie unterschiedlich das Verständnis von Controlling ist. Hubert zufolge zeigen mehrere Fallstudien, dass sich alle genannten Controlling-Konzeptionen auf die betriebliche Praxis übertragen lassen. Da kein einheitliches Verständnis existiert, liegt die Vermutung nahe, dass Controlling nur abgestimmt auf die unternehmensindividuellen Bedürfnisse angewendet wird. Dafür werden die relevanten Teile der unterschiedlichen Konzeptionen ausgewählt und zu einer individuellen Konzeption zusammengefügt.³¹ Abbildung 1 stellt dar, wie am Beispiel der vorgestellten Konzeptionen ein individualisiertes Controlling-Konzept erstellt werden könnte.

Ergänzend kann die allgemeine Definition des internationalen Controller Vereins (ICV)³² und der International Group of Controlling (IGC)³³ aufgeführt werden: „Controlling ist der gesamte Prozess der betriebswirtschaftlichen Zielfindung, Planung und Steuerung eines Unternehmens. Controlling ist auf die Sicherstellung einer nachhaltigen, wirtschaftlichen Entwicklung des Unternehmens ausgerichtet und beruht auf der Wechselwirkung vielfältiger Regelkreise aus Zielfestlegung, Planung, Umsetzung, Messung und Verbesserung.“³⁴

Eine Besonderheit ist, dass sich allein im deutschsprachigen Raum das Begriffspaar Controlling und Controller etabliert hat.³⁵ International ist der Begriff „Controlling“ eher unüblich und es hat sich an dieser Stelle der Begriff „Management Accounting“ etabliert.³⁶ Zur Abgrenzung zwischen den Begriffen „Controlling“ und „Controller“ ist festzuhalten, dass „Controller“ für einen Berufsstand steht, der ein bestimmtes Aufgabenfeld des Controllings betreut.³⁷ Als Gesamtheit des Aufgaben- und Tätigkeitsspektrums, welches Controllern übertragen und/oder von diesen wahrgenommen wird, hat sich die Bezeichnung „Controllership“ im anglo-amerikanischen Sprachraum herausgebildet.³⁸ Controllership konnte sich jedoch nicht im deutschsprachigen Raum durchsetzen, sodass meist in der deutschsprachigen Literatur und in dieser Arbeit mit dem Begriff „Controlling“ die Funktion „Controllership“ gemeint ist.³⁹,⁴⁰

Ferner können mit Controlling die Tätigkeiten/Aufgaben selbst gemeint sein, welche als Aufgabenfeld aus der Schnittmenge von Controllern und Managern⁴¹ oder teilweise der Geschäftsleitung selbst resultieren, wie Abbildung 2 veranschaulicht.⁴²

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Schnittmenge Manager und Controller⁴³

Demgemäß ist Controlling keine Aktivität, die auf Controller oder andere spezialisierte Führungsdienstleister beschränkt ist.⁴⁴ Insbesondere in kleineren Betrieben ist die Controlling-Funktion eine zentrale Managementaufgabe und wird von der Unternehmensleitung oder weiteren Managern wahrgenommen. Oftmals ist erst ab 200 Beschäftigten zunehmend ein eigenständiger Controller für die Controllingaufgaben verantwortlich, welcher je nach Zielsetzung der Unternehmen mit unterschiedlichen Aufgabenschwerpunkten betraut wird.⁴⁵

In der Praxis sind die Tätigkeiten von Controllern sehr unterschiedlich und die Aufgaben reichen von der Buchhaltung bis zur Beratung des Top-Managements mit starkem faktischem Einfluss auf die Unternehmensführung.⁴⁶ Innerhalb des Controller-Leitbilds der IGC und ICV wird das Aufgabenfeld von Controllern beschrieben: „Controller gestalten und begleiten den Managementprozess der Zielfindung, Planung und Steuerung und tragen damit Mitverantwortung für die Zielerreichung.“⁴⁷ Diese Aufgabenfelder lassen sich in den genannten Konzeptionen erkennen.⁴⁸

Heutzutage hat sich das Controlling als bedeutende Funktion in Organisationen aller Größen und Branchen etabliert. Neben einer Ausbreitung auf unterschiedlichste Sektoren, wird das Controlling oftmals zusätzlich innerhalb der Organisationen (gerade bei größeren Organisationen) dezentralisiert und mit weiteren Teilgebieten eines Unternehmens kombiniert. Zu erwähnen sind beispielsweise das Personalcontrolling, das Finanzcontrolling oder das Vertriebscontrolling.⁴⁹ Sprachlich ist in diesem Zusammenhang oftmals eine Organisationseinheit gemeint (ebenso wie beispielsweise Marketing), welche verschiedene Aufgaben des Controllings wahrnimmt.

Hinsichtlich der organisatorischen Einordnung der Controller sowie der Ausgestaltung des Controllingsystems innerhalb der Unternehmen existieren in der Literatur mindestens genauso viele Ansätze wie für den Controllingbegriff. Auf eine detaillierte Betrachtung wird im Rahmen dieser Arbeit verzichtet.⁵⁰

2.1.2 Einführung in die Hauptprozesse des Controllings

Die Auswahl orientiert sich an dem allgemein anerkannten Controlling-Prozessmodell 2.0 der IGC. „Ziel des Controlling-Prozessmodells ist es, der Dokumentation, Analyse, Bewertung und Gestaltung von Controlling-Prozessen sowie der Kommunikation über Controlling-Prozesse zu dienen.“⁵¹ Diese prozessorientierte Betrachtung ermöglicht es, unabhängig von der organisatorischen Ausgestaltung, auf die Aufgaben des Controllings einzugehen.

