Big Data Analytics und Vertriebscontrolling. Neue Erkenntnisse für den Vertrieb

Inhaltsverzeichnis

Abstract

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung und Vorgehensweise

2 Vertrieb und Vertriebscontrolling
2.1 Vertrieb – Schnittstelle zum Kunden
2.2 Vertriebscontrolling – Synthese aus Vertrieb und Controlling

3 Big Data und Big Data Analytics im Unternehmenskontext
3.1 Big Data – Buzzword im Zusammenhang mit der Digitalisierung
3.2 Big Data Analytics – Neue Möglichkeiten der Datenverarbeitung

4 Einsatz von Big Data Analytics im Vertriebscontrolling
4.1 Anwendungsmöglichkeiten von Big Data Analytics
4.2 Auswirkungen von Big Data Analytics auf die Vertriebsprozesse

5 Arbeit und Anforderungsprofil des Controllers im Wandel
5.1 Rollenverständnis des Vertriebscontrollers
5.2 Neue Aufgaben und daraus resultierende Kompetenzanforderungen

6 Identifizierung zukünftiger Forschungsschwerpunkte
6.1 Instrumentelle Perspektive – Vertriebskontrolle und Reporting
6.2 Erfolgswirkung von Big Data Analytics und die Rolle des Controllers

7 Schlussbetrachtung

Literaturverzeichnis

Abstract

Die vorliegende Masterarbeit beschäftigt sich mit Big Data Analytics und deren Anwendung im Vertriebscontrolling. Dabei handelt es sich um Verfahren, die in der Lage sind, große Datenbestände heterogener Struktur mit einer hohen Geschwindigkeit zu verarbeiten. Diesen wird insbesondere für das Controlling ein hohes Potenzial zugesprochen, welches sich in Teilen auch schon in der Praxis bestätigt hat. Obwohl dass das Vertriebscontrolling als eines der prädestinierten Anwendungsfelder angesehen wird, finden sich nur wenige wissenschaftliche Beiträge dazu. Vor allem Ausführungen zu möglichen Folgeerscheinungen, die ein Einsatz von Big Data Analytics für den Bereich des Vertriebscontrollings mit sich bringen kann, lassen sich kaum finden oder bleiben eher oberflächlich.

Aus diesem Grund verfolgt die Arbeit das Ziel aufzuzeigen, welche konkreten Auswirkungen der Einsatz von Big Data Analytics für Vertrieb und zugehöriges Controlling hat. Somit soll zu einem besseren Verständnis für dieses noch relativ junge und nicht tiefergehend erforschte Themengebiet geschaffen werden. Dabei soll insbesondere auch geklärt werden, inwiefern sich die Aufgaben und damit auch die benötigten Kompetenzen für den Vertriebscontroller wandeln. Ebenso wird die Frage nach den Auswirkungen auf den Vertrieb und das dazugehörige Kundenbeziehungsmanagement beantwortet. Da im Rahmen der Arbeit nicht alle Aspekte ausführlich diskutiert werden können, sollen Forschungslücken für ein zukünftig verständlicheres Bild identifiziert werden. Auf diese Weise sollen Handlungsoptionen für weitere Forschungsvorhaben aufgezeigt werden.

Im Rahmen der Arbeit zeigt sich, dass das Controlling dem Vertrieb Informationen mit gesteigerter Qualität und Granularität, etwa in Form von Kundensegmentierungen, zur Verfügung stellen kann. Mit Verwendung dieser Ergebnisse profitiert der Vertrieb durch ein verbessertes Kundenbindungs- und Kundenrückgewinnungsmanagement. Zudem wird der Vertriebscontroller verstärkt dazu gefordert und befähigt, die Rolle des Business Partners zu übernehmen. In der Folge muss dieser seine Kompetenzen in unterschiedlicher Hinsicht erweitern. Als zukünftige Forschungsfelder im Vertriebscontrolling verbunden mit Big Data Analytics können die Anwendung im Bereich der Vertriebskontrolle und das Reporting-Design ermittelt werden. Ebenso stellen die Ermittlung der Erfolgswirkung und die Entwicklung der Controller-Rolle über den Business Partner hinaus relevante Forschungsbereiche dar. Somit bietet dieses Themengebiet noch viel Raum für weitere Untersuchungen, um ein vollumfängliches Bild der Auswirkungen von Big Data Analytics auf den Bereich des Vertriebscontrollings zu erlangen.

