Das Ziel dieser Arbeit ist, die Einsatzmöglichkeiten der Predictive Analytics im Controlling, insbesondere im Forecast offenzulegen und zu analysieren, welche Auswirkungen die Anwendung dessen mit sich führt. Diesbezüglich werden zunächst theoretische Grundlagen für das Controlling und die prädiktiven Analytics erläutert. Daraufhin werden Nutzungspotenziale der Predictive Analytics im Controlling analysiert und anhand eines Praxisbeispiels beleuchtet. Dabei werden Herausforderungen
untersucht und dazugehörige Lösungsansätze identifiziert. Die Arbeit schließt mit einem Fazit und einem Ausblick der zukünftigen Möglichkeiten von Predictive Analytics ab.
Durch eine steigende und qualitativ verbesserte Datenmenge und verschiedener statistischer Analyticsmethoden in etwa durch Predictive Analytics besteht zukünftig eine Chance zur Modernisierung des Forecast- und Planungsprozesses. Predictive Analytics zielen aufbauend auf Machine Learning und Data Mining Techniken darauf ab, automatisiert Muster aus der Vergangenheit zu erkennen, um so zukünftige Ereignisse ableiten zu können. Obwohl die Potenziale von Predictive Analytics in der Theorie bereits ausführlich analysiert werden, findet dieser Bereich aktuell noch vergleichsweise wenig Anwendung in der Unternehmenspraxis.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen und Definitionen
2.1 Controlling
2.2 Predictive Analytics
2.2.1 Big Data
2.2.2 Das Wesen der Predictive Analytics
2.2.2.1 Definition
2.2.2.2 Einordnung in Advanced Analytics
2.2.2.3 Instrumente und Methoden der PA
3 Einsatz von Predictive Analytics im Controlling
3.1 Predictive Analytics als Querschnittsfunktion im Controlling
3.2 Predictive Analytics im Forecast
3.2.1 Traditioneller Forecast
3.2.2 Digitaler Forecast durch Predictive Analytics
3.3 Herausforderungen bei der Nutzung von PA im Controlling
3.4 Praxisbeispiel Umsatzprognose anhand der Deutschen Post International
4 Fazit
Zielsetzung & Themen
Die Arbeit untersucht die Einsatzmöglichkeiten von Predictive Analytics im Controlling, mit besonderem Fokus auf die Optimierung von Forecast-Prozessen und die Analyse der damit verbundenen Auswirkungen auf die Unternehmenssteuerung.
- Grundlagen des Controllings und der Predictive Analytics
- Methoden und Instrumente der prädiktiven Datenanalyse
- Modernisierung von Forecast-Prozessen durch Digitalisierung
- Herausforderungen bei der Implementierung von Analytics-Lösungen
- Praktische Anwendungsbeispiele der Umsatzprognose
Auszug aus dem Buch
3.2.2 Digitaler Forecast durch Predictive Analytics
Verschiedene Fallstudien aus bekannten Unternehmen wie IBM oder Infineon untersuchten denkbare Chancen durch die Nutzung von Predictive Analytics im Digital Forecast.62
Dank datengetriebener Grundlage und neutraler statistischer Modelle entwickelt sich weitestgehend der Aspekt der Objektivität in der Prognose. Insofern wird eine gegenwärtige Schwachstelle des Forecasts durch Subjektivität wegen menschlichen Handelns unterbunden.63 Weiterhin entsteht durch den Einsatz der PA im Forecast eine enorme Zeit- und Ressourceneinsparung, welches in steigender Effizienz resultiert.64 Die steigende Datenverfügbarkeit durch Big Data ermöglicht eine bessere Datengrundlage und folglich eine erhöhte Prognosefähigkeit zukünftiger Trends. Abbildung 4 veranschaulicht neben den Charakteristika der beiden Forecastverfahren die zeitlichen Einsparungsvorteile durch Digitale Forecasts. So benötigen traditionelle Prognosemodelle eine Erstellungsdauer von mehreren Wochen, während der Digitale Forecast durch PA in Echtzeit – „real-time“ – abgerufen werden kann. Des Weiteren werden durch automatisierte Algorithmen Ressourcen eingespart. Lediglich für die Einarbeitung und andauernde Optimierung des Algorithmus sowie für Bewertung und transparente Darstellung der Prognoseerkenntnisse sind Mitarbeiter gefordert.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet den durch Digitalisierung und Industrie 4.0 getriebenen Wandel im Controlling sowie die Notwendigkeit, traditionelle Prognoseprozesse durch moderne Ansätze zu optimieren.
