Der Einfluss der Digitalisierung auf die Budgetierung


Masterarbeit, 2017
91 Seiten, Note: 1,3

Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Relevanz der Thematik
1.2 Aufbau und Vorgehensweise der Arbeit

2 Theoretische Grundlagen
2.1 Budget und Budgetierung
2.1.1 Darstellung des Inhaltes und der Aufgaben der Budgetierung
2.1.2 Probleme und Herausforderungen der traditionellen Budgetierung
2.2 Digitalisierung und Industrie
2.2.1 Bedeutung und Entwicklung der Digitalisierung
2.2.2 Kernmerkmale und Kategorisierung von Big Data
2.3 Business Intelligence und Business Analytics

3 Herausforderungen und Potenziale von Big Data für die Budgetierung
3.1 Zugang und Auswertung von Daten
3.1.1 Datenintegration und Datenmanagement
3.1.2 Einsatz relevanter Analyseverfahren und -methoden
3.2 Identifikation von Ursache-Wirkungs-Beziehungen
3.2.1 Generierung von Modellen und Simulationen
3.2.2 Analysekompetenz von Controlling und Management
3.3 Potenziale im Umgang mit Unsicherheit
3.3.1 T ransparenz als Reaktion auf Komp lexität
3.3.2 Flexibilität als Reaktion auf Dynamik
3.4 Gegenüberstellung der Herausforderungen und Potenziale

4 Auswirkungen für das Budget und die Budgetierung
4.1 Einfluss auf den Budgetprozess
4.1.1 Verbesserung der Budgeterstellung
4.1.2 Weiterentwicklung von Budgetierungsansätzen
4.2 Funktionale Auswirkungen für das Budget
4.2.1 Steigerung der Prognosegüte
4.2.2 Unterstützung bei der Zielsetzung und Entscheidungsfindung
4.2.3 Effizientere Ressourcenallokation
4.2.4 Transparenz in der Leistungssteuerung
4.3 Entwicklung der Budgetierungsinstrumente
4.3.1 Digitaler Forecast
4.3.2 Konsequente Marktorientierung
4.3.3 Verstärkung der Strategieausrichtung
4.4 Zusammenfassung der Auswirkungen

5 Schluss

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Das Master Budget

Abb. 2: Aufgaben der Budgetierung

Abb. 3: Wirkungsebenen der Digitalisierung

Abb. 4: Entwicklung des weltweiten Datenvolumens bis

Abb. 5: Eigenschaften von Big Data

Abb. 6: Analyse Spektrum von Business Intelligence und Business Analytics

Abb. 7: Darstellung eines Treibermodells

Abb. 8: Entwicklung der Controlling-Unterstützung bei Industrie

Abb. 9: Anwendungsstand und Bedeutung von Big Data und Advanced Analytics in Prozent

Abb. 10: Verteilung des Aufwands im Controlling am Beispiel Reporting in Prozent

Abb. 11: Einordnung verschiedener Budgetierungskonzepte

Abb. 12: Darstellung eines Crawl Charts

Abb. 13: Anstieg des Automatisierungsgrad bei der Entscheidungsfindung

Abb. 14: Der menschliche Informationsverarbeitungsprozess im Vergleich zur kognitiven Systemarchitektur

Abb. 15: Kombination und Entwicklung vom digitalen Forecast zu einem finanziellen Forecast

Abb. 16: Integriertes Treiber- und Simulationsmodell

Abb. 17: Übersicht über den Einfluss von Big Data auf Teilbereiche der Budgetierung

Tabellenverzeichnis

Tabelle 1 : Ausgewählte Analysemethoden im Überblick

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Relevanz der Thematik

Alljährlich wiederholt sich in fast jedem Unternehmen die Budgetplanung, die ein zentrales Führungs- und Kontrollinstrument zur Koordination von Steuerungsprozessen und unternehmerischer Entscheidungen darstellt. Häufig nimmt dieser Prozess mehrere Wochen oder sogar Monate in Anspruch und erfordert hohen Ressourceneinsatz. Längst wird jedoch der Budgetprozess auch kritisiert, er sei zu starr, zeit- und kostenaufwendig. In einer Zeit in der die Lebenszyklen der Technik immer kürzer werden, nimmt die Bedeutung von Flexibilität und Dynamik immer mehr zu. Die Volatilität der Absatzmärkte, steigende Kundenanforderungen und kürzere Produktlebenszyklen bei gleichzeitig höherer Komplexität der Markt- und Wertschöpfungsprozesse stellen die Unternehmen in allen Branchen vor erhebliche Herausforderungen, die flexiblere und auch reaktionsfähigere Produktions- und Logistiksysteme erfordern. Hinzu kommt, dass sich die Unternehmen heute inmitten einer erneuten industriellen Revolution befinden, die das Potenzial hat, nicht nur die industrielle und technologische Welt zu verändern, sondern auch bedeutenden Einfluss auf die Unternehmenskultur und ihre Steuerungsprozesse nehmen wird. Digitalisierung heißt das neue Trendwort und ist gekennzeichnet durch eine globale Vernetzung, in der Informationen unabhängig von Raum und Zeit ausgetauscht werden, durch Systeme und Roboter, die über künstliche Intelligenz verfügen und durch Unternehmen, die allein anhand von Daten Millionen Euro an Umsatz generieren, ohne eine physische Wertschöpfung erstellt zu haben.1

Möglich ist dies vor allem durch die digitale Transformation einer zunehmenden Menge von Daten und die Weiterentwicklung der Informationstechnologie, die diese Daten speichern, verarbeiten und miteinander vernetzen können. Einige Unternehmen haben den enormen Wert bereits erkannt, den Daten und die damit verbundene Analyse mit sich bringen kann. So nutzen zum Beispiel Versicherungen moderne Analysemethoden, um die Wahrscheinlichkeit des Eintrittes von Risiken zu berechnen und Banken betreiben inzwischen ihren Wertpapierhandel mit Hilfe intelligenter Algorithmen, die zukünftige Kursverläufe prognostizieren sollen.2

„Wissen und Informationen sind folglich die Kernressource, die den Erfolg eines jeden Unternehmens im Internetzeitalter primär bestimmt“, beschreibt Thomas Dapp, Forschungsspezialist der Deutschen Bank. Nach seiner Meinung ist in der heutigen Zeit vor allem der Vorsprung durch Wissen erfolgsentscheidend, wenn einzelne Akteure im Wettbewerb bestehen bleiben wollen.3

Was allerdings bereits schon in Banken und Versicherungsunternehmen seit einigen Jahren zur Anwendung kommt, findet nun zunehmend auch Einzug in die betrieblichen Prozesse anderer Branchen. Neben sich selbststeuernden Maschinen, lernfähigen Robotern und automatisierten Produktionsstraßen, die Produkte und Produktionsprozesse verändern, werden die neuen Entwicklungen hinsichtlich der Digitalisierung aber auch besondere Auswirkungen auf Planungs- und Steuerungsprozesse von Unternehmen haben. Mit den heute vorhandenen informationstechnologischen Möglichkeiten sind Informationen schneller verfügbar und es können mehr Daten in kürzerer Zeit ausgewertet und verarbeitet werden. Wenn Unternehmen es schaffen, die unendlichen Massen an Daten so zusammenzuführen, dass sie daraus neue Informationen und Erkenntnisse über den Markt und aktuelle sowie potentielle Kunden ziehen können, lässt sich ein unvergleichbarer Wettbewerbsvorteil aufbauen. Die Zunahme der Datenmenge und die Möglichkeiten der Datenanalyse sind somit eng verbunden mit klaren wirtschaftlichen Zielen und Nutzungspotenzialen und bieten Unternehmen die Chance für eine bessere Differenzierung im globalen Wettbewerb. MCAFEE und BRYNJOLFSSON prophezeien geradezu eine „Management Revolution“, mit dem Gedanken, Manager werden durch Big Data mehr relevante Informationen und Einsichten über ihr Unternehmen erhalten und dadurch bessere Entscheidungen treffen.4

Insbesondere auch die Unternehmensplanung und im Speziellen die Budgetierung sehen sich aufgrund der zunehmenden Digitalisierung wachsenden Herausforderungen aber auch Potenzialen gegenüber. Es stellt sich daher die Frage, welche Auswirkungen sich für die Budgetierung, als wesentliches Instrument der Unternehmenssteuerung, ergeben werden und ob auch die Budgetplanung von den Entwicklungen profitieren kann.

1.2 Aufbau und Vorgehensweise der Arbeit

Ziel der vorliegenden Arbeit ist es, einen Überblick über die Auswirkungen der Digitalisierung auf die Budgetierung zu geben und zu untersuchen, wie die Digitalisierung die Budgetplanung und die Aufstellung von Budgets verändert und beeinflusst. Dabei wird sowohl der Stellenwert der Digitalisierung innerhalb der Planung und Budgetierung aufgezeigt, als auch Erfolgsfaktoren betrachtet, die einen wesentlichen Einfluss auf die Effektivität und Effizienz der Datenverarbeitung und der Datenanalyse haben.

