Big Data und Shareholder Value. Darstellung einer Big Data-Strategie im Werttreibermodell nach Rappaport

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung
1.1 Problemstellung und Zielsetzung der Arbeit
1.2 Aufbau der Arbeit

2 Das Shareholder-Value-Konzept
2.1 Begriff des Shareholder-Value
2.2 Ursprung des Shareholder-Value -Konzepts aus der Systemkritik
2.3 Idee des Shareholder-Value -Konzepts und damit verbundene Ziele unternehmerischen Handelns

3 Digitalisierung
3.1 Begriffsfassung
3.2 Big Data

4 Ressourcen, Erfolgspotenziale und Erfolgsfaktoren
4.1 Definition Ressource
4.2 Definition Erfolgspotenziale
4.3 Definition Erfolgsfaktoren
4.4 Modelle zur Strukturierung von Erfolgsfaktoren
4.5 Erfolgs- und Nutzenpotenziale von Big Data
4.6 Der Wertbeitrag von Big Data

5 Der Cash-Flow als zentrale Größe
5.1 Cash-Flow -Prognose auf Grundlage von Erfolgsfaktoren

6 Prognose des Unternehmenswertes mit Hilfe von Werttreibermodellen
6.1 Das Werttreibermodell nach A. Rappaport
6.2 Kritische Bewertung des Modells von A. Rappaport

7 Darstellung der Big Data -Strategie im Werttreibermodell
7.1 Implikationen der Digitalisierungsstrategie der Heiß & Kalt AG
7.2 Prognose der Auswirkungen der Big Data -Strategie
7.3 Sensitivitätsanalyse der Werttreiber nach A. Rappaport
7.4 Modifikationsansätze zur optimierten Abbildung der Wertbeiträge

8 Zusammenfassung und Ausblick

Literaturverzeichnis

Anlage I:

Anlage II:

Anlage III:

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Vergleich Entwicklung Datenvolumen in EB und Kosten pro GB

Abbildung 2: Kernmerkmale von Big Data

Abbildung 3: Hebel von Big Data entlang der Wertschöpfungskette eines Industriebetriebes

Abbildung 4: Ausgewählte Effekte auf Wertbeitragskomponenten von Big Data-Anwendungsbeispielen

Abbildung 5: Das Shareholder-Value-Netzwerk

Abbildung 6: Werttreibermatrix

Abbildung 7: Sensitivität der Werttreiber der Heiß & Kalt AG

Tabellenverzeichnis

Tabelle 1: Wertvollste Unternehmen weltweit nach Markkapitalisierung. Stand vom: 22.06.2016.

Tabelle 2: Einschätzung des Big Data-Nutzungspotenzials nach Branchen.

Tabelle 3: Ausgangsdaten für die Shareholder-Value-Berechnung nach Rappaport

Tabelle 4: Prognostizierte Änderung der Werttreiber bei Anwendung der Big Data -Strategie

Tabelle 5: Prognose der Cash-Flows im Best-Case

Tabelle 6: Prognose der Cash-Flows im Normal-Case

Tabelle 7: Prognose der Cash-Flows im Worst-Case

Tabelle 8: Vergleich der Shareholder-Value-Entwicklung

Tabelle 9: Sensitivtätsanalyse der Werttreiber

1 Einleitung

1.1 Problemstellung und Zielsetzung der Arbeit

Im letzten Jahrzehnt haben die verschiedenen Prozesse der Digitalisierung immer mehr Bereiche unseres Lebens erfasst und verändert. Dies gilt auch und insbesondere für Unternehmen, bei denen Daten zu einem bedeutenden Produktionsfaktor geworden sind^[1]. Festmachen lässt sich dies an Aussagen, wie der von Lufthansa Konzernchef Carsten Spohr „[Die] Digitalisierung wird immer wichtiger für unsere Zukunft^[2] “. Eine solche Aussage könnte jedoch auch von jedem anderen DAX-Konzernchef stammen. Ein weiterer Hinweise für die Präsenz des Themas ist, dass sowohl in Deutschlands ältestem Wirtschaftsmagazin, der „Wirtschaftswoche“, als auch im Controller Magazin, seit mehreren Jahren sich in jeder Ausgabe mindestens ein Artikel mit dem Thema Digitalisierung findet.^[3] Auch ein Blick auf die aktuellen Stellenausschreibungen zeigt die Relevanz des Themenkomplexes „Digitalisierung“. Auf dem größten deutschen Online-Stellenportal – Stepstone – werden im Frühjahr 2017 ca. 14.800 Stellen ausgeschrieben, die im direkten Zusammenhang mit der Digitalisierung sowie Big Data stehen, so werden dort u.a. Mitarbeiter für das IT-Consulting, SAP-Berater, Business Intelligence (BI) oder Datenbankadministration gesucht. Hierzu kommen weitere Stellenausschreibungen aus anderen Berufsfeldern, in denen Kenntnisse in diesem Bereich erwartet werden.^[4] Auch an der Börsenkapitalisierung der weltweit wertvollsten Unternehmen lässt sich das Potenzial der Digitalisierung ablesen. Siehe hierzu 3.1. Die IT und darin enthalten auch die Prozesse und Technologien der Digitalisierung sind für Unternehmen unterschiedlichster Branche in den letzten Jahren ein bedeutender Erfolgsfaktor geworden. Dies bezieht sich einerseits auf die Nutzenseite - Wertsteigerungspotenzial – und andererseits auf die Kostenseite der Informationstechnologie. So betragen die IT-Kosten zwischen ein und zehn Prozent des Umsatzes je nach untersuchter Branche.^[5]

Weber sieht in Bezug auf die Digitalisierung zwei große Anforderungen an das Rechnungswesen. Zum einen die Begriffseingrenzung auf den richtigen Teilaspekt der Digitalisierung und zum anderen die Beantwortung der Frage, wie sich die Digitalisierung auf das eigene Geschäftsmodell auswirkt oder auswirken kann. Das bedeutet auch, ob die Digitalisierung eine Chance im Sinne von Wachstum und Wertsteigerung bietet, oder gar zur Gefahr für das Geschäftsmodell wird.^[6] Hier scheuen Unternehmen häufig zukunftsweisende Investitionen zur Generierung neuer Erfolgspotenziale^[7]. Ein wichtiger Teilaspekt der Digitalisierung des Wirtschaftsbereiches ist „Big Data“. Dieser Bereich der Datenanalyse und Verarbeitung ermöglicht völlig neue Angebote an die Kunden, vor allem in Bezug auf Individualität und Zeit.^[8] Dabei ist festzustellen, dass die weltweite Datenmenge mit einer exponentiellen Rate wächst.^[9] Eine breite Anzahl von Unternehmen nutzt nach heutigem Stand Big Data oder plant dies zu tun. So stellte Gartner in seinen jährlichen Umfragen zur Big Data -Nutzung fest, dass der Anteil an Unternehmen, die Big Data nutzen oder planen es umzusetzen von Jahr zu Jahr zunimmt. So stieg deren Anteil von 58% im Jahr 2012 auf 76% im Jahr 2015 an.^[10] Gleichzeitig geben Unternehmen kaum Auskünfte darüber, welche Wettbewerbsvorteile ihnen Big Data bzw. eine IT-Infrastruktur auf neuestem technischem Niveau bietet.^[11]

Aus Unternehmenssicht stellt sich die Herausforderung, die geeignete Strategie im Hinblick auf die Digitalisierung des Unternehmens zu wählen. Dazu ist es für Unternehmen wichtig möglichst genau zu ermitteln, welchen Wertbeitrag sie von den zur Verfügung stehenden Optionen erwarten können. Im Bereich der Findung und Quantifizierung des „ Use Case “ besteht weiterer Forschungsbedarf.^[12] Zur Abbildung dieser wesentlichen Aufgaben stellen die am Unternehmenswert orientierten Werttreibermodelle eine Option dar.

Die übergeordnete Zielsetzung dieser Arbeit ist es, die Erfolgspotenziale, die Big Data – als ein Teilbereich der Digitalisierung - für ein Industrieunternehmen bietet, herauszuarbeiten. Weiter soll festgestellt werden, inwieweit das Werttreiberkonzept von Rappaport dazu geeignet ist, diese Erfolgspotenziale einer Big Data -Strategie zu quantifizieren und in der Unternehmensperformance abzubilden.

