Diese Hausarbeit untersucht die Auswirkung der Verwendung von Big Data auf Prognosen und bewertet, ob Big Data diese tatsächlich verbessert.
Nach einer Einleitung in das Thema wird zunächst die Relevanz von Big Data verdeutlicht und der Begriff definiert. Anschließend erfolgt eine Erläuterung und Abgrenzung von Predictive Analytics. Darauf aufbauend wird der Predictive Analytics Prozess dargestellt und tiefgehend erklärt. Das nächste Kapitel beschreibt dann den Predictive Forecast und erläutert die Voraussetzungen für eine erfolgreiche Implementierung. Nachfolgend werden die Chancen und Risiken des Predictive Forecast dargestellt und durch ein Fallbeispiel verdeutlicht. Es folgt ein abschließendes Fazit.
Inhaltsverzeichnis
1 Einleitung
2 Definition und Relevanz von Big Data
3 Predictive Analytics
3.1 Definition und Abgrenzung von Predictive Analytics
3.2 Prozess zur Implementierung von Predictive Analytics
4 Predictive Forecast
4.1 Klassischer Forecast
4.2 Definition und Abgrenzung vom Predictive Forecast zum klassischen Forecast
4.3 Voraussetzungen für einen Predictive Forecast
4.4 Chancen und Risiken des Predictive Forecast
4.5 Fallbeispiel: Finanz-Forecast bei SAP
5 Fazit und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit untersucht, wie sich die Nutzung von Big Data auf Prognosen im Controlling auswirkt und ob diese durch den Einsatz moderner Analysemethoden tatsächlich verbessert werden können. Dabei steht die Gegenüberstellung von traditionellen Forecast-Methoden und datenbasierten Predictive-Analytics-Ansätzen im Fokus.
- Relevanz und Definition von Big Data sowie deren Eigenschaften
- Grundlagen und Implementierungsprozess von Predictive Analytics
- Abgrenzung zwischen klassischem Forecast und Predictive Forecast
- Voraussetzungen und Herausforderungen bei der Anwendung von Big Data
- Praktische Umsetzung anhand des Fallbeispiels SAP
Auszug aus dem Buch
4.2 Definition und Abgrenzung vom Predictive Forecast zum klassischen Forecast
Der Begriff Predictive Forecast vereint Predictive Analytics und den Forecast. Die Verknüpfung der Ansätze bietet sich an, da beide denselben Zweck verfolgen, nämlich das Vorhersagen von zukünftigen Ereignissen. In diesem Fall führt die Verwendung stochastischer Modelle, Data-Mining und Algorithmen zu einer effizienteren und präziseren Prognose. (Vgl. Mehanna / Müller / Tunco, 2015, S.29f.) Dabei werden „qualitativ-theoretische Ursache-Wirkungsketten sukzessive durch datenbasierte, quantitativ-statistische Zusammenhänge ersetzt und kontinuierlich auf ihre Validität hin überprüft.“ (Mehanna et al., 2015, S.30) Big Data und die steigende Komplexität der Unternehmensumwelt stellen neben den neuen Technologien die wesentlichen Treiber für einen Predictive Forecast dar. (Vgl. Mehanna et al., 2015, S.30) (Vgl. Nann/Eichenberger, 2018, S.7)
Klassische Forecasts sind auf internen Ist-Daten aufgebaut, welche linear fortgeschrieben werden und anschließend durch Experteneinschätzungen ergänzt und mit dem Top Management abgestimmt werden. Der Predictive Forecast bezieht zusätzlich externe unstrukturierte Daten (z.B. Trends in den sozialen Medien, demografischer Wandel etc.) in die Prognose mit ein. Predictive Analytics ermöglicht das Erkennen und Messen von komplexeren Wirkungsbeziehungen zwischen den Daten und lässt diese in die Prognose einfließen. Relevante Steuerungsgrößen wie z.B. die Absatzmenge oder der Auftragsbestand werden durch externe und interne Daten prognostiziert und in der langfristigen Perspektive zusammengeführt und integriert. (Vgl. Mehanna et al., 2016, S.504) Die Kombination von Predictive Analytics Modellen „ensemble modelling“ (s. Kapitel 3) ermöglicht präzise Ergebnisse, auch bei sich verändernden Rahmenbedingungen. Predictive Forecasts erhöhen die Transparenz der betriebswirtschaftlichen Zusammenhänge und ermöglichen eine objektive Entscheidungsgrundlage, wodurch unter anderem die Manipulationsgefahr reduziert wird (s. Kapitel 4.1). Durch die Verwendung von maschinellem Lernen werden die Prozesse laufend auf Optimierungspotenziale durchsucht, wodurch die Unternehmen proaktiv handeln können.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Relevanz von Big Data für moderne Unternehmen ein und erläutert die Zielsetzung der Hausarbeit sowie den Aufbau der einzelnen Kapitel.
2 Definition und Relevanz von Big Data: Dieses Kapitel definiert Big Data über die vier Kerneigenschaften Volume, Velocity, Variety und Veracity und verdeutlicht dessen wachsende Bedeutung als Produktionsfaktor.
3 Predictive Analytics: Hier werden die Grundlagen von Predictive Analytics als Business-Analytics-Modus dargelegt und ein sechsstufiger Prozess zur erfolgreichen Implementierung in Unternehmen vorgestellt.
4 Predictive Forecast: Dieses Kapitel analysiert das Controlling-Instrument Forecast, grenzt klassische Verfahren von datenbasierten Methoden ab und diskutiert Voraussetzungen, Chancen, Risiken sowie die praktische Umsetzung bei SAP.
5 Fazit und Ausblick: Das Fazit fasst zusammen, dass Predictive Forecasts für zukünftige Wettbewerbsfähigkeit unerlässlich sind, betont aber die Notwendigkeit von standardisierten Datenmanagementsystemen und qualifiziertem Fachpersonal.
Schlüsselwörter
Big Data, Controlling, Predictive Analytics, Forecasting, Predictive Forecast, Business Analytics, Datenmanagement, Datenqualität, Künstliche Intelligenz, Maschinelles Lernen, Cloud Computing, Unternehmenssteuerung, Finanzforecast, Digitalisierung, Analysemodelle
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, inwiefern die Nutzung von Big Data die Qualität von Prognosen im betriebswirtschaftlichen Controlling steigern kann und welche Anforderungen hierfür bestehen.
Welche zentralen Themenfelder werden behandelt?
Die Schwerpunkte liegen auf der Definition von Big Data, dem Verständnis von Predictive Analytics, der methodischen Umsetzung von Forecasts sowie der Abgrenzung zu klassischen Planungsinstrumenten.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es zu bewerten, ob und unter welchen Voraussetzungen Predictive Forecasts auf Basis von Big Data gegenüber traditionellen, manuellen Prognoseansätzen überlegen sind.
Welche wissenschaftliche Methode verwendet die Arbeit?
Es handelt sich um eine Literaturarbeit, welche bestehende wissenschaftliche Konzepte und Modelle zu Predictive Analytics und Big Data analysiert und durch ein Fallbeispiel zur Anwendung bei der SAP SE veranschaulicht.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung von Big Data, die Erläuterung von Predictive-Analytics-Prozessen sowie die detaillierte Analyse von Chancen, Risiken und Voraussetzungen für Predictive Forecasts.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wichtige Begriffe sind Predictive Forecast, Big Data, Controlling-Prozesse, Datenqualität, Datenmanagement und maschinelles Lernen.
Warum ist der klassische Forecast laut der Autorin oft problematisch?
Traditionelle Forecasts sind oft durch fehlende Standardisierung, hohes Zeitaufkommen, Inkonsistenzen zwischen Unternehmenseinheiten und eine höhere Manipulationsgefahr gekennzeichnet.
Wie unterscheidet sich der Ansatz bei SAP von konventionellen Methoden?
SAP nutzt ein zentrales Kompetenzteam, das standardisierte Berechnungen vornimmt, um objektive Prognosebandbreiten zu erstellen, während der dezentrale Forecast für die kurzfristige operative Steuerung beibehalten wurde.
- Arbeit zitieren
- Lena Rabsahl (Autor:in), 2022, Big Data im Controlling. Verbesserung von Prognosen durch Verwendung von Big Data?, München, GRIN Verlag, https://www.grin.com/document/1350361