Zunächst werden in Kapitel zwei Grundlagen der Budgetierung sowie auch der Digitalisierung vorgestellt, außerdem wird auf die Bedeutung von Daten und der Datenanalyse hingeführt. Im dritten Kapitel wird auf Herausforderungen aber auch auf Potenziale eingegangen, die mit der Digitalisierung und der damit verbundenen Datenverarbeitung einhergehen. Am Ende dieses Kapitels werden Überlegungen aufgestellt, wie und an welchen Stellen sich der Einfluss der Digitalisierung auf die Budgetierung besonders auswirken wird. Das vierte Kapitel zeigt schließlich die genauen Einflussbereiche und die damit verbundenen Veränderungen auf, die sich für das Budget und die Budgetierung ergeben. Das Kapitel schließt mit einem Überblick und einer Zusammenfassung über die Auswirkungen. In der Schlussbetrachtung werden die gewonnenen Erkenntnisse noch einmal reflektiert und ein Ausblick auf sich abzeichnende Trends gegeben.

2 Theoretische Grundlagen

2.1 Budget und Budgetierung

Zur genaueren Analyse des Einflusses der Digitalisierung wird zunächst das Budget und die Budgetierung in seinen Einzelelementen vorgestellt, um dann gezielt die Auswirkungen auf die verschiedenen Bereiche untersuchen zu können. Dazu werden als erstes die Ziele und Funktionen der Budgetierung näher erläutert sowie erfolgt eine Darstellung des traditionellen Budgetprozesses mitsamt seiner Inhalte. Im zweiten Unterabschnitt werden einige aktuelle Herausforderungen und Problemstellungen der Budgetierung herausgearbeitet, die als Basis für die im Anschluss tiefergehende Analyse der Auswirkungen und des Einflusses der Digitalisierung dienen.

2.1.1 Darstellung des Inhaltes und der Aufgaben der Budgetierung

„Planung ist die gedankliche Vorwegnahme möglicher zukünftiger Zustände, die Auswahl der anzustrebenden Zustände (Ziele) und die Festlegung der dazu umzusetzenden Maßnahmen. Damit soll das Unternehmen laufend an interne und externe Veränderungen angepasst werden, wobei Entscheidungen unter Berücksichtigung zukünftiger Wirkungen zu treffen sind.“5

Mit dieser Definition beschreibt der Internationale Controller Verein (ICV) die Aufgabe der Planung im Unternehmen. Pläne sind eine Ausprägung von Willensbildung mit dem Ziel, Ausführungsverhandlungen antizipativ festzulegen. Mit der Aufstellung von Plänen versucht das Unternehmen einerseits eine Vorausschau der Zukunft abzubilden, andererseits diese aber auch aktiv durch feste Vorgaben und Ziele, sowie einer gezielten Koordination zu beeinflussen.6

Im Allgemeinen kann die Planung in die drei Teilbereiche strategische, taktische und operative Planung unterteilt werden, die sich im Wesentlichen durch den zeitlichen Horizont und den damit einhergehenden Planungsprämissen unterscheiden. Den weitesten Zeithorizont hat mit circa 5-10 Jahren die strategische Planung. Hier werden Maßnahmen und Erfolgspotenziale determiniert, die den langfristigen Erfolg eines Unternehmens sichern sollen. Mit Hilfe der taktischen Planung, die in der Regel einen Zeithorizont von 1­5 Jahren umfasst, werden die Ziele der strategischen Planung in mittelfristige Ziele konkretisiert, indem sie Handlungsalternativen in operationale Programm- und Kapazitätsplanungen umsetzt, wie z.B. Investitions- oder Produktionsentscheidungen. Den Abschluss bildet die operative Planung, in der eher kurzfristige Jahrespläne, insbesondere für das Folgejahr, abgeleitet werden.7 Dabei werden die Ergebnisse der vorangegangenen Planung im Wesentlichen in konkrete Ziele und Einzelmaßnahmen transformiert und auf einzelne Bereiche und Stellen im Unternehmen heruntergebrochen. Werden diese dann wiederum als feste monetäre Ziele mit einem gewissen Verbindlichkeitsgrad vorgegeben, wird auch von einer Budgetplanung gesprochen.8

Die Budgetplanung als solche hat ihren Ursprung in den ersten Jahrzehnten des 20. Jahrhunderts. Mit zunehmender Diversifizierung und Komplexität vieler Großunternehmen stieg die Anforderung, diese besser kontrollieren und steuern zu können. So begannen Unternehmen wie General Motors oder Siemens ein neues Steuerungsinstrument zu entwickeln, welches ihnen ermöglichte, die unterschiedlichen Wissensbasen im Unternehmen aufeinander abzustimmen und Ressourcen effizienter zu allokieren.9 Ergebnis dieser Überlegungen waren schließlich genau festgelegte Aktionspläne, in denen sowohl Ziele und Strategien, als auch finanzielle Vorgaben für das Gesamtunternehmen und dessen Teileinheiten klar definiert wurden.10 Heute findet sich für diese Aktionspläne auch der Begriff „Budget“.

Der zugrunde liegende Begriff geht dabei auf das altfranzösische Wort „bougette“ zurück, was so viel bedeutet wie „kleine Geldbörse“. Übertragen auf die Funktion der Budgetierung wurde damit ausgedrückt, dass der Inhalt der kleinen Geldbörse nicht ausreicht alle Wünsche zu erfüllen, sodass ein Prozess definiert werden musste, in dem einzelne Handlungsalternativen miteinander abgewägt werden, um die vorhandenen Ressourcen bestmöglich allokieren zu können.11

Mittlerweile hat sich aus den anfänglichen Überlegungen heraus ein fester, jährlicher Budgetierungszyklus oder auch Budgetprozess in vielen Unternehmen etabliert. Der Budgetprozess als solches beschreibt den zeitlichen und sachlichen Ablauf der Budgetierungsaktivitäten mit dem Ziel, ein Budget aufzustellen. Inhaltlich betrachtet bemessen sich Budgets nach den jeweiligen Teilplanungen und den zu adressierten Zielgrößen. Dabei können sowohl formalzielorientierte Planungsinhalte, die sich mit monetären und finanziellen Wertgrößen beschäftigen, wie Erlöse, Kosten und das Ergebnis, aber auch Sachziele vorgegeben werden, die Aussagen zu physischen Ausprägungen wie Einsatz- und Absatzmengen, Produktivitäten und Qualitäten treffen.12

Zum anschaulichen Verständnis, welche Stellen und Instanzen an der Budgetierung beteiligt sind und als solche auch ein Budget empfangen, bietet sich die Darstellung eines sogenannten Master Budgets an. Das Master Budget stellt eine finanzielle und periodenbezogene Gesamtschau der Maßnahmen aller Unternehmensbereiche dar. Sie beinhaltet sowohl die schrittweise Ermittlung von Plangrößen verschiedener Bereiche, verdeutlicht dabei aber auch den sachlichen Koordinationsbedarf zwischen den einzelnen Teilplänen. Nachfolgende Abbildung gibt beispielhaft ein solches Master Budget wieder.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Das Master Budget

(Quelle: FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 432)

Ausgangspunkt im Master Budget und somit der operativen Budgetplanung bilden die Ergebnisse des Strategieprozesses. Aufbauend auf der festgelegten Unternehmensstrategie wird eine Absatzprognose erstellt, die als Basis für die produkt- und marktbezogene Absatz- und Umsatzplanung dient und jeweils für die einzelnen Bereiche erstellt wird. Aus den Bereichsbudgets lassen sich dann wiederum das Produktionsbudget, die Budgetierung von Lagerbeständen sowie das Budget der sonstigen Abteilungen, wie Forschung und Entwicklung oder Budgets für Verwaltungsstellen ableiten. Das Endergebnis bildet schließlich das Ergebnis- und Finanzbudget.13

Die Aufgaben der Budgetierung sind indes ebenso vielfältig wie die Ziele, die mit einem Budget verfolgt werden. Aus verschiedenen akademischen und praktischen Studien lässt sich festhalten, dass die Budgetierung mitunter dazu dient, Ziele festzulegen, Ressourcen zu koordinieren, Transparenz und Informationen zu liefern, Abweichungen festzustellen, Handlungs- und Aktionspläne zu formulieren, sowie Motivation und Leistung zu steuern.14 Die genannten sowie weitere wesentliche Aufgaben und Funktionen der Budgetierung sind in nachfolgendem Schaubild zusammengefasst.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Aufgaben der Budgetierung

(Quelle: Eigene Darstellung in Anlehnung an PFLÄGING, N. (2003), S. 25)

Die zahlreichen Aufgaben und Funktionen der Budgetierung sowie die zu planenden Stellen geben eine Indikation für die hohe Bedeutung des Budgetierungsprozesses sowohl für das Gesamtunternehmen als auch für dessen Teileinheiten. Budgets geben die Zukunftsausrichtung vor und haben deshalb Einfluss auf weitreichende Entscheidungen. So wird zum Beispiel durch eine bestimmte Absatzplanung oder der entsprechenden Ressourcenallokation festgesetzt, welche Märkte verfolgt werden beziehungsweise in welche Geschäftsfelder investiert werden soll.