1.2 Aufbau der Arbeit

Die Arbeit ist in acht Kapitel aufgeteilt. Nachdem im ersten Kapitel die Problemstellung und Zielsetzung dieser Arbeit dargelegt werden, befasst sich Kapitel zwei mit dem Shareholder-Value -Konzept. In diesem Absatz werden sowohl der Begriff „Shareholder-Value“, als auch seine Auswirkungen auf die Handlungen des Managements, mit der dahinterstehenden Entwicklungsgeschichte thematisiert.

Das dritte Kapitel, gleichzeitig erster Abschnitt des Hauptteiles, widmet sich der Digitalisierung. Dabei wird zunächst der Begriff „Digitalisierung“ eingegrenzt. Einen Teilbereich dieses weiten Themengebietes stellen die Entwicklungen im Zusammenhang mit „ Big Data “ dar. Dieser unter 3.2 analysierte Themenbereich repräsentiert das erste von zwei Kernelementen dieser Arbeit. Nach einer definitorischen Einordnung wird Big Data hinsichtlich der Nutzenpotenziale für einzelne Branchen untersucht. Der nächste Schritt analysiert das produzierende Industriegewerbe. Dabei werden die grundlegenden Auswirkungen der neuen Möglichkeiten und Herausforderungen auf die einzelnen Teilbereiche der Wertschöpfungskette eines Industriebetriebes untersucht. Abschnitt 3.2.4 gibt einen wesentlichen Überblick auf die hinter dem Begriff „ Big Data “ stehenden technischen Anwendungen. Dabei stellen Hadoop und In-Memory -Systeme die hervorzuhebenden Technologien bei der erfolgreichen Umsetzung einer Big Data -Strategie dar. Damit sich die neuen Möglichkeiten, die Big Data für Unternehmen bietet, entfalten können, muss das Unternehmen eine Big Data -Strategie entwickeln. Die zur erfolgreichen Strategieumsetzung notwendigen Aspekte erläutert der letzte Abschnitt des dritten Kapitels.

Ressourcen, Erfolgspotenziale und Erfolgsfaktoren bilden den Rahmen für Kapitel 4. In den Abschnitten 4.1 bis 4.3 werden nacheinander die Begriffe „Ressource“, „Erfolgspotenzial“ und „Erfolgsfaktor“ definiert und voneinander abgegrenzt. Abschnitt 4.4 gibt einen Exkurs mit zwei Ansätzen der Wettbewerbsanalyse - Wettbewerbsanalyse nach Porter und PIMS-Studie. Weiter werden die Erfolgs- und Nutzenpotenziale von Big Data herausgearbeitet. Dabei wird deutlich, dass diese Potenziale in der Literatur auf unterschiedliche Art und Weise kategorisiert und konkretisiert werden. Damit der Erfolg von einem Projekt, wie der Einführung von Big Data -Anwendungen, festgestellt werden kann, ist sein Wertbeitrag zu bestimmen. Dazu wird unter 4.6.1 zunächst der Begriff eingeordnet. Im Anschluss werden die wichtigsten Kostenkategorien von Big Data erklärt, die in der späteren Berechnung des Shareholder-Value explizit Berücksichtigung finden.

Kapitel 5 beschreibt mit dem Cash-Flow eine zentrale Komponente von Shareholder-Value orientierten Konzepten. Nach der Erläuterung der zwei gängigen Ermittlungsmethoden des Cash-Flows, schließt sich mit Kapitel 6 das zweite Kernelement der vorliegenden Arbeit an. Dieser Abschnitt widmet sich dem Werttreibermodell von A. Rappaport. Dieses auf sog. Werttreibern^[13] entwickelte Konzept zur Unternehmenssteuerung stellt den Ausgangspunkt der Shareholder-Value -Orientierung dar. 6.1.1 bildet den theoretischen Rahmen des Konzeptes ab. Dabei werden die fachwissenschaftlichen Grundlagen für die im Anschluss stattfindenden Rechnungen gelegt. Nach der praktischen Anwendung des Modells am Beispiel der Heiß & Kalt AG, wird unter 6.2 eine kritische Bewertung des Konzeptes von Rappaport durchgeführt. Dabei wird das Konzept hinsichtlich seiner Stärken und Schwächen analysiert sowie mit drei anderen Konzepten der strategischen Unternehmensführung – Copeland et al., Lewis und Steward & Co – in Bezug gesetzt.

Der folgende Abschnitt (Kapitel 7) führt die praktische Anwendung aus 6.1.2 fort. Dazu wird zunächst eine Big Data -Strategie für die Heiß & Kalt AG ausformuliert. Die Abbildung der Auswirkungen der Implementierung dieser strategischen Option erfolgt in 7.2. Um den Unsicherheiten bei der Performancevorhersage der Strategieumsetzung gerecht zu werden, wird die Berechnung an Hand dreier verschiedener Szenarien durchgeführt. Daran schließt sich die Sensitivitätsanalyse der Werttreiber an. Diese Analyse ist ein wichtiges Hilfsmittel für das Management, um die entscheidenden Werttreiber für den Unternehmenswert zu identifizieren. Zum Abschluss dieses Kapitels werden Modifikationsvorschläge für das Modell von Rappaport gegeben, mit dem Ziel eine noch bessere Tauglichkeit für die Abbildung der Auswirkungen von Digitalisierungsvorhaben auf den Unternehmenswert zu gewährleisten.

Abschließend (Kapitel 8) fasse ich die erarbeiteten Erkenntnisse zusammen und gebe eine Einschätzung über die zukünftig größten Herausforderungen im Zusammenhang mit der Implementierung von Big Data -Initiativen.

2 Das Shareholder-Value-Konzept

Im folgenden Abschnitt werden grundlegende Aspekte zum Verständnis rund um die Begrifflichkeit und Entstehung des Shareholder-Value -Konzeptes sowie die Ziele, die für unternehmerisches Handeln aus diesem Ansatz abgeleitet werden können, dargestellt.

2.1 Begriff des Shareholder-Value

Die Shareholder stellen in der klassischen Interpretation die Aktionäre einer an der Börse gelisteten Kapitalgesellschaft dar. Im Laufe der Jahre wurde dieser Ansatz auch auf andere Anteilseigner am Unternehmen erweitert.^[14] Der Begriff des Shareholder-Value bedeutet somit in freier Übersetzung „Wert für die Aktionäre/Anteilseigner“. Für die genaue Interpretation des Shareholder-Value gibt es zwei verschiedene Herangehensweisen. So wird in Variante eins der Shareholder-Value als die Summe der Aktien/Anteilsscheine zu Marktpreisen definiert (Anzahl der Aktien x Aktienkurs). Dieser stellt wiederum den Unternehmenswert dar, über den vollständige Verfügungsmacht erlangt werden kann.^[15] Der Shareholder-Value kann aus ökonomischer Sicht ebenso als Marktwert des Eigenkapitals bezeichnet werden^[16].