Das Controlling-Prozessmodell aus Abbildung 3 unterscheidet zwischen Kernprozessen (dunkelblau), Prozessen in Kooperation mit anderen Unternehmensbereichen (hellblau), einem Prozess zur Weiterentwicklung des Controllings in Unternehmen (weiß) und funktionsbezogenen Querschnittsprozessen (grau).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Das IGC Controlling-Prozessmodell 2.0⁵²

Im Vergleich zum ersten Controlling-Prozessmodell⁵³ der IGC ist in der überarbeiteten Version Analytics als verbindendes Element zwischen Management- und Controlling-Prozessen enthalten. Dadurch werden die aktuellen Entwicklungen im Bereich Big Data und Analytics erfasst und entsprechend wird auch PA in diesem Modell mitberücksichtigt.⁵⁴,⁵⁵ Im Folgenden wird ein kurzer Überblick über die Hauptprozesse gegeben.⁵⁶

Strategische Planung:

Ziel der strategischen Planung ist die Unterstützung des Managements bei der langfristigen (in der Regel über drei Jahre) Existenzsicherung und Wertsteigerung des Unternehmens. Die strategische Planung ist wettbewerbsorientiert und es sollen bestehende Erfolgspotenziale gesichert sowie weiterentwickelt werden, während neue Erfolgspotenziale identifiziert und geschaffen werden. Im Rahmen der strategischen Planung erfolgt eine Analyse der aktuellen und zukünftigen internen und externen Unternehmenssituation sowie eine Bewertung von möglichen strategischen Handlungsalternativen.⁵⁷ Somit soll die strategische Planung den grundsätzlichen Orientierungsrahmen für zentrale Unternehmensentscheidungen festlegen und vorgeben, in welche wesentliche Richtung das Unternehmen sich bewegt.⁵⁸ Strategisches Controlling benötigt ein funktionierendes operatives Controlling, um darauf aufbauend eine stärkere Zukunftsorientierung des Controllings zu ermöglichen.⁵⁹

Planung, Budgetierung und Forecast:

Der Planungsprozess beinhaltet die operative Planung mit einem Planungshorizont von bis zu einem Jahr sowie die taktische Planung mit einem Planungshorizont von ein bis drei Jahren. Somit unterstützt der Hauptprozess Planung, Budgetierung und Forecast das Management mit der Bereitstellung von Informationen für kurz- bis mittelfristige Ziele.

Die Planung und Budgetierung stellt eine Verbindung zwischen den kurz- und mittelfristigen Zielen einerseits und den aus der strategischen Planung abgeleiteten langfristigen Zielen andererseits dar. Es soll eine aktive und systematische Auseinandersetzung mit Zielen und Maßnahmen in Organisationseinheiten gefördert werden. Dafür werden Ziele und Maßnahmen evaluiert, Ressourcen zugeordnet und finanzielle Größen (z.B. Umsatz, Kosten oder Gewinn) für das Unternehmen als Ganzes sowie für einzelne Einheiten bestimmt, um aufzuzeigen wie die gesetzten Ziele erreicht werden können. Bestandteile sind unter anderem GuV, Bilanz oder Cashflow.⁶⁰ Das Budget beinhaltet den zahlenmäßigen Teil der Planung und kann perioden-, projekt- oder prozessbezogen sein. Somit wird durch die Planung und Budgetierung ein Orientierungsgerüst für die Steuerung, Koordination und Entscheidungsfindung mit kurz- bis mittelfristigem Zeithorizont geschaffen.⁶¹

Innerhalb des Forecasts erfolgt eine Einschätzung der zukünftigen wirtschaftlichen Entwicklung und deren Auswirkung auf Ziele, Pläne und Budgets. Der Forecast kann sowohl regelmäßig (Standard-Forecast) als auch unregelmäßig (Ad-hoc-Forecast) erstellt werden und beinhaltet finanzielle sowie nicht-finanzielle Informationen. Forecasts sollen frühzeitig Informationen über zukünftig zu erwartende Abweichungen von der Planung liefern, um zielgerichtete Maßnahmen zur Schließung von Ziellücken zu entwickeln und das Budget zeitnah bei veränderten Rahmenbedingungen anzupassen.⁶²

Projekt- und Investitionscontrolling:

Das Projekt- und Investitionscontrolling wird zusammen betrachtet, da PA einige vergleichbare Einflüsse auf beide Hauptprozesse hat (siehe Kapitel 3.2).⁶³ Das Projekt- und Investitionscontrolling soll das Management bei Planung, Bewertung, Priorisierung, Auswahl sowie Durchführung und Steuerung von Projekten und Investitionen unterstützen. Dies beinhaltet die Betreuung nach Abschluss der jeweiligen Vorhaben. Das Projekt- und Investitionscontrolling optimiert die Managementprozesse hinsichtlich der Zielsetzung und Zielerreichung. Dafür werden Soll-Ist-Vergleiche (Qualitäts-, Zeit- und Kostenziele) erstellt, um Transparenz hinsichtlich der Ergebnisse und der Wirtschaftlichkeit zu schaffen. Abweichungen werden analysiert und Konsequenzen bewertet, um Korrekturen sowie Maßnahmen vorzuschlagen und zu überwachen. Darüber hinaus werden zur Durchführung einer effizienten Projekt- und Investitionsabwicklung grundlegende Strukturen und Prozesse geschaffen.⁶⁴

