Einfluss von Business Analytics auf die Budgetierung

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Aktualität des Themas und Problemstellung
1.2 Ziel und Aufbau der Arbeit

2 Theoretische Grundlagen zur Budgetierung
2.1 Begriffserklärung der Budgetierung
2.2 Funktionen und Aufgaben der Budgetierung
2.2.1 Funktionen der Budgetierung
2.2.2 Aufgaben der Budgetierung
2.3 Das Master Budget
2.4 Kritiken und Herausforderungen der Budgetierung

3 Business Analytics als analytisches Informationssystem
3.1 Definition von Business Analytics
3.2 Begriffsabgrenzung von Business Analytics und Business Intelligence
3.3 Implementierung von Business Analytics in die Budgetierung
3.3.1 Framing
3.3.2 Allocation
3.3.3 Analytics
3.3.4 Preparation

4 Einfluss von Business Analytics auf die Budgetierung
4.1 Einfluss von Business Analytics auf den Controller
4.2 Einfluss von Business Analytics auf die Entscheidungsfindung
4.3 Einfluss von Business Analytics auf das Absatzbudget
4.3.1 Einfluss von Business Analytics auf den Kunden
4.3.2 Einfluss von Business Analytics auf die Konkurrenz
4.4 Gegenüberstellung der Kritiken und Potentiale

5 Schluss

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Phasen und Beziehungen des Budgetierungsprozesses

Abb. 2: Das Master Budget

Abb. 3: Beispielhaftes Absatzbudget

Abb. 4: Ausprägungen des Analytics-Begriffs

Abb. 5: Der BA-Prozess

Abb. 6: Teilschritte im Teilprozess Framing

Abb. 7: Beispielhafte Datenmatrix

Abb. 8: Ressourcen im Teilprozess Allocation

Abb. 9: Teilschritte im Teilprozess Analytics

Abb. 10: Aufgaben im Teilprozess Preparation

Abb. 11: Radial Balkendiagramm

Abb. 12: Änderung des Anforderungsprofils des Controllers im Zeitlauf

Abb. 13: Basen der Entscheidungsfindung von deutschen und globalen Unternehmen .

Abb. 14: KNIME-Workflow des Entscheidungsbaums

Abb. 15: Beispielhafter Entscheidungsbaum

Abb. 16: Text Mining Workflow in KNIME

Abb. 17: Tag Cloud dieser Bachelorarbeit

Tabellenverzeichnis

Tab. 1: Der Budgetierungsprozess i.e.S

Tab. 2: Klassen und Definitionen von BA

Tab. 3: Methoden der BA-Modi

Tab. 4: Kritiken an der Budgetierung

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Aktualität des Themas und Problemstellung

Die Budgetierung ist ein Teil der operativen Planung im Unternehmen, deren Entstehung auf die Anfänge des 20. Jahrhunderts zurückgehen (vgl. RICKARDS, R. C. (2009), S.2). Durch Megatrends wie der Digitalisierung hat sich die unternehmerische Umwelt nahezu vollkommen verändert. Die gegenwärtigen Märkte sind durch Dynamik und Komplexität gekennzeichnet und verlangen Agilität von Unternehmen, um langfristig bestehen zu können. Es gilt sich den neuen Gegebenheiten anzupassen, weshalb die Erstellung von Budgets, auf Grundlage von Vergangenheitswerten nicht mehr zeitgemäß scheint. Doch neben den neuen Herausforderungen, welche die Digitalisierung für die Budgetierung mit sich bringt, entstehen gleichzeitig auch neue Potentiale. Das Wachstum an generierten Daten nimmt in jedem Unternehmen rasch zu. Laut einer Studie der International Data Corporation wächst die Datenmenge bis 2025 auf 163 Zettabyte, was eine Verzehnfa- chung im Vergleich zu 2016 darstellt, wobei 57 Prozent der neu entstandenen Daten zu den Unternehmen wandern, was einen Anstieg von 19 Prozent zu 2016 bedeuten würde (vgl. REINSEL, D./GANTZ, J./RYDNING, J (2017), S. 7ff). Diese Daten können einen immensen Vorteil für Unternehmen bedeuten, wenn sie richtig genutzt werden.

Der Einsatz von sogenannten analytischen Informationssystemen wie Business Analytics (BA) kann dabei behilflich sein, Daten in nützliche Informationen zu transformieren, um die Budgetierung der an die gegenwärtige Situation anzupassen. Doch bisher wird BA kaum für Controlling-Prozesse eingesetzt. Gerade einmal fünf Prozent der befragten Un­ternehmen der WHU Studie „Zukunftsthemen des Controllings“ nutzen BA intensiv im Controlling und nur acht Prozent sehen das eigene Unternehmen in den Bereichen Dyna­mik und Stabilität als optimal aufgestellt, obwohl die Einsatzgebiete von BA sehr vielfäl­tig sind (vgl. SCHÄFFER, U./WEBER, J. (2017), S. 33).

1.2 Ziel und Aufbau der Arbeit

Ziel dieser Arbeit ist es, den Einfluss von BA auf die Budgetierung zu verdeutlichen. Es wird ein Überblick darüber gegeben, welche Bereiche der Budgetierung von einer inten­siveren Nutzung von BA in einem Unternehmen betroffen sind und welche Veränderun­gen damit einhergehen. Darüber hinaus werden die Vorteile von BA für die Erstellung eines Budgets anhand von zwei Fallbeispielen demonstriert.

In Kapitel 2 werden die theoretischen Grundlagen zur Budgetierung erklärt. Der Begriff Budgetierung wird definiert und es wird auf die Ziele und Aufgaben der Budgetierung im Unternehmen eingegangen. Anschließend wird das Master-Budget erläutert, welches u.a. das Absatzbudget enthält, auf das im nächsten Schritt näher eingegangen wird. Am Ende von Kapitel 2 werden die Kritiken und Herausforderungen an der traditionellen Budge­tierung verdeutlicht.

In Kapitel 3 werden verschiedene Definitionen von BA präsentiert, wobei sich anschlie­ßend für eine Definition entschieden wird. Außerdem wird BA von Business Intelligence (BI) abgegrenzt. Anschließend wird der BA-Prozess und dessen Teilprozesse eingehend erklärt.

In Kapitel 4 wird der Einfluss von BA auf unterschiedliche Bereiche der Budgetierung beschrieben. Das Kapitel enthält zwei Fallbeispiele, welche die Vorteile einer Nutzung von BA bezüglich des Absatzbudgets demonstrieren und schließt mit einer Gegenüber­stellung der Kritiken aus Kapitel 2 ab.

In Kapitel 5 endet die Arbeit. Es wird ein Resümee der gewonnen Erkenntnisse gezogen und ein Ausblick auf zukünftige Trends gewährt.

2 Theoretische Grundlagen zur Budgetierung

2.1 Begriffserklärung der Budgetierung

Die Planung eines Unternehmens lässt sich in die strategische und die operative Planung unterteilen. Im Mittelpunkt der strategischen Planung steht die Existenzsicherung und Weiterentwicklung des Unternehmens mit dem Ziel, Gewinne zu generieren (vgl. RIEG,

R. (2015), S. 10). Die operative Planung eines Unternehmens beschäftigt sich dagegen mit allen Planungsmaßnahmen zum Erreichen der kurzfristigen Unternehmensziele. Im Zentrum der operativen Planung steht die Budgetierung. Diese kann generell auch als Planung verstanden werden und das Budget als Resultierende dieser Planung. Der Weg von Planung zur Resultierenden beinhaltet den Budgetierungsprozess, welcher im enge­ren Sinne in fünf Phasen aufgeteilt werden kann und in Tabelle 1 beschrieben wird (vgl. FRIEDL, B. (2013), S. 211-212):

Tab. 1: Der Budgetierungsprozess i.e.S.

Abbildung in dieser Leseprobe nicht enthalten

Im weiteren Sinne kommt dem Budgetierungsprozess noch eine Phase hinzu, die der Ab­weichungsanalyse und Budgetkontrolle. Innerhalb der Budgetkontrolle, welche wäh­rend und nach einem Budgetierungszeitraum stattfindet, werden die geplanten Sollwerte mit den realisierten Istwerten verglichen. Die Abweichungsanalyse liefert Ergebnisse für die Gründe für Inkonsistenzen zwischen Soll- und Istwerten (vgl. DILLERUP, R./STOI, R. (2016), S.426). Abbildung 1 verdeutlicht alle Phasen und deren untereinander wir­kende Beziehungen innerhalb des Budgetierungsprozesses.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Phasen und Beziehungen des Budgetierungsprozesses (Quelle: erweiterte Darstellung nach FRIEDL, B. (2013), S. 213)

Es wird deutlich, dass die Budgetierung ein sehr komplexes Unterfangen ist. Bis zur fi­nalen Genehmigung eines Budgets sind die einzelnen Phasen des Budgetierungsprozesses zu durchlaufen. Ist die letzte Phase erreicht, wird deutlich, dass mit der Vergabe eines Budgets keine direkten Vorgaben zu bestimmten Handlungen zur Zielerreichung gemacht werden, sondern ein monetärer Handlungsrahmen festgelegt wird, in welchem die orga­nisatorischen Einheiten an der Zielumsetzung arbeiten (vgl. KÜPPER, H.-U. et al. (2013), S. 433).

2.2 Funktionen und Aufgaben der Budgetierung

2.2.1 Funktionen der Budgetierung

Mit der ersten Phase des Budgetierungsprozesses aus 2.1 wird deutlich, dass die langfris­tigen Ziele der strategischen Planung die Richtlinien für die kurzfristigen Ziele der ope­rativen Planung bilden. Hier nimmt die Budgetierung eine zentrale Rolle ein, um die her­untergebrochenen kurzfristigen Ziele umzusetzen. Dabei erfüllt die Budgetierung ver­schiedene Funktionen, auf die im Folgenden näher eingegangen wird.

Laut KÜPPER et al. (2013, S. 435) erfüllt die Budgetierung unter anderem die Funktion, die Mitarbeiter der organisatorischen Einheiten zu motivieren. Durch die Vorgabe eines Budgets wird jeder Einzelne dazu animiert, dieses mindestens einzuhalten, bestens aber noch zu unterschreiten, um ein vorgegebenes Ziel zu erreichen. Die einzelnen Bereiche verfolgen jedoch nicht nur eigene Zielvorgaben, sondern orientieren sich stets auch am Gesamtziel des Unternehmens, um dieses gemeinsam zu erreichen, weshalb der Budge­tierung auch eine Koordinationsfunktion zugeschrieben werden kann. Gerade in Unter­nehmensfeldern wie der Forschung und Entwicklung (F&E), welche langfristige Projekte beinhaltet, übernehmen Budgets eine Prognosefunktion, indem sie in deren Höhe die zu erwarteten Tendenzen der Unternehmensumwelt berücksichtigen. Jedoch wird nicht nur die F&E mit finanziellen Mitteln versorgt, sondern auch alle anderen Abteilungen eines Unternehmens, weshalb der Budgetierung eine Allokationsfunktion zukommt. Die Vor­gabe- und Initiierungsfunktion der Budgetierung liegt darin, unterschiedliche Beträge von Budgets anzusetzen, deren Höhe wiederum implizit die Ziele selbst festlegen, welche nur durch Handlungen umgesetzt werden können. Ob sich diese Handlungen im vorgegebe­nen Rahmen befinden, wird durch einen Vergleich der geplanten und umgesetzten Budgetwerte überprüft, wodurch die Kontrollfunktion der Budgetierung zu erkennen ist (vgl. PRELL-LEOPOLDSEDER, S. (2011), S. 52-54).

Durch die unterschiedlichen Funktionen der Budgetierung wird deutlich, dass diese ein überaus wichtiges Instrument des Controllings sein kann. Sie gibt nicht nur rein monetäre Größen vor, sondern beeinflusst auch das Personal im Unternehmen, fordert dabei deren Eigeninitiative und fördert gleichzeitig den abteilungsübergreifenden Austausch. Neben Funktionen, welche die Budgetierung innehat, fallen auch Aufgaben entlang der Budge­terstellung an, die im folgenden Punkt näher behandelt werden.

2.2.2 Aufgaben der Budgetierung

Die unterschiedlichen Aufgaben, die innerhalb der Budgetierung verrichtet werden, kön­nen in drei verschiedene Aufgabentypen differenziert werden (vgl. DAMBROWSKI, J. (1986), S.48-49).

Materielle Aufgaben

Die materiellen Aufgaben der Budgetierung werden von den Verantwortlichen der orga­nisatorischen Einheiten erfüllt. Diese haben operative Führungsfunktionen inne und sind verantwortlich für Aktivitäten innerhalb der Planung, Erstellung, Genehmigung und Kon­trolle von Budgets. Hierzu zählen im Detail der Erwerb von nützlichen Informationen und die Auswertung dieser sowie Anfertigung von Lage- und Wirkungsprognosen. Über­dies werden Budgetalternativen, u.a. Best-case- und Worst-case-Szenarien, getestet und bewertet.

Serviceaufgaben

Dieser Aufgabenbereich hat nur indirekten Einfluss auf die eigentliche Budgetierung und beinhaltet vor allem unterstützende bzw. beratende Tätigkeiten, welche durch das Con­trolling durchgeführt werden. Gerade bei der Abstimmung der Teilbudgets innerhalb der vierten Phase des Budgetierungsprozesses übernimmt das Controlling eine wichtige Rolle, aber auch bei vorbereitenden Aufgaben innerhalb der Planung, wie der Berück­sichtigung von Prämissen, beispielsweise Wechselkurse oder Wirtschaftswachstum.

Formale Aufgaben

Hierunter fallen Aufgaben wie die Erstellung von obligatorischen Richtlinien für den Budgetierungsprozess und das Definieren von Verfahren zur Budgetplanung und -kon­trolle. Zur Steuerung und Koordinierung des Budgetprozesses entwirft das Controlling einen Zeitplan. Dieser enthält Vorgaben zur termingerechten Verabschiedung der Teil­budgets. Auch zukunftsbezogene Aspekte wie die Weiterentwicklung des Budgetierungs­systems können den formalen Aufgaben zugeordnet werden.

Innerhalb der Budgetierung fallen unterschiedliche Aufgaben an. Während die materiel­len Aufgaben dem Verantwortungsbereich der Teilbereichsleiter zuzuordnen sind und nur den laufenden Budgetierungsprozess betreffen, nimmt das Controlling eine zentrale Rolle bei den Serviceaufgaben und formalen Aufgaben ein. Diese sind sowohl vor und während des Budgetierungsprozesses, als auch nach diesem zu finden.

2.3 Das Master Budget

Das Ergebnis des Budgetierungsprozesses i.e.S. und den damit verbundenen Aufgaben ist ein System aus Einzelbudgets. In der dritten Phase des Budgetprozesses wurde dies bereits erstmals als Gesamtbudget bezeichnet, da es die Gesamtheit aller Budgets der Teilbereiche einer Organisation enthält (vgl. DAMBROWSKI, J. (1986), S. 33). In ang- loamerikanischen Unternehmen ist die Bezeichnung des Master Budgets gebräuchlich (vgl. FRIEDL, G./HOFMANN, G./PEDELL, B. (2013), S. 518).

Abbildung 2 veranschaulicht die unterschiedlichen Einzelbudgets des Master Budgets.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Das Master Budget

(Quelle: in Anlehnung an EWERT, R./WAGENHOFER, A. (2014), S. 405)

Üblicherweise beginnt das Master Budget mit dem Absatzbudget. Aus dem Absatzbudget kann anschließend, unter Berücksichtigung der Bestandsveränderung im Lager, das Pro­duktionsbudget abgeleitet werden. Dies lässt sich wiederum in weitere Einzelbudgets, dem Materialkosten- und Materialbedarfsbudget sowie dem Fertigungslohn- und Ferti­gungsgemeinkostenbudget, aufteilen (vgl. EWERT, R./WAGENHOFER, A. (2014), S. 404). Außerdem müssen weitere Spezialbudgets für die Verwaltung- und Vertriebskosten und die F&E-Kosten gebildet werden. Alle genannten Budgets werden als Operating Budget bezeichnet und sind Basis für das Erfolgsbudget (vgl. COENENBERG, A. G. et al. (2016), S. 919).

Der Finanzplan ist ein weiterer Bestandteil des Master Budgets. Dieser beinhaltet die aus der Planperiode erwarteten Zahlungsüberschüsse zeitlich differenziert. Das Investitions­budget und das Operating Budget stellen die benötigten Informationen zur Verfügung, um den Finanzplan zu erarbeiten. Am Ende des Master Budgets steht die Planbilanz (vgl. COENENBERG, A. G. et al. (2016), S. 920).

Das Master Budget ergibt sich folglich aus der sequenziellen Erstellung der Einzelbud­gets. Die Ausarbeitung dieser Einzelbudgets folgt anhand unterschiedlicher Herange­hensweisen. Im Folgenden soll deshalb näher auf das Absatzbudget eingegangen werden.

Das Absatzbudget

Ausgangspunkt für die Erstellung des Master Budgets ist das Absatzbudget, oft auch als Umsatzbudget bezeichnet (vgl. HORVATH, P./GLEICH, R./SEITER, M. (2015), S.121). Hierbei handelt es sich um ein outputbezogenes Budget, da den verantwortlichen Be­reichsleitern mit dem Budget das zu erreichende Ziel vorgegeben wird und, im Gegensatz zu einem inputbezogenen Budget, nicht die Mittel zur Verfügung gestellt werden, um ein Ziel zu erreichen (vgl. FRIEDL, B. (2013), S. 196).

Die Erstellung des Absatzbudgets kann zwei Ausgangspunkte haben. Bei einer sehr ho­hen Marktnachfrage und Mangel an Personal oder Fertigungsmaterial werden die Pro­duktionskapazitäten das Absatzbudget vorgeben (vgl. RICKARDS, R. C. (2009), S. 67). In der Regel beginnt das Absatzbudget jedoch mit einer Absatzprognose (vgl. FISCHER,

T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 432). Hierbei handelt es sich um eine

Schätzung des geplanten Absatzes, bei der unterschiedliche Einflussfaktoren berücksich­tigt werden müssen (vgl. RICKARDS, R. C. (2009), S. 78). Tabelle 2 veranschaulicht ein simples Beispiel für ein Absatzbudget aus drei Produkten, für die ein Absatz von 32.892.000, 00 € angesetzt wurde.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Beispielhaftes Absatzbudget (Quelle: eigene Darstellung)

Ist die Absatzprognose Ausgangspunkt für die Erstellung des Absatzbudgets, so wird aus diesem das Produktionsbudget abgeleitet.

Zusammenfassend lässt sich festhalten, dass die Erstellung des Absatzbudgets in zwei Varianten erfolgen kann. Bei Engpässen in der Produktion bilden die verfügbaren Kapa­zitäten den Ausgangspunkt für die Erstellung des Absatzbudgets. Ist dies nicht der Fall, wird anhand einer Absatzprognose das Absatzbudget erstellt, welches wiederum Basis für die Ermittlung des Produktionsbudgets ist.

2.4 Kritiken und Herausforderungen der Budgetierung

Wie in Kapitel 1.1 erwähnt, reicht die Entstehung der Budgetierung bis zu den Anfängen des 20. Jahrhunderts zurück. Die starke Veränderung der unternehmerischen Umwelt und die gleichzeitige Stagnierung der Budgetierung lassen Kritiker laut werden.

HORVATH, GLEICH und SEITER (2015, S. 131) kritisieren den Fokus von Budgets auf kurzfristigen Erfolg, wobei eine langfristige Wertsteigerung außer Acht gelassen wird. Außerdem wird die fehlende Berücksichtigung von immateriellen Werttreibern wie Kun­denzufriedenheit innerhalb der Budgetierung bemängelt sowie der hohe Zeit- und Res­sourcenbedarf, die der Budgetierungsprozess mit sich bringt (vgl. PFLÄGING, N. (2003), S. 19). Die Partizipation der Bereichsleiter im Budgetierungsprozess ist ein weiterer Kri­tikpunkt in zweierlei Hinsicht, denn sie können falsche Informationen weitergeben, um das vorgegebene Budget zu erreichen, aber auch Budgets verschwenden, die am Jahres­ende noch nicht verbraucht sind, um einer Kürzung des Budgets in der nächsten Planungs­periode zu vermeiden. Einigkeit herrscht vor allem in der Kritik der Inflexibilität von Budgetvorgaben, durch deren zeitliche Fixierung (vgl. FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015), S. 438; HORVATH, P./GLEICH, R./SEITER, M. (2015), S. 131; RICKARDS, R. C. (2009), S. 10).

Die Herausforderungen liegen darin, die Budgetierung flexibler und dabei zeitextensiv zu gestalten. Dies macht vor allem wegen der sequenziellen Erstellung der Teilbudgets Sinn. Ungeplante Veränderungen, die sich während des Geschäftsjahres im Absatzbudget nie­derschlagen, müssen schnellstmöglich erkannt und unverzüglich im Produktionsbudget berücksichtigt werden. Die Möglichkeit, eine Budgetierung umzusetzen, welche besten­falls synchron zu Veränderungen reagieren kann, fordert eine intensivere Auseinander­setzung der involvierten Mitarbeiter aller Bereichsebenen mit neuen Informationstechno­logien.

3 Business Analytics als analytisches Informationssystem

3.1 Definition von Business Analytics

Für den Begriff BA existiert bisher keine einheitliche Definition, jedoch werden in der Literatur verschiedene Definitionen zur Verfügung gestellt. Um eine adäquate Definition für diese Arbeit zu finden, werden deshalb unterschiedliche Definitionen erläutert. HOLSAPPLE et al. (2014, S. 130-141) teilen die Definitionen von BA in sechs Klassen, die in Tabelle 2 aufgeführt sind.