Der zweiten Herangehensweise liegt das Verständnis von Rappaport zu Grunde. Diese Variante ist die Grundlage für die weiteren Betrachtungen in dieser Arbeit. Bei Rappaport werden die zukünftigen Cash-Flows auf ihren heutigen Wert diskontiert. Von diesem errechneten Unternehmenswert wird noch das Fremdkapital abgezogen, um den Shareholder-Value zu errechnen.^[17]

2.2 Ursprung des Shareholder-Value -Konzepts aus der Systemkritik

Das Shareholder-Value -Konzept entstand aus der Kritik an den bis dahin vorherrschenden Kennzahlen zur Erfolgsmessung, allen voran des Gewinns als gängigen Erfolgsmaßstab. Dieser eignet sich nur bedingt, um die Performance des Unternehmens zu messen. Das liegt vor allem an handelsrechtlichen Vorschriften, die zwar aus Gläubigerschutzsicht wichtig sind, jedoch den Gewinn dahingehend verzerren können, dass nicht die tatsächlichen zum Konsum zur Verfügung stehenden finanziellen Mittel ausgewiesen werden. Als Beispiel hierfür mag die Behandlung von Abschreibungen dienen. Deren Ansatz führt nur dann zu einem korrekten Ergebnis, wenn die dahinterstehende Investition als unendlich wiederholbar angenommen wird, was in der Praxis als unrealistisch angesehen werden muss.^[18] Weiterhin zeigt sich in Studien, dass eine ähnliche Gewinnentwicklung von vergleichbaren Unternehmen nicht automatisch zu einer ähnlichen Wertentwicklung führt. Der entscheidende Faktor dieser Studien war die Entwicklung der Eigenkapitalrendite der betrachteten Unternehmen, die durch eine strikte Wertorientierung des Managements erreicht wurde.^[19] Des Weiteren basiert eine Unternehmenssteuerung an Hand des Gewinns nur auf den Entscheidungen der Vergangenheit, was einer Zukunftsorientierung hinderlich ist. Auch geht auf Grund des hohen Aggregationsgrades der Kennzahlen der Bezug zu den dahinterstehenden Mitarbeitern und Prozessen verloren. Zusätzlich lässt sich bei einer strikten Ausrichtung an bilanziellen Kennzahlen keine gute Steuerungsverknüpfung zwischen den Kennzahlen und der Geschäftsfeld- bzw. Unternehmensstrategie herstellen.^[20]

Weitere Gründe, die die Entwicklung eines neuen Ansatzes erforderten, lagen in der Kritik an der Diversifizierungsstrategie und an der Ausschüttungspolitik der Unternehmen. Rappaport argumentierte in Bezug auf die Diversifikationsstrategie, dass die Anleger am Kapitalmarkt genügend Möglichkeiten haben, ihr Vermögen in unterschiedliche Branchen und/oder Risikoklassen zu investieren sowie Zukäufe von Firmen häufig keinen Mehrwert für das Unternehmen erzeugen.^[21] So fand bspw. Porter in seiner Untersuchung heraus, dass über die Hälfte der von 1950 bis 1986 von börsennotierten US-Konzernen erworbenen Unternehmen wieder abgestoßen wurden. Als Hauptgründe für eine vorzeitige Trennung kristallisierten sich der Misserfolg bei der Findung von gemeinsamen Synergieeffekten sowie die unzureichende Analyse des neuen Geschäftsfeldes heraus.^[22]

Zu den Vorreitern des Shareholder-Value -Konzepts gehört A. Rappaport mit seinem Buch „ Creating Shareholder-Value “ aus dem Jahre 1986.^[23]

2.3 Idee des Shareholder-Value -Konzepts und damit verbundene Ziele unternehmerischen Handelns

Folgt ein Unternehmen dem Shareholder-Value -Ansatz, so ist das Hauptziel des verantwortlichen Managements das Vermögen der Shareholder zu steigern. Nach diesem Ziel hat es in der Konsequenz seine unternehmerischen Entscheidungen auszurichten.^[24] D.h. ein Unternehmen wird hier in erster Linie als eine Einkommensquelle der Anteilseigner verstanden, die ihre Verfügungsmacht an angestellte Manager abtreten, damit diese primär das Vermögen der Anteilseigner mehren und erst in zweiter Linie das des Unternehmens^[25]. Somit stellt der Shareholder-Value -Ansatz ein Instrument der strategischen Unternehmensführung sowie gleichzeitig eine Zielmarke für den Unternehmenserfolg dar.^[26] Kern des Konzeptes ist die Ausrichtung an den zukünftigen Cash-Flows, gepaart mit den Methoden der dynamischen Investitionsrechnung. Diese Kombination plus der Einbeziehung des strategischen Managements, stellen eine grundlegende Neuerung der Herangehensweise an die Ausrichtung und Erfolgsmessung von Unternehmen dar. Entscheidend dabei ist die Größe des Discounted Cash-Flow (DCF). Dieser gibt an, ob Wert geschaffen oder vernichtet wird.^[27] Der Shareholder-Value stellt dabei – so wie Gewinn, Umsatz etc. - ein monetäres Unternehmensziel dar. Daneben gibt es nicht monetäre Ziele, die das Verhalten des Managements beeinflussen und sowohl komplementäre als auch konkurrierende Ziele zum Shareholder-Value sein können.^[28]

Das Konzept des Shareholder-Value gab vor allem auf zwei wirtschaftswissenschaftliche Fragen eine Antwort. So konnte der Shareholder-Value durch seine Fokussierung auf die Sicht der Anteilseigner das Risiko eine Unterbewertung durch Ineffizienzen oder Kapitalabfluss minimieren und eine stärkere Wettbewerbsausrichtung des Managements zulassen, um der zunehmenden Wettbewerbsintensität Rechnung zu tragen.^[29]

Dem Shareholder-Value -Ansatz kritisch gegenüber stehen die Vertreter des Stakeholder- Ansatzes. Hier werden die anderen Anspruchsgruppen – Staat/allgemeine Öffentlichkeit, Lieferanten, Kunden, Gläubiger, Arbeitnehmer, Management – den Anteilseignern bei der Vertretung ihrer Interessen gleichgestellt. Dabei wird dem Shareholder-Value -Konzept unterstellt, dass bei der Ausrichtung am Unternehmenswert die Interessen der anderen Gruppen untergraben werden.^[30] Hier ist jedoch die Frage zu stellen, inwieweit eine gleiche Berücksichtigung aller Anspruchsgruppen gerecht und/oder möglich ist, da das eingegangene Risiko der verschiedenen Stakeholder unterschiedlich hoch ausfällt^[31]. In der Praxis dominiert die Ausrichtung der Unternehmenspolitik an der Konzeption des Shareholder-Value. So haben die Kapitalgeber auf Grund der Übernahme des unternehmerischen Risikos die unternehmerischen Entscheidungen zu bestimmen. Die Stakeholder- Interessen werden bei diesem Entscheidungsprozess durch gesetzliche Rahmenbedingungen, wie z.B. den Verbraucherschutz der Endkunden, sowie durch die Vertragsfreiheit im marktwirtschaftlichen Wettbewerb, geschützt.^[32]

Der Shareholder-Value ist, wie in diesem Abschnitt dargestellt, einer von vielen möglichen Ansätzen und Zielen, an denen sich die Unternehmensstrategie ausrichten kann. In meiner Arbeit ist auf den Shareholder-Value als Unternehmensziel ausgerichtet. In der Praxis sollte das Ziel der Shareholder-Value -Steigerung im Einklang mit den Zielen von anderen Stakeholder- Gruppen gebracht werden.

3 Digitalisierung

In diesem Abschnitt wird zunächst der Begriff der Digitalisierung erläutert, ehe mit Big Data ein entscheidender Entwicklungsstrang dieses Prozesses näher untersucht wird. Dabei ist zunächst zu bestimmen, was sich hinter dem Begriff „Big Data“ verbirgt, bevor die Eignung von Big Data und seinen Nutzenpotenzialen für unterschiedliche Branchen betrachtet wird. Weiter werden die Auswirkungen auf die einzelnen Bereiche des Wertschöpfungsprozesses eines Industriebetriebes, sowie die grundlegend dahinterstehenden technischen Anwendungen vorgestellt. Der Abschluss dieses Abschnitts beschäftigt sich mit der Frage, was Unternehmen für die erfolgreiche Umsetzung aus strategischer Sicht beachten müssen. Ohne die passende strategische Nutzung der Potenziale von Big Data lässt sich kein Mehrwert für das Unternehmen erzielen.

3.1 Begriffsfassung

Unter dem Begriff „Digitalisierung“ fasst man die technischen Entwicklungen der vergangenen Jahrzehnte im Bereich der Informationstechnologie zusammen. Es kann sich zum einen um eine Umwandlung von analogen Daten in digitale Informationen handeln, als auch um die Vernetzung von Maschinen, Fahrzeugen oder Geräten mit Hilfe digitaler Technik.^[33]

Die Digitalisierung bildet somit den nächsten Baustein in der Entwicklungskette, der mit der ersten industriellen Revolution im 19. Jahrhundert ausgelöst wurde und sich in der Automatisierung fortsetzte.^[34] Tapscott spricht im Zusammenhang mit der „Digitalisierung“ von einer Revolution mit Auswirkungen auf das gesamte menschliche Leben, wie es bisher nur wenige Male in der Geschichte vorgekommen ist. Es erfasst das unternehmerische Leben genauso wie die sozialen Strukturen des Zusammenlebens und erfordert neue Normen, Gesetze und/oder Strukturen.^[35] Genau diese und zukünftige Entwicklungen der Digitalisierung mit ihren Auswirkungen auf das gesellschaftliche Leben, gilt es, kritisch zu hinterfragen. Durch die neuen technischen Möglichkeiten, ggf. in Verbindung mit anderen Wissenschaften, kommen immer mehr ethische Fragen im Umgang mit neuen digitalen Möglichkeiten auf, wie z.B. der Nutzung von persönlichen Daten oder dem Ersatz menschlicher Arbeitskraft durch Roboter.^[36]

Betrachtet man die Digitalisierung im Hinblick auf ihre Auswirkungen auf Geschäftsmodelle von Unternehmen und/oder ganzen Branchen, können zwei Arten von Veränderungen unterschieden werden. So kann es zu sog. disruptiven Umbrüchen kommen, bei denen ganze Geschäftsmodelle obsolet werden. Beispiele hierfür sich u.a. der zu Beginn des Jahrtausends weltweit führende Handyhersteller Nokia, welcher den Trend zum Smartphone lange nicht erkannte und durch eine schwere Krise ging. Ein weiteres Beispiel ist Kodak im Bereich der Fotografie, der die Digitalfotografie zwar erfand, das Feld jedoch anderen Unternehmen überließ. Die zweite Art der Veränderung wird als Evolution bezeichnet. Bestehende Geschäftsmodelle werden durch die Digitalisierung weiterentwickelt, wie z.B. das Einkaufen im Internet. Um herauszufinden, ob die Digitalisierung für ein Unternehmen bzw. eine Branche eine Evolution oder Disruption darstellt, ist es wichtig, die Chancen und Risiken für das Geschäftsmodell einschätzen zu können.^[37]

Wie dargestellt, ist die Digitalisierung ein weites Feld mit ganz verschiedenen Ausprägungen. Umso wichtiger ist es für den Unternehmenserfolg, die richtigen Eingrenzungen vorzunehmen, um diese dann zu analysieren und ggf. im Unternehmen anzuwenden.^[38]

Welches Wertpotenzial der digitalen Transformation steckt, verdeutlicht ein Blick auf die am teuersten bewerteten Unternehmen an den weltweiten Börsen. Wie Tabelle 1 zeigt, sind unter den sechs wertvollsten Unternehmen mit Apple, Alphabet, Microsoft und Facebook vier Firmen, deren Geschäftsmodell ausschließlich auf digitalen Inhalten beruht. Darauf aufbauend determiniert sich die anhaltende Dominanz von US -Konzernen.^[39] Auch in Deutschland befindet sich mit SAP aktuell ein Softwareunternehmen an der Spitze der Marktkapitalisierung^[40]. Auf das aktuelle Produkt von SAP im Bereich Big Data wird unter 3.2.4 noch näher eingegangen. Zwar weisen diese Unternehmen oft nicht die höchsten Gewinne bzw. Gewinnmargen aus, jedoch haben die Anleger in ihre digitalen Geschäftsmodelle die größten Zukunftserwartungen. Weitere Belege für diese These sind die großen Kaufprämien (Goodwill) bei Übernahmen, die für Technologiekonzerne gezahlt werden. Eines der prominentesten Beispiele ist hier die Übernahme des Messengers Whatsapp durch Facebook im Jahr 2014 für 19 Mrd. US-Dollar. Dies war nach Einschätzung vieler Experten eine viel zu hohe Kaufsumme für das Unternehmen.^[41] Auch der Börsengang von Snapchat im März dieses Jahres verdeutlicht die hohen Bewertungen und Zukunftserwartungen. So war das verlustschreibende Unternehmen nach dem ersten Tag an der Börse 34 Mrd. US-Dollar wert. Zum Vergleich sind sowohl Europas größte Fluglinie, die Deutsche Lufthansa AG, als auch die Deutsche Bank AG, als Deutschlands Branchenprimus, deutlich geringer bewertet.^[42]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Wertvollste Unternehmen weltweit nach Markkapitalisierung. Stand vom: 22.06.2016.

Spricht man heute von Digitalisierung, so werden aus unternehmerischer Sicht vor allem zwei Entwicklungen thematisiert. Dabei handelt es sich zum einen um den Bereich von „ Big Data “ und zum anderen um „Industrie 4.0“. Big Data beinhaltet dabei alle Prozesse rund um die massenhafte Datenverarbeitung innerhalb des Unternehmens, die nicht mit den bisherigen technischen Standards bearbeitet werden können.^[43] Die Vernetzung rund um den industriellen Fertigungsprozess, kurz Industrie 4.0, trägt mit seiner vernetzten Fabrik – Vernetzung von Maschine zu Maschine mittels Sensoren - ebenso zur Datenexplosion bei, wie das Social Web oder andere Internetanwendungen, die unter dem Begriff „ Big Data “ subsumiert werden.^[44]

Dass es sich bei dem Thema „ Big Data “ nicht um ein vorübergehendes Phänomen oder eine künstliche Konstruktion der Wissenschaft handelt, verdeutlicht die nachfolgende Abbildung 1.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Vergleich Entwicklung Datenvolumen in EB und Kosten pro GB^[45]

Wie Grafik 1 zeigt, laufen die Kurven der Kosten für Speicherkapazitäten von Festplattenspeichern und das weltweite Datenvolumen in die gegenläufige Richtung. So zeigt Abbildung 1, dass das Datenvolumen in einer konvexen Kurve ansteigt. Die weltweit digital generierte Datenmenge betrug in 2005 lediglich 130 Exabyte und verzehnfachte sich bis zum Jahr 2010 auf gut 1.300 Exabyte. Für das Jahr 2020 wird hier ein jährliches Volumen von über 40.000 Exabyte prognostiziert, dies entspricht mehr als dem dreißig-fachen des Volumens von 2010. Außerdem bleibt festzuhalten, dass sich das weltweite Datenvolumen ca. alle zwei Jahre verdoppelt, sodass die in der Grafik dargestellte Kurve immer steiler ansteigen wird.^[46] Die Prognosen für die nächsten fünf Jahre kommen auf unterschiedliche Werte, sehen die gesamte weltweite Datenmenge im Jahre 2020 aber allesamt im Zettabyte-Bereich^[47], dies entspricht einer Zahl mit 21 Nullen.

Gleichzeitig gehen die Kosten für die gleiche Speichereinheit kontinuierlich zurück. Wie die Grafik ausweißt, fielen die Preise für die Kosten pro Gigabyte (GB) in Cent zwischen 2005 und 2010 rapide von durchschnittlich 67,6 Cent pro GB auf 5,9 Cent pro GB. Dies entspricht einer Reduktion von über 91% innerhalb von fünf Jahren. In den Folgejahren reduzierten sich die Kosten weiter auf 4,5 Cent pro GB. Noch gravierender ist der Unterschied, wenn man in der Zeitreihe weiter zurück blickt. So kostete 1 GB im Jahre 1980 250.000 EUR und im Jahr 2000 waren lediglich noch 15 EUR zu veranschlagen. Die Reduzierung um vier bis fünf Cent seit dem Jahr 2010 ist gegen die vorgenannte Reduzierung verschwindend gering.^[48] Setzt man jedoch das Wachstum der Datenmenge und der benötigten Speicherkapazität in Verbindung zu den Kosten pro Speichereinheit, so kommt man zu dem Ergebnis, dass die Kostenreduktionen pro GB geringer ausfallen, als das Wachstum der Datenmenge. Die erhöhte benötigte Speicherkapazität, verursacht höhere Kosten für die Unternehmen. Dennoch hat diese Entwicklung die Voraussetzungen dafür geschaffen, kostengünstig auf 64bit beruhende Hauptspeicherzentren zu kreieren. Dadurch sind neue Analyseanwendungen im Zusammenhang mit Big Data erst möglich geworden^[49].

Der nachfolgende Abschnitt befasst sich mit „ Big Data “ als einer der zuvor kurz genannten Entwicklungsstränge der aktuellen digitalen Transformation.

3.2 Big Data

In diesem Unterpunkt wird der Themenkomplex „ Big Data“, als einer der zentralen Bereiche der Digitalisierung, weiter ausgeführt. Dies umfasst eine ausführliche definitorische Einordnung, eine Potenzialanalyse über verschiedene Branchen, sowie die Betrachtung der Wertschöpfungskette eines Industrieunternehmens. Weitere Punkte sind eine einführende Erläuterung der technischen Anwendungen von Big Data sowie die Darlegung der Notwendigkeit und Formulierung einer Big Data -Strategie für jedes Unternehmen.

3.2.1 Definitorische Einordnung

Der Begriff „ Big Data “ wurde in den letzten Jahren immer häufiger sowohl in den Fachwissenschaften, als auch in der allgemeinen Öffentlichkeit diskutiert. Als Synonyme dienen häufig die Begriffe „ Smart Data Analytics “ oder „ Big Data Analytics “.^[50] Problematisch ist zum einen die häufige Verwendung des Begriffs für Sachverhalte, die nicht darunter zu subsumieren sind, wie z.B. Reporting oder Business Intelligence, zum anderen die ungenaue Aussagekraft des Ausdrucks „ Big “. In der sich daraus ergebenden Fehlableitung, liegt das Hauptproblem für Anwender. Dieses ist nicht primär die Größe der Datenmenge, sondern deren Struktur – strukturierte, polystrukturierte und unstrukturierte Daten.^[51] Ziel ist es, aus den Informationen der Daten einen betriebswirtschaftlichen Nutzen zu ziehen^[52]. Die Fähigkeit der Datenanalyse ist dabei nicht neu. Neu sind hingegen Dimension und Geschwindigkeit, die durch die neuen technischen Möglichkeiten analysiert werden können. Dadurch entstehen für die Unternehmen neue Möglichkeiten.^[53] Schon in den 1970er Jahren wurden mit Hilfe von sog. Decision Support Systemen (DSS) Daten für die Entscheidungsunterstützung analysiert. Diese Entwicklungsreihe führt sich über Reporting-Tools in den 90er Jahren des letzten Jahrhunderts und in Anwendungen für statistisch-mathematische Analysen im letzten Jahrzehnt bis zu den heute unstrukturierten und riesigen Datenmengen fort.^[54]

Abbildung 2 zeigt die konstitutiven Kernmerkmale, an Hand derer Big Data weiter eingegrenzt und konkretisiert werden kann. Diese Auflistung erweitern andere Definitionen um die Punkte „Richtigkeit“ und „Wertgenerierung“. Durch diese Kernmerkmale erhöhen sich Anwendungsmöglichkeiten in Rechnungswesen und Controlling.^[55]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Kernmerkmale von Big Data^[56]

Im Folgenden werden die abgebildeten Kernmerkmale kurz erläutert:

1. Datenmenge (Volume): Eine wachsende Anzahl an Unternehmen sind im Besitz von sehr vielen unterschiedlich großen Datenmengen, die analysiert werden müssen. Das Volumen dieser Daten reicht bis in den Petabytes-Bereich.^[57]
2. Datenvielfalt (Variety): Wie schon erwähnt, bildet nicht das Ausmaß der Datenmenge das Problem und zugleich die Chance Nr. 1 für die Unternehmen, sondern die Vielfalt der Daten^[58]. So stehen unstrukturierte Daten aus dem Internet (Texte, Videos etc.) genauso zur Verfügung, wie halb- bis ganz strukturierte Daten aus unternehmensinternen Quellen oder von externen Anbietern.^[59]
3. Geschwindigkeit (Velocity): Damit Konkurrenzfähigkeit bzgl. des Datenwachstums gegeben ist, müssen die großen Datenmengen in immer kürzerer Zeitdauer exakt verarbeitet werden. Hier ist möglichst eine Verarbeitung in Echtzeit anzustreben.^[60] Das bedeutet, dass der Zeitraum zwischen Erstellung, Erfassung und Zugriffszeitpunkt auf die gewonnen Daten minimiert werden muss^[61].
4. Data Analytics: Da die großen gewonnenen Datenmengen in Echtzeit verwendet werden sollen, bedarf es geeigneter Methoden, die automatisch Muster, Zusammenhänge und Bedeutung der Daten erkennen und diese entsprechend verarbeiten. Hierzu gehören u.a. Data Mining, Vorhersagemodelle oder Bild- und Textanalysen.^[62]
5. Richtigkeit (Veracity): Damit die getroffenen Entscheidungen auf der Basis der gewonnen Daten möglichst richtig sind, ist es nötig, eine solide und vertrauenswürdige Datenbasis zu haben^[63]. Dabei ist es wichtig, Unsicherheiten in den vorhandenen Informationen zu ermitteln und diese angemessen zu berücksichtigen. So sollten z.B. Wettervorhersagen bei der Produktionsplanung in der Energieversorgung miteinbezogen werden.^[64]
6. Wertgenerierung (Value Generation): Wenn Unternehmen Daten i.S.v. Big Data – viele Daten in Echtzeit nutzen und bestenfalls Prognosen aufstellen - verwenden, dann können diese zu einem wirtschaftlichen Nutzen führen, indem Kosten eingespart und/oder neue Produkte und Dienstleistungen realisiert werden.^[65]. Aus meiner Sicht sollten Unternehmen Big Data generell mit dem Ziel anwenden, einen Mehrwert für das Unternehmen zu erzeugen, um in der Konsequenz den Shareholder-Value zu steigern.

Wie bereits erwähnt, bleibt keine Branche von den Veränderungen unberührt, ob es sich um neue Geschäftsmodelle in der Energiewirtschaft mit einer nachfragegesteuerten Stromerzeugung dank Big Data -Analyse und Prognose handelt^[66] oder um die Standortwahl für ein Logistikzentrum.^[67]

Big Data kann als „[der] Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens“^[68] prägnant resümiert werden.

3.2.2 Big Data nach Branchen

Weite Bereiche unseres Lebens und der Unternehmenswelt werden von Big Data und der Digitalisierung tangiert. Jedoch unterscheidet sich das Potenzial, welches Big Data für eine bestimmte Branche hat zum Teil erheblich voneinander. D.h. es können in den einzelnen Branchen sowohl mehr Chancen durch Big Data vorhanden sein, als auch mehr Risiken.^[69] Laut Manyika et al. verfügen vor allem folgenden Branchen über ein hohes Potenzial für die Nutzung der Wertsteigerungspotenziale von Big Data: Versicherungen und Finanzfirmen, Großhandel, Transport & Logistik und die öffentliche Verwaltung. Geringe Potenziale sieht die Studie in Bereichen, die mit Unterkunft & Verpflegung sowie Bildung zu tun haben. Der Industrieproduktion attestiert die Studie ein insgesamt geringes Wertsteigerungspotenzial. Jedoch können in diesem Bereich wegen der gegebenen Erfolgspotenziale die Wertsteigerungspotenziale sehr gut erfasst werden.^[70] Umfrageergebnisse von BITKOM & KPMG ergeben, dass vor allem die Befragten aus den Bereichen Maschinen- und Anlagenbau sowie Automobilproduktion zunehmend wichtige Entscheidungen auf Basis analysierter Daten treffen. Gleiches gilt für die Erzielung von konkretem Nutzen aus diesen Analysen.^[71]

Der ICV in seiner Ideenwerkstatt zum Thema Big Data gelangt auf der Grundlage dieser Daten zu einem ähnlichen Ergebnis. Jedoch kommt er zu unterschiedlichen Einschätzung beim Produktionssektor. Hier wird das Gesamtpotenzial der Industrieproduktion für Big Data -Anwendungen als sehr hoch eingeschätzt.^[72] BITKOM schätzt das Potenzial für Big Data -Anwendungen vor allem im Logistikbereich, Gesundheitswesen, sowie in der IT- und Telekommunikationsbranche sowie im Einzelhandel als sehr beträchtlich ein. Im Bereich der Industrie wird ein mittleres Potenzial gesehen, wobei die vorhandene Datenintensität sehr hoch ist. Die Bereiche Bildung und Hotelgewerbe entfallen aus der Betrachtung.^[73] Bei den zahlreichen Anwendungsbeispielen verstärkt sich dieses Bild. So lassen sich aus der Praxis viele Beispiele aus dem Logistikbereich, dem Dienstleistungs- bzw. Finanzdienstleistungssektor sowie dem IT- und Telekommunikationsbereich finden. Für die Wirtschaftszweige aus dem fertigenden Gewerbe liegt eine mittlere Anzahl an Beispielen vor.^[74] Laut Davenport ist Big Data vor allem in den Branchen geeignet, in denen Gegenstände oder Personen bewegt werden, etwas an einen Endkunden verkauft wird sowie Maschinen für die Erstellung der Leistung genutzt werden. Außerdem haben Bereiche, die Dienstleitungen anbieten sowie Inhalte verarbeiten und verkaufen großes Nutzungspotenzial.^[75] Bezieht man die Kriterien von Davenport auf den Industriebereich, so lässt sich festhalten, dass in Industriebetrieben vor allem Maschinen und physische Anlagen genutzt werden. In manchen Bereichen kann es darüber hinaus zu Verkäufen an Endkunden kommen oder es werden Dienstleistungen in Form von Serviceverträgen für die verkauften Produkte angeboten.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Einschätzung des Big Data-Nutzungspotenzials nach Branchen^[76].

Tabelle 2 fasst die Einschätzungen der Nutzungsmöglichkeiten von Big Data mit den damit verbundenen Chancen und Risiken für ausgewählte Branchen zusammen. In der eigenen Gesamtgewichtung habe ich das Potenzial für die Wertsteigerung, das Potenzial für die Nutzung dieses Potenzials und andere Einschätzungen aus den unterschiedlichen Quellen zusammenfließen lassen. Die Skalierung kann dabei zwischen einem und fünf Sternen betragen. Ein Stern für ein sehr geringes Potenzial, fünf Sterne für ein sehr hohes Potenzial. Die in dieser Arbeit näher betrachtete Branche kommt bei meiner Gesamtbetrachtung mit einer Bewertung mit vier von fünf möglichen Sternen zu einem hohen Potenzial.

In meinem Anwendungsbeispiel in Kapitel 6 und 7 werde ich die Branche „Produktion“ wählen. Zum einen kommen die Autoren zu deutlich unterschiedlichen Einschätzungen in Bezug auf die Branche, zum anderen denke ich, dass die Werttreibermodelle grundsätzlich besser mit Branchen, die etwas herstellen oder produzieren, kompatibel sind. Außerdem trägt das produzierende Gewerbe in Deutschland nach wie vor 26% zum Bruttoinlandsprodukt bei, was für ein Industrieland einen sehr hohen Wert darstellt. Weiter sind die Maschinenbau- und Autoindustrie das Aushängeschild für „ Made in Germany “ in der Welt.^[77] Auch global betrachtet stellt das produzierende Gewerbe nach wie vor den größten Anteil am weltweiten GDP dar^[78].

3.2.3 Big Data in der Wertschöpfungskette des Industriebetriebs

Big Data mit seinen verschiedenen technischen Anwendungen sowie neuen Herausforderungen und Möglichkeiten betrifft auf unterschiedliche Art und Weise die verschiedenen Abteilungen innerhalb der Wertschöpfungskette eines herstellenden Gewerbes^[79]. Im Folgenden werden die Bereiche – Entwicklung, Produktion, Logistik/ Supply Chain, Sales und Aftersales - in Bezug auf die Big Data -Auswirkungen beleuchtet. In diesen Bereichen zeigt sich der wirtschaftliche Mehrwert besonders^[80].

Entwicklung: Im Bereich der Entwicklung werden z.B. in der Automobilbranche Fahrzeuge ständig neu digital simuliert. Dabei werden die Simulationsdaten mit Verkaufsdaten der aktuellen Modelle, Marktanalysedaten aus dem Marketing und Kundenerhebung mittels Big Data -Analysen zusammengeführt und nutzbar gemacht.^[81] Dadurch kann die Festlegung des Designs zeitlich sehr weit nach hinten geschoben werden. Eine Echtzeitentwicklung auf Grundlage der neuesten Trends ist somit möglich^[82]. Dazu sollten Unternehmen ein sog. „ Product Lifecycle Management “ einführen, welches Entwicklungsdaten von internen und externen Quellen (z.B. Zulieferer) miteinander verknüpft. Weiter sollten Unternehmen bei der Entwicklung auf Kundendaten zurückgreifen, damit möglichst nur solche Aspekte berücksichtigt werden, die beim Kunden einen Nutzen hervorrufen. Auch können Unternehmen ihre Entwicklungsprozesse für Kundenideen öffnen - Open Innovation -. Im Endeffekt werden durch diese Maßnahmen, einzeln oder kombiniert, Kosten gespart und Profite erhöht.^[83]

Produktion: Im Bereich der Produktion wird Big Data durch Entwicklungen, die unter den Begriff „Industrie 4.0“ subsumiert werden, vorangetrieben. Dies geschieht vermehrt durch den Einsatz von Sensoren und die Vernetzung von Maschinen.^[84] Durch die Nutzung dieser riesigen Datenmengen können die Unternehmen ihre Produktions-, Service - und Support prozesse effizienter gestalten. Produkte sind in Fertigungen mit Industrie 4.0 Standard jederzeit lokalisierbar und mit aktuellen Zustandsinformationen zu identifizieren.^[85] Die in den Produkten verbauten Sensoren liefern oft auch während des späteren Einsatzes der Produkte wichtige Daten, für die verschiedenen Teilbereiche des Unternehmens^[86]. Das bedeutet in den meisten Fällen eine Reduktion der Produktionszeit, eine Verbesserung der Lieferzuverlässigkeit und damit verbundene Kosteneinsparungen^[87]. So hat bspw. der Halbleiterhersteller Semikron GmbH seinen Produktionsprozess für die Segmente Prozessdaten, Materialbewegungen und Lieferinformationen mittels einer Hadoop- Datenbank vereinheitlicht. Dadurch ist das Unternehmen in der Lage alle Material- und Lieferprozesse zu verfolgen und zu archivieren, sowie auf Marktänderungen schneller zu reagieren.^[88]

Logistik/ Supply Chain: Im Bereich der Logistik kann flexibler auf Änderungen in der Nachfrage oder im Ablauf der Produktion reagiert werden. Anwendungsbeispiele zeigen, dass Unternehmen auch hier vermehrt vernetzte Digitaltechnik einsetzen, um die Nutzenpotenziale von Big Data zu heben.^[89] Wichtig ist dabei, dass die Daten der ganzen Wertschöpfungskette miteinander verknüpft werden. Das führt zu einem effizienteren Einsatz der finanziellen Mittel und einem besseren Serviceangebot bei Verkauf und Aftersales.^[90] Auch sind ggf. Daten von Auftragsfertigern, Zwischenlagern sowie von Speditionen zu berücksichtigen und dies über die verschiedenen Produkte hinweg^[91]. So implementiert die Wittenstein SE^[92] Schritt für Schritt ein neues innerbetriebliches Logistiksystem, das durch Vernetzung zu einer besseren Auslastung führt, als das bisher genutzte Kanban-Prinzip^{[93] [94]}.

Sales: Im Bereich des Vertriebs lassen sich auf Grundlage von Kundendaten Analysen zum Nutzerverhalten anfertigen. Dadurch wird eine individuelle Preis- und Tarifgestaltung möglich, um möglichst genau die vorhandene und gewillte Kaufkraft der Kunden abzuschöpfen. Eine Verbesserung der Unternehmensprofite ist die Folge.^[95] Zusätzlich kann durch die gezielte Kundenansprache auch die Kostenseite optimiert werden sowie ggf. Kundenabwanderungen durch bessere Serviceangeboten vorgebeugt werden^[96]. Beispiele hierfür sind bessere Konditionen für Kunden, die ihre Daten bzw. ihr Nutzerverhalten zur Verfügung stellen, wie z.B. bei Kfz-Versicherungen oder beim Verkauf von Reisen.^[97] Letzteres ist eine besondere Form der Preisdifferenzierung, die einige Unternehmen bereits vornehmen, die aber zu einer völligen Neuordnung unseres Kaufverhaltens, wenn nicht sogar unseres Wirtschaftssystems führen wird^[98].