Zu guter Letzt verpflichtet sich ein Unternehmen durch Prognosen und genaue Vorgaben seinen Stakeholdern gegenüber auch zur Einhaltung finanzieller Ziele. Ein Abweichen der späteren Ist-Zahlen zu den Planwerten kann daher weitreichende Negativfolgen wie Vertrauensverlust oder finanzielle Schäden bedeuten, sodass Unternehmen stets bestrebt sind, die gesetzten Ziele zu erreichen und Prognosen möglichst treffsicher zu planen.15

2.1.2 Probleme und Herausforderungen der traditionellen Budgetierung

Während die Budgetierung zum Zeitpunkt ihres Ursprungs ein erfolgreiches Managementkonzept zur Koordination des Unternehmens darstellte, hat sich im Laufe der letzten Jahre jedoch in der Praxis oft herausgestellt, dass die traditionelle Budgetierung den stetig wachsenden Herausforderungen nicht mehr gerecht wird. Aufgrund der zunehmenden Dynamik des Unternehmensumfeldes und der hohen Komplexität der Leistungsverflechtungen, sind Pläne nicht nur schwieriger in ihrer Erstellung geworden, sondern die in den Budgets verarbeiteten Informationen sind oftmals bereits nach kurzer Zeit veraltet und spiegeln nicht mehr das wirkliche Bild des Unternehmens wieder. Insbesondere der hohe Zeitaufwand, der mit der Erstellung von Budgets einhergeht, sowie das ungleiche Kosten-Nutzen Verhältnis wird stark kritisiert.16 In den meisten Unternehmen läuft der Budgetprozess regelmäßig über mehrere Monate und beansprucht dabei sowohl hohe finanzielle als auch personelle Ressourcen.

Ein weiterer Kritikpunkt besteht darin, dass nicht monetäre Aspekte und Größen bei der Budgetverteilung zu wenig Beachtung finden, wie zum Beispiel Kundenzufriedenheit oder Innovationskraft. Die Nichtberücksichtigung solcher Faktoren kann zu einer Fehlsteuerung führen, wenn nur das Erreichen finanzieller Vorgaben angestrebt wird und nicht auch die ursprünglich strategisch vorgegebenen Ziele verfolgt werden. Zusätzlich besteht speziell in großen und diversifizierten Unternehmen die Herausforderung darin, alle Teileinheiten zielkonform zu koordinieren und zu kontrollieren. Dies stellt sich jedoch in der Praxis aufgrund von zeitlichen sowie inhaltlichen Informationsasymmetrien als nicht ganz einfach dar und ist häufig auf Intransparenz und das Fehlen vergleichbarer Steuerungsinstrumente zurückzuführen.17

Aus den beschriebenen Problemen heraus wurden daher neue Methoden und Konzepte entwickelt, die den Anforderungen einer besseren und flexibleren Budgetierung gerecht werden sollen. So gibt es zum Beispiel Ansätze wie das Better Budgeting und Advanced Budgeting, die mit einer Verringerung der Detailtiefe und der einhergehenden Reduzierung der eingesetzten Ressourcen den gesamten Budgetprozess verschlanken sollen. Darüber hinaus werden in den neueren Ansätzen verstärkt extern orientierte Markt- und Wettbewerbsgrößen in die Budgetplanung mit einbezogen, sodass eine stärkere Harmonisierung der operativen Planung mit der Strategie gewährleistet wird. Durch die Einführung eines regelmäßigen Forecast-Prozesses wurde zuletzt auch der Problematik eines volatiler werdenden Unternehmensumfeldes begegnet. Indem ein kontinuierlicher Evaluierungsprozess neuer Informationen und den sich daraus ändernden Erwartungen erfolgt, wird dem Management eine entsprechende Anpassung der Planzahlen oder das Eingreifen bestimmter Maßnahmen ermöglicht.18

Während die Ansätze in der wissenschaftlichen Theorie bereits recht ausgereift zu sein scheinen, gibt es in der Praxis noch großes Verbesserungspotenzial bei der Umsetzung. Trotz geringerer Detailtiefe in den neueren Ansätzen stellt sich der Zielvereinbarungsprozess zwischen den operativen Einheiten und der Unternehmensspitze nach wie vor als besonders schwierig dar. Insbesondere dann, wenn unterschiedliche Interessen und Wissensbasen aufeinander stoßen, die erst in langwierigen Bottom-up- Aggregationen und Top-down-Vorgaben miteinander verknüpft werden müssen. Notwendige Entscheidungen werden zudem nicht immer zeitnah getroffen, da die Bewertung neuer Informationen und die sich daraus ergebenden Handlungsmöglichkeiten häufig komplex und nicht immer sofort erkennbar sind. Des Weiteren fehlen oft auch geeignete technische und operationelle Systeme, um die vorhandenen Informationen richtig zu verarbeiten und in die eigenen Steuerungsprozesse zu integrieren. Vor allem der Zugang und Einbezug von externen Mark- und Wettbewerbsinformationen wird jedoch vom oberen Management zunehmend propagiert, da diese im Zuge der Globalisierung zu wesentlichen Wettbewerbsvorteilen beitragen können.19

2.2 Digitalisierung und Industrie 4.0

Zur Industrie 4.0 schreibt der ICV: „Der Begriff Industrie 4.0 steht für die vierte industrielle Revolution, einer neuen Stufe der Organisation und Steuerung der gesamten Wertschöpfungskette über den Lebenszyklus von Produkten. [...] Basis ist die Verfügbarkeit aller relevanten Informationen in Echtzeit durch Vernetzung aller an der Wertschöpfung beteiligten Instanzen sowie die Fähigkeit, aus den Daten den zu jedem Zeitpunkt optimalen Wertschöpfungsfluss abzuleiten.“20 Ausgangspunkt für die hier beschriebene Vernetzung und Entwicklung hin zu einer Industrie 4.0 stellt die Digitalisierung dar. Durch das Vorhandensein von Daten und Informationen in digitaler Form entwickelte sich ein Trend, der von einigen Autoren auch als „Megatrend“ bezeichnet wird. Der Begriff des Megatrends selbst ist geprägt von dem Zukunftsforscher John Naisbitt und seinem 1982 erschienenem, gleichnamigem Buch. Dabei definierte Naisbitt einen Megatrend als eine besonders tiefgreifende und nachhaltige gesellschaftliche Entwicklung. Im gesellschaftlichen Leben hat die Digitalisierung bereits flächendeckend, z.B. in Form von sozialen Plattformen oder mobiler Kommunikation, Einzug gehalten.21 Aber auch aus der Perspektive der Unternehmen spielt der Trend der Digitalisierung eine wichtiger werdende Rolle, auf die im nachfolgenden Abschnitt näher eingegangen wird.

2.2.1 Bedeutung und Entwicklung der Digitalisierung

Der Begriff der Digitalisierung wurde bereits in den 70er Jahren vermehrt gebräuchlich. Damals auch bekannt als digitale Revolution bezeichnete er den Umbruch, welcher durch die Leistungssteigerung von Computern und den Wandel der Technik zu diesem Zeitpunkt ausgelöst wurde. Mit Hilfe von Computern war es nun möglich, Arbeitsprozesse zunehmend zu rationalisieren und zu automatisieren. Dabei basierte die digitale Revolution hauptsächlich auf der Überführung analoger Daten in ein binäres System. Ehemals analoge Daten wie Bilder, Dokumente in Papierform, Ton- und Filmaufnahmen konnten nun auch auf digitalen Datenträgern gespeichert und verarbeitet werden. Es entwickelte sich ein Trend hin zur „Computerisierung“, wie teilweise die dritte industrielle Revolution auch bezeichnet wurde.22

Heute hat sich nicht nur die Definition der Digitalisierung grundlegend erweitert sondern damit einhergehend auch die Möglichkeiten, die sich hinter dem Terminus der Digitalisierung verbergen. Aus der anfänglichen Elektronifizierung von analogen bzw. physischen Informationen hat sich ein Wandel in Richtung digitale Wertschöpfung von Informationen entwickelt. Informationen werden nun selbst elektronisch erzeugt und vielfach reproduziert. So erzeugen beispielsweise Nachrichten oder Bilder in sozialen Medien oder Plattformen wiederum neue Informationen anhand der Rückkopplung von Kommentaren und Bewertungen.23 Der Verkauf von Verbrauchs- oder Gebrauchsgegenständen in privaten Haushalten gibt nicht nur Hinweise auf Interessen des Kunden bzgl. des erworbenen Artikels als solches, sondern kann auch im Anschluss Informationen zu Gewohnheiten und individuellem Verhalten liefern. Als Beispiel seien hier E-Book Reader genannt, die das Leseverhalten auswerten oder Smart Watches, die Bewegungsdaten speichern und weiter verarbeiten können.24 In der Industrie werden zunehmend intelligente Produktionssysteme eingesetzt, die in der Lage sind, eigenständig Informationen auszutauschen, Aktionen auszulösen und sich somit wechselseitig selbständig zu steuern. Dies hat zur Folge, dass Fertigungsanlagen potenziell selbstständig auf Veränderungen im Markt und in der Lieferkette reagieren und Produkte nach kundenindividuellen Vorgaben schneller angepasst werden können.25 Zurückzuführen sind die technischen Neuerungen von Hard- und Software sowie von Netzwerkkomponenten auf eine kontinuierliche Weiterentwicklung und Verbesserung der Leistungsfähigkeit von IT- Systemen. Aktuell wird vermutet, dass sich die Leistungsfähigkeit der Informations- und Kommunikationstechnik circa alle 18 Monate verdoppeln wird. Experten sprechen an dieser Stelle auch von „Moore’s Law“, benannt nach einem der Mitbegründer der U.S.- amerikanischen Firma Intel, dessen Berechnung zur Leistungssteigerung der IT-Systeme hier zu Grunde gelegt wird.26