Abbildungsverzeichnis

Abbildung 1: Big Data Datenquellen

Abbildung 2: Technologische Integration von Big Data Analytics

Abbildung 3: Eigenschaften von Big Data und Big Data-Analysen

Abbildung 4: Analysespektrum von Business Intelligence und Big Data Analytics

Abbildung 5: Traditioneller Forecast versus Predictive Forecast

Abbildung 6: Werttreiber des Kundenumsatzes

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Problemstellung

Das Umfeld, in dem Unternehmen heutzutage operieren, wird zunehmend vielschichtiger und komplexer. Dies gilt insbesondere auch für die kundennahen Bereiche Marketing und Vertrieb. Dabei macht sich die gestiegene Komplexität etwa bei der mittlerweile breiten Palette an unterschiedlichen Absatzwegen und der gestiegenen Menge an kundenbezogenen Daten, die mit einer hohen Geschwindigkeit übertragen werden, bemerkbar.^[1] Der Vertrieb galt in diesem Kontext bis dato als einer der Unternehmensbereiche, in dem große Datenmengen generiert und gespeichert, jedoch nur in vergleichsweise geringem Umfang ausgewertet und damit nutzbar gemacht wurden.^[2] In Zeiten von Big Data, welches neben Themen wie „mobile Geräte“, „Cloud Computing“ und „Internet der Dinge“ zu den aktuell viel diskutierten Themen der Digitalisierung zählt,^[3] rückt die Nutzung dieser Daten verstärkt in den Fokus. Dies spiegelt sich zudem auch in einem gestiegenen Anspruchsdenken in Form von optimierten Vertriebsergebnissen wieder.^[4]

Die Verarbeitung und Interpretation von Daten ist seit jeher ein Aufgabenbereich des Controllings. Somit bietet Big Data mit den dazu gehörigen Analyseverfahren eine Möglichkeit, dem Controlling einen Mehrwert bei der Entscheidungsunterstützung des Managements zu liefern.^[5] Der Blick in die Unternehmenspraxis zeigt jedoch, dass der Nutzungsgrad von Big Data Analytics im Controlling in weiten Teilen als gering einzustufen ist.^[6] Auf der anderen Seite befinden sich Unternehmen, welche die neuen Auswertungsmöglichkeiten bereits nutzen, zumeist noch in der frühen Phase der Anwendung.^[7] Ein ähnliches Bild liefert die wissenschaftlich-theoretische Auseinandersetzung mit Big Data. So hat die Forschung, insbesondere in angesehenen wissenschaftlichen Fachzeitschriften, bislang eine verhältnismäßig geringe Anzahl an Beiträgen hervorgebracht, die sich aus der Sicht des bereichsspezifischen Controllings intensiv mit dem Thema beschäftigen.^[8]

Die vorhandenen Beiträge sehen jedoch Chancen der Weiterentwicklung für das Controlling.^[9] Obwohl auch insbesondere dem Vertriebscontrolling Potenziale bei der Anwendung von Big Data Analytics zugesprochen werden,^[10] kratzt die Betrachtung in diesem Bereich teilweise nur an der Oberfläche. Die Beiträge in der wissenschaftlichen Literatur beziehen sich verstärkt auf das Controlling als solches und betrachten weniger einzelne Funktionsbereiche wie das Vertriebscontrolling. Ist dies doch der Fall, so geschieht dies meist überblicksartig oder nur zu ausgewählten Einzelaspekten, sodass sich ein wenig konkretes Bild über die Auswirkungen von Big Data Analytics im Vertriebscontrolling und damit auch auf den gesamten Vertriebsbereich ergibt.