2 Grundlagen und Definitionen: Dieses Kapitel erläutert die terminologischen Grundlagen von Controlling und Predictive Analytics, einschließlich der Rolle von Big Data und der Einordnung in Advanced Analytics.
3 Einsatz von Predictive Analytics im Controlling: Im Hauptteil wird untersucht, wie Predictive Analytics als Querschnittsfunktion den Forecast modernisiert, welche Herausforderungen bei der Implementierung bestehen und wie ein Praxisbeispiel bei der Deutschen Post International zur Prognoseoptimierung beitragen kann.
4 Fazit: Das Fazit fasst die Potenziale zusammen, die Predictive Analytics zur Effizienzsteigerung und Präzisionsverbesserung im Controlling bieten, und adressiert notwendige Lösungsansätze gegen bestehende Barrieren.
Schlüsselwörter
Controlling, Predictive Analytics, Forecast, Digitalisierung, Big Data, Prognosepräzision, Advanced Analytics, Unternehmenssteuerung, Datenanalyse, Machine Learning, Entscheidungsunterstützung, Algorithmus, Umsatzprognose, Ressourcenoptimierung, Business Partner
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Integration von Predictive Analytics im Controlling und der Frage, wie diese Technologie betriebliche Planungsprozesse, insbesondere Prognosen, modernisieren kann.
Was sind die zentralen Themenfelder?
Die Arbeit behandelt die Wechselwirkung zwischen digitaler Transformation und Controlling, die theoretischen Methoden der Predictive Analytics sowie die praktische Implementierung dieser Algorithmen in einem Unternehmenskontext.
Was ist das primäre Ziel der Forschung?
Das primäre Ziel ist es, die Nutzungspotenziale und Herausforderungen beim Einsatz von Predictive Analytics im Controlling aufzuzeigen und zu analysieren, welche Mehrwerte für die Unternehmenssteuerung entstehen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer umfassenden Analyse der aktuellen Forschungsliteratur, ergänzt durch die Untersuchung von Fallstudien und die Darstellung praxisrelevanter Anwendungsbeispiele.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil analysiert Predictive Analytics als Querschnittsfunktion, kontrastiert den traditionellen Forecast mit dem digitalen Forecast durch Algorithmen und diskutiert Implementierungshürden wie Akzeptanz und Datenqualität.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie Predictive Analytics, Controlling, Forecast, Big Data, Prognosepräzision und Digitalisierung charakterisiert.
Warum wird Predictive Analytics im Controlling als schwierig empfunden?
Herausforderungen ergeben sich durch menschliche Akzeptanzprobleme, die sogenannte „Black Box“-Problematik bei Algorithmen sowie einen hohen Bedarf an Fachkompetenz und Datenqualität.
Was zeigt das Beispiel der Deutschen Post International?
Das Praxisbeispiel demonstriert erfolgreich, wie durch den Einsatz von Predictive Analytics die Prognoseabweichung bei Umsatzprognosen signifikant reduziert und der interne Ressourcenaufwand optimiert werden konnte.
- Arbeit zitieren
- Leart Beqiri (Autor:in), 2022, Einsatz von Predictive Analytics im Controlling. Grundlagen und Definitionen, München, GRIN Verlag, https://www.grin.com/document/1355401