Historisch gesehen darf sich der Begriff Digitalisierung im Zusammenhang mit Industrie 4.0 an das Ende einer langen industriellen Entwicklung stellen. Ausgangspunkt der ersten industriellen Revolution war der Beginn der Mechanisierung von Maschinen und Produktionsanlagen gegen Ende des 18. Jahrhunderts. Es folgten die Einführung der Massenproduktion mit Hilfe von Elektrizität und Fließband in der zweiten industriellen Revolution Anfang des 20. Jahrhunderts. Die dritte industrielle Revolution war überwiegend geprägt durch die Automatisierung von Produktionsprozessen unter zunehmendem Einsatz von Informations- und Kommunikationstechnik. Der Durchbruch des Internets und die Entwicklung intelligenter Produktionssysteme führten schließlich zur vierten industriellen Revolution.27

In der Industrie 4.0 stehen vor allem die weitere Automatisierung und Individualisierung von Entwicklungs- und Fertigungsprozessen, die bevorstehende vollständige digitale Vernetzung von Mensch und Maschine sowie auch das Internet der Dinge, als neues Kommunikations- und Vernetzungsmedium, im Vordergrund. Mit der Einführung des Internets war schließlich die Basis geschaffen, Informationen unabhängig von Ort und Zeit in Echtzeit28 auszutauschen, was weltweit zu einem rasanten Anstieg der Datenmenge und daraufhin auch zu veränderten Geschäftsprozessen, Arbeitsweisen und Geschäftsmodellen geführt hat.29

Doch nicht nur innerhalb der industriellen Produktion macht sich der Einfluss der Digitalisierung bemerkbar. Die „digitale Welt“, wie KIENINGER et al. eine ihrer drei Wirkungsebenen bezeichnen, gliedert sich neben der „digitalen Wertschöpfung“ in der Industrie auch in „digitale Geschäftsmodelle“ und in „digitale Unternehmenssteuerung“. Letzteres beschreibt die Weiterentwicklung von Instrumenten und Prozessen, die neue Potenziale für die Unternehmensführung und -steuerung erschaffen sollen. Gerade Stellen und Prozesse im Unternehmen, die auf eine schnelle und effektive Informationsversorgung angewiesen sind, wie zum Beispiel Planungs- und Kontrollabteilungen, können in erheblichem Maße von den neuen Entwicklungen profitieren. So können die neuen technischen Möglichkeiten der Datenverarbeitung und -verfügbarkeit zu effizienteren und besseren Geschäftsprozessen verhelfen. Aber auch bei digitalen Geschäftsmodellen wie z.B. Uber oder AirBnB oder der digitalen Wertschöpfung im Sinne einer Smart Factory hat die Digitalisierung ganz neue Potenziale hervorgebracht, die ohne die globale Vernetzung nicht möglich gewesen wären.30

Zur zweiten Wirkungsebene zählen die Autoren die „digitalen Motoren“, die die Entwicklungen im Zuge der Digitalisierung inhaltlich vorantreiben und von LEMKE und BRENNER auch als „Innovationstreiber“ bezeichnet werden.31 Hierunter fallen insbesondere die gestiegene Datenmenge und -vielfalt auch bekannt als Big Data, die quantitative Geschäftsmodellierung, mit Hilfe derer Informationen aus strukturierten und unstrukturierten Daten ausgewertet werden können oder der Einsatz digital gestützter Lösungen und Produkte, wie z.B. die zuvor genannten Smart Watches, die über das Internet mit Computereinrichtungen verbunden sind und darüber Informationen austauschen.

Das Fundament bildet die dritte Wirkungsebene, die „digitalen Enabler“. Sie ermöglichen anhand geeigneter Instrumente und Technologien eine flexible Nutzung geschäftsprozessorientierter und technischer Dienste und unterstützen damit die Kernprozesse, wie den Finanzbereich und das operative Geschäft des Unternehmens.32

In Abbildung 3 sind die drei Wirkungsebenen der Digitalisierung und ihre Teilbereiche nach KIENINGER et al. dargestellt. Basis für die weitere Analyse der Auswirkungen und des Einflusses der Digitalisierung auf die Budgetierung werden im Wesentlichen die digitalen Motoren sein, die in der Abbildung grau hinterlegt sind.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Wirkungsebenen der Digitalisierung

(Quelle: in Anlehnung an KIENINGER, M./MEHANNA, W./MICHEL, U. (2015), S. 4)

2.2.2 Kernmerkmale und Kategorisierung von Big Data

Die informationstechnologischen (IT) Entwicklungen im Bereich der Digitalisierung, speziell die Erfindung des Internets, haben aufgrund der globalen Vernetzung aber auch durch zunehmende Digitalisierung von Unternehmensprozessen selbst, in den letzten Jahrzehnten zu einem enormen Anstieg des Datenvolumens beigetragen. Daten liegen nun in einer Vielzahl unterschiedlichster Datenformate vor und werden mit hoher Geschwindigkeit generiert. In vielen Bereichen haben die erzeugten Datenmengen, die aus den verschiedensten Datenquellen stammen, mittlerweile alle zuvor gekannten und beherrschbaren Größenordnungen überstiegen.33 So wurden bereits 2013 rund 2,5 Trillionen Bytes pro Tag erzeugt, aus denen allein 90 Prozent der vorhandenen Daten in den beiden Jahren zuvor entstanden sind.34 Folgt man der Prognose der Fachexperten, die davon ausgehen, dass sich die weltweit erzeugte Datenmenge etwa alle zwei Jahre verdoppeln wird, so wird die Datenmenge bis 2022 auf etwa 100 Zettabyte ansteigen.

Abb. 4: Entwicklung des weltweiten Datenvolumens bis 2022

(Quelle: ICV (Hrsg.) (2014), S. 1)

Die neu entstandenen und generierten Datenmengen stellen nicht nur Arbeitsspeicher vor Herausforderungen, sondern auch Softwaretools und Datenspezialisten haben zunehmend Schwierigkeiten, die riesigen Datenvolumina, die vor allem auch in einer Vielfalt unterschiedlicher Datenformate vorliegen, richtig zu verarbeiten. „Big Data“ heißt das neue Trendwort, das sich im Zuge der steigenden Datenmengen im Fachjargon vieler Experten etabliert hat. Dabei werden unter dem Begriff Big Data nicht nur die wachsenden Datenmengen, -quellen und -Strukturen verstanden, sondern auch deren effiziente Speicherung und Nutzung, sowie jegliche strategische Ansätze, Konzepte und Methoden, die benötigt werden, um aus den unzähligen Daten neue und wichtige Erkenntnisse zu gewinnen.35 Der ICV zum Beispiel beschreibt Big Data als „die Analyse und die Echtzeitverarbeitung großer, unstrukturierter und kontinuierlich fließender Datenmengen aus einer Vielfalt unterschiedlicher Datenquellen zur Schaffung glaubwürdiger Informationen als Basis von nutzenschaffenden Entscheidungen.“36 Eine einheitliche Definition oder Angabe, ab welcher Menge oder welcher Art genau von Big Data gesprochen werden kann, gibt es bislang nicht. Allerdings werden in der Literatur und Forschung bestimmte Kerneigenschaften von Daten genannt, anhand derer eine Zuordnung und Kategorisierung zu Big Data möglich sein soll. Dabei handelt es sich Wesentlichen um die Eigenschaften Datenvielfalt („Variety“), Datenmenge („Volume“), Geschwindigkeit („Velocity“) und Glaubwürdigkeit („Veracity“). Aufgrund der englischen Terminierung hat sich auch der Begriff „4-V-Eigenschaften“ etabliert. Nachfolgendes Schaubild stellt die vier Kerneigenschaften von Big Data sowie eine Erweiterung um die Merkmale der Datenauswertung („Analytics“) und des Datenwertes („Value“) dar.37

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Eigenschaften von Big Data

(Quelle: Erweiterte Darstellung nach GRÖNKE, K./KIRCHMANN, M./LEYK, J. (2015), S. 29)

In einer Studie von PRICE WATERHOUSE COOPERS (PWC) erwähnt das Beratungsunternehmen zusätzlich die Datenkomplexität („Variability“) und die Datenquellen („Reach“) als weitere Dimensionen von Big Data, lassen dafür aber andere, im vorherigen Abschnitt bereits genannte Eigenschaften weg.38 Daraus ist abzuleiten, dass es auch bei der Zuordnung von Big Data keine einheitliche Abgrenzung gibt.

In einem Punkt sind sich die Fachexperten jedoch einig, dass Big Data Unternehmen neue Potenziale eröffnet und es kaum noch Stellen und Funktionen im Unternehmen gibt, die nicht von der stetig wachsenden Datenflut betroffen sind und von dieser profitieren können. Gerade für datenanalysierende und datennutzende Stellen im Unternehmen, wie zum Beispiel das Rechnungswesen oder das Controlling, eröffnen die wachsenden Datenvolumina völlig neue Chancen. Die mit Big Data verbundene Verfügbarkeit von monetären und nicht monetären Daten unterschiedlichster Art ermöglichen ein schnelleres und vielfältigeres Reporting, sowie eine effizientere Planung und Kontrolle auf allen Ebenen der Unternehmenssteuerung.39

Für Unternehmen bedeutet Big Data vor allem aber eine neue Art der Entscheidungsunterstützung. Mit Hilfe geeigneter Verfahren können Daten in größerer Menge, Geschwindigkeit und Vielfalt verarbeitet und bislang ungenutzte Datenquellen zu weiteren Analysen herangezogen werden. Gelingt es Unternehmen aufgrund der Datenanalyse zu neuen Erkenntnissen über Kunden, Märkte oder das eigene Unternehmen zu gelangen, kann ein Wissensvorsprung und somit ein Wettbewerbsvorteil aufgebaut werden.40 Jedoch sollte berücksichtigt werden, dass Daten nicht sofort mit Informationen gleichgesetzt werden können, sondern ihnen vorgelagert sind. Erst wenn Unternehmen es schaffen, aus der Bewertung und Interpretation von Daten neue Informationen und Wissen zu generieren, können mit Big Data Vorteile und wirtschaftlicher Nutzen erzielt werden.41 Entscheidend für die Umsetzung in Geschäftspotenziale ist dabei ein deutlich erweitertes Verständnis von Daten als Informationsressource, welches sich sowohl auf die Steuerungsprozesse auswirkt aber auch die Produkte und Dienstleistungen der Unternehmen revolutioniert. Informationen sind vielmehr selbst Bestandteil von Innovationen und können Geschäftsmodelle grundlegend verändern.42

2.3 Business Intelligence und Business Analytics

Für eine erfolgreiche Unternehmenssteuerung sind Führungskräfte unter anderem auf geeignete Informationssysteme angewiesen, die ihnen die benötigten Informationen anschaulich darstellen, auf deren Basis sie dann Entscheidungen treffen. In diesem Zusammenhang ist Ende der 1980er das sogenannte Business Intelligence (BI) als IT- basierte Managementunterstützung entwickelt worden. Der Begriff wurde dabei erstmalig 1989 von Howard Dresner von der Gartner Group verwendet, der BI als „einen Umwandlungsprozess von Daten in Informationen und mittels Erforschung in Wissen“ bezeichnet hat.43

Im Zentrum von BI steht insbesondere ein Prozess, der mit Hilfe informationstechnischer Systeme und Anwendungen zur Datengewinnung, Bildung von Entscheidungsmodellen und adressatengerechter Informationsaufbereitung beiträgt, sodass Analysen zum Zweck der Entscheidungsfindung durchgeführt werden können.44 Dabei unterstreicht der Ausdruck „Business“, dass die Methoden und Modelle im betrieblichen Kontext eingesetzt werden. Der Begriff „Intelligence“ hingegen bezieht sich auf die gewonnenen Erkenntnisse, die aus dem Sammeln und analytischem Aufbereiten der Informationen entstehen.45

Mit dem Anstieg des Datenvolumens und der technischen Weiterentwicklung von Informationssystemen wurde im Laufe der Jahre erkannt, dass Daten nicht nur dazu genutzt werden können, vergangenes zu dokumentieren und zu bewerten, sondern auch mittels umfangreicher Datenanalyse neue Erkenntnisse generiert werden können. Im Zuge dessen hat sich inzwischen das Business Analytics (BA) als neues Analysewerkzeug neben BI etabliert. BA kennzeichnet sich speziell dadurch, dass Muster und Korrelationen vorhandener Datensätze auf andere Daten und Situationen übersetzt werden können, um auch zukünftige Entwicklungen vorherzusagen und zu prognostizieren. Damit erweitert BA die klassischen BI-Analysen, sodass verstärkt zukunftsbezogene Fragestellungen in den Vordergrund treten und damit vergangenheitsorientierte Analysen teilweise verdrängen.46 Gerade im Zeitalter von Big Data, welches gekennzeichnet ist durch eine unzählige Masse an Daten, die in strukturierter und auch unstrukturierter Form vorliegen, können mittels geeigneter Verfahren neue Erkenntnisse generiert werden, die ein enormes Potenzial für Unternehmen beinhalten.

Eine Methodik, Muster in großen Datensätzen zu erkennen, stellt das sogenannte Data Mining dar. Anhand systematischer Methoden und Algorithmen werden verschiedene Daten in Relation zueinander gesetzt oder miteinander verbunden, um Abhängigkeiten und Regelmäßigkeiten in großen Datensätzen entdecken und bestimmen zu können. Dabei bedient sich das Data Mining bei der komplexen Analyse regelmäßig verschiedener Instrumente aus Statistik und Informatik, wie zum Beispiel die Bildung von Clustern, die Erstellung von Klassifikationsmodellen oder der Regressions- bzw. Assoziationsanalyse, auf welche zu einem späteren Zeitpunkt noch einmal genauer eingegangen werden. Häufig findet sich für Data Mining auch der Oberbegriff Datenmustererkennung.47

Der Bereich Analytics wird in Zukunft stärker in den Fokus rücken und Einfluss auf die Art und Weise nehmen, wie Informationen im Unternehmen genutzt werden. Mittels spezieller Analyseverfahren und quantitativer Geschäftsmodellierung können aus vorliegenden Einzeldaten Wirkungszusammenhänge nachvollzogen und statistisch überprüft werden, deren Ergebnisse dann häufig tabellarisch oder grafisch dargestellt werden. Während herkömmliche Datenanalysen im Wesentlichen dazu dienten bereits vergangene Sachverhalte zu dokumentieren und zu analysieren, werden zunehmend Fragestellungen und Vorhersagen über zukünftige Entwicklungen in den Vordergrund rücken. An die Stelle von beschreibenden und interpretierenden Datenanalysen, die sich mit dem „was und warum ist etwas passiert“ beschäftigen, treten nun vermehrt vorhersehende und beeinflussende Fragestellungen, die Antworten auf die Fragen „was wird passieren und was muss getan werden, dass es passiert“ geben können. Notwendige Informationen werden nicht mehr nur noch reaktiv beurteilt, sondern geben Einsicht auf zukünftige Ereignisse, die mit einer gewissen Wahrscheinlichkeit eintreten werden. So können z.B. jetzt schon Entscheidungen über mögliche Änderungen der Geschäftsstrategie beurteilt werden, in dem die potentiellen Auswirkungen betrachtet und bewertet werden.48

Das nachfolgende Schaubild stellt das Analysespektrum von BI und BA dar, sowie die vier Entwicklungsstufen im Bereich der Analytics, die sich in Fragestellung und Zeitbezug unterscheiden.

Den Anfang bildet die deskriptive Analyse, die weitestgehend noch dem klassischen Reporting entspricht und anhand von etablierten Kennzahlen und bekannten Datenbeständen die in der Vergangenheit liegenden Vorgänge retrospektiv betrachtet, um sie im Nachhinein zu evaluieren. Möchte der Anwender tiefere Einsichten gewinnen, um Ursachen zu identifizieren und deren Folgen beurteilen zu können, kommt häufig eine diagnostische Analyse zum Einsatz. Die prädikative Analyse versucht Aussagen über mögliche zukünftige Entwicklungen zu treffen, in dem Zusammenhänge in der Vergangenheit analysiert werden, um sich wiederholende Muster auf die Zukunft zu übertragen. Ein bekanntes Beispiel stellt hierfür die lineare Regressionsanalyse dar, die mit Hilfe verfügbarer Vergangenheitsdaten Aussagen über zukünftige Verläufe mit Hilfe von Wahrscheinlichkeiten errechnen und so verschiedene Szenarien oder Zukunftsmodellierungen darstellen kann. Auf der vierten Stufe, der präskriptiven Analyse, können schließlich Entscheidungsalternativen und Maßnahmenempfehlungen auf Basis von Prognosen abgeleitet werden. Aus unterschiedlichen Erwartungsszenarien der prädikativen Analyse können dann für die präskriptive Analyse optimale Entscheidungen errechnet werden, die zu Handlungsempfehlungen für das Management führen.49 Die prädikative und die präskriptive Analyse werden auch zu den „Advanced Analytics“ gezählt, da sie eine Erweiterung zu den bisher traditionellen Analysemethoden darstellen und insbesondere Prognosen über zukünftige Entwicklungen miteinschließen.50

3 Herausforderungen und Potenziale von Big Data für die Budgetierung

Daten, die in strukturierter, semi-strukturierter oder gar unstrukturierter Form vorliegen, bringen dem Unternehmen unverarbeitet wenig Nutzen. Um die Daten zur Beantwortung neuer Fragestellungen und komplexer Entscheidungsprobleme nutzen zu können, ist eine Verarbeitung bzw. Strukturierung der entstandenen Daten unter Rückgriff auf aufwendige Verfahren und Analysen erforderlich. Dazu bedarf es neben leistungsfähigen IT-Systemen insbesondere auch erfahrener Experten, die in der Lage sind, die geeigneten Analysemethoden auszuwählen, sowie die aus der Datenanalyse gewonnenen Informationen richtig zu interpretieren. Diese neue Anforderungsumgebung betrifft auch das Kompetenz-Profil des Controllers und bringt unweigerlich neue Aufgaben und Tätigkeiten mit sich. Um die Veränderungen identifizieren zu können, die sich im Zuge der fortschreitenden Digitalisierung und globalen Vernetzung speziell für betriebliche Geschäftsprozesse wie die der Budgetierung ergeben, werden im folgenden Kapitel einige Anforderungen verdeutlicht, die im Rahmen der Entwicklungen zu berücksichtigen sind.