1.2 Zielsetzung und Vorgehensweise

Ausgehend von der im vorangegangenen Unterkapitel dargelegten Ausgangsituation soll das Zusammenspiel von Big Data Analytics und Vertriebscontrolling im Rahmen dieser Arbeit näher beleuchtet werden. Ziel dieser Arbeit ist es aufzuzeigen, welche konkreten Auswirkungen der Einsatz von Big Data Analytics für Vertrieb und Vertriebscontrolling haben kann. Dabei soll mit Hilfe einer Betrachtung ausgewählter Instrumente des Vertriebscontrollings dargelegt werden, welche Effekte die neuen Analyseverfahren auf das vertriebsspezifische Controlling haben. Neben dem Controlling aus funktionaler und instrumenteller Sicht, richtet sich der Fokus hierbei insbesondere auch auf die Arbeit des Vertriebscontrollers. Fragen nach den Auswirkungen für den Bereich des Vertriebscontrollings sollen geklärt werden, vor allem inwiefern der Vertriebsbereich durch die neuen Erkenntnisse profitiert und wie sich diese für den vom Vertrieb verfolgten Customer Relationship Management-Ansatz (CRM-Ansatz) nutzen lassen.

In Ergänzung dazu zielt die Arbeit darauf ab, die verwendete wissenschaftliche Literatur auf konkrete Forschungslücken im Bereich des Vertriebscontrollings im Zusammenhang mit Big Data Analytics zu untersuchen. Relevante Bereiche, in denen sich teilweise oder gar vollständig ungeklärte Fragen auftun, sollen identifiziert und benannt werden. Weiterhin können auch Aspekte dazuzählen, bei denen in naher Zukunft Entwicklungen erwartet werden, bei denen eine genauere Betrachtung im Hinblick auf Veränderungen durch die Nutzung von Big Data Analytics lohnenswert erscheint. Soweit möglich werden in diesem Schritt zusätzlich Handlungsempfehlungen für die zukünftige Forschung abgeleitet. Somit verfolgt die Arbeit den Anspruch, ein klareres Verständnis für die Auswirkungen von Big Data Analytics im Bereich des Vertriebs sowie des dazugehörigen Controllings zu schaffen und somit das eingangs beschriebene Defizit zu reduzieren.

Um die zuvor gesteckten Ziele zu erreichen und deren Zustandekommen nachvollziehbar darzustellen, gliedert sich die Arbeit wie folgt: im nächsten Kapitel wird die aus betriebswirtschaftlicher Sicht gesehene Grundlage für die späteren Überlegungen und Ausführungen gelegt. Dabei wird besonders auf die Herausforderungen des Vertriebs eingegangen. Darüber hinaus werden die Aufgaben und Ziele des Vertriebscontrollings dargestellt. Im dritten Kapitel schließt sich daran der Teil an, welcher ein Verständnis für Big Data und die damit verbundenen Teilbereiche schaffen soll. Nachdem zunächst darauf eingegangen wird, was sich hinter dem Begriff Big Data verbirgt, werden im Anschluss daran die dazugehörigen Analyseverfahren vorgestellt. Zusätzlich werden wesentliche Unterschiede zu Business Intelligence-Anwendungen (BI-Anwendungen) sowie allgemeine betriebliche Einsatzpotenziale erläutert, wodurch dann eine Überleitung zum Hauptteil der Arbeit stattfindet.

Im ersten Unterpunkt des vierten Kapitels werden fünf wesentliche Anwendungsfelder von Big Data Analytics im Vertriebscontrolling im Detail vorgestellt. Aufbauend auf diesen möglichen Optionen für die Nutzung der Analyseverfahren, werden im nächsten Schritt die Auswirkungen auf das vertriebliche Controlling aufgezeigt. Dabei wird unter anderem herausgearbeitet, inwiefern und in welchen vorrangigen Bereichen sich Effektivitäts- und Effizienzgewinne realisieren lassen. Ebenso findet eine Betrachtung der Effekte durch die Verwendung der Analyseergebnisse auf den Vertrieb statt. Dies erfolgt unter Berücksichtigung der im zweiten Kapitel thematisierten vertrieblichen Herausforderungen. Somit kann gezeigt werden, in welcher Form der Vertrieb diesen mit Hilfe eines verbesserten Customer Relationship Managements begegnen kann.

Das fünfte Kapitel knüpft an die Betrachtung der Auswirkungen auf das Vertriebscontrolling an und konzentriert sich insbesondere auf die Arbeit und Rolle des Controllers. Es wird sowohl die Zusammenarbeit mit dem Data Scientist als auch die mit Mitarbeitern der Vertriebsabteilung in Person des Vertriebsmanagements betrachtet. Dabei werden die mit dem Einsatz von Big Data Analytics neuen Aufgaben und damit verbundenen Herausforderungen sowie dafür möglicherweise notwendige Entwicklungen der Kompetenzen herausgearbeitet. Bezugnehmend auf die Ausführungen der vorangegangenen Kapitel werden im sechsten Kapitel Forschungslücken und mögliche interessante Schwerpunkte für die Zukunft diskutiert. Die Arbeitet endet mit einer Schlussbetrachtung in der die wesentlichen Ergebnisse noch einmal zusammengefasst werden.

2 Vertrieb und Vertriebscontrolling

Das folgende Kapitel zeigt auf, mit welchen Herausforderungen der Vertrieb beim Erreichen seiner Ziele und der Umsetzung der dafür nötigen Maßnahmen in einer digitalisierten Unternehmenswelt konfrontiert ist. Darüber hinaus wird dargelegt, in welcher Form und mit welchen Mitteln das dazugehörige Controlling dem Vertrieb zur Seite steht und beim Erreichen seiner Ziele unterstützt.

2.1 Vertrieb – Schnittstelle zum Kunden

2.1.1 Ziele und Aufgaben des Vertriebs

Der Vertrieb ist dafür verantwortlich die Produkte und Dienstleistungen eines Unternehmens am Markt abzusetzen und somit die betriebliche Leistungserstellung zu monetarisieren. Damit gilt der Vertrieb in vielen Unternehmen als strategischer Erfolgsfaktor.^[11] Aufgrund des direkten Kontakts zum Endkunden wird der Vertrieb mitunter auch als primäre Schnittstelle oder Brücke des Unternehmens zum Kunden bzw. zum Markt bezeichnet.^[12] Dabei wird aus der funktionellen Sichtweise der Vertrieb als die Gesamtheit der vertriebspolitischen Maßnahmen verstanden. Es handelt sich um Maßnahmen, welche darauf abzielen Verkaufsabschlüsse bei Bestandskunden oder potentiellen Kunden zu generieren. Andererseits stellt der Vertrieb aus einer institutionellen Sichtweise eine organisatorische Einheit im Unternehmen dar, deren Zusammensetzung aus den Mitarbeitern der Verkaufsabteilung besteht.^[13]

Aus der Verantwortung des Vertriebs, die von der Unternehmensführung gesteckten Absatz- und Umsatzziele zu erreichen, ergibt sich die Grundfunktion des Vertriebs, welche der Verkauf von Produkten und Dienstleistungen ist.^[14] Betrachtet man den Leistungsaustausch zwischen Unternehmen und Kunden als einzigen Aufgabenbereich, ist dies jedoch zu kurz gegriffen. Der Aufgabenbereich des modernen Vertriebs erstreckt sich zusätzlich zum Verkauf über weitere vor- und nachgelagerte Prozesse. Dies sind im Vorfeld insbesondere die Suche und Auswahl von geeigneten Kunden, die Kontaktaufnahme sowie die Angebotserstellung. Anschließend an den Kaufabschluss obliegt es dem Vertrieb, darüber hinaus geeignete, auf den Kunden zugeschnittene Nachbetreuungs- und Weiterentwicklungs-Maßnahmen durchzuführen. Bei diesen Aufgaben wird der Vertrieb auch durch die Arbeit des Marketings unterstützt.^[15]

Die Nähe zum Kunden ist einer der Gründe für die hohe Bedeutung und Aufmerksamkeit, die dem Vertrieb beigemessen wird. Empirische Studien haben ergeben, dass die Kaufentscheidung eines Kunden mitunter oft zu einem Großteil von der Kommunikation und Interaktion mit dem Vertrieb abhängt.^[16] Ein weiterer Einflussfaktor für die Bedeutung des Vertriebs ist, dass er ein großes Leistungssteigerungspotenzial besitzt und in der Lage ist, signifikante Wettbewerbsvorteile zu generieren.^[17]

2.1.2 Entwicklungen und Herausforderungen im Vertrieb

Wie auch in vielen anderen Unternehmensbereichen haben sich in den vergangenen Jahren auch im Vertrieb und dessen Umfeld einige Veränderungen aufgetan, welche die Arbeit und Schwerpunktsetzung nachhaltig verändert haben. Um dies zu verstehen, lohnt es sich einen Blick auf die Entwicklung des Vertriebs zu werfen.

Vor noch nicht allzu langer Zeit sahen die Märkte noch anders aus als wir sie heute kennen. Eine relativ gesehen geringe Anzahl an Unternehmen steht einer großen Anzahl an Kunden gegenüber. Die Unternehmen können im sogenannten Verkäufermarkt aufgrund ihrer besseren Position gegenüber der Kundschaft die Produkte und Dienstleistungen sowie deren Preise vorgeben.^[18] Während dieser Zeit agiert der Vertrieb mit alleinigem Fokus auf den Verkauf. Diese Evolutionsstufe des Vertriebs, die primär durch Umsatz- und Kurzfristdenken geprägt ist, wird auch als Rattenjagd-Vertrieb (Hard Selling) bezeichnet.^[19] Doch diese aus Sicht der Unternehmen attraktive Marktsituation ändert sich zunehmend. Mehr und mehr Unternehmen drängen auf den Markt, was spürbare Auswirkungen hat. Der Kunde kann nicht nur zwischen einer größeren Anzahl an Anbietern wählen, sondern findet nun auch eine größere Produktvielfalt vor, was sich in einer steigenden Marktmacht der Kundschaft widerspiegelt. Der Verkäufermarkt wandelt sich in Richtung eines Endkundenmarktes.^[20] Im Laufe dieser Umbrüche entwickelt sich der methodengestützte Vertrieb, der dahingehend weiterentwickelt ist, dass er den Kunden und seine Bedürfnisse mehr in den Mittelpunkt der Vertriebsaktivitäten rückt.^[21] In Ergänzung dazu kommen erste Vertriebssteuerungssysteme zum Einsatz, welche die Arbeit im Vertrieb erleichtern sollen.^[22]

Insbesondere im neuen Jahrtausend nehmen diese Prozesse durch die fortschreitende Digitalisierung sowie die Internationalisierung der Märkte weiter zu und halten bis heute an. Auf der Marktseite muss der Vertrieb mit einer gestiegenen Marktkomplexität in Verbindung mit einer zunehmenden Erwartungshaltung der Kunden umgehen.^[23] Die Produkte werden hinsichtlich ihrer Qualität und ihres Preises immer weiter austauschbar, so dass die Unternehmen mit einer vermehrten Abwanderung von Kunden zu kämpfen haben.^[24] Zudem werden seitens der Unternehmensführung unterschiedliche Forderungen an den Vertrieb herangetragen. Einerseits sind dies Forderungen nach Effizienzsteigerungen. Hier sieht man in einigen Bereichen ein hohes Maß an nicht ausgeschöpften Potenzialen. Andererseits fordert die Unternehmensführung vom Vertrieb, die Kostenseite stärker in den Fokus zu nehmen, da diese im Vergleich zu anderen Unternehmensbereichen relativ hoch ist.^[25] In Zuge dessen hat sich der systemgestützte Vertrieb im Sinne eines integrierten CRM-Ansatzes unter Zuhilfenahme von modernen IT-Anwendungen entwickelt.^{[26] [27]}

2.1.3 Customer Relationship Management als zentraler Ansatz im Vertrieb

Das Customer Relationship Management bezeichnet eine unternehmensweite Philosophie, bei welcher der Kunde mit seinen Wünschen und Bedürfnissen im Fokus steht.^[28] Im Rahmen dieser Philosophie liegt das Hauptaugenmerk auf dem Kundenwert, welcher aus Unternehmenssicht maximiert werden soll.^[29] Die Basis des Customer Relationship Managements stellt der Kundenbeziehungs-Lebenszyklus dar. Man geht davon aus, dass die Kundenbeziehung in unterschiedlichen Phasen durchlaufen wird und das Customer Relationship Management somit als Prozess verstanden werden kann. Dabei werden drei wesentliche Phasen und sich daraus ergebende Management-Aufgaben unterschieden. Dies sind das Kundenakquisitionsmanagement in der Pre-Sales-Phase, das Kundenbindungsmanagement und in der After-Sales-Phase das Kundenrückgewinnungsmanagement. Der Vertrieb muss somit dafür Sorge tragen, durch geeignete Maßnahmen den Kundenbeziehungs-Lebenszyklus langfristig auszudehnen.^[30] Im Rahmen des Kundenakquisitionsmanagements soll die Voraussetzung für die Realisierung einer Geschäftsbeziehung mit dem potenziellen Kunden geschaffen werden. Dafür ist es erforderlich, geeignete Kundengruppen zu identifizieren und diese entsprechenden Segmenten zuzuordnen.^[31] Das Kundenbindungsmanagement soll hingegen sicherstellen, dass die aktuellen Kundenbeziehungen gefestigt und im besten Fall ausgebaut werden (Up-/Cross-Selling).^[32] Darüber hinaus hat das Churn Managements zum Ziel, abwanderungsgefährdete Kunden zu identifizieren und geeignete Gegenmaßnahmen einzuleiten.^[33] Für jene Kunden, die dennoch die Geschäftsbeziehungen beenden, soll im Rahmen des Kundenrückgewinnungsmanagements eine Strategie für eine Verlängerung des Kunden-Lebenszyklus zu entwickeln. Dafür werden potenzielle geeignete Kandidaten und deren Abwanderungsgründe analysiert sowie Maßnahmen zur Wiederbelebung der Beziehung entwickelt.^[34]

Um die oben beschriebenen Kundenmanagement-Aufgaben wahrnehmen zu können, bedarf es in der heutigen Zeit der informationstechnologischen Unterstützung. Eine Möglichkeit ist der Einsatz eines CRM-Systems. Dies besteht aus drei unterschiedlichen Komponenten – das operative CRM, das kooperative CRM und das analytische CRM. Das analytische CRM bildet die Basis für die beiden anderen Komponenten dadurch, dass es Ergebnisse von unterschiedlichsten Auswertungen zur Verfügung stellt.^[35] Da das analytische CRM oftmals im Vertriebscontrolling zum Einsatz kommt,^[36] wird dieser Teil des CRM-Systems in Kapitel 2.3.4 näher betrachtet. Das operative CRM setzt auf einer operativen Kundendatenbank auf und ist an weitere betriebliche Informationssysteme angebunden. Es schließt insbesondere Marketing, Vertrieb und Service mit ein, also jene Bereiche, die im direkten Kundenkontakt stehen.^[37] Dadurch bietet es die Möglichkeit, die Mitarbeiter bei Aufgaben wie beispielsweise der Termin- und Routenplanung oder der Erstellung von kundenspezifischen Angeboten zu unterstützen und somit Qualitäts- und Effizienzsteigerungen bei Vertriebstätigkeiten zu erzielen.^[38] Das kooperative CRM hingegen unterstützt den Vertrieb, indem es Anwendungen zur Koordination und Integration der Vertriebskanäle bereitstellt. Damit verbessert es das Zusammenspiel zwischen Vertrieb und Vertriebspartnern.^[39]

Die einzelnen Komponenten der CRM-Systeme zeichnen sich durch eine Kombination von quantitativen und qualitativen Daten aus.^[40] Zudem sind CRM-Systeme in der Lage, unterschiedliche Anwendungen aus allen kundennahen Bereichen zu vereinen und somit einen umfassenden Blick auf den Kunden zu ermöglichen.^[41] Insgesamt bietet das CRM-System die Möglichkeit, die anwachsenden Datenmengen auf Basis von BI-Anwendungen beherrschbar und nