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. An der Börsenkapitalisierung der weltweit wertvollsten Unternehmen lässt sich das Potenzial der Digitalisierung ebenfalls ablesen. 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.
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. Zur Abbildung dieser wesentlichen Aufgaben stellen die am Unternehmenswert orientierten Werttreibermodelle eine Option dar.
In seiner Publikation arbeitet der Autor die Erfolgspotenziale heraus, die Big Data - als ein Teilbereich der Digitalisierung - für ein Industrieunternehmen bietet. Weiter stellt er fest, inwieweit das Werttreiberkonzept von Rappaport dazu geeignet ist, diese Erfolgspotenziale einer Big Data-Strategie zu quantifizieren und in der Unternehmensperformance abzubilden.
Aus dem Inhalt:
- Big Data;
- Digitalisierung;
- Shareholder Value;
- Unternehmenswert;
- Rappaport;
- Werttreiber
Inhaltsverzeichnis
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
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Erfolgspotenziale von Big Data für ein Industrieunternehmen herauszuarbeiten und zu prüfen, inwieweit das Werttreibermodell nach Rappaport geeignet ist, diese Potenziale einer Big Data-Strategie zu quantifizieren und in der Unternehmensperformance abzubilden.
- Grundlagen des Shareholder-Value-Konzepts
- Stellenwert der Digitalisierung und von Big Data in Industrieunternehmen
- Analyse von Ressourcen, Erfolgspotenzialen und Erfolgsfaktoren
- Prognose des Unternehmenswertes durch Werttreibermodelle
- Praktische Anwendung der Big Data-Strategie am Beispiel der Heiß & Kalt AG
- Kritische Bewertung und Modifikationsansätze für Werttreibermodelle
Auszug aus dem Buch
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“. 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. Ziel ist es, aus den Informationen der Daten einen betriebswirtschaftlichen Nutzen zu ziehen. 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. 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.
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.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet die zunehmende Bedeutung der Digitalisierung und von Big Data als Produktionsfaktor und stellt die Forschungsfrage zur Quantifizierung dieser Potenziale mittels Werttreibermodellen.
2 Das Shareholder-Value-Konzept: Dieses Kapitel erläutert den Shareholder-Value-Ansatz als Instrument der strategischen Unternehmensführung, das sich an zukünftigen Cash-Flows orientiert.
3 Digitalisierung: Es werden die Grundlagen der Digitalisierung und Big Data sowie deren Auswirkungen auf die Wertschöpfungskette eines Industriebetriebs untersucht.
4 Ressourcen, Erfolgspotenziale und Erfolgsfaktoren: Das Kapitel definiert grundlegende strategische Begriffe und grenzt sie voneinander ab, um den Rahmen für die Wertbeitragsanalyse zu schaffen.
5 Der Cash-Flow als zentrale Größe: Es wird die Bedeutung des Cash-Flows als zentrale Komponente für wertorientierte Konzepte und dessen Ermittlungsmethoden dargestellt.
6 Prognose des Unternehmenswertes mit Hilfe von Werttreibermodellen: Hier wird das Modell von Rappaport theoretisch hergeleitet und eine beispielhafte Shareholder-Value-Berechnung für die Heiß & Kalt AG durchgeführt.
7 Darstellung der Big Data-Strategie im Werttreibermodell: Dieses Kapitel führt die praktische Anwendung durch, prognostiziert Szenarien und analysiert die Sensitivität der Werttreiber bei Implementierung einer Big Data-Strategie.
8 Zusammenfassung und Ausblick: Die Arbeit schließt mit einer Synthese der Erkenntnisse und einer Einschätzung zukünftiger Herausforderungen bei der Umsetzung von Big Data-Initiativen.
Schlüsselwörter
Big Data, Shareholder-Value, Werttreibermodell, Digitalisierung, Unternehmenswert, Cash-Flow, Erfolgspotenziale, Industrie 4.0, Datenanalyse, IT-Strategie, Wertschöpfungskette, Controlling, Unternehmensführung, Strategische Planung, Data Scientist
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit im Kern?
Die Arbeit untersucht, wie Unternehmen durch Big Data Erfolgspotenziale generieren können und wie sich diese Potenziale mithilfe des Werttreibermodells nach Rappaport quantifizieren lassen.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themenfelder sind das Shareholder-Value-Konzept, Digitalisierung in Industrieunternehmen, die Definition und Messung von Erfolgspotenzialen sowie die Anwendung von Prognosemodellen für den Unternehmenswert.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, herauszuarbeiten, welche Erfolgspotenziale Big Data für Industrieunternehmen bietet und ob das Modell von Rappaport geeignet ist, diese Potenziale in der Unternehmensperformance abzubilden.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit verwendet eine Kombination aus theoretischer Fundierung des Shareholder-Value-Konzepts und einer praktischen Anwendung in Form einer modellhaften Fallstudie (Heiß & Kalt AG) inklusive Szenario- und Sensitivitätsanalysen.
Welche Schwerpunkte liegen im Hauptteil der Arbeit?
Der Hauptteil gliedert sich in die theoretische Begriffsdefinition von Big Data und Werttreibermodellen sowie die praktische Anwendung dieser Konzepte auf ein fiktives Industrieunternehmen zur Prognose der Wertentwicklung.
Welche Schlagworte charakterisieren diese Publikation am besten?
Die Arbeit lässt sich am besten durch die Begriffe Big Data, Shareholder-Value, Werttreibermodell und Unternehmenswertsteuerung charakterisieren.
Warum ist das Werttreibermodell nach Rappaport zentral für die Arbeit?
Rappaports Modell bildet das Fundament für die wertorientierte Unternehmenssteuerung und ermöglicht es, durch die Zerlegung in spezifische Werttreiber, die Auswirkungen von Investitionen auf den Shareholder-Value mathematisch nachvollziehbar zu machen.
Was zeigt die Sensitivitätsanalyse der Heiß & Kalt AG?
Die Analyse verdeutlicht, dass die betriebliche Gewinnmarge den größten Hebel auf den Unternehmenswert darstellt, gefolgt vom Umsatzwachstum, was dem Management klare Prioritäten für Effizienzverbesserungen vorgibt.
Welches Fazit zieht der Autor zur Digitalisierung?
Der Autor kommt zu dem Schluss, dass Big Data ein zentrales strategisches Thema ist, dessen Erfolg eng mit der Ausarbeitung einer passenden Strategie und dem Einsatz qualifizierter Mitarbeiter (Data Scientists) verknüpft ist.
Warum empfiehlt der Autor Ergänzungen zum Modell von Rappaport?
Da das Modell von Rappaport auf einer sehr aggregierten Ebene arbeitet, empfiehlt der Autor eine Erweiterung durch Werttreiberbäume (nach Copeland oder Lewis), um die operative Steuerung und Planung von Digitalisierungsprojekten zu präzisieren.
- Citation du texte
- Roman Hosenfeld (Auteur), 2017, Big Data und Shareholder Value. Darstellung einer Big Data-Strategie im Werttreibermodell nach Rappaport, Munich, GRIN Verlag, https://www.grin.com/document/374729