3.1 Zugang und Auswertung von Daten

Die operative Steuerung und Planung eines Unternehmens ist eine komplexe Aufgabe, da Entscheidungsträger bestimmte Informationen benötigen, um notwendige und zugleich bestmögliche Entscheidungen treffen zu können. Bereits in der Vergangenheit haben diverse IT-Systeme und Standardprogramme für kaufmännische und dispositive Aufgaben dazu beigetragen, die Informationsversorgung im Unternehmen zu unterstützen und effiziente Abläufe zu sorgen. Doch das neue Zeitalter der digitalen Transformation, bestehend aus wachsenden Datenmengen und einer größer werdenden Datenvielfalt, benötigt mittlerweile weitaus mehr als klassische Tabellenkalkulationsprogramme oder einfache SAP Systeme. Aufgrund der immer schnelleren Übertragung großer Datenmassen steigt die Verfügbarkeit und Menge digitaler Daten rasant an. Dieser Trend wird sich gemäß „Gilder’s Law“ zukünftig noch weiter fortsetzen, wenn berücksichtigt wird, dass sich die Datenübertragungsrate bei gleichbleibender netzwerktechnologischer Basis etwa alle 6 Monate verdoppeln wird.51 Für viele Unternehmen geht diese Entwicklung mit der Herausforderung einher, Big Data in steuerungsrelevante Informationen zu transformieren. Der Einsatz geeigneter IT-Systeme zur Unterstützung der Datenverarbeitung ist daher essentiell, um eine effiziente Informationsversorgung in allen Unternehmensprozessen zu gewährleisten.

3.1.1 Datenintegration und Datenmanagement

In einer Studie der Universität Bamberg über die Datensituation in Familien-geführten Unternehmen gaben 4 von 10 der befragten Teilnehmer an, dass Daten zwar im Unternehmen vorhanden seien, aber die Übersichtlichkeit über diese fehle. 25 Prozent statierten sogar, dass nicht hinreichend entscheidungsrelevante Daten verfügbar seien.52 Auch eine weitere Studie über den Nutzungsgrad von Analytics in deutschen Unternehmen kam zu ähnlichen Ergebnissen. Knapp über 60% der Unternehmen nutzen nach wie vor hauptsächlich interne Daten in einem klassischen Enterprise Ressource Planning Tool wohingegen nur 17% auch Daten aus externen Quellen verwenden.53 Aus den Ergebnissen lässt sich schließen, dass bezüglich Datenintegration und Datenverwaltung, verglichen mit der verfügbaren Datenmenge, noch ein enormes Potenzial zur Verbesserung besteht.

Eine der Herausforderungen, um zukünftig Entscheidungsprozesse mit Hilfe detaillierter Datenanalyse zu verbessern, besteht für Unternehmen darin, sich Zugang zu geeigneten Daten zu verschaffen und diese dann sinnvoll in die eigenen Systeme zu überführen. Die Existenz einer sauberen Datenbasis ist die Voraussetzung effizienter und erfolgreicher Analysen. Um dies sicherzustellen müssen zunächst einmal interne sowie externe, homogene aber auch heterogene Daten im Unternehmen gesammelt und nutzbar gemacht werden. Dank neuerer Entwicklungen in Hardware und Software sind die Möglichkeiten der Datenbeschaffung sowie auch der Datenspeicherung enorm gestiegen. Die gewachsene Vernetzung über das Internet ermöglicht es Unternehmen, eine immense Menge an Informationen in Echtzeit auszutauschen, sowie ortsunabhängig auf Daten zuzugreifen.54

Dabei besteht ein wesentliches Potenzial der Digitalisierung in der Nutzung neuer Datenquellen, die sowohl aus internen als auch aus externen Quellen stammen können.55 Vor allem Daten aus sozialen Medien können Informationen liefern, die für Unternehmen von hoher Bedeutung sind. Zum einen können Rückschlüsse auf Meinungen und Interessen von Kunden gezogen werden und zum anderen können soziale Onlineplattformen als Kommunikationskanäle genutzt werden, um Marketing und Vertrieb sowie die eigenen Produkte und Dienstleistungen zu optimieren und kundenindividuell anzupassen.56 Aber auch interne, bislang nicht genutzte Informationsquellen finden im Unternehmen zunehmend größeren Einsatz, da auch sie das Potenzial aufweisen, Produktions- oder Steuerungsprozesse zu verbessern. So können beispielsweise Sensordaten von Maschinen Auskunft über Auslastung und Nutzungsintensitäten geben, um eine vorausschauende Wartung abzuleiten oder vorhandene Bestands- und Bewegungsdaten ausgewertet werden, um eine Optimierung von Lagerkapazitäten zu ermöglichen.57

Neben der steigenden Integration und verstärkten Nutzung neuer und vor allem auch externer Informationsquellen, findet auch hinsichtlich des Ortes und der Art und Weise, wie Daten gespeichert und verwendet werden, eine Verschiebung von zuvor standortbasierten hin zu nun mehr Cloud-basierten Daten statt.58 Während in der Vergangenheit IT-Infrastrukturen meist fest auf lokalen Rechnern installiert waren, können heute mit Hilfe von Clouds Speicherkapazitäten und Rechenleistungen des Internets genutzt werden. Unter Clouds werden IT-Lösungen verstanden, deren Produkte online über das Internet angeboten werden, wie z.B. Speicherplatz, Rechenleistung, Anwendungssoftware oder Dienstleistungen. Die damit verbundene Nutzung der IT- Ressourcen wird als Cloud Computing bezeichnet.59 Der Vorteil von Clouds bzw. dem Cloud Computing liegt vor allem in der hohen Speicherkapazität, sowie der schnellen Verfügbarkeit und Übertragung sehr großer Datenmengen. Darüber hinaus kann der Zugriff auf Clouds ortsunabhängig und mittlerweile sogar von so gut wie jedem mobilen Endgerät erfolgen.60 Insbesondere auch die Entwicklungen im Bereich Mobile Computing haben in den vergangen Jahren enorm zugenommen. Mittels mobiler Endgeräte, zu denen Notebooks, Mobiltelefone oder Tablet-PC’s gehören, können Informationen unabhängig vom Aufenthaltsort über drahtlose Netzwerke ausgetauscht werden und somit eine Echtzeitverbindung zwischen zwei Anwendungen herstellen.61

Ein weiterer besonders attraktiver Faktor ist für Unternehmen, dass aufgrund der Nutzung von Clouds und deren Speicherkapazitäten eine Aggregation und Transformation der Daten nicht mehr wie im bisherigen Maße erforderlich ist. Dies hat zur Folge, dass Daten nun in geringerer Granularität, also einem geringeren Grad an Aggregation, und in ihrer Ursprungsform, z.B. als originäre Bilddatei, gespeichert werden können. Für die darauffolgende Analyse stehen damit detailliertere Informationen zur Verfügung, die auch zu späteren Zeitpunkten noch nachvollzogen werden können.62

Aber auch abseits der Verwendung von Clouds haben sich die informationstechnologischen Möglichkeiten und Systeme weiterentwickelt und können heute ebenfalls eine große Menge an Daten speichern und verwalten. Eine Möglichkeit der effizienten Datenverwaltung stellt der Einsatz von In-Memory Datenbanken dar. Während bei herkömmlichen Datenbanken die zur Auswertung benötigten Daten auf Festplatten und externen Speichermedien abgelegt wurden, erfolgt die Datenspeicherung bei einer In­Memory Datenbank direkt auf dem Haupt- beziehungsweise Arbeitsspeicher des Computers. Ähnlich wie bei einer Cloud hat dies den Vorteil, dass große Datenmengen wesentlich schneller als zuvor verarbeitet werden können, da die Analysen nun direkt in der Datenbank durchgeführt werden.63 Ein wesentliches Merkmal von In-Memory Datenbanken ist zudem die spaltenorientierte Ablage der Daten. Bislang wurden Daten in herkömmlichen Datenbanken nur zeilenweise abgespeichert, worunter die Performance und Wiedergabe der Daten stark litt. Mit der neuen, spaltenorientierten Struktur der Datenspeicherung können Auswertungen einzelner Kennzahlen nun signifikant schneller erfolgen, da die relevanten Daten jetzt nicht mehr nur untereinander sondern sequentiell hintereinander stehen und das System somit weniger Datenreihen durchlaufen muss.64 Neben der gestiegenen Geschwindigkeit bietet diese neue Art der Datenspeicherung zudem das Potenzial, dass der Zugriff auf die Daten nun aus einem Datentopf erfolgt und nicht mehr wie zuvor verschiedene Datenbanksysteme zwischengeschaltet sind. Sowohl Berichte der operativen Einheiten als auch Berichte für das Management kommen nun aus derselben Quelle und tragen so zu mehr Transparenz bei.65

3.1.2 Einsatz relevanter Analyseverfahren und -methoden

Die Existenz und der Zugriff auf eine konsistente Datenbasis allein generieren allerdings noch keinen Nutzen, sondern erst durch systematische Analyse der Datenbestände kann das Unternehmen wichtige Erkenntnisse und damit einen Nutzen aus den verfügbaren Daten ziehen. Dabei stehen dem Unternehmen heute eine Vielzahl unterschiedlicher und effizienter Methoden zur Verfügung, die bei der Datenanalyse unterstützen können, wie z.B. die in Kapitel 2.3.1 vorgestellten Data Mining oder Business Analytics Verfahren. Mittels Data Mining kann eine komplexe und zeitgleich vielfältige Analyse von Datenbeständen zur Entdeckung von Strukturen und Mustern erfolgen, die dann zusammen mit den Verfahren aus dem Bereich BA, speziell den Advanced Analytics, zukunftsbezogene Fragestellungen beantworten kann.66

Das Potenzial solcher Analyseverfahren geht jedoch über die Prognose zukünftiger Entwicklungen und der Erkenntnis über Zusammenhänge bestimmter Parameter hinaus. Fortschrittliche Analysemodelle helfen insbesondere dabei, neue Ergebnisse und Parameter zu prognostizieren, die zuvor nicht sichtbar waren. Durch die Kombination bislang nicht aufeinander bezogener bzw. nicht auswertbarer Daten sowie einer neu ausgerichteten Analyse der Datenbestände, ergeben sich bisher ungenutzte Einsichten für das Unternehmen.67 Eine solche Analyse erfordert jedoch ein hohes Verständnis über mathematische und statistische Zusammenhänge und setzt vor allem ein fundiertes Wissen zu Kausalitäten und Korrelationen voraus, um tatsächliche Ursache-Wirkungs­Zusammenhänge richtig hinterfragen und beurteilen zu können.68

Der Ökonometrie- und Statistik-Professor David Hendry sieht hier die größte Herausforderung für Unternehmen, da nach seiner Meinung der tatsächlichen Kausalität der gefundenen Korrelationen zu wenig Beachtung geschenkt wird.69 Viele Korrelationen, die durch aufwendige Analysen und Hypothesen aufgestellt und statistisch nachgewiesen werden können, sind in der Praxis jedoch nicht immer zwingend logisch, noch nachvollziehbar. Errechnete Wirkungsbeziehungen könnten unter Umständen auch Scheinzusammenhänge wiedergeben, die auch für erfahrene Controller nicht immer sofort erkennbar sind.70 Ein Beispiel dafür ist der Zusammenhang sinkender Geburtenraten aufgrund weniger Störche.71 Entscheidend für den Erfolg bei der Umsetzung von Business Analytics ist daher die Identifizierung und Anwendung der zur Fragestellung passenden Analysemethode. Eine Kenntnis über die zugrunde liegenden Analyseverfahren ist essentiell, um entsprechende Ergebnisse im Anschluss der Analyse auch interpretieren und validieren zu können.72

Im Allgemeinen können Analysemethoden in die zwei Kategorien strukturprüfend und strukturentdeckend eingeteilt werden. Im Fokus der strukturprüfenden Analysemethode steht die Betrachtung kausaler Abhängigkeiten einer relevanten Variablen zu einer oder mehreren unabhängigen Variablen. Das Ziel der strukturentdeckenden Analysemethode hingegen ist es, Zusammenhänge zwischen verschiedenen Variablen und Objekten überhaupt erst festzustellen. Hier können bspw. neue Faktoren ermittelt werden, die Einfluss auf die Qualität eines Produktes haben. Im Fall der strukturprüfenden Analyse bestehen hingegen bereits im Vorfeld Überlegungen bezüglich des Zusammenhangs der Variablen, welche lediglich mit Hilfe der eingesetzten Methoden überprüft werden sollen, wie z.B. die Verbindung zwischen Kaufverhalten und Kundenzufriedenheit.73 In nachfolgender Tabelle sind beispielhaft einige ausgewählte strukturprüfende und strukturendeckende Analysemethoden aus der Statistik sowie einige Methoden speziell aus dem Data Mining, die sich nicht trennscharf einer der anderen Kategorien zuordnen lassen können, mit Beschreibung und Beispiel aufgeführt.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Ausgewählte Analysemethoden im Überblick

(Quelle: Eigene Darstellung in Anlehnung an ICV (Hrsg.) (2016), S. 8ff., SCHÖN, D. (2016), S. 270f.)

Die vorgestellten Analysemethoden bilden wiederum den Ausgangspunkt für die Programmierung und den Einsatz intelligenter Algorithmen. Unter Algorithmen werden im Allgemeinen logische Regeln verstanden, die aufgrund einer eindeutigen Handlungsvorschrift und der Abfolge vieler Einzelschritte Zusammenhänge und Korrelationen in großen Datensätzen identifizieren und daraufhin Problemlösungen erarbeiten können. In der Lernphase durchläuft und untersucht der Algorithmus einen Pool von Daten und vergleicht dabei die neuen Informationen mit den bereits vorhandenen Informationen. Erkennt der Algorithmus eine Übereinstimmung so speichert er die gefundene Kombination in seinem Datenspeicher ab. Je öfter der Algorithmus diesen Prozess wiederholt, desto genauer wird seine Zuordnung und Mustererkennung.74

Der Name und der Ursprung des Algorithmus sind hierbei auf den arabischen Mathematiker Al-Chwarismi zurückzuführen, der bereits im 9. Jahrhundert in seinem Buch „über die indischen Ziffern“ den Gebrauch indischer Zahlzeichen erklärt.75 Auch wenn der Algorithmus selbst keine wirklich Methode darstellt, so erfährt er dennoch im Zuge der Digitalisierung eine ganz neue Art und Dimension der Anwendung. Vor allem im Bereich des maschinellen Lernens kommen die Einsatzmöglichkeiten des Algorithmus besonders zur Geltung. Als maschinelles Lernen wird die Generierung von neuem Wissen eines künstlichen Systems, wie beispielsweise dem Computer, bezeichnet. Mit Hilfe von Algorithmen ist ein künstliches System in der Lage, Zusammenhänge aus großen Datenbeständen zu erkennen und durch das Zurückgreifen auf das gespeicherte Wissen aus Erfahrungen eigenständig Lösungen für bekannte aber auch für neue Probleme zu finden. Ähnlich wie es auch bei Kleinkindern zu beobachten ist, lernt das System aus sich wiederholenden Beispielen Objekte und Muster zu identifizieren, bis Gesetzmäßigkeiten erkannt werden, die es dann auch auf neue Situationen übertragen kann.76

3.2 Identifikation von Ursache-Wirkungs-Beziehungen

Als Folge der Globalisierung und der digitalen Vernetzung ist die Welt von Unternehmen komplexer geworden. Durch die Integration externer Kommunikationskanäle wie Social Media Plattformen oder die Vernetzung der eigenen Wertschöpfungskette über Cyber­Physische Systeme (CPS) haben Unternehmen die Chance, relevante interne und externe Entwicklungen und Zusammenhänge frühzeitig zu erkennen, sodass darauf basierend die Unternehmenssteuerung ausgerichtet werden kann. Besonders für das Controlling und das Management bedeutet dieser Wandel, dass eine alleinige Geschäftssteuerung auf Basis finanzieller Zahlen nicht mehr zielführend ist. Es wird vielmehr erforderlich, die Entscheidungsfindung im Unternehmen über die betriebswirtschaftliche Perspektive hinaus mit Kennzahlen und qualitativen Faktoren zu verbessern, um auch die strategische Ausrichtung und den langfristigen Erfolg des Unternehmens zu gewährleisten. Mit den neuen Entwicklungen in der IT haben Unternehmen die Möglichkeit auch heterogene und unstrukturierte Daten vermehrt bei der Entscheidungsfindung zu berücksichtigen.

Im folgenden Abschnitt werden der Aufbau von Ursache-Wirkungs-Beziehungen sowie personelle Kompetenzen vorgestellt, die bei der Anwendung von Big Data und der Potenzialrealisierung unverzichtbar sind. Denn neben der Integration und methodentechnischer Umsetzbarkeit steht und fällt die Effektivität von Big Data auch mit der richtigen Zusammenführung und Interpretation der Daten, sodass eine Darstellung von Zusammenhängen sowie geeignete Fachkompetenzen notwendig sind, um mit der durch Big Data einhergehenden Komplexität umgehen zu können.