Aftersales: Die Analyse des Nutzerverhaltens ermöglicht es den Unternehmen profitabler zu agieren. So können hier Angebote individueller auf den Kunden zugeschnitten werden. Dies führt zu einer Steigerung der Servicequalität, geringeren Schäden durch verringerte Stillstandzeiten und geringere Wartungskosten. Auch können neue Aufträge generiert werden. Ein Beispiel für einen auf Big Data gestützten Aftersales ist die Überwachung der verkauften Produkte im Hinblick auf den Austausch von Ersatzteilen, kurz vor ihrer Ermüdung. Dazu können intelligente Überwachungen mittels Trendanalysen gestaltet werden. Diese Art der Prävention ist vor allem bei sicherheitsrelevanten Produkten und/oder komplexen technischen Geräten, wie z.B. Aufzügen sehr sinnvoll.^[99]

Die positiven Auswirkungen von Big Data auf die einzelnen Bereiche der Wertschöpfungskette sind in Abbildung 3 zusammengefasst dargestellt.

Wie Abbildung 3 verdeutlicht, kann Big Data bei der entsprechenden Nutzung in jedem der wichtigsten Teilbereiche eines Industriebetriebes zu Hebelwirkungen in Bezug auf Kostenreduktion und/oder Effizienzsteigerung führen. Der Pfeil im oberen Grafikbereich verdeutlicht, dass die Analysen des Nutzerverhaltens im Sales und Aftersales wieder in die aktuellen und zukünftigen Entwicklungen, wenn nötig in Echtzeit, einfließen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Hebel von Big Data entlang der Wertschöpfungskette eines Industriebetriebes^[100]

Neben den Bereichen der Wertschöpfungskette erzeugen Big Data -Anwendungen auch in den übergreifenden Bereichen, wie dem allgemeinen Management oder dem Controlling, wirtschaftlichen Nutzen. So sind im Bereich des Controllings neue Simulations- und Vorhersagemodelle möglich. Auch können im Bereich des Risikocontrollings kürzere Zeitabstände bei der Überwachung realisiert werden.^[101] Ein Beispiel hierfür ist die Entwicklung einer optimierten Value-at-Risk -Berechnung, die es der nutzenden Bank ermöglicht, ihr vorhandenes Risiko im Portfolio näherungsweise in Echtzeit zu schätzen. Dadurch ist die Bank im Vergleich zu ihren Wettbewerbern in der Lage Handelsstrategien schneller zu simulieren und zu prüfen.^[102]

3.2.4 Ein technischer Bezugsrahmen

In diesem Abschnitt möchte ich eine kleine Auswahl an technischen Anwendungen zur Implementierung von Big Data -Strategien im Unternehmen vorstellen. Neben dem Hintergrundverständnis ist dies zur Abschätzung der Entwicklung der verschiedenen Kosten bei der Anwendung der Thematik auf die Werttreibermodelle von Bedeutung.

Die Big Data -Technologien stellen oft eine Weiterentwicklung vorhandener transaktionaler^[103] und analytischer^[104] Systeme dar. Hier sind neue Techniken wie die Abfragesprachen NoSQL oder Hadoop -Auswertungssysteme hervorgetreten.^[105]

Das Themengebiet Big Data ist unweigerlich mit dem Begriff „ Hadoop “ verknüpft. Dabei handelt es sich um eine einheitliche Speicher- und Verarbeitungsumgebung, die es ermöglicht, auf verschiedenen Rechnern, innerhalb eines Netzwerkes, unstrukturierte und für vorherige Systeme zu große Datenmengen zu verarbeiten. Diese Aufteilung der Berechnungsaufgaben auf verschiedene Rechner verkürzt die Bearbeitungszeit i.d.R. erheblich. So kann z.B. die notwendige Zeit für das Abgleichen von Fotos mittels eines Algorithmus´ mit dieser Technik im Vergleich zu vorherigen Möglichkeiten um mindestens das Hundertfache verringert werden.^[106] Hadoop-Software gibt es von unterschiedlichen Anbietern auf dem Markt. Es handelt sich bei Hadoop um eine Open Source Software. Der bekannteste Anbieter dieser ursprünglich von Yahoo entwickelten Open Source Software ist heute die Apache Software Foundation.^[107] Zur Verarbeitung und Speicherung der Daten können intelligent eingerichtete Standardserver verwendet werden. Der Einsatz eigener Großrechner entfällt. Diese beiden Komponenten bewirken optimierte IT-Kosten.^[108] Eine Variation auf dem Framework von Hadoop ist MapReduce. Dieses Programmiermodell berechnet, vereinfacht gesagt, zunächst Teilresultate durch Aufspaltung der Ausgangsaufgabe, um diese am Ende des Prozesses wieder zusammenzuführen^[109].

Neben Hadoop stellen NoSQL-Dankenbanken eine weitere vielgenutzte technische Weiterentwicklung im Bereich von Big Data dar. Durch diese neue Form der Datenbanken ist es im Vergleich zu RDBMS-Datenbanken möglich, das Datenbankschema zu verändern, sowie einfach neue Server hinzufügen. Unter NoSQL -Systemen gibt es verschiedene Varianten mit spezifischen Vorteilen.^[110]

In-Memory -Analysen stellen eine Weiterentwicklung von Data Warehouse -Anwendungen dar. Hier werden die Analysen direkt im Arbeitsspeicher des Computers durchgeführt, der leistungsfähiger ist als die herkömmliche Plattenspeicherung.^[111] Durch diese Technik können bisher nebeneinander existierende Datenverwaltungs- und Datenverarbeitungssysteme zusammengeführt werden. Diese Zusammenführung erbringt einen erheblichen Effizienzgewinn^[112].

Im Bereich des Rechnungswesens bzw. Controllings ist die z.Zt. bedeutendste Entwicklung die In-Memory -Plattform HANA^[113] von SAP. Da SAP der führende Anbieter von Unternehmenssoftware in Deutschland ist, kann davon ausgegangen werden, dass sich das Produkt wie seine Vorgänger in der Breite der Unternehmen durchsetzen wird. SAP HANA erlaubt es mit der In-Memory -Technologie (IMC^[114] ), in Echtzeit Finanzdaten zu verarbeiten. Dies führt zu einer enormen Zeitersparnis bei Datenverarbeitungsprozessen in diesem Bereich mit Chancen zur Produktivitätssteigerung. Darüber hinaus führt diese Plattform zu einer vereinfachten Benutzeroberfläche.^[115] Im Detail ermöglicht die Plattform u.a. Real-Time -Abfragen, ein direktes Reporting aus den ERP-Systemen, Big Data -Auswertungen von Transaktionen auf Onlinemarktplätzen, oder die Überwachung von Maschinen & Werkstücken bei der Industrieproduktion im Sinne der Industrie 4.0^[116].

[...]

---

^[1] Vgl. Manyika, J. et al. 2011, S. 26.

^[2] Kiani-Kress, R. 2017, S. 41.

^[3] Siehe Ausgaben Wirtschaftswoche und Controller Magazin seit Heft 1 2014.

^[4] Vgl. Stepstone.de, Berufsfeld “IT”.

^[5] Vgl. Messerschmidt, M./Schülein, P./Murnleitner, M. 2008, S. 3.

^[6] Vgl. Weber, J. 2016, S. 44f..

^[7] Vgl. Schmachtenberg, D. 2015, S. 26ff.

^[8] Vgl. Adolhassan, F. 2016,S. 17.

^[9] Vgl. Manyika, J. et al. 2011, S. 16.

^[10] Vgl. Boué, T. 2015, o. S..

^[11] Vgl. Davenport, T. 2014, S. 183.

^[12] Vgl. Alexander, S. 2017, S. 26f.

^[13] Vgl. Werttreiber und Value Driver werden im Folgenden synonym verwendet.

^[14] Vgl. Wöhe et al. 2010, S. 50.

^[15] Vgl. Düsterlho J.-E., 2003, S. 5.

^[16] Vgl. Bartsch, S. 2015, S. 121.

^[17] Vgl. Rappaport 1986, und siehe auch Küting, K./Steiner, M. 2003 Begriff: Shareholder-Value, S. 698.

^[18] Vgl. Düsterlho, J.-E. 2003 S. 7ff.

^[19] Vgl. Copeland et al. 1998, S. 106ff.

^[20] Vgl. Gleich, R. 2001, S. 8f.

^[21] Vgl. Rappaport, A. 1979, S. 99.

^[22] Vgl. Porter, M. E. 1987, S. 30ff.

^[23] Vgl. Rappaport, A. 1986, o. S..

^[24] Vgl. Wöhe et al. 2010, S. 50.

^[25] Vgl. Küting, K./Steiner, M. 2003 Begriff: Shareholder-Value, S. 697f.

^[26] Vgl. Poeschl, H. 2013, S. 79.

^[27] Vgl. Düsterlho, J.-E. 2003 S. 11.

^[28] Vgl. Düsterlho, J.-E. 2003 S. 15f.

^[29] Vgl. Poeschl, H. 2013, S. 79f.

^[30] Vgl. Wöhe et al. 2010, S. 50ff.

^[31] Vgl. Janisch, M 1993, S. 34.

^[32] Vgl. Wöhe et al. 2010, S. 52ff.

^[33] Vgl. Bendel, O. 2015.

^[34] Vgl. Schmachtenberg, D. 2015, S. 26.

^[35] Vgl. Tapscott, D. 1996, S. 11ff.

^[36] Vgl. Bendel, O. 2015.

^[37] Vgl. Schmachtenberg, D. 2015, S. 26f.

^[38] Vgl. Weber, J. 2016, S. 44.

^[39] Vgl. E&Y 2016, abrufbar unter: http://www.ey.com/ch/de/newsroom/news-releases/ey-medienmitteilung-marktkapitalisierung-juni-2016

^[40] Vgl. http://boerse.ard.de/aktien/deutschlands-wertvollste-dax-unternehmen100.html

^[41] Vgl. http://www.manager-magazin.de/unternehmen/artikel/a-955973.html

^[42] Vgl. http://www.handelsblatt.com/finanzen/maerkte/aktien/snapchat-boersengang-snap-aktie-feiert-traumstart-an-der-wall-street/19465550.html

^[43] Vgl. Urbach, N./Ahlemann, F. 2016, S. 3.

^[44] Vgl. Kagermann, H. 2012, S. 68.

^[45] Eigene Darstellung aus Datenquellen: https://de.statista.com/infografik/2544/ entwicklung-preis-pro-gigabyte-festplattenspeicher/, https://de.statista.com/statistik/daten/studie/267974/ umfrage/prognose-zum-weltweit-generierten-datenvolumen/

^[46] Vgl. Jüngling, T. 2013, welt.de.

^[47] Zu Maßeinheiten der Digitaltechnik siehe Anlage 1.

^[48] Vgl. Rixecker, K. 2014.

^[49] Vgl. Kaum, S. et al. 2015, S. 10f.

^[50] Vgl. Urbach, N./Ahlemann, F. 2016, S. 3.

^[51] Vgl. Davenport, T. H. 2014, S. 6ff.

^[52] Vgl. Gadatsch, A. 2013, S. 24f.

^[53] Vgl. Urbach, N./Ahlemann, F. 2016, S. 3.

^[54] Vgl. Davenport, T. H. 2014, S. 10.

^[55] Vgl. ICV 2014, S. 3.

^[56] Eigene Darstellung.

^[57] Vgl. BITKOM 2015, S. 14 und Zacher, M. 2012, S. 2.

^[58] Vgl. Davenport, T. H. 2014, S. 6ff.

^[59] Vgl. Matzer, M. 2013, S. 18.

^[60] Vgl. BITKOM 2015, S. 14 und Matzer, M. 2013, S. 18.

^[61] Vgl. Schroeck, M. et al. 2012, S. 4.

^[62] Vgl. BITKOM 2015, S. 14.

^[63] Vgl. Redman, T. C. 2013, S. 86.

^[64] Vgl. Schroeck, M. et al. 2012, S. 5.

^[65] Vgl. ICV 2014, S. 4 und Davenport, T. H. 2014, S. 21f.

^[66] Vgl. Schlenzing, C./Merkel-Malkowski, S. 2016, S. 52ff.

^[67] Vgl. IVC 2014, S. 18f.

^[68] BITKOM 2015, S. 14.

^[69] Vgl. Manyika, J. et al. 2011, S. 113f.

^[70] Vgl. Manyika, J. et al. 2011, S. 123ff.

^[71] Vgl. BITKOM & KPMG 2016, S. 6.

^[72] Vgl. ICV 2014, S. 8.

^[73] Vgl. BITKOM 2012, S. 50.

^[74] Vgl. BITKOM 2012, S. 51f.

^[75] Vgl. Davenport, T. H. 2014, S. 41ff.

^[76] Eigene Darstellung in Anlehnung an Manyika, J. et al. 2011, S. 123ff., BITKOM 2012, S. 51f. und BITKOM & KMPG 2016, S. 6.

^[77] Vgl. Destatis und Handelsblatt.de 2013.

^[78] Vgl. Manyika et al. 2011, S. 37f. und http://data.worldbank.org/indicator/NV.IND.TOTL.ZS.

^[79] Vgl. ICV 2014, S. 11.

^[80] Vgl. BITKOM 2012, S. 34.

^[81] Vgl. ICV 2014, S. 10f.

^[82] Vgl. Fromme, T. 2013, S. 13.

^[83] Vgl. Manyika, J. et al. 2011, S. 77ff.

^[84] Vgl. Sauter, R. et al 2015, S. 4.

^[85] Vgl. Weinhardt, C. 2015, S. 54.

^[86] Vgl. BITKOM 2012, S. 38.

^[87] Vgl. Manyika, J. et al. 2011, S. 80f.

^[88] Vgl. BITKOM 2012, S. 72.

^[89] Vgl. ICV 2014, S. 11.

^[90] Vgl. Manyika, J. et al. 2011, S. 80.

^[91] Vgl. BITKOM 2012, S. 39.

^[92] Die Wittenstein SE ist ein deutsches Unternehmen für mechatronische Antriebstechnik, welches selbst intelligente Vernetzungen für seine Systeme anbieten. Siehe Unternehmenshompage: http://www.wittenstein.de/de-de/unternehmen/

^[93] Das Kanban-Verfahren ist ein System, welches auf der Grundlage der Just-in-Time-Produktion entwickelt wurde und zu sehr kleinen Lagerbeständen und verringerten Durchlaufzeiten führt. (Vgl. Wöhe, G. et al. 2010, S. 368f.)

^[94] Vgl. ICV 2014, S. 13.

^[95] Vgl. ICV 2014, S. 11.

^[96] Vgl. BITKOM 2012, S. 35f.

^[97] Vgl. Müller, M. U. et al. 2013, S. 67 und Fischer, M. et al. 2017, S. 21ff.

^[98] Vgl. Fischer, M. et al. 2017, S. 22.

^[99] Vgl. Manyika, J. et al. 2011, S. 81f. und BITKOM 2012, S. 38f.

^[100] Eigene Darstellung in Anlehnung an Manyika, J. et al. 2011, S. 78 und ICV 2014, S. 11.

^[101] Vgl. BITKOM 2012, S. 42.

^[102] Vgl. BITKOM 2012, S. 80.

^[103] Z.B. OLTP = Online Transactional Processing

^[104] Z.B. Data Warehouse

^[105] Vgl. BITKOM 2012, S. 22ff.

^[106] Vgl. Davenport, T. H. 2014, S. 113f.

^[107] Vgl. Manyika, J. et al. 2011, S. 32.

^[108] Vgl. Fasel, D. 2016, S. 124f.

^[109] Vgl. Manyika, J. et al. 2011, S. 32 und Fasel, D. 2016, S. 125f.

^[110] Vgl. Müller, S. 2016, S. 149f.

^[111] Vgl. Davenport, T. H., S. 112 und 114.

^[112] Vgl. Kaum, S. et al. 2015, S. 10f.

^[113] HANA = High Performance Analytic Appliance

^[114] In-Memory-Computing

^[115] Vgl. Kaum, S. et al. 2015, S. 10f.

^[116] Vgl. Prassol, P. 2016, S. 206 ff.