Kosten-, Leistungs- und Ergebnisrechnung:

Ziel der Kosten-, Leistungs- und Ergebnisrechnung (KLE) „ist die Schaffung von Transparenz durch eine sachgerechte Zuordnung von Kosten, Leistungen und Erlösen zu entsprechenden Objekten (z.B. Produkte oder Unternehmensbereiche), um Entscheidungen und Verantwortlichkeiten hinsichtlich Kosten, Leistungen und Ergebnissen zu unterstützen.“⁶⁵ Es wird ein Blick auf Produkte oder Dienstleistungen bzw. auf aggregierter Ebene Produktgruppen oder ergebnisverantwortliche Einheiten, wie Geschäftsbereiche gewährleistet. Das Controlling übernimmt hierbei die Erfassung, Verteilung, Zuordnung, Auswertung und Kontrolle von Kosten, Leistungen und Ergebnissen. Die Erkenntnisse unterstützten das Management bei finanzwirtschaftlichen Entscheidungssituationen in der operativen Planung und regen zu Korrekturmaßnahmen an. Darüber hinaus unterstützt die KLE die Erfüllung rechtlicher Rahmenbedingungen⁶⁶.⁶⁷

Management Reporting und Business Partnering:

PA hat einige vergleichbare Einflüsse auf die Beratungs- und Informationsversorgungsfunktionen der Hauptprozesse Management Reporting und Business Partnering, weswegen diese Prozesse ebenfalls zusammen betrachtet werden. Hierauf wird in Kapitel 3.4 näher eingegangen.

Das Management Reporting ist Bestandteil des Informationsversorgungssystems eines Unternehmens und stellt Entscheidungsträgern empfängerspezifische Informationen auf Abruf bereit. Diese Informationen werden im Rahmen der Planung, Budgetierung und des Forecasts sowie der Kostenrechnung generiert und unterstützen das Management im Führungsprozess.⁶⁸ Es werden finanzielle sowie nicht-finanzielle Informationen in den Dimensionen „Ist“, „Ist Vorjahr“, „Plan“, „Soll“ und „Forecast“ in Form von regelmäßigen und Ad-hoc-Berichten bereitgestellt, um die unternehmensweite Transparenz sicherzustellen. Bei identifizierten Abweichungen werden konkrete Vorschläge zur Gegensteuerung gemeinsam vom Controlling und Management erarbeitet und abgestimmt.⁶⁹

Business Partnering bezieht sich auf die Interaktion zwischen Controllern und Managern. Dabei wird sich an den gesamten Führungsaufgaben der Manager orientiert. Alle Führungshandlungen haben ökonomische Auswirkungen, weswegen keine ausgeschlossen werden dürfen.⁷⁰ Durch die betriebswirtschaftliche Beratung und Führung wird das Ziel verfolgt, die Rationalität von Entscheidungen innerhalb des Management-Prozesses sicherzustellen. Controller unterstützen hierfür das Management mit zweckmäßigen Instrumenten und entscheidungsrelevanten Informationen sowie dem Aufzeigen von Handlungsalternativen und deren Auswirkungen. Sie identifizieren gezielt Anpassungsbedarf in etablierten Prozessen und begleiten betriebswirtschaftlich die Umsetzung von Projekten. Das Business Partnering schafft dabei bereichsübergreifend Transparenz bezüglich Strategie, Ergebnis, Finanzen und Prozessen.⁷¹

Risikocontrolling:

Risikocontrolling ist ein Themengebiet an der Schnittstelle von Risikomanagement und Controlling. Die Ziele des Risikocontrollings lassen sich vom Risikomanagement ableiten. Das Risikomanagement soll zukünftige risikobehaftete Entwicklungen so früh wie möglich erkennen, um diese zu beurteilen, zu steuern und fortlaufend zu überwachen, damit die Unternehmensexistenz langfristig gesichert werden kann.⁷² Das Risikocontrolling übernimmt die Planung, Analyse, Bewertung, Steuerung und Kontrolle dieser Sachverhalte und ermöglicht eine verständliche Auswertung für das Risikomanagement. Die Entscheidungen werden final vom Risikomanagement getroffen. Um eine effiziente und effektive Entscheidungsfindung zu ermöglichen, werden vom Risikocontrolling die benötigten technischen Strukturen und Instrumente aufgebaut.⁷³ Darüber hinaus werden geeignete Risikoabwehrmaßnahmen erarbeitet und evaluiert.⁷⁴

Datenmanagement:

Das Datenmanagement ist eine Schnittstelle zwischen Datenerhebung und Datenverwendung. Das Ziel des Datenmanagements ist es sicherzustellen, dass alle Informationen, die das Management benötigt, in belastbarer Qualität verfügbar sind.⁷⁵ Ein optimiertes Datenmanagement wirkt sich durch eine verbesserte Entscheidungsgrundlage des Managements auf die gesamte Unternehmenssteuerung aus. Daten verändern sich in der heutigen Zeit sehr schnell, weswegen sie fortlaufend beschafft und aufbereitet werden müssen. Da sich die Unternehmen und deren Umfeld zudem permanent ändern, muss sichergestellt werden, dass die technische Basis laufend an die aktuellen Bedürfnisse und Rahmenbedingungen angepasst wird.⁷⁶

Weiterentwicklung von Organisation, Prozessen, Instrumenten und Systemen:

Die Zielsetzung des Weiterentwicklungsprozesses ist die kontinuierliche Weiterentwicklung der Controlling-Prozesse, -Instrumente, -Strukturen und -Systeme innerhalb einer Organisation, um eine Steigerung der Effektivität und Effizienz des Controllings zu erreichen. Neben der Weiterentwicklung dieser Bereiche muss geprüft werden welche Prozesse und Felder ganz entfallen können. Auch die Weiterentwicklung der Controlling-Stelle selbst ist in diesem Prozess inbegriffen.⁷⁷

2.1.3 Digitalisierung im Controlling

Kaum ein anderer Begriff genießt derzeit gleichermaßen einen derart hohen Stellenwert in der Politik, Wirtschaft und Wissenschaft wie die Digitalisierung.⁷⁸ Dennoch oder gerade wegen der Breite der Themenbereiche ist keine einheitliche terminologische Definition des Begriffs vorzufinden. Eine detaillierte Begriffsanalyse würde jedoch den Rahmen der vorliegenden Arbeit sprengen und wird daher im weiteren Verlauf nicht näher beleuchtet.⁷⁹ Stattdessen orientiert sich das Begriffsverständnis in dieser Arbeit an Petersen, der Digitalisierung als weitgehende Ausbreitung der Informationstechnologie mit all ihren ökonomischen, sozialen und politischen Konsequenzen bezeichnet, die sowohl Chancen als auch Risiken bedeuten können.⁸⁰

Die Digitalisierung ist kein neues Phänomen und täglich arbeiten Unternehmen mit konkreten Projekten daran, ihren Sprung ins digitale Zeitalter voranzutreiben.⁸¹ Das Controlling wird sich ebenfalls in erheblichem Maße ändern, da die Digitalisierung sich auf sämtliche Prozesse im Regelkreis der Unternehmenssteuerung auswirkt.⁸² Neue Informationstechnologien sind dabei der Treiber für die Digitalisierung im Controlling.⁸³

Die mit der Digitalisierung einhergehende Automatisierung, insbesondere von standardisierten Tätigkeiten, führt auf der einen Seite zu Einsparpotenzialen bei der Nutzung von Humanressourcen. Auf der anderen Seite ergibt sich das Potenzial, qualifizierte Controller von Routineaufgaben zu entlasten und dadurch Spielraum für strategisch relevantere Tätigkeiten zu schaffen.⁸⁴ Der CFO-Studie 2018 von Horváth & Partners zufolge wird von Führungskräften aus dem CFO-Bereich der Wandel der Unternehmenssteuerung von reaktiv-analytisch zu proaktiv-prognostizierend als bedeutendster (97%) Trend in der Digitalisierung angesehen.⁸⁵ Durch Automatisierung und Proaktivität muss das Controlling agiler und flexibler werden, um kurzfristig relevante Kennzahlen auszuwerten und für das Management unternehmenszielorientiert zu interpretieren.⁸⁶ PA gehört zum proaktiv-prognostizierenden Themenbereich und die beschriebene Entlastung von Controllern kann genutzt werden, um Kompetenzen in diesem Bereich aufzubauen.

2.2 Predictive Analytics

Seit jeher ist die datenbasierte Analyse, Planung und Steuerung zentraler Bestandteil des Controllings. Die zunehmende Verfügbarkeit von internen und externen Datenmengen stellt das Controlling jedoch vor große Herausforderungen. Moderne Datenanalysetechniken werden somit immer relevanter und bieten eine steigende Vielzahl an Einsatzmöglichkeiten.⁸⁷ Laut einer Studie von Seagate Technology und dem unabhängigen Marktforschungsunternehmens IDC aus dem Jahr 2020 wird die Menge der Unternehmensdaten voraussichtlich in 2021 und 2022 um 42,2% pro Jahr zunehmen.⁸⁸ Allerdings bedeutet diese Steigerung der Datenmengen nicht automatisch, dass ein Mehrwert für Unternehmen generiert wird. Erst durch den Einsatz moderner Datenanalysetechniken können zusätzliche Erkenntnisse und Informationen aus großen Datenmengen gewonnen werden. Traditionelle Analysetechniken⁸⁹ können häufig nicht mit den großen Datenmengen Schritt halten, weswegen moderne Herangehensweisen wie PA benötigt werden, um sich mit den Datenmengen auseinanderzusetzen.⁹⁰

2.2.1 Grundlagen von Predictive Analytics

PA ist ein Instrument der Unternehmensplanung und beschreibt mathematische sowie statistische Methoden, die Beziehungen in Daten identifizieren und darauf aufbauend die Wahrscheinlichkeiten für zukünftige Ereignisse, Entwicklungen und Trends vorhersagen.⁹¹ Die dafür verwendeten Analysewerkzeuge, wie selbstlernenden Algorithmen (Machine Learning⁹² ), statistische Modelle und Methoden werden unter dem Begriff Data Mining zusammengefasst.⁹³,⁹⁴ Ergänzend kommen weitere Verfahren zur Aufbereitung und Generierung von Daten zum Einsatz, wie beispielsweise Text Mining, wobei unstrukturierte Textinformationen (z.B. Artikel oder Blogs) ausgewertet werden. Die durch PA erstellten Zukunftsprognosen sollen eine höhere Genauigkeit als traditionell erstellte Prognosen aufweisen, welche unter anderem basierend auf Expertenerfahrungen erstellt werden.⁹⁵

Moderne Datenanalysen wie PA sind relativ neu und die Datenanalysen haben laut Davenport eine dreistufige Entwicklungsphase durchlaufen, bis der Fokus auf zukunftsorientierten Analysen lag, wie in Abbildung 4 zu sehen ist.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Entwicklung der Datenanalyse⁹⁶

In der ersten Phase wurden interne und strukturierte Informationen zur Berichtserstattung über vergangene Ereignisse genutzt. Vorhersagende Analysen kamen hier kaum zum Einsatz. Phase zwei beschreibt die Integration von Unternehmensdaten mit externen und unstrukturierten Informationen sowie die Anwendung neuer analytischen Methoden, um größere Datenmengen zu verarbeiten. Weiterhin lag der Fokus auf deskriptiven Analysen über vergangene Vorgänge, es konnten jedoch unstrukturierte Daten mit einbezogen und in Echtzeit ausgewertet werden. Seit 2014 befinden wir uns laut Davenport im Übergang zur dritten Entwicklungsphase. In dieser Phase werden die meisten Entscheidungen auf Basis von Daten getroffen und die Erfahrungen von Managern werden zur Validierung der Ergebnisse von Datenanalysen genutzt. Deskriptive Analysen spielen in dieser Phase nur noch eine untergeordnete Rolle und der Einsatz von prädiktiven Analysen wie PA steht im Vordergrund. Je nach Zielsetzung werden strukturierte und unstrukturierte sowie interne und externe Daten bei der Datenanalyse kombiniert. Zudem findet ein kultureller Wandel statt und deskriptive sowie vorausschauende Analysen werden bereits in die Entscheidungs- und Betriebsprozesse eingebunden.⁹⁷ Treiber für diese Entwicklung sind ein steigender Wettbewerbsdruck sowie wachsende Datenmengen⁹⁸ (Big Data – siehe Kapitel 2.2.2) und die Erkenntnis, dass diese Daten gewinnbringend genutzt werden können, um sich einen Wettbewerbsvorteil zu verschaffen. Schnellere und kostengünstigere Computer sowie eine steigende Anzahl benutzerfreundlicher analytischer Werkzeuge und komplementärer Technologien (z.B. Cloud-basierte Anwendungen) ermöglichen eine einfachere Handhabung mit den Datenmengen. Darüber hinaus lässt sich eine Zunahme an Fachkräften für das PA-Anwendungsfeld feststellen.⁹⁹ Eine Rückkehr zu Zeiten mit weniger Daten und einem einfacheren Wettbewerbsumfeld sind zudem nicht absehbar. Die Verantwortung flexible Lösungen zu finden, um mit dieser Situation umzugehen, liegt insbesondere im Controlling.¹⁰⁰

PA wird in verschiedenen Bereichen eingesetzt, wie beispielsweise Wissenschaft, Versicherungen, Finanzwesen, Forschung und Entwicklung, Marketing, Fertigungsindustrie und Gesundheitswesen.¹⁰¹ Darüber hinaus existieren viele Anwendungsbeispiele, wie personalisierte Werbung, Lagerbestandsmanagement, Instandhaltung, Wettervorhersagen für die Geschäftsplanung, Analyse von sozialen Netzwerken, Ableitung von Kaufempfehlungen basierend auf dem Kaufverhalten der Kunden, Betrugserkennung und Preisanalysen.¹⁰² Da der Fokus dieser Arbeit auf den Nutzenpotenzialen von PA im Controlling liegt, wird sich im Folgenden auf die Einsatzgebiete im Controlling bezogen.

Das Controlling fokussiert sich bei der Anwendung von PA oft auf die Eintrittswahrscheinlichkeiten von möglichen Trends, wie beispielsweise des zu erwartende Umsatzes in einer bestimmten Region.¹⁰³ Dafür werden aktuelle und vergangenheitsbezogene (historische) Daten mit statistisch-mathematischen Verfahren ausgewertet, um eine möglichst akkurate Prognose der Zukunft zu ermöglichen. Durch automatisierte Analysen und intelligente Algorithmen können dabei große Datenmengen verarbeitet werden. Interne Unternehmensdaten können durch externe und zuvor nicht verfügbar gemachte Daten ergänzt werden, um Zusammenhänge zu analysieren und die Vorhersagen zu verfeinern.¹⁰⁴

2.2.2 Zusammenhang Big Data und Predictive Analytics

Mit Big Data werden in der Literatur eine Vielzahl von Begriffen in Verbindung gebracht. Unter anderem werden mit Big Data digitale Technologien, die das Sammeln, Auswerten und Verwenden großer Datenmengen ermöglichen, beschrieben.¹⁰⁵ Hier lässt sich ein klarer Zusammenhang zwischen Big Data und PA erkennen. Daher wird der Begriff im Folgenden genauer beleuchtet, um zu untersuchen, ob sich Big Data für die Einordnung von PA eignet. Vom Bitkom wird der Begriff wie folgt definiert: „Big Data bezeichnet die wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfältigen und unterschiedlich strukturierten Informationen, die einem schnellen Wandel unterliegen und in bisher ungekanntem Umfang anfallen.“¹⁰⁶ Untersuchungen von Halevi und Moed haben ergeben, dass der Begriff Big Data in den 1970er Jahren entstand. Erst seit 2008 stieg jedoch die Zahl der Publikationen rasant an, was die steigende Relevanz der Nutzung immer größerer Datenmengen ab diesem Zeitpunkt verdeutlicht.¹⁰⁷

Eine weitere Bedeutung von Big Data, die häufig in der Literatur verwendet wird, ist die Beschreibung von Datenmengen, die so groß sind, dass sie nicht mit normaler Hard- und Software sowie herkömmlichen und manuellen¹⁰⁸ Methoden der Datenverarbeitung bewältigen werden können.¹⁰⁹ Diese Datenmengen zeichnen sich durch ihr großes Datenvolumen¹¹⁰, Datenarten und -vielfalt (interne/externe Daten sowie strukturierte/semi- und unstrukturierte¹¹¹ Daten), Geschwindigkeit (Generierung, Übertragung, Verfügbarkeit und Echtzeit Verarbeitung) sowie die Vertrauenswürdigkeit der Daten (Qualität und Sicherheit) aus.¹¹² Große Datenmengen entstehen durch viele verschiedene Quellen, wie beispielsweise Smartphones, das Internet, Sensoren, den Erwerb von Waren, Kundenkarten oder Soziale Netzwerke. Nach einer Statistik von Seagate soll das jährliche digitale Datenaufkommen bis 2025 auf 175 Zettabyte¹¹³ ansteigen.¹¹⁴ Vergleichsweise lag 2015 das jährliche Datenvolumen noch bei 8 Zettabyte.¹¹⁵ Aktuell wird prognostiziert, dass sich das digitale Datenaufkommen alle zwei bis drei Jahre verdoppelt.¹¹⁶

Ein weiteres Themenfeld von Big Data sind das Geschäft mit großen Datenmengen von Individuen, die im Internet gesammelt, zusammengefügt und anschließend verkauft werden.¹¹⁷ Darüber hinaus wird beispielsweise die Verletzung des Datenschutzes oder die Erstellung von individualisierter Werbung mit Big Data in Verbindung gebracht.¹¹⁸

Da der im Detail wenig präzise Begriff Big Data neben digitalen Analysetechnologien ebenfalls eine Vielzahl an weiteren Themenfeldern abdeckt, eignet er sich nicht gut genug für die Einordnung von PA. Es muss jedoch erwähnt werden, dass PA in der Literatur und im Sprachgebrauch häufig Big Data zugeordnet wird.¹¹⁹ Präzisere Begriffe sind Big Data Analytics oder Data Analytics, welche die Analytics-Bereiche von anderen Themenbereichen abgrenzen sollen.¹²⁰

2.2.3 Einordnung, Abgrenzung und Entwicklung von Predictive Analytics

In der analytischen und informationsbasierten Unternehmenssteuerung existieren einige mit PA verwandte Themenfelder, die sich ebenfalls mit der Nutzung und Analyse von Daten beschäftigen. Diese Themenfelder werden nachfolgend untersucht und von PA abgegrenzt, um das Verhältnis und den Zusammenhang zu erklären.

Für die Einordnung von PA in die von Davenport beschriebene Entwicklung bietet das Modell von Ereth und Kemper aus Abbildung 5 einen Orientierungspunkt.

[...]

---

¹ Vgl. Reitzenstein und Sdahl 2018, S. 10f.

² Vgl. Mollema 2019, S. 80.

³ Vgl. Jung 2014, S. 3.

⁴ Vgl. Seufert et al. 2018, S. 65.

⁵ Vgl. Tröbs und Mengen 2018, S. 8f.

⁶ Deutsch: vorhersagende oder prädiktive Analytik

⁷ Siehe Kapitel 4.1

⁸ Vgl. IDG Research Services 2018, S. 16–18; Vgl. Horváth & Partners 2020, S. 11f; Hochschule Ruhr West 2019, S. 55–58.

⁹ Vgl. Langmann 2018, S. 37.

¹⁰ Vgl. weiterführend Bendel 2021, S. 37–53; Kuß, Wildner und Kreis 2018, S. 35–45.

¹¹ Auch VUKA genannt. Bekannter ist jedoch das englische Akronym VUCA (volatility, uncertainty, complexity and ambiguity) vgl. Behringer 2021, S. 131.

¹² Vgl. Horváth, Gleich und Seiter 2020, S. 3–5.

¹³ Vgl. Heimel und Müller 2019, S. 390f.

¹⁴ Vgl. Weber und Schäffer 2016, S. 3f.

¹⁵ Vgl. Jung 2014, S. 3–5; Weber und Schäffer 2016, S. 7.

¹⁶ Vgl. Drews 2001, S. 20.

¹⁷ Vgl. Henzler 1974, S. 63. Befragt wurden 30 deutsche Großunternehmen mit einem Umsatz größer als 1 Mrd. DM.

¹⁸ Vgl. Horváth, Gleich und Seiter 2020, S. 13f; Jung 2014, S. 6.

¹⁹ Anthony und Govindarajan 2006, S. 3.

²⁰ Deutsch: Vorrichtungen und Mittel, die sicherstellen, dass es dorthin gelangt, wo die Führungskräfte es haben wollen.

²¹ Vgl. Jung 2014, S. 7.

²² Preißler 2020, S. 1.

²³ Vgl. Horváth, Gleich und Seiter 2020, S. 22.

²⁴ Vgl. Weber und Schäffer 2016, S. 1–8; Vgl. Horváth, Gleich und Seiter 2020, S. 1–5.

²⁵ Einen detaillierteren Überblick über vorhandene theoretische Konzeptionen bieten die Bände von Scherm und Pietsch 2004; Hubert 2018.

²⁶ Vgl. Horváth, Gleich und Seiter 2020, S. 80.

²⁷ Vgl. Küpper et al. 2013, S. 131–133.

²⁸ Reichmann und Hoffjan 2011, S. 13.

²⁹ Vgl. Weber und Schäffer 2016, S. 47f.

³⁰ Eigene Darstellung in Anlehnung an Hubert 2018, S. 16f.

³¹ Vgl. Hubert 2018, S. 8–17.

³² Interessenvertretung von Controllern, die in Unternehmen in verschiedenen europäischen Ländern tätig sind

³³ Gegründet auf Initiative des ICV zur Festlegung von Standards für grundlegende Fragen zum Controlling

³⁴ DIN 2009, S. 4.

³⁵ Vgl. Schöning und Mendel 2021, S. 8.

³⁶ Vgl. Horváth, Gleich und Seiter 2020, S. 14–16.

³⁷ Vgl. ebd., S. 14; Weber und Schäffer 2016, S. 1–3; Drews 2001, S. 21.

³⁸ Vgl. Buchholz 2019, S. 13; Küpper et al. 2013, S. 35.

³⁹ Vgl. Schöning und Mendel 2021, S. 8; Risak und Deyhle 1991, S. 364f.

⁴⁰ Sofern bei dieser Arbeit institutionelle Aspekte angesprochen werden, wird explizit darauf hingewiesen.

⁴¹ Manager im Sinne dieses Zusammenhangs sind alle Mitarbeiter, die an der Steuerung und Regelung des Unternehmens aktiv beteiligt sind Vgl. ICV und IGC 2012, S. 4f.

⁴² Vgl. weiterführend Weber und Schäffer 2016, S. 3–18; Heimel und Müller 2019, S. 391–393.

⁴³ ICV und IGC 2012, S. 4.

⁴⁴ Vgl. Weber und Schäffer 2016, S. 34; Buchholz 2019, S. 13.

⁴⁵ Vgl. Jung 2014, S. 8f.

⁴⁶ Vgl. Behringer 2021, S. 3.

⁴⁷ ICV und IGC 2013, S. 1.

⁴⁸ Vgl. weiterführend ICV und IGC 2012, S. 2–8; ICV und IGC 2013, S. 1.

⁴⁹ Vgl. weiterführend Weber und Schäffer 2016, S. 483–489.

⁵⁰ Vgl. weiterführend Horváth, Gleich und Seiter 2020, S. 363–466; Weber und Schäffer 2016, S. 483–488.

⁵¹ IGC 2017, S. 18.

⁵² IGC 2017, S. 20.

⁵³ Vgl. IGC 2011, S. 18–21.

⁵⁴ Vgl. IGC 2017, S. 3f. sowie S. 25-28.

⁵⁵ Die Einordnung und Abgrenzung von PA zu Analytics erfolgt im Kapitel 2.2.2

⁵⁶ Vgl. weiterführend zu den jeweiligen Hauptprozessen IGC 2017, S. 29–70.

⁵⁷ Vgl. IGC 2017, S. 29f.

⁵⁸ Vgl. Rieg 2015, S. 10.

⁵⁹ Vgl. Preißler 2020, S. 5f.

⁶⁰ Vgl. IGC 2017, S. 32–34.

⁶¹ Vgl. Jung 2014, S. 384f.

⁶² Vgl. IGC 2017, S. 36f.

⁶³ Wie schon im ursprünglichen Controlling-Prozessmodell vgl. IGC 2011, S. 11.

⁶⁴ Vgl. IGC 2017, S. 39f. sowie S. 52f; Fiedler 2020, S. 11f.

⁶⁵ IGC 2017, S. 42.

⁶⁶ Wie beispielsweise Transferpreiskalkulationen oder Bestandsbewertungen

⁶⁷ Vgl. IGC 2017, S. 42–44.

⁶⁸ Vgl. Horváth, Gleich und Seiter 2020, S. 399.

⁶⁹ Vgl. IGC 2017, S. 45f.

⁷⁰ Vgl. Weber und Schäffer 2016, S. 35.

⁷¹ Vgl. IGC 2017, S. 49f.

⁷² Vgl. Reichmann und Hoffjan 2011, S. 569f.

⁷³ Vgl. Wolke 2016, S. 1–3.

⁷⁴ IGC 2017, S. 54f.

⁷⁵ Vgl. Langmann 2019, S. 8.

⁷⁶ Vgl. IGC 2017, S. 57f.

⁷⁷ Ebd., S. 60f.

⁷⁸ Vgl. Güler 2021, S. 1.

⁷⁹ Vgl. weiterführende Literatur zur Digitalisierung in Bezug auf das Controlling Schöning und Mendel 2021, S. 68–81; Langmann 2019, S. 5–48; Obermaier 2019, S. 107–136; Keimer und Egle 2020, S. 1–14; Güler 2021, S. 2–5.

⁸⁰ Vgl. Petersen 2020, S. 13f.

⁸¹ Vgl. Kieninger und Schimank 2017, S. 4.

⁸² Vgl. Nobach, Zirkler und Hofmann 2020, S. 56; Weber und Schäffer 2016, S. 9.

⁸³ Vgl. Kieninger und Schimank 2017, S. 6.

⁸⁴ Vgl. Kesten 2019, S. 45.

⁸⁵ Vgl. Horváth & Partners 2018, S. 5.

⁸⁶ Vgl. Horváth, Gleich und Seiter 2020, S. 158.

⁸⁷ Vgl. Kirchberg und Müller 2016, S. 92.

⁸⁸ Vgl. Seagate Technology 2020.

⁸⁹ Hierauf wird in Kapitel 2.2.2 noch näher eingegangen.

⁹⁰ Vgl. Nobach, Zirkler und Hofmann 2020, S. 57f.

⁹¹ Vgl. Behringer 2021, S. 129f; vgl. Langmann 2018, S. 37f; Erichsen 2019, S. 4.

⁹² Verknüpfung von Statistik, Informatik und künstlichen Intelligenz (KI), um IT-Systeme zu erstellen, die automatisch Muster und Zusammenhänge aus Daten erkennen und sich selbstgesteuert verbessern. Vgl. Heimel und Müller 2019, S. 407; Güler 2021, S. 8.

⁹³ Für diese Arbeit relevante Methoden und Algorithmen werden in Kapitel 2.2.3 vorgestellt.

⁹⁴ Vgl. Langmann 2018, S. 37; Reitzenstein und Sdahl 2018, S. 10; Gronwald 2015, S. 52.

⁹⁵ Vgl. Siegel 2016, S. 116f.

⁹⁶ Davenport 2013, S. 32.

⁹⁷ Davenport 2013, S. 9–17.

⁹⁸ Hierauf wird detailliert in Kapitel 2.2.2 eingegangen.

⁹⁹ Vgl. Satzger, Holtmann und Peter 2015, S. 229f.

¹⁰⁰ Vgl. Langmann 2019, S. 13–17.

¹⁰¹ Vgl. McCarthy et al. 2019, S. 2–6.

¹⁰² Vgl. Siegel 2016, S. 6–12.

¹⁰³ Vgl. Langmann 2019, S. 22–24.

¹⁰⁴ Vgl. Buschbacher 2016, S. 42f.

¹⁰⁵ Vgl. Gadatsch und Landrock 2017, S. 6–8.

¹⁰⁶ Bitkom 2012, S. 7.

¹⁰⁷ Vgl. Halevi und Moed 2012, S. 3–5.

¹⁰⁸ Händische Aufbereitung sowie manuelle Hochrechnung der Daten.

¹⁰⁹ Vgl. Gadatsch und Landrock 2017, S. 2–4.

¹¹⁰ Schwelle für ein Big Data Datenvolumen ist nicht eindeutig definiert. Laut Gadatsch und Landrock liegt es im Terabytes (1.000.000 MB) oder Petabytes (1.000.000.000 MB) Bereich und wird zukünftig weiter steigen (vgl. ebd., S. 4).

¹¹¹ Daten, die in einer nicht identifizierbaren Datenstruktur vorliegen und somit nicht leicht in eine analysefähige Form gebracht werden können. Beispiel: Bilder, Tonaufnahmen, Videos oder Textdokumente (vgl.Gronwald 2015, S. 126f.).

¹¹² Vgl. Horváth, Gleich und Seiter 2015, S. 65f.

¹¹³ Ein Zettabyte entspricht 1.000.000.000.000.000.000.000 MB

¹¹⁴ Vgl. Seagate Technology 2018.

¹¹⁵ Vgl. Rajaraman 2016, S. 695.

¹¹⁶ Vgl. McKinsey & Company 2016; Seagate Technology 2018.

¹¹⁷ Vgl. Hutzschenreuter 2015, S. 200.

¹¹⁸ Vgl. Schön 2018, S. 414–418.

¹¹⁹ Vgl. Gadatsch und Landrock 2017, S. 13; Arns und Heupel 2019, S. 63f.

¹²⁰ Vgl. Mohbey, Pandey und Rajput 2020, S. 2; Seufert und Treitz 2017, S. 71–73.