3.2.1 Generierung von Modellen und Simulationen

Auf Basis der zuvor identifizierten Muster und Strukturen kann anschließend der Einsatz und die Bildung von Modellen hinzugezogen werden, um komplexe Zusammenhänge und Systeme darstellen zu können. Modelle helfen, dass zu steuernde Objekt zu verstehen, z.B. das Unternehmen oder einzelne Teileinheiten bzw. Funktionen von diesem, in dem es wesentliche Elemente abbildet und analysiert.77 Das Ziel der Modellbildung bzw. der Modellierung ist die Beschreibung und konsistente Erklärung von Beobachtungsdaten und die Vorhersage der zukünftigen Entwicklung des betrachteten Systems oder Prozesses.78

Neben der Bildung von Modellen gibt es noch die Simulation, welche Unternehmen ebenfalls eine fundierte Entscheidungsgrundlage bietet, da mit ihrer Hilfe mögliche Szenarien abgebildet werden können. In der Unternehmensplanung kann bei Simulationen zwischen Planpositionen und Ergebnispositionen unterschieden werden, bei welcher sich wiederum die Ergebnisgrößen, z.B. der Profit, aus verschiedenen Planpositionen, z.B. Umsatz und Kosten, zusammensetzt. Dabei können die Planpositionen sowohl als Input als auch als Output eingesetzt werden, während hingegen die Ergebnispositionen in der Regel den Output einer Simulation darstellen. Wird als Ziel einer Simulation eine Ergebnisgröße vordefiniert, so können anschließend anhand von Werttreiberbäumen oder Sensitivitätsanalysen die relevanten Planpositionen ausgewählt werden. Ziel eines solchen Simulationsmodelles ist es, die Auswirkungen zukünftiger Entwicklungen zu quantifizieren und daraus im Anschluss geeignete Steuerungsmöglichkeiten abzuleiten.79

[...]


1 Vgl. DAPP, T. F. (2014), S. 3ff.

2 Vgl. GRONAU, N./THIM, C./FOHRHOLZ, C. (2016), S. 475.

3 Vgl. DAPP, T. F. (2014), S. 25.

4 Vgl. MCAFEE, A./BRYNJOLFSSON, E. (2012), S. 4ff

5 Quelle: ICV (Hrsg.) (1999), S. 118.

6 Vgl. WEBER, J./SCHÄFFER, U. (2016), S.269f..

7 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 274ff.

8 Vgl. FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 428.

9 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 303.

10 Vgl. ZYDER, M. (2007), S. 9.

11 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 301f.

12 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 307.

13 Vgl. FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S.432ff

14 Vgl. PFLÄGING, N. (2003), S. 25f,; WEBER, J./SCHÄFFER, U. (2016), S. 302f

15 Vgl. PFLÄGING, N. (2003), S.25 ff.; FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S.

16 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 312.

17 Vgl. FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 441f.

18 Vgl. FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 441ff.

19 Vgl. WEBER, J./SCHÄFFER, U. (2016), S. 314f.

20 Quelle: ICV (Hrsg.) (2015), S. 4.

21 Vgl. KIENINGER, M./MEHANNA, W./MICHEL, U. (2015), S. 4f.

22 Vgl. LEMKE, C./BRENNER, W. (2015), S. 14ff.

23 Vgl. LEMKE, C./BRENNER, W. (2015), S. 14.

24 Vgl. FEINDT, M./GRÜSSING, D. (2014), S. 179.

25 Vgl. GRONAU, N. (2014), S. 279.

26 Vgl. LEMKE, C./BRENNER, W. (2015), S. 24.

27 Vgl. SEJDIC, G. (2015), S. 132f.

28 Echtzeit in diesem Zusammenhang bedeutet, dass Daten in dem Moment erfasst und ausgewertet werden, in dem sie anfallen. Vgl. hierzu ICV (Hrsg.) (2015), S. 45.

29 Vgl. SEJDIC, G. (2015), S. 132f.

30 Vgl. DAPP, T. F. (2014), S. 3ff.

31 Vgl. LEMKE, C./BRENNER, W. (2015), S. 33ff.

32 Vgl. KIENINGER, M./MEHANNA, W./MICHEL, U. (2015), S. 4.

33 Vgl. GRÖNKE, K./KIRCHMANN, M./LEYK, J. (2015), S. 28.

34 Vgl. LIX, B./STUEBEN, J. (2013), S. 7.

35 Vgl. WEBER, M. (2012), S. 7ff.

36 Vgl. ICV (Hrsg.) (2014), S. 5.

37 Vgl. GRÖNKE, K./KIRCHMANN, M./LEYK, J. (2015), S. 28.

38 Vgl. LIX, B./STÜBEN, J. (2013), S. 9f.

39 Vgl. KIENINGER, M./MEHANNA, W./MICHEL, U. (2015), S. 11ff.

40 Vgl. BAUMÖL, U./BERLITZ, P.-D. (2014), S. 162ff.

41 Vgl. MCAFEE, A./BRYNJOLFSSON, E. (2012), S. 4.

42 Vgl. SEUFERT, A. (2014), S. 27.

43 Vgl. SCHÖN, D. (2016), S. 293.

44 Vgl. RÜSCH, S./PALLOKS-KAHLEN, M./LACHMANN, M. (2015), S. 4; SHARDA, R./DELEN, D./TURBAN, E. (2014), S. 32ff.

45 Vgl. ICV (Hrsg.) (2016), S. 1; SCHÖN, D. (2016), S. 291.

46 Vgl. ERETH, J./KEMPER, H.-G. (2016), S. 458ff.

47 Vgl. CHAMONI, P./BEEKMANN, F./BLEY, T. (2009), S. 330ff.

48 Vgl. VELTJENS, K./MÜLLER, U. (2013), S. 8.

49 Vgl. BANERJEE, A./BANDYOPADHYAY, T./ACHARYA, P. (2013), S. 1f.; SHARDA, R./DELEN, D./TURBAN, E. (2014), S. 43ff.

50 Vgl. BOLT, S. (2015), S. 674.

51 Vgl. LEMKE, C./BRENNER, W. (2015), S. 25f.

52 Vgl. BECKER, W. et al. (2015), S. 266.

53 Vgl. GRONAU, N./THIM, C./FOHRHOLZ, C. (2016), S. 476f.

54 Vgl. VELTJENS, K./MÜLLER, U. (2013), S. 9.

55 Vgl. SEUFERT, A. (2014), S. 38.

56 Vgl. EMONTS-HOLLEY, R./SENDEREK, R. (2016), S. 66f.

57 Vgl. KIENINGER, M./MEHANNA, W./MICHEL, U. (2015), S. 8ff.

58 Vgl. LIX, B./STÜBEN, J. (2013), S. 8.

59 Vgl. ICV (Hrsg.) (2015), S. 44.

60 Vgl. LEMKE, C./BRENNER, W. (2015), S. 42ff.

61 Vgl. SCHÖN, D. (2016), S. 320ff.

62 Vgl. BUSCHBACHER, F. et al. (2014), S. 101.

63 Vgl. BAUMÖL, U./BERLITZ, P.-D. (2014), S. 168.

64 Vgl. SINZIG, W. (2015), S. 237.

65 Vgl. LINSNER, R. (2015), S. 74ff.

66 Vgl. BOLT, S. (2015), S. 674.

67 Vgl. GRÖNKE, K./KIRCHMANN, M./LEYK, J. (2015), S. 28.

68 Vgl. ICV (Hrsg.) (2016), S. 24.

69 Vgl. TAYLOR, L./SCHROEDER, R./MEYER, E. (2014), S. 6, nach einem Interview mit David Hendry, Professor der Ökonometrie an der Universität von Oxford, am 24. April 2013.

70 Vgl. TAYLOR, L./SCHROEDER, R./MEYER, E. (2014), S. 6.

71 Vgl. ICV (Hrsg.) (2016), S. 24.

72 Vgl. ICV (Hrsg.) (2016), S. 8.

73 Vgl. ICV (Hrsg.) (2016), S. 8.

74 Vgl. im Internet HONERKAMP, J. (2012).

75 Vgl. im Internet HONERKAMP, J. (2012).

76 Vgl. im Internet MANHART, K. (2017), im Internet HONERKAMP, J. (2012).

77 Vgl. KAPPES, M./SCHENTLER, P. (2015), S. 158.

78 Vgl. RIEG, R. (2008), S. 95f.

79 Vgl. GRÖNKE, K./KIRCHMANN, M./LEYK, J. (2015), S. 37f.

Ende der Leseprobe aus 91 Seiten

Details

Titel
Der Einfluss der Digitalisierung auf die Budgetierung
Hochschule
Friedrich-Alexander-Universität Erlangen-Nürnberg
Note
1,3
Autor
Jahr
2017
Seiten
91
Katalognummer
V424028
ISBN (eBook)
9783668693807
ISBN (Buch)
9783668693814
Dateigröße
2118 KB
Sprache
Deutsch
Schlagworte
Controlling, Budgetierung, Digitalisierung, Big Data, Trend, Finance, 4. Industrielle Revolution, Budgetprozess, Budgetplanung, Planung, Budgeting, Ressourcenverteilung, Business Analytics, Digitalization
Arbeit zitieren
Jasmin Dorbath (Autor), 2017, Der Einfluss der Digitalisierung auf die Budgetierung, München, GRIN Verlag, https://www.grin.com/document/424028

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Der Einfluss der Digitalisierung auf die Budgetierung


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden