Die Arbeit befasst sich mit dem Einsatz von Predictive Analytics innerhalb der Unternehmensfunktion „Controlling“. Konkret setzt diese sich mit der Analyse des Einsatzpotentials von Predictive Analytics anhand operativer, controllingseitiger Planungsprozesse auseinander. Dazu erfolgt im ersten Schritt die Vorstellung von Predictive Analytics, welche Aspekte rund um Big Data, Machine Learning und Data Mining abdeckt. Im zweiten Schritt wird die Planung konkretisiert, indem Grundlagen der Planung, Problemfelder der Planung sowie drei verschiedene, operative Planungsprozesse präsentiert werden. Im letzten Schritt werden die Themengebiete kombiniert, indem Berührungspunkte von Predictive Analytics auf Grundlage der Problemfelder der Planung sowie der Gemeinsamkeiten der Planungsprozesse analysiert werden und zu sowohl Nutzungspotentialen als auch Herausforderungen führen.
Es kam zum Vorschein, dass die Anwendung von Predictive Analytics durchaus einsetzbar ist und großes Verbesserungspotential für betroffenen Problemfelder der Planung verspricht. Allerdings stehen dem Einsatz Herausforderungen gegenüber, welche gegenüber dem Nutzen abgewogen werden müssen. Mittelfristig wird eine intensive Diskussion über die Integration von Predictive Analytics empfohlen.
Inhaltsverzeichnis
1 Problemstellung
2 Predictive Analytics
2.1 Einführung in Predictive Analytics
2.2 Einflussgröße: Big Data
2.3 Data Mining
2.4 Machine Learning
3 Predictive Analytics im Planungsprozess
3.1 Planung als Bestandteil des Controllings
3.2 Operative Planungsprozesse des Controllings
3.3 Berührungspunkte im Planungsprozess
3.4 Praxisorientierte Implementierungsansätze von Predictive Analytics
3.5 Nutzungspotentiale und Herausforderungen von Predictive Analytics
4 Fazit
Zielsetzung & Themen
Die vorliegende Arbeit analysiert das Einsatzpotential von Predictive Analytics im Kontext operativer Planungsprozesse im Controlling. Ziel ist es, aufzuzeigen, wie datengetriebene Analysen bestehende Planungsprobleme wie Inflexibilität und Ressourcenintensität minimieren können, um den Übergang von einer reaktiven zu einer proaktiven Unternehmenssteuerung zu unterstützen.
- Grundlagen von Predictive Analytics, Data Mining und Machine Learning.
- Strukturen und Problemfelder operativer Planungsprozesse.
- Integration von Predictive Analytics-Methoden in die Planungspraxis.
- Ableitung von Nutzungspotentialen und notwendigen Implementierungsschritten.
Auszug aus dem Buch
Predictive Analytics
Wie in der Problemstellung beschrieben, wird sich dieses Kapitel mit der thematischen Auseinandersetzung rund um die Themenwelt von Predictive Analytics befassen. Trotz der hohen Komplexität von Predictive Analytics wird ein Themeneinstieg geschaffen, der die grundlegenden Aspekte abdeckt. Zunächst wird mit einer Einordnung von Predictive Analytics in Advanced Analytics eingeführt bis im nächsten Schritt eine bedeutsame Einflussgröße von Predictive Analytics, die Rede ist von Big Data, und dessen Relevanz thematisiert wird. Hiernach wird der Fokus auf die beiden zentralen Bestandteile, Data Mining und Machine Learning, gelegt, indem Grundlagen und Analysekategorien erläutert werden. Die Vorstellung von algorithmischen Methoden aus dem Machine Learning vollendet den Einstieg in das Themengebiet von Predictive Analytics.
Im Zeitalter der Digitalisierung ist die Transformation von analogen Objekten oder Prozessen in digitale Formate sowohl in Unternehmen als auch in der Gesellschaft stets präsent. Oftmals wird im Kontext der Digitalisierung auch von Industrie 4.0 gesprochen. Unter diesem Begriff versteht sich grundsätzlich die intelligente Konnektivität von Maschinen und Prozessen mit der Unterstützung von innovativen Informations- und Kommunikationstechnologien. Diese Vernetzung generiert wesentliche Vorteile, um u.a. Produktionsabläufe zu optimieren oder Produkte mittels Datenanalysen zu verbessern. Des Weiteren kennzeichnen weitere Komponenten die Charakteristik der Industrie 4.0. Das Internet der Dinge und Dienste, Big Data, cyberphysische Systeme, Smart Factory, Wertschöpfungsnetzwerke und individualisierte Produkte umfassen einige Inhalte, die im Zusammenhang mit Industrie 4.0 stehen. Besonders die Komponente Big Data, welche in Kapitel 2.2 näher betrachtet wird, kristallisiert sich hier als ein bedeutendes Themenfeld heraus. Infolge der wachsenden Datenmengen steigt die Bedeutung von Datenanalysen an, weil diese wesentliche Nutzungspotentiale generieren können. An dieser Stelle kann mithilfe von Predictive Analytics ein Ansatzpunkt bestimmt werden. Predictive Analytics ist eine Technologie, die in vielen Bereichen bisher nicht vollständig ausgeschöpft ist und in anderen Bereichen bereits Anwendung findet. Wie in der Problemstellung erwähnt, findet Predictive Analytics bereits in Produktionen unter dem Ausdruck „Predictive Maintenance“ Anwendung.
Zusammenfassung der Kapitel
1 Problemstellung: Dieses Kapitel führt in den technologischen Wandel und die Bedeutung von Predictive Analytics im Controlling ein.
2 Predictive Analytics: Es werden die Grundlagen, Einflussgrößen wie Big Data sowie Techniken wie Data Mining und Machine Learning erläutert.
3 Predictive Analytics im Planungsprozess: Das Kapitel analysiert operative Planungsprozesse und integriert Predictive Analytics-Methoden zur Verbesserung der Planungspraxis.
4 Fazit: Zusammenfassung der wesentlichen Erkenntnisse und Schlussfolgerungen zur Zukunftsfähigkeit von Predictive Analytics im Controlling.
Schlüsselwörter
Predictive Analytics, Controlling, Operative Planung, Big Data, Data Mining, Machine Learning, Digitalisierung, Industrie 4.0, Planungsprozess, Effizienzsteigerung, Datenmanagement, Algorithmen, Automatisierung, Szenarienanalyse, Unternehmenssteuerung.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Bachelorarbeit untersucht das Einsatzpotential von Predictive Analytics, um operative Planungsprozesse im Controlling zu optimieren und zukunftsfähig zu gestalten.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen die technologischen Grundlagen von Predictive Analytics, die Analyse operativer Controlling-Planungsprozesse sowie Strategien zur Implementierung dieser neuen Analysemethoden.
Was ist das primäre Ziel der Arbeit?
Ziel ist die Analyse von Berührungspunkten und Einsatzmöglichkeiten für Predictive Analytics, um bestehende Defizite in der Planung, wie Inflexibilität oder hohe manuelle Aufwände, zu beheben.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer fundierten Literaturanalyse und einer deskriptiven Auseinandersetzung mit bestehenden Modellen und praxisorientierten Implementierungsleitfäden.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die technologische Fundierung (Kapitel 2) und die prozessuale Anwendung im Controlling (Kapitel 3), ergänzt um eine kritische Betrachtung der Herausforderungen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Begriffe sind Predictive Analytics, Controlling, operative Planung, Big Data, Machine Learning und Prozessautomatisierung.
Wie unterscheidet sich Predictive Analytics von klassischem Controlling?
Während klassisches Controlling oft vergangenheitsorientiert auf Ist-Daten basiert, ermöglicht Predictive Analytics eine zukunftsgerichtete Analyse, um Trends vorherzusagen und proaktiv steuernd einzugreifen.
Warum ist die Datenqualität für den Erfolg entscheidend?
Ohne qualitativ hochwertige und konsistente Daten liefern selbst die fortgeschrittensten Algorithmen ungenaue oder fehlerhafte Prognosen („Garbage-in, Garbage-out“-Prinzip).
Welche Rolle spielen externe Spezialisten bei der Implementierung?
Da in vielen Unternehmen das spezifische Know-how in den Bereichen IT, Statistik und dem fortgeschrittenen Datenmanagement noch aufgebaut werden muss, sind externe Experten oft Initialisierungshelfer.
Wird Predictive Analytics das Controlling komplett automatisieren?
Nein, die Arbeit stellt klar, dass es sich um eine Unterstützung zur Problemminimierung handelt, wobei der Controller künftig eher als Analyst fungiert, der die richtigen Fragen an die Systeme stellt.
- Arbeit zitieren
- Malte Dammeyer (Autor:in), 2020, Predictive Analytics im Controlling, München, GRIN Verlag, https://www.grin.com/document/1244782