Tab. 2: Klassen und Definitionen von BA

Abbildung in dieser Leseprobe nicht enthalten

Die sechs Definitionsklassen bringen, jede für sich, ein eigenes Element in eine Definition von BA ein. Für diese Arbeit kommt es auf die Perspektive der Zielgruppe von BA an. Für eine Definition aus Sicht des Controllers werden deshalb ausgewählte Elemente der sechs Definitionsklassen aufgegriffen und BA als ein gerichteter Prozess verstanden, der auf strukturierten Daten basiert. Unter Anwendung statistischer Methoden und Algorith­men werden Muster innerhalb dieser Daten erkannt, die zur Lösung betriebswirtschaftli­cher Probleme beitragen (vgl. SEITER, M. (2017), S. 32).

Um einen Begriff voll und ganz verstehen zu können, muss dieser von vermeintlich ver­wandten oder ähnlichen Begriffen abgegrenzt werden. Gerade bei neuen Begriffen wie BA muss geklärt werden, wie dieser in Beziehung zu anderen, bereits bestehenden oder bekannten Begriffen steht. Aus diesem Grund wird im folgenden Kapitel in einer Be­griffsabgrenzung näher auf die Unterschiede von BA zu BI eingegangen werden.

3.2 Begriffsabgrenzung von Business Analytics und Business Intelligence

Die ursprüngliche Form von BI beschränkte sich auf rein beschreibende Verfahren, um Abfragen für das Reporting weiterzuentwickeln (vgl. SEITER, M. (2017), S. 20). Heute sind die Anwendungsgebiete von BI weiter ausgedehnt. GLUCHOWSKI und CHA- MONI (2016, S. 25) beschreiben BI als analytisches Informationssystem, welches unter­stützend bei Entscheidungen im Erkenntnisprozess wirkt und die hier benötigten Infor­mationen liefert. „Intelligence“ meint somit nicht Intelligenz, sondern vielmehr Einsicht in das Unternehmen, durch Sammeln, Aufbereiten, Speichern und Abrufen entschei­dungsrelevanter Daten, was wiederum positiv zum Verständnis der Mechanismen rele­vanter Wirkungsketten beiträgt (vgl. GLUCHOWSKI, P. (2016), S. 275).

Die Unterschiede zu BA werden durch nähere Betrachtung des Analytics-Begriff deut­lich, dessen verschiedene Ausprägungen in Abbildung 4 veranschaulicht sind. Unter De­scriptive Analytics sind Verfahren beschreibender Natur zusammengefasst. Hierzu wer­den die Methoden der ursprünglichen Form von BI gezählt. Verfahren, die zum Aufbau von Verständnis über Ursache- und Wirkungsbeziehungen und der gegenwärtigen Form von BI zugeschrieben werden, gehören der Ausprägung Predictive Analytics an (vgl.

GLUCHOWSKI, P. (2016), S. 275). Besonders innerhalb der Ausprägung Advanced Analytics, welche Methoden des maschinellen Lernens und der Statistik zusammenfasst, liegen die Fähigkeiten von BA, Vorhersagemodelle mit Kausalzusammenhängen abzu­leiten, über denen von BI, welches überwiegend explorative und vergangenheitsorien­tierte Daten analysiert (vgl. GLUCHOWSKI, P./CHAMONI, P. (2016), S. 9).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Ausprägungen des Analytics-Begriffs (Quelle: in Anlehnung an GLUCHOWSKI, P. (2016), S. 277)

BA und BI unterscheiden sich somit in den Verfahren, die innerhalb einer bestimmten Ausprägung des Analytics-Begriffs angewendet werden, wobei es bei Descriptive Ana­lytics zu Überschneidungen kommt. Im Bereich der Advanced Analytics grenzt sich BA von BI ab.

3.3 Implementierung von Business Analytics in die Budgetierung

Im Zentrum dieses Kapitels steht der BA-Prozess nach SEITER (2017, S. 32), der aus vier aufeinanderfolgende Teilprozessen besteht und in Abbildung 5 dargestellt ist.

Im ersten Teilprozess Framing wird das betriebswirtschaftliche Problem auf ein analyti­sches Problem heruntergebrochen, aus dem wiederum eine erste Lösungsidee abgeleitet wird. Die Allocation stellt den zweiten Teilprozess dar und beinhaltet alle notwendigen

Ressourcen, die zur Verfügung gestellt und zusammengeführt werden müssen, damit an einer Lösung gearbeitet werden kann.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Der BA-Prozess

(Quelle: Eigene Darstellung in Anlehnung an SEITER, M. (2017), S. 32)

Hierunter fallen u.a. Daten und Personal. Sind diese vorhanden, kann im dritten Teilpro­zess Analytics mit der Anwendung der ausgewählten Algorithmen begonnen werden. Je nach Problemstellung können diese in drei unterschiedliche Kategorien eingeteilt werden, in Descriptive Analytics, Predictive Analytics und Prescriptive Analytics. Im vierten und letzten Teilprozess Preparation werden die erkannten Muster aufbereitet. Hier spielen Vi­sualisierung, Untersuchung kausaler Zusammenhänge und Anwendungsgrenzen eine Rolle.

Um ein umfassendes Verständnis für den BA-Prozess zu vermitteln, werden die bereits angeschnittenen Phasen in den folgenden Kapiteln im Detail erläutert.

3.3.1 Framing

Im ersten Teilprozess Framing wird eine exakte Definition für ein betriebswirtschaftli­ches Problem gesucht. Anschließend wird daraus ein für Algorithmen zugängliches Ana­lytics-Problem abgeleitet. Dies erfolgt in drei Einzelschritten. Im ersten Schritt muss das betriebswirtschaftliche Problem erkannt werden. Das identifizierte Problem wird im zweiten Schritt operationalisiert und dessen Relevanz nachgewiesen. Im dritten Schritt erfolgt die Ableitung des Analytics-Problems (vgl. SEITER, M. (2017), S. 39). Abbil­dung 6 veranschaulicht die Teilschritte.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Teilschritte im Teilprozess Framing (Quelle: erweiterte Darstellung nach SEITER, M. (2017), S. 39)

Zum Nachvollziehen von BA ist es wichtig, den Unterschied vom betriebswirtschaftli­chen zum Analytics- Problem zu verstehen. Deshalb folgendes Beispiel:

Der Bereichsleiter der Produktion hat als betriebswirtschaftliches Problem lange Ausfall­zeiten für die Reparatur von Produktionsmaschinen als Grund für ein Überschreiten des Produktionsbudgets identifiziert. Eine erste Lösung lautet, den Maschinenpark umzurüs­ten, damit ein Ausfall vorhergesagt und verhindert werden kann. Innerhalb des Analytics- Problems stellt sich die Frage, durch welche Technik dies ermöglicht wird. Zur Lösung dieses Problems können Sensoren beitragen, welche die Maschinen ganzheitlich überwa­chen und deren gespeicherte Daten als Basis für Algorithmen zugänglich sind.

Problemidentifikation

Das Aufdecken eines bestimmten Problems geschieht auf unterschiedliche Art und Weise. Oft kommen sogenannte Kreativtechniken zum Einsatz. Diese werden in den Teil­bereichen eines Unternehmens durchgeführt. Beispielsweise könnten die Verantwortli­chen des Verwaltungsbereichs für den Budgetentwurf in der zweiten Phase des Budge­tierungsprozesses in 2.1 von der Methode 6 3 5 Gebrauch machen, um Ideen zur Koste­neinsparung gemeinsam zu entwerfen. Hierbei erfolgt eine Gruppenzusammenstellung aus sechs Personen, bei der jeder der Teilnehmer drei Vorschläge auf Papier bringt und diese stichpunktartig erläutert. Anschließend werden die Unterlagen an ein anderes Teammitglied weitergereicht, das wiederum drei Vorschläge oder Weiterentwicklungen der bereits vorgeschlagenen Punkte hinzufügt. Dieser Vorgang wird insgesamt fünfmal wiederholt, bis jeder Teilnehmer jeden Vorschlag gesehen hat (vgl. ROHRBACH, P. (1969), S. 74). Dass der Fokus auf ein bestimmtes Problemfeld gelenkt wird, kann aber auch durch die Verantwortlichen des Teilbereichs selbst erfolgen, zum Beispiel durch deren Erfahrung oder zufällige Beobachtungen.

Operationalisierung und Relevanznachweis

Das Ziel der Operationalisierung ist die Messbarmachung bestimmter Sachverhalte (vgl. HÄDER, M. (2015), S. 45). Dies ist notwendig, um einen positiven Effekt bei der Lösung der betriebswirtschaftlichen Problemstellung nachweisen zu können. Es existieren ver­schiedene Möglichkeiten eine Operationalisierung durchzuführen, wobei es bei der Aus­wahl auf die zu messenden Größen ankommt. Im einleitenden Beispiel wurde festgestellt, dass das vorgesehene Produktionsbudget durch lange Ausfallzeiten wegen Reparaturar­beiten von Produktionsmaschinen überschritten wurde. Sowohl das Produktionsbudget als auch die Ausfallzeiten sind unmittelbar messbar, da es sich hier um manifeste Vari­ablen handelt (vgl. ALBERS, S. et al. (2009), S. 103). Dem gegenüber stehen sogenannte latente Konstrukte, welche nicht direkt messbar sind, wie folgendes Beispiel verdeutlicht:

Das Absatzbudget wurde aufgrund einer mangelhaften Absatzprognose nicht erreicht. Der verantwortliche Bereichsleiter vermutet, dass die geringe Nähe der Vertriebskanäle zum Kunden ein Indikator für die rückläufige Absatzmenge ist.

Die Kundennähe ist in diesem Beispiel das latente Konstrukt, welches keine quantitative Größe darstellt und deshalb nicht umgehend messbar ist. Hier werden unterschiedliche Skalenniveaus eingesetzt, um solche Konstrukte messbar zu machen. Laut HOMBURG (2000, S. 123) teilt sich die Kundennähe in die Dimensionen Leistungsangebot und Inter­aktionsverhalten, welche sich wiederum in sieben Faktoren aufteilen. Ein Faktor des In­teraktionsverhaltens ist die Offenheit im Informationsaustausch mit dem Kunden. Dieser Faktor kann mit Hilfe einer Ordinalskala gemessen werden, welche durch Aufstellen von Rangwerten eine Rangordnung herstellt (vgl. BACKHAUS, K. et al. (2016), S. 11).

Die Operationalisierung ermöglicht es erst, die Relevanz für die Lösung des betriebswirt­schaftlichen Problems nachzuweisen. Dabei geht es darum, identifizierte Einflussgrößen des Problems messbar zu machen. Diese Größen können quantitativer Natur sein, was sich positiv auf die Messbarkeit auswirkt. Andere Größen können nicht unmittelbar ge­messen werden und werden mit Hilfe passender Skalenniveaus messbar gemacht.

Analytics-Problem ableiten

Grundlage für die Ableitung eines Analytics-Problems ist eine erste Lösungsidee, mit Hilfe derer das betriebswirtschaftliche Problem gelöst wird. Je nach Ausführung der Lö­sungsidee werden drei BA-Modi unterschieden, die bereits in Kapitel 3.2 erwähnt wurden und im Folgenden näher erklärt werden (vgl. SEITER, M. (2017), S. 54).

Betriebswirtschaftliche Problemstellungen, deren Lösungsideen sich auf die Erkennung von Mustern innerhalb von Daten beziehen, werden den Descriptive Analytics zugeord­net. Hierzu zählen u.a. Korrelations- und Clusteranalysen (vgl. WILLIAMS, G. (2011), S. 175). Abbildung 7 veranschaulicht eine beispielhafte Datenmatrix, deren Zeilen aus Instanzen und Spalten aus Attributen besteht.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Beispielhafte Datenmatrix (Quelle: eigene Darstellung)

Innerhalb der Korrelationsanalyse werden Muster aus mehreren Attributen erstellt. Als Beispiel könnten aus der Datenmatrix in Abbildung 7 die Kosten der Wartung einer Ma­schine mit der Wartungsdauer korreliert werden. Weitere Muster sind sogenannte Cluster, die aus einer Clusteranalyse hervorgehen, welche mehrere Instanzen adressiert und diese in bestimmte Cluster in Abhängigkeit bestimmter Werte der Attribute teilt. Ein Cluster aus der Datenmatrix könnte diejenigen Maschinen zusammenfassen, deren Wartungszei­ten höchstens zehn Minuten betragen. Mittelwert, Variation und Standardabweichung sind Muster, die aus einem einzigen Attribut verschiedener Instanzen berechnet werden. Aus der obigen Datenmatrix kann das durchschnittliche Maschinenalter des Maschinen­parks als Beispiel herangezogen werden.

Lösungsideen, die den Descriptive Analytics zugeschrieben werden, beziehen sich somit auf Explorationsprobleme. Unter Predictive Analytics werden Lösungsideen zusammen­gefasst, die Prognoseprobleme behandeln. Der Fokus liegt hier auf Methoden und Tech­niken zur Vorhersage bestimmter Zustände der Attribute einer Datenmatrix (vgl. IF- FERT, L. (2016), S.17).

Methoden sind u.a. die Zeitreihenanalyse, welche durch vergangene Werte eines Attribu­tes aus der Datenmatrix zukünftige Entwicklungen dieses Attributes prognostiziert (vgl. BACKHAUS, K. et al. (2016), S. 17). Mit Hilfe der Regressionsanalyse wird versucht, Ausprägungen eines Attributes unter Berücksichtigung der Wirkungsbeziehung mit an­deren Attributen vorherzusagen (vgl. BACKHAUS, K. et al. (2016), S. 16). Ein Beispiel aus Abbildung 7 ist die Prognose der zukünftigen Wartungsdauer unter Berücksichtigung des Alters einer Maschine.

Der dritte BA-Modus Prescriptive Analytics behandelt Lösungsideen, welche Optimie­rungsprobleme adressieren. Mit Hilfe von Einflussdiagrammen und linearen Optimie­rungsmodellen wird hier die Frage beantwortet, was getan werden muss, um die prognos­tizierte Ausprägung eines Zielattributes tatsächlich zu erreichen. Prescriptive Analytics basieren somit auf Vorabanalysen von Descriptive und Predictive Analytics Methoden, unterscheiden sich aber von diesen durch optimale Handlungsempfehlungen und Ent­scheidungsoptionen, welche Ausprägungen bestimmte Attribute haben müssen, um die gewünschte Ausprägung des Zielattributes zu erreichen (vgl. VAN HELDEN, A./BUCK­EMDEN, R./ALDA, S. (2018), S. 201).

Der Teilprozess Framing zielt auf die Definition einer betriebswirtschaftlichen Problem­stellung und der Ableitung eines für Algorithmen zugänglichen Analytics-Problems ab. Zuerst wird das Problem durch Kreativtechniken oder der Expertise von verantwortlichen Mitarbeitern identifiziert. Darauf folgt die Operationalisierung der Problemstellung durch Zuordnung einer Messgröße zum Relevanznachweis des Lösungsansatzes. Im letzten Schritt wird auf Basis der grundsätzlichen Lösungsidee der betriebswirtschaftlichen Prob­lemstellung ein Analytics-Problem abgeleitet, das für Analytics-Algorithmen zugänglich ist.

3.3.2 Allocation

Der zweite Teilprozess Allocation fokussiert sich auf die Bereitstellung der notwendigen Ressourcen, um das im ersten Teilprozess Framing abgeleitete Analytics-Problem lösen zu können. SEITER (2017, S. 26) unterscheidet hier drei Typen von Ressourcen, wie Abbildung 8 verdeutlicht. Daten sind Grundlage für die Anwendung von Analytics-Al- gorithmen und oft in so großen Mengen vorhanden, dass adäquate Technologien benötigt werden, um die Rechenleistung zur Verfügung zu stellen, diese Daten verarbeiten zu kön­nen. Im BA-Prozess wird die humane Ressource sowohl in Person der betroffenen Be­reichsleiter als auch in Person der Data Scientists und IT-Experten benötigt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 8: Ressourcen im Teilprozess Allocation (Quelle: erweiterte Darstellung nach SEITER, M. (2017), S. 67)

Daten

Ein Begriff, der oft mit dem der Daten verwendet wird, ist Information. Deshalb ist es wichtig, beide Begriffe unterscheiden zu können. Information entsteht durch menschliche Interpretation von Daten. Werden gewissen Daten also eine Signifikanz durch den Men­schen zugesprochen, werden diese zu Informationen. Umgekehrt kann der Mensch selbst, innerhalb kürzester Zeit massenhaft Informationen verarbeiten, ohne diese der Außenwelt in einer zugänglichen Form mitzuteilen. Erst die Überführung dieser Informationen in bestimmte Strukturen, lassen andere Menschen Einsicht gewähren oder ermöglichen es, diese maschinell zu verarbeiten. Deshalb werden Informationen mittels Daten dargestellt (vgl. JENDRIAN, K./WEINMANN, C. (2010), S. 108).

Diese Daten werden in verschiedene Kategorien zusammengefasst. Die für BA günstigste Form sind strukturierte Daten, wie es bei der Datenmatrix in Abbildung 6 der Fall ist. Semistrukturierte Dateien, wie Webseiten oder XML-Dateien, müssen erst in eine struk­turierte Form überführt werden (vgl. BRY, F. et al. (2001), S. 230), damit diese zugäng­lich für ausgewählte BA-Algorithmen sind. Die anzuwendenden BA-Algorithmen deter­minieren die Datenmenge und -qualität, wobei es hier keine Mustervorgaben gibt. Viel­mehr müssen die Teilprozesse Allocation und Analytics iterativ durchgeführt werden, wenn die Ergebnisse des Analytics Teilprozesses, aufgrund unzureichender Allocation, nicht zufriedenstellend oder aussagekräftig genug sind (vgl. SEITER, M. (2017), S. 26).

Informationstechnologie

Die Informationstechnologie (IT) lässt sich grob in Hard- und Software aufteilen. Unter Hardware werden alle physischen Komponenten der IT zusammengefasst. Diese lassen sich aufteilen in Komponenten zur Speicherung von Daten und Komponenten zur Verar­beitung von Daten.

Ursprünglich wurden Daten in Datenbanken auf Festplatten gesichert. Hier entsteht der Nachteil, dass die Daten bei einem Abruf erst in den Arbeitsspeicher eines Rechners ge­laden werden müssen, bevor sie verarbeitet werden können. Durch die steigende Menge an Daten innerhalb des BA-Prozesses werden deshalb oft In-Memory-Lösungen genutzt (vgl. SEITER, M. (2017), S. 28), bei der eine direkte Speicherung der Daten im Arbeits­speicher erfolgt, was eine wesentlich höhere Zugriffs- und Verarbeitungsgeschwindigkeit erlaubt (vgl. SINZING, W./SHARMA, K. R. (2011), S. 19). Die Central Processing Unit dient der Verarbeitung der Daten. Diese weist eine Architektur von mehreren, parallel arbeitenden Kernen auf, um die Übertragungsrate der steigenden Geschwindigkeit des Zugriffs anzupassen (vgl. SINZING, W./SHARMA, K. R. (2011), S. 18).

Softwarelösungen werden anhand ihrer Funktionen innerhalb des BA-Prozesses einge­teilt. Diese sind Speichern und Transformieren von Daten, sowie Visualisieren von Er­gebnissen. Es existieren Softwarelösungen, welche auf einzelne Funktionen spezialisiert sind oder alle Funktionen beinhalten (vgl. SEITER, M. (2017), S. 28). Beispielsweise bietet die Open-Source-Software KNIME diverse Applikationen aus dem Advanced Ana­lytics Bereich zur Anwendung an (vgl. DINSMORE, T. W. (2016), S. 60). Speichern, Transformieren und Visualisieren erfolgen in KNIME mittelst eines Workflows, der aus einzelnen, miteinander verbundenen Knoten besteht. Jeder Knoten beinhaltet unter­schiedliche Funktionen zur Bearbeitung der verfügbaren Daten. Zwei dieser Workflows werden in den Kapiteln 4.3.1 und 4.3.2 näher erläutert.

Personal

SEITER (2017, S. 28) teilt die Ressource Personal in drei Kategorien. Die Fach-Experten, welche direkt von der Problemstellung betroffen sind. Beispielsweise der Bereichsleiter der Produktion, der eine Umrüstung der Produktionsmaschinen, zur Verhinderung von Wartungsausfällen als notwendig betrachtet. Die Data-Scientists, welche die Fähigkeiten besitzen müssen, das betriebswirtschaftliche Problem zu durchdringen und die entschei­denden Daten, in einer für Algorithmen zugänglichen Form, zur Verfügung zu stellen. Gerade diese Personalie ist für ein Unternehmen nur begrenzt vorhanden, da sie betriebs­wirtschaftliche Kenntnisse, statistische und analytische Kompetenzen sowie IT-Wissen vereinen muss (vgl. GLUCHOWSKI, P./CHAMONI, P. (2016), S. 15-16). Die IT-Exper- ten sorgen für die Bereitstellung der für den BA-Prozess notwendigen IT-Ressourcen. Deren Aufgabenbereich erstreckt sich über Beschaffung, Inbetriebnahme und Wartung der IT.

Im Teilprozess Allocation werden alle notwendigen Ressourcen zur Verfügung gestellt, um die Lösungsidee des abgeleiteten Analytics-Problems umsetzen zu können. Es werden drei Ressourcen unterschieden. Zum einen Daten, die eng mit dem Begriff Information zusammenhängen und in strukturierter oder semistrukturierter Form vorhanden sein kön­nen. Zur Speicherung und Verarbeitung sowie Visualisierung dieser Daten wird außer­dem die Ressource der IT benötigt, welche sich grob in Hard- und Software aufteilen lässt. Das Personal bildet die dritte Ressource und unterscheidet zwischen den vom Prob­lem direkt betroffenen Fachexperten, den interdisziplinär arbeitenden Data Scientists so­wie den für die Hardware verantwortlichen IT-Experten.

3.3.3 Analytics

Der Teilprozess Analytics verfolgt das Ziel, das vorab definierte betriebswirtschaftliche Problem durch datenbasierende Evidenzen zu lösen und unterscheidet hier die Datenana­lyse, Datenaufbereitung und Beurteilung der gewonnenen Ergebnisse (vgl. SEITER, M. (2017), S. 29). Abbildung 9 veranschaulicht den Teilprozess Analytics. Innerhalb der Da­tenaufbereitung werden alle zur Verfügung gestellten Daten dahingehend veredelt, dass eine möglichst reibungslose Datenanalyse möglich ist. Die Datenanalyse beinhaltet Ak­tivitäten zur Gewinnung von Evidenzen. Im letzten Schritt wird die Qualität der Ergeb­nisse der vorangegangenen Analyse beurteilt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 9: Teilschritte im Teilprozess Analytics (Quelle: erweiterte Darstellung nach SEITER, M. (2017), S. 105)

Datenaufbereitung

Die Wichtigkeit der Datenaufbereitung wird oft unterschätzt, doch ist es gerade diese, welche die Möglichkeit der Datenanalyse determiniert. Die Aufbereitung von Daten hängt stark mit der Qualität dieser zusammen, denn die Datenqualität ist definiert als „die Gesamtheit der Ausprägungen von Qualitätsmerkmalen eines Datenbestandes bezüglich dessen Eignung, festgelegte und vorausgesetzte Erfordernisse zu erfüllen.“ (vgl. HILDE­BRAND, K. et al. (2015), S. 88). Die Herausforderungen der Aktivitäten der Datenauf­bereitung bestehen somit darin, Einträge in Datenstrukturen, wie die der Datenmatrix in Abbildung 6, nach vorab definierten Regeln zu vervollständigen und zu vereinheitlichen. Gerade bei lange bestehenden Unternehmen, in denen bereits vor der Definition geltender Regeln viele Daten generiert wurden, wird die Angleichung der alten mit den neuen Daten einen hohen Grad der Aktivitäten innerhalb der Datenaufbereitung in Anspruch nehmen.

Datenanalyse

Innerhalb der Datenanalyse werden Aktivitäten zusammengefasst, die der Gewinnung von Evidenzen zur Lösung der Problemstellung dienen. Hierunter fallen diejenigen Me­thoden, welche in Kapitel 3.3.1 erläutert wurden und in Tabelle 3 zusammengefasst sind.

Tab. 3: Methoden der BA-Modi

Abbildung in dieser Leseprobe nicht enthalten

Beurteilung der Ergebnisse

Die Methoden zur Beurteilung der Ergebnisse der Datenanalyse hängen von den hier ge­nutzten Algorithmen ab. Beispielsweise werden bei einer Clusteranalyse Instanzen einer Datenmatrix in verschiedene Cluster eingeteilt. Dies erfolgt agglomerativ, d.h. in der feinsten Aufteilung kann jede Instanz ein eigenes Cluster bilden, bis hin zur Zusammen­fassung aller Instanzen in einem großen Cluster (vgl. BACKHAUS, K. et al. (2016), S. 494). Mit Hilfe des Elbow-Kriteriums kann hier die optimale Clusteranzahl festgestellt werden, nämlich diejenige, bei der ein zusätzliches Cluster das Heterogenitätsmaß nur geringfügig beeinflusst (vgl. BACKHAUS, K. et al. (2016), S. 495).

Im Teilprozess Analytics werden die Daten im ersten Schritt gemäß vorgegebenen Regeln zur Datenqualität aufbereitet, damit eine automatische Datenanalyse im zweiten Schritt möglich ist. Die angewendeten Algorithmen innerhalb der Datenanalyse determinieren die Methoden zur Beurteilung der Ergebnisse im dritten Schritt des Teilprozesses Analy­tics.

3.3.4 Preparation

Visualisierung, Deuten von Mechanismen und Ableiten von Grenzen sind die Aufgaben des vierten Teilprozesses Preparation, der in Abbildung 10 dargestellt ist und dessen Ziel eine nutzerorientierte Aufbereitung der gewonnen Erkenntnisse ist (vgl. SEITER, M. (2017), S. 174). Die richtige Visualisierung ermöglicht eine nachvollziehbare, verzer­rungsfreie Darstellung der Ergebnisse. Die Annahme kausaler Zusammenhänge der Er­gebnisse sind oft falscher Natur, weshalb über unterstellte Mechanismen diskutiert wer­den muss. Grenzen müssen bezüglich der Ressourcen Daten, IT und Personal abgeleitet werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 10: Aufgaben im Teilprozess Preparation (Quelle: erweiterte Darstellung nach SEITER, M. (2017), S. 173)

Visualisierung

Die Visualisierung ermöglicht die Nutzbarkeit der Ergebnisse für die betroffene Person. Dafür müssen Formen, Farben, Texte und Positionen einer Visualisierungsform aufeinan­der abgestimmt werden, damit die Ergebnisse keinesfalls falsch interpretiert werden. Eine neue und kritisch zu beurteilende Form der Visualisierung ist das in Abbildung 11 darge­stellte Radial-Balkendiagramm. Hier werden die Balken kreisförmig, von innen nach au­ßen, abgebildet, weshalb unterschiedliche Radien für jeden Balken notwendig sind. Dies hat zur Folge, dass keiner der Balken mehr direkt interpretiert bar ist (vgl. SEITER, M. (2017), S. 63). Fehler dieser Art gilt es in der Visualisierung zu berücksichtigen und zu beseitigen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 11: Radial Balkendiagramm (Quelle: eigene Darstellung)

Mechanismen deuten

Die Ergebnisse der angewendeten Verfahren innerhalb des Analytics Teilprozesses brin­gen Schwierigkeiten mit sich, die sich am einfachsten am Beispiel einer Korrelationsana­lyse zeigen lassen. Diese unterscheidet vier Szenarien, bei der eine Korrelation von zwei Attributen x und y auf kausale Beziehungen deuten (vgl. RUNKLER, T. A. (2015), S. 61):

1. Zufall
2. x wirkt auf y
3. y wirkt auf x
4. z wirkt auf x und y

Die Ergebnisse der Korrelationsanalyse deuten auf Korrelation der Attribute x und y hin, obwohl dies reiner Zufall ist und kein kausaler Zusammenhang besteht (1). Haben die Attribute x und y tatsächlich eine kausale Beziehung, kann durch die Korrelationsanalyse nicht nachgewiesen werden, ob x auf y wirkt (2) oder umgekehrt (3). Korrelieren bei­spielsweise die Überhitzung einer Produktionsmaschine (x) und die hohen Temperaturen in der Produktionshalle (y), können die Ergebnisse nicht erläutern, ob die Überhitzung der Produktionsmaschine zu hohen Temperaturen in der Produktionshalle führen oder ob die hohen Temperaturen in der Produktionshalle die Produktionsmaschine überhitzen las­sen. Selbst wenn ein kausaler Zusammenhang zwischen x und y vorliegt, können diese auch durch ein drittes Attribut z beeinflusst werden (4). Beispielsweise könnte die Über­hitzung von Produktionsmaschine (x) und -halle (y) aufgrund des Ausfalls der Klimaan­lage (z) verstärkt werden. Mechanismen wie diese werden im Teilprozess Preparation berücksichtigt und müssen durch zusätzliche Informationen wie Expertenwissen erklärt werden (vgl. RUNKLER, T. A. (2015), S. 62).

Grenzen ableiten

Grenzen werden an unterschiedlichen Stellen des BA-Prozesses abgeleitet. Die Ressource Daten muss bezüglich der verwendeten Datenmenge sinnvoll begrenzt werden. So muss die Menge an Daten als Basis der Datenanalyse ausreichend sein, um adäquate Ergebnisse liefern zu können, wobei die Akquise der Daten keine zu hohen Kosten produzieren darf. IT ist als Ressource durch ihre physischen Komponenten begrenzt, da nur eine limitierte Rechenleistung abrufbar und Speicherkapazität vorhanden ist. Die humane Ressource im BA-Prozess ist durch deren Verfügbarkeit, besonders bei dem neuen Berufsbild des Data Scientist, sowie in deren Kompetenzen in quantitativer Hinsicht, durch ein breites Wissen über viele verschiedene Algorithmen, und in qualitativer Hinsicht, durch ein tiefes Wis­sen bezüglich einzelner Algorithmen, begrenzt.

Das Ziel des letzten Teilprozesses Preparation ist die nutzerorientierte Veredelung der gewonnenen Erkenntnisse für deren betriebswirtschaftlichen Einsatz. Dieser Teilprozess erstreckt sich über die Aufgabenbereiche der Visualisierung zur bildhaften Darstellung der Ergebnisse in einer geeigneten Form, dem Erklären von Mechanismen, zum Vermei­den von Fehlinterpretationen sowie dem Ableiten von Grenzen bezüglich der eingesetz­ten Ressourcen im BA-Prozess.

Der BA-Prozess umfasst die vier Teilprozesse Framing, Allocation, Analytics und Prep­aration. Innerhalb des ersten Teilprozesses Framing wird die betriebswirtschaftliche Problemstellung identifiziert und auf ein Analytics-Problem, in Abhängigkeit der Lö­sungsidee, heruntergebrochen. Im zweiten Teilprozess Allocation werden die notwendi­gen Ressourcen zur Verfügung gestellt, um den BA-Prozess problemorientiert umsetzen zu können. Hier werden die Ressourcen Daten, Informationstechnologie und Personal unterschieden. Datenaufbereitung, Datenanalyse und Beurteilung der Ergebnisse sind Teilschritte des dritten Teilprozesses Analytics. Der vierte Teilprozess Preparation um­fasst die Aufgaben der Visualisierung der Ergebnisse, dem Deuten von wirkenden Me­chanismen und dem Ableiten von Grenzen bezüglich der Ressourcen.

Der BA-Prozess wird in zwei Varianten unterschieden. Handelt es sich um eine einmalige Problemstellung, werden, nach einmaligem Durchlauf des BA-Prozesses, die Ressourcen wieder aufgelöst und für andere Unternehmensbereiche zur Verfügung gestellt. Impliziert die Problemstellung jedoch ein immer wiederkehrendes Problem, so werden die Teilpro­zesse Analytics und Preparation in automatisierter Form und wiederholt angewendet (vgl. SEITER, M. (2017), S. 33).

Der BA-Prozess bietet viele neue Möglichkeiten und Potentiale die Budgetierung in ver­schiedenen Phasen zu erweitern, zu verändern oder zu beeinflussen. Durch die neuen Aufgaben und Herausforderungen, die der BA-Prozess mit sich bringt, kann eine voll­kommene Implementierung des BA-Prozesses in die Budgetierung jedoch, Stand heute, noch nicht stattfinden. Gerade das Personal gilt es auf die neue Art Entscheidungen zu treffen, nämlich basierend auf Daten, zu sensibilisieren und notwendige Kompetenzen zu schulen. Dies benötigt Zeit. Gegenwertig wird der BA-Prozess deshalb parallel zum Budgetierungsprozess aufgebaut. Beispielsweise nutzt der Chemiekonzern BASF, zum Einschätzen zukünftiger Geschäftsentwicklungen, einen Predictive-Analytics- und einen Business-Forecast. Die Ergebnisse des Predictive-Analytics-Forecasts werden den am Business-Forecast beteiligten Unternehmensbereichen zur Verfügung gestellt, damit eine proaktive Auseinandersetzung stattfindet (vgl. SCHÄFFER, U. (2017), S. 27). Dies ist nur eines von vielen Beispielen, welches die Einsatzbereiche von BA im Unternehmen verdeutlicht. Das nachfolgende Kapitel beschäftigt sich deshalb eingehend mit dem Ein­fluss von BA auf unterschiedliche Bereiche der Budgetierung.

4 Einfluss von Business Analytics auf die Budgetierung

Der intensivere Einsatz von BA in einem Unternehmen geht nicht ohne Veränderungen einher. Was diese Veränderungen für den partizipierenden Controller am Budgetierungs­prozess und als Mitarbeiter eines Unternehmens bedeuteten und wie BA einen Einfluss auf die Entscheidungsfindung im Unternehmen nimmt, wird in den ersten Punkten dieses

Kapitels erläutert. Überdies schließt dieses Kapitel mit zwei Fallbeispielen, mit Hilfe de­rer ein Einfluss von BA auf die Erstellung des Absatzbudgets erläutert wird, ab.

4.1 Einfluss von Business Analytics auf den Controller

Wie in den ersten Kapiteln erläutert, bringt der Budgetierungsprozess unterschiedliche Aufgaben mit sich, welche von verschiedenen Personen im Unternehmen durchgeführt werden. Mit dem steigenden Einsatz von BA im Unternehmen ändert sich auch das An­forderungsprofil des Controllers vom klassischen Reporter, der Berichte zur Kommuni­kation unternehmensbezogener Kennzahlen für Kapital-Anleger und externe Investoren bereitstellt, über den Datenlieferant, welcher bereits Entscheidungen zur Optimierung der Datenbestände und -qualität mitbestimmt (vgl. FRIEDAG, J. (2017), S. 81) hin zum Bu­siness Partner, der die Veränderung des Unternehmens aktiv und konstruktiv begleitet (vgl. SCHÄFFER, U./WEBER, J. (2016), S. 13). Abbildung 12 veranschaulicht die Än­derung des Anforderungsprofils des Controllers im Zeitlauf, welche mit der WHU-Zu- kunftsstudie übereinstimmt, nach der seit 2014 die Erwartung, dass alle Controller im Unternehmen als Business Partner agieren, ununterbrochen bei 40% liegt (vgl. SCHÄF­FER, U./WEBER, J. (2017), S. 29).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 12: Änderung des Anforderungsprofils des Controllers im Zeitlauf (Quelle: erweiterte Darstellung nach FRIEDAG, J. (2017), S. 82)

Dies bedeutet auch eine Erweiterung des Aufgabensets des Controllers am Budgetie­rungsprozess. Insbesondere dessen analytische Kompetenzen sowie dessen Umgang mit Informationstechnologien werden mit dem Einsatz von BA in der Budgetierung intensi­viert werden müssen, da diese gegenwärtig nur schwach ausgeprägt sind (vgl. SCHÄF- FER, U./WEBER, J. (2017), S. 32).

Gerade mit Blick auf das neue Berufsbild des Data Scientists, kommen organisatorische Fragen auf, weshalb die Meinungen der Kompetenzerweiterungen eines Controllers aus­einander gehen. So sieht FRIEDAG (2017, S. 82) nur eine leichte Erweiterung der Auf­gaben eines Controllers bezüglich IT und Statistik-Kenntnisse im täglichen Arbeitsalltag. Jedoch bleibt hier die Frage nach dem Mehrwert eines Controllers für den Manager, wenn das primäre Ziel lautet, ein Unternehmen auf Basis von analytischen Daten voranzubrin­gen und gleichzeitig auch der Data Scientist dem Manager direkt zur Verfügung steht (vgl. SCHÄFFER, U./WEBER, J. (2016), S. 14).

4.2 Einfluss von Business Analytics auf die Entscheidungsfindung

Der Budgetierungsprozess aus Kapitel 2.1 ist vor allem dadurch gekennzeichnet, dass Entscheidungen getroffen werden, die sich unterschiedlich auf das Unternehmen auswir­ken. Mit der Höhe des Budgets für die F&E gibt die Unternehmensleitung beispielsweise den Innovationsgrad vor. Die Preise der Produkte im Absatzbudget spiegeln die Strategie eines Unternehmens am Markt wider.

Die Problematik der traditionellen Entscheidungsfindung durch den Menschen selbst, geht mit dem Wachstum an Daten und dem somit steigenden Gewinn von Informationen einher, da die kognitiven und sensuellen Fähigkeiten eines menschlichen Entscheidungs­trägers nur begrenzt sind (vgl. SCHOENEBERT, K. P./PEIN, J. (2014), S. 309). Überdies werden oft die falschen Informationen durch den Entscheidungsträger berücksichtigt, da sich dieser durch den Informationsüberfluss abgelenkt, behindert oder überfordert fühlt (vgl. SCHOENEBERT, K. P./PEIN, J. (2014), S. 310). Im Vergleich dazu verbessern sich die Ergebnisse von BA-Anwendungen mit steigender Datenmenge. Dies spiegelt sich auch im Predictive-Analytics und im Business-Forecast des BASF-Konzerns aus Kapitel 3.3 wider. Beide versuchen in einem sechsmonatigen Forecast die Zukunftssituation des Unternehmens vorherzusagen. Im ersten Monat tendieren die Ergebnisse des Business- Forecasts durch die Controller dazu, die Zukunft akkurater vorherzusagen, als die des Predictive-Analytics-Forecasts. Mit dem Ausweiten des betrachteten Zeitraums wächst die Menge an zu verarbeitenden Daten und der Predictive-Analytics-Forecast wird in vie­len Fällen genauer (vgl. SCHÄFFER, U. (2017), S. 27).

Der Trend, Entscheidungen datenbasierend zu treffen, stimmt mit der Umfrage „Global Data and Analytics Survey 2016“ durch die Wirtschaftsprüfungs- und Beratungsgesell­schaft PwC überein. Demnach basieren 34% strategischer Entscheidungen in deutschen Unternehmen bereits auf dem internen Nutzen von Daten und Analysen. 41% der strate­gischen Entscheidungen werden noch durch Erfahrung und Intuition getroffen, wobei 25% der Befragten aus Deutschland Externe in die strategische Entscheidungsfindung einbeziehen (vgl. O.V. (2016), S. 20). Abbildung 13 veranschaulicht die Ergebnisse der Befragung von deutschen und globalen Unternehmen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 13: Basen der Entscheidungsfindung von deutschen und globalen Unternehmen (Quelle: erweiterte Darstellung nach o.V. (2016), S. 20)

4.3 Einfluss von Business Analytics auf das Absatzbudget

Um die Möglichkeiten aufzuzeigen, die BA für das Absatzbudget bietet, wurden folgend zwei Fallbeispiele, welche in Anlehnung an SEITER (2017, S. 162 und S. 212) übernom­men und für diese Arbeit angepasst wurden, erstellt. Das Absatzbudget wird in der Regel aus der Absatzprognose abgeleitet. Hierfür werden unterschiedliche Einflussfaktoren be­rücksichtigt. Für die beiden Fallbeispiele wurden die Kunden und Wettbewerber eines Unternehmens als Einflussfaktoren identifiziert. Zur Anwendung der BA-Methoden wurde auf zwei Workflows der Open-Source-Software KNIME, welche bereits in Kapitel 3.3.2 erwähnt wurde, zurückgegriffen. Die Ergebnisse der Workflows wurden selbst er­stellt.

4.3.1 Einfluss von Business Analytics auf den Kunden

Für einen großen Teil der Absatzprognose nutzt ein Unternehmen die eigenen Vertriebs­mitarbeiter, um in Gesprächen mit deren zugeteilten Kunden geplante Umsätze für das kommende Geschäftsjahr zu besprechen. Nach Ablauf des Geschäftsjahres stellt die Un­ternehmensleitung fest, dass besprochene Umsatzvereinbarungen nicht eingehalten wur­den. In einer Umfrage gaben diese Kunden an, nicht zufrieden mit den Serviceleistungen des Unternehmens zu sein. Außerdem wurden von anderen Kunden wesentlich höhere Umsätze getätigt als erwartet. In Zukunft möchte das Unternehmen die Kunden systema­tisch in Gruppen einteilen, um die Vertriebsaktivitäten gezielter ausrichten zu können, damit die Absatzprognose und das daraus resultierende Absatzbudget in der nächsten Ge­schäftsperiode stabilisiert wird.

Die Kundendaten stehen einem Unternehmen umgehend zur Verfügung und sind als Ba­sis für BA-Algorithmen geeignet. Die betriebswirtschaftliche Problemstellung lautet demnach: Welche Kunden sollen intensiver vom Vertriebspersonal behandelt werden, um deren geplante Umsätze in der Absatzprognose zu berücksichtigen? Als erste Lösungs­idee kann der Customer Lifetime Value (CLV) als Messgröße zur Ermittlung des Kun­denwertes genutzt werden (vgl. SEITER, M. (2017), S. 162). Beim CLV werden gegen­wertige, aber auch prognostizierte Umsätze entlang des gesamten Lebenszyklus eines Kunden berücksichtigt, um diesem einen Barwert, hier als Kundenwert bezeichnet, zuzu­schreiben (vgl. JACOB, M. (2017), S. 33). Das Analytics-Problem bezieht sich darauf Attribute aufzustellen, aufgrund derer Kunden zur Gruppe der bevorzugten Kunden ein­geordnet werden können. Der C4.5-Algorithmus ermöglicht es, aus den Kundendaten ei­nen Entscheidungsbaum zu erzeugen. Entscheidungsbäume haben als Werkzeug der Pre­dictive Analytics den Vorteil, Daten nicht nur als Funktion zu behandeln, sondern diese auch direkt in einer einfachen und interpretierbaren Form zu veranschaulichen. Abbil­dung 14 zeigt den Workflow der Open-Source-Software KNIME, mithilfe derer ein Ent­scheidungsbaum erzeugt wurde.

Im Knoten File Reader werden die Kundendaten eingelesen. Der Partitioning-Knoten teilt die Kundendaten in eine Lernmenge und in eine Testmenge auf. Der Knoten Decision- Tree-Learner verwendet die Lernmenge, um den Entscheidungsbaum zu trainieren, damit dieser im Decision-Tree-Predictor-Knoten auf der Testmenge angewendet und im Scorer- Knoten evaluiert wird

Abbildung in dieser Leseprobe nicht enthalten

Abb. 14: KNIME-Workflow des Entscheidungsbaums (Quelle: MEINL, T. et al. (2007), S. 2)

Aus diesem Grund sollte die Lernmenge immer größer sein als die Testmenge. Abbildung 15 zeigt einen beispielhaften Entscheidungsbaum.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 15: Beispielhafter Entscheidungsbaum (Quelle: eigene Darstellung)

Die Knoten eines Entscheidungsbaums enthalten die Attribute, die zur Lösung des Ana­lytics-Problems ausgewählt wurden. Jeder Knoten ist mit Kanten verbunden, welche die Attributwerte enthalten. Die Knoten der untersten Ebene enthalten die Anzahl der identi­fizierten Kunden (vgl. ERTEL, W. (2016), S. 217). Der markierte Ast in Abbildung 15 sagt somit Folgendes aus: Drei Kunden, welche weniger oder gleich 550 Produkte gekauft haben und eine Mitarbeiteranzahl von 22 oder mehr vorweisen sowie einem Umsatz von 33.000 € oder mehr tätigen, wurden als A-Kunden identifiziert.

Mit Hilfe des Entscheidungsbaums wurden diejenigen Kunden ermittelt, welche beim Aufstellen der Absatzprognose im Mittelpunkt stehen sollten. Dieses Verfahren bietet den immensen Vorteil, dass der Entscheidungsbaum mit den Kundendaten aktualisiert wird, was wiederum eine Echtzeitbeobachtung der Kundenentwicklung ermöglicht. Kunden, die ihren Status als A-Kunden verlieren oder diejenigen, die sich zu A-Kunden entwi­ckeln, können somit auch während einer Geschäftsperiode identifiziert und behandelt werden.

Die Kunden eines Unternehmens sind ein wichtiger Einflussfaktor des Absatzbudgets. Entscheidungsbäume, als Werkzeug der Predictive-Analytics, ermöglichen es nicht nur diejenigen Kunden festzustellen, die es in der Absatzprognose zu berücksichtigen gilt, sondern auch Kundenentwicklungen während eines Geschäftsjahres in Echtzeit zu be­obachten, damit auf ungewünschte Trends sofortige Handlungen folgen. Überdies werden Entscheidungsbäume auch als beliebtes Verfahren, zum Vorhersagen von Kündigungen der Kunden, eingesetzt (vgl. NESLIN, S. A. et al. (2006), S. 206-208). BA erhöht somit die Güte der Absatzprognose und trägt dazu bei, negative Abweichungen des Absatzbud­gets zu vermeiden.

BA beschränkt sich jedoch nicht nur auf Daten, die in einem Unternehmen erzeugt wer­den. Auch Daten außerhalb der Unternehmensgrenzen können durch BA genutzt werden, um die Erstellung des Absatzbudgets zu verbessern. Märkte, die durch einen hohen Wett­bewerb gekennzeichnet sind, setzen eine hohe Innovationskraft der Unternehmen voraus, um langfristig bestehen zu können. Gerade in einer Zeit, in der disruptive Technologien bestehende Produkte oder Dienstleistungen vom Markt verdrängen, sind Unternehmen gut darin beraten, die Strategien der konkurrierenden Unternehmen für die eigene Ab­satzprognose zu berücksichtigen (vgl. GIMPEL, H./RÖGLINGER, M. (2017), S. 9; RICKARDS, R. C. (2009), S. 78). Dies zeigt folgendes Beispiel.

4.3.2 Einfluss von Business Analytics auf die Konkurrenz

Ein Unternehmen, welches die Potentiale von erneuerbaren Energien frühzeitig erkannt, und sich dementsprechend auf die Herstellung und den Verkauf von Technologien zur Speicherung von Wasserstoff spezialisiert hat, ist mit dem gegenwärtigen Absatzzahlen zufrieden. Jedoch muss das Unternehmen feststellen, dass immer mehr Unternehmen in den Markt eintreten. Aus diesem Grund möchte sich die Unternehmensleitung einen Überblick über alternative Technologien zur Speicherung von Wasserstoff verschaffen.

Die betriebswirtschaftliche Problemstellung besteht darin herauszufinden, welchen tech­nologischen Trends die Mitbewerber des Unternehmens im Beispiel folgen. Patentdaten­banken, wie die des Deutschen Patent- und Markenamts oder des Europäischen Patent­amts sind externe, öffentlich zugängliche Quellen, um herauszufinden, auf welche Tech­nologien sich konkurrierende Unternehmen fokussieren. Als Lösungsidee wird eine Text Mining Analyse (TMA) als Verfahren von BA angewendet, um Häufigkeiten innerhalb von Patentanmeldungen der konkurrierenden Unternehmen zu erkennen (vgl. SEITER, M. (2017), S. 212). Das Analytics-Problem besteht in der Eingrenzung des Betrachtungs­zeitraums von Patentanmeldungen sowie der Berücksichtigung von Patentinhabern, wel­che als Wettbewerber identifiziert wurden.

Der KNIME-Workflow zur TMA ist in Abbildung 16 dargestellt und erfolgt in Anleh­nung an THIEL und BERTHOLD (2012, S. 3-11). Im Schritt Parsing (1) werden die Textdokumente in eine einheitliche Datenstruktur überführt. Der Schritt Transformation (3) wandelt die vom vorangegangenen Knoten erhaltenen Daten in eine für den nachge­lagerten Knoten lesbare Struktur um.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 16: Text Mining Workflow in KNIME (Quelle: in Anlehnung an THIEL, K./BERTHOLD, M. (2012), S. 4)

Diese Struktur ermöglicht eine Filterung inhaltsloser Begriffe wie Stoppwörter, Zahlen und Konjunktionen im Preprocessing Schritt (4). Anschließend werden die Häufigkeiten der vorkommenden Wörter im Schritt Frequency (5) berechnet und im Schritt Visualiza­tion (6) in einer gewünschten Form dargestellt.

Dieser Workflow verwendet zwei Visualisierungsformen. Im Knoten Hierarchical Clus­tering werden die Ergebnisse in Form einer einspaltigen Tabelle dargestellt, welche den Titel eines Patentantrags enthält. Dieser kann wiederum geöffnet werden und es werden die gefilterten Wörter des zugehörigen Antrags in absteigender Reihenfolge in einer wei­teren Tabelle dargestellt. Der Knoten Tag Cloud stellt die Ergebnisse des Workflows in einer Wortwolke dar. Die Größe der Wörter spiegelt deren Häufigkeit in den Patentanträ­gen wieder. Eine exemplarische Tag Cloud dieser Bachelorarbeit ist in Abbildung 17 dar­gestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 17: Tag Cloud dieser Bachelorarbeit (Quelle: eigene Darstellung)

Die Ergebnisse der TMA können in dem Unternehmen unterschiedlich genutzt werden. U.a. vermitteln sie einen Eindruck über die Produktstrategien konkurrierender Unterneh­men. Außerdem sind sie Grundlage für die Einschätzung des Innovationsgrads der eige­nen Technologien. Die TMA ermöglicht es, ex post Absatzrückgänge aufgrund sinkender Marktanteile zu erkennen und Gegenmaßnahmen zu planen. Überdies werden disruptive Technologien frühzeitig identifiziert, wodurch die Existenz der Unternehmung gesichert wird (vgl. WEITERT, C. (2014), S. 11). Dies lässt sich am Beispiel der Eastman Kodak Company zeigen, welche in den 90er Jahren die chemische Fotographie, wegen der hohen Gewinnmargen, priorisierte. Der rasante technische Fortschritt innerhalb der Speicher­und Sensortechnologie führte zu einem Marktumbruch hin zur digitalen Fotographie. Be­reits Ende der 90er Jahre waren die Mehrheit der verkauften Fotoapparate Digitalkame­ras, weshalb Kodak die Produktion und den Verkauf von analogen Kameras weitestge­hend aufgeben musste (vgl. WENTZ, R.-C. (2008), S.107). Mit Hilfe der TMA aus Ka­pitel 4.3.2, werden technologische Trends dieser Art heute frühzeitig erkannt.

4.4 Gegenüberstellung der Kritiken und Potentiale

Nachdem die Einflüsse von BA auf die Budgetierung eingehend betrachtet und untersucht wurden, können die Kritiken an der Budgetierung aufgenommen und den identifizierten Potentialen von BA für die Budgetierung gegenübergestellt werden. Tabelle 4 enthält die in Kapitel 2.4 erläuterten Kritiken stichpunktartig.

Tab. 4: Kritiken an der Budgetierung

Abbildung in dieser Leseprobe nicht enthalten

Der Kritik an der Budgetierung, nur auf kurzfristigen Erfolg abzuzielen und dabei die langfristige Wertsteigerung eines Unternehmens zu ignorieren, wird durch die TMA aus Kapitel 4.3.2 begegnet. Unter Einbeziehung der Innovationsarbeit konkurrierender Un­ternehmen in die Erstellung des Absatzbudgets werden Trends bezüglich der eigenen Pro­dukte beobachtet. Damit wird verhindert, dass Unternehmen aufhören innovativ zu sein und sich auf etablierte Produkte und Technologien auszuruhen. Somit wird eine konstante Weiterentwicklung gefördert und auf lange Sicht der Wert eines Unternehmens gestei­gert.

Mit Hilfe eines parallel laufenden BA-Prozesses, wie es der Chemiekonzern BASF ge­genwertig praktiziert, werden die einhergehenden Probleme der Partizipation von Be­reichsleitern beim Budgetierungsprozess und die hohe Ressourcenbindung teilweise ge­löst. Durch die Erstellung eines maschinellen Predictive-Analytics-Forecasts und dessen

Vergleich mit dem Business-Forecast können unnatürliche Abweichungen frühzeitig er­kannt werden. Informationsasymmetrien zwischen Unternehmens- und Bereichsleitung werden abgebaut und die Abweichungen der Forecasts müssen vor der Unternehmenslei­tung gerechtfertigt werden. Die Ressourcenbindung ist bei parallellaufenden Forecasts noch vorhanden, jedoch würde mit der Durchführung einer einheitlichen Datenstruktur, zur Nutzung des Predictive-Analytics-Forecasts, der Zeitbedarf wesentlich geringer aus­fallen.

Die Einbeziehung der Kunden in die Absatzprognose durch das Entscheidungsbaumver­fahren garantiert ein frühzeitiges Deuten von Veränderungen des Kaufverhaltens eines Kunden. Der Rückgang des getätigten Umsatzes ist einer mangelnden Kundenzufrieden­heit inhärent und kann somit durch die Nutzung von BA verhindert werden. Durch Aktu­alisierung des Entscheidungsbaums mit den Kundendaten wird das Absatzbudget flexibel und ist nicht mehr an den Zeitpunkt der Erstellung gebunden.

5 Schluss

BA hat das Potential, Unternehmen auf unterschiedlichen Ebenen zu beeinflussen. Durch den Megatrend der Digitalisierung und dem damit einhergehenden Anstieg an Daten ist es die logische Konsequenz, diese für unternehmerische Zwecke zu nutzen, weshalb sie gegenwärtig nicht umsonst als Öl des 20. Jahrhunderts bezeichnet werden.

Für die Budgetierung bedeutet eine intensivere Nutzung von Daten durch BA keinen ra­dikalen Umbruch, sondern vielmehr eine Entwicklung. Diese betrifft nicht nur die Budge­tierung selbst sondern auch die am Budgetierungsprozess beteiligten Personen. Entschei­dungen werden zunehmend datengetrieben getroffen und das Berufsbild des Controllers entwickelt einen stärkeren Fokus auf analytische Kompetenzen sowie ein tieferes Know­how bezüglich der Nutzung von IT. Der Einfluss von BA auf das Absatzbudget spiegelt sich in dessen Entwicklung zu einem Budget wider, welches konsequenter am Markt ori­entiert ist und kundenspezifische Veränderungen frühzeitig berücksichtigt.

BA wird in der Zukunft die Mitarbeiter eines Unternehmens stärker miteinander vernet­zen. Mit Hilfe von Smartphones, Tablets und Wearables werden Produktionsleiter den Maschinenpark überwachen und Ausfälle vorausschauend verhindern. Controller nutzen die Mobilgeräte, um Veränderungen zu beobachten und Entscheidungen, ohne Zeitver­zögerung, zu treffen.

Abschließend lässt sich sagen, dass BA, für die betrachteten Bereiche der Budgetierung, eine große Bereicherung sein kann. Aus diesem Grund sind Unternehmen gut darin bera­ten sich eingehend mit diesem Thema und den Chancen, die es für die Budgetierung bie­tet, zu beschäftigen. Die Unternehmensleitung muss die digitale Transformation vorle­ben, den Mitarbeitern die Angst nehmen und ihnen verdeutlichen, was die Nutzung von BA im Zeitalter der Digitalisierung bedeutet - eine Evolution, keine Revolution.

Literaturverzeichnis

ALBERS, S./KLAPPER, D./KONRADT, U./WALTER, A./WOLF, J. (2009): Methodik der empirischen Forschung, 3. Aufl., Wiesbaden 2009.

BACKHAUS, K./ERICHSON, B./PLINKE, W./WEIBER, R. (2016): Multivariate Ana­lysemethoden - Eine anwendungsorientierte Einführung, 14. Aufl., Berlin und Hei­delberg 2016.

BRY, F./KRAUS, M./OLTEANU, D./SCHAFFERT, S. (2001): Semistrukturierte Daten, in: Informatik-Spektrum, 24 Jg., Heft 4, S. 230-233.

COENENBERG, A. G./FISCHER, T. M./GÜNTHER, T. (2016): Kostenrechnung und Kostenanalyse, 9. Aufl., Stuttgart 2016.

DAMBROWSKI, J. (1986): Budgetierungssysteme in der deutschen Unternehmenspra­xis, Darmstadt 1986.

DILLERUP, R./STOI, R. (2016): Unternehmensführung - Management & Leadership, 5. Aufl., München 2016.

DINSMORE, T. W. (2016): Disruptive Analytics - Charting your Strategy for Next-Ge­neration Business Analytics, New York 2016.

ERTEL, W. (2016): Grundkurs Künstliche Intelligenz - Eine problemorientierte Einfüh­rung, 4. Aufl., Wiesbaden 2016.

EWERT, R./WAGENHOFER, A. (2014): Interne Unternehmensrechnung, 8. Aufl., Ber­lin und Heidelberg 2014.

FISCHER, T. M./MÖLLER, K./SCHULTZE, W. (2015): Controlling - Grundlagen, In­strumente und Entwicklungsperspektiven, 2. Aufl., Stuttgart 2015.

FRIEDL, B. (2013): Controlling, 2. Aufl., Konstanz und München 2013.

FRIEDL, G./HOFMANN, G./PEDELL, B. (2013): Kostenrechnung - Eine entschei­dungsorientierte Einführung, 2. Aufl., München 2013.

FRIEDAG, J. (2017): Wie wachsen Controlling und Business Analytics zusammen?, in: Controlling, 29 Jg., Sonderausgabe, S. 80-82.

GIMPEL, H./RÖGLINGER, M. (2017): Disruptive Technologien - Blockchain, Deep Learning & Co., in: Wirtschaftsinformatik & Management, 9. Jg., Heft 5, S. 8-15.

GLUCHOWSKI, P. (2016): Business Analytics - Grundlagen, Methoden und Einsatzpo­tenziale, in: HMD Praxis der Wirtschaftsinformatik 2016, 53. Jg., Heft 3, S. 273­286.

GLUCHOWSKI, P./CHAMONI, P. (2016): Analytische Informationssysteme - Business Intelligence-Technologien und -Anwendungen, 5. Aufl., Berlin und Heidelberg 2016.

GLUCHOWSKI, P./CHAMONI, P. (2016): Business Analytics - State of the Art, in: Controlling & Management Review 2016, 61. Jg., Heft 4, S. 8-17.

HÄDER, M. (2015): Empirische Sozialforschung - Eine Einführung, 2. Aufl., Wiesbaden 2015.

HILDEBRAND, K./GEBAUER, M./HINRICHS, H./MIELKE, M. (2015): Daten- und Informationsqualität - Auf dem Weg zur Information Excellence, 3. Aufl., Wies­baden 2015.

HOLSAPPLE, C./LEE-POST, A./PAKATH, R. (2014): A unified foundation for busi­ness analytics, in: Decision Support Systems 2014, 64. Jg., Heft 8, S. 130-141.

HOMBURG, C. (2000): Kundennähe von Industriegüterunternehmen, 3. Aufl., Wiesba­den 2000.

HORVATH, P./GLEICH, R./SEITER, M. (2015): Controlling, 13. Aufl., München 2015.

IFFERT, L. (2016): Predictive Analytics richtig einsetzen, in: Controlling & Management Review 2016, 60. Jg., Heft 1, S. 16-23.

JACOB, M. (2017): Kundenmanagement in der digitalen Welt, Wiesbaden 2017.

JENDRIAN, K./WEINMANN, C. (2010): Daten und Informationen, in: Datenschutz und Datensicherheit, 34. Jg., Heft 2, S. 108-108.

KÜPPER, H.-U./FRIEDL, G./HOFMANN, C./HOFMANN, Y./PEDELL, B. (2013): Controlling - Konzeption, Aufgaben, Instrumente, 6. Aufl., Stuttgart 2013.

MEINL, T./CEBRON, N./THOMAS, G. R./DILL, F./KÖTTER, T./OHL, P./THIEL, K./WISWEDEL, B./BERTHOLD, M. R. (2007): The Konstanz Information Miner 2.0, abrufbar unter: https://www.researchgate.net/publica- tion/30013089_The_Konstanz_Information_Miner_20, Stand 21.06.2018. NESLIN, S. A./GUPTE, S./KAMAKURA, W./LU, J./MASON, C. H. (2006): Defection detection - Measuring and understanding the predictive accuracy of customer churn models, in: Journal of Marketing Research, 43. Jg., Heft 2, S. 204-211.

O.V. (2016): PwC's Data and Analytics Survey 2016: Big Decisions, PwC, 2016, abruf­bar unter: https://www.pwc.de/de/business-analytics/big-data-algorithmen-halten- einzug-in-die-chefetage.html, Stand 29.06.2018.

PFLÄGING, N. (2003): Beyond Budgeting, better Budgeting - ohne feste Budgets ziel­orientiert führen und erfolgreich steuern, Freiburg und München 2013.

PRELL-LEOPOLDSEDER, S. (2011): Einführung in die Budgetierung und integrierte Planungsrechnung, Wien 2011.

REINSEL, D./GANTZ, J./RYDNING, J. (2017): Data Age 2025 - The Evolution of Data to Life-Critical, Seagate, 2017, abrufbar unter: https://www.seagate.com/www- content/our-story/trends/files/Seagate-WP-DataAge2025-March-2017.pdf, Stand 29.06.2018.

RICKARDS, R. C. (2009): Budgetplanung kompakt, München 2009.

RIEG, R. (2015): Planung und Budgetierung - Was wirklich funktioniert, 2 Aufl., Wies­baden 2015.

ROHRBACH, B. (1969): Kreativ nach Regeln - Methode 635, eine neue Technik zum Lösen von Problemen, in: Absatzwirtschaft 1969, 12 Jg., Heft 19, S. 73-76.

RUNKLER, T. A. (2015): Data Mining - Modelle und Algorithmen intelligenter Daten­analyse, 2. Aufl., Wiesbaden 2015.

SCHÄFFER, U. (2017): „Man muss die Maschine einfach mal machen lassen“, in: Con­trolling & Management Review 2017, Jg. 61, Heft 9, S. 24-31.

SCHÄFFER, U./WEBER, J. (2016): Die Digitalisierung wird das Controlling radikal ver­ändern, in: Controlling & Management Review, Jg. 60. Heft 6, S. 6-17.

SCHÄFFER, U./WEBER, J. (2017): Die Zukunftsthemen des Controllings - Ergebnisse der dritten WHU-Zukunftsstudie, WHU, 2017, abrufbar unter : https://www.whu.edu/presse/news-archiv/aktuelles-einzelansicht/ar- chive/2017/september/article/nachholbedarf-bei-digitalisierungsstrategien/, Stand 29.06.2017.

SCHOENEBERT, K. P./PEIN, J. (2014): Komplexitätsmanagement in Unternehmen - Herausforderungen im Umgang mit Dynamik, Unsicherheit und Komplexität meis­tern, Wiesbaden 2014.

SEITER, M. (2017): Business Analytics - Effektive Nutzung fortschrittlicher Algorith­men in der Unternehmenssteuerung, München 2017.

SEITER, M. (2017): Was Controller über Business Analytics wissen müssen, in: Con­trolling, 29 Jg., Sonderausgabe, S. 60-63.

SINZING, W./SHARMA, K. R. (2011): In-Memory-Technologie - Verbesserungen bei Planung, Simulation und Entscheidungsunterstützung, in: Wirtschaftsinformatik und Management, 3 Jg., Heft 2, S. 18-23.

THIEL, K./BERTHOLD, M. (2012): The KNIME Text Processing Feature - An Intro­duction, abrufbar unter: https://files.knime.com/sites/default/files/inline- images/knime_text_processing_introduction_technical_report_120515.pdf, Stand 23.06.2018.

VAN HELDEN, A./BUCK-EMDEN, R./ALDA, S. (2018): Präskriptive Entscheidungs­unterstützung für wissensintensive Geschäftsprozesse, in HMD Praxis der Wirt­schaftsinformatik, 55 Jg., Heft 1, S. 197-222.

WEITERT, C. (2014): Wettbewerbsimplikationen technologischen Wandels - Eine si­mulationsbasierte Untersuchung der Anpassungsfähigkeit von Unternehmen, Wies­baden 2014.

WENTZ, R.-C. (2008): Die Innovationsmaschine - Wie die weltbesten Unternehmen In­novationen managen, Berlin und Heidelberg 2008.

WILLIAMS, G. (2017): Data Mining with Rattle and R - The Art of Excavating Data for Knowledge Discovery, New York Dordrecht Heidelberg and London 2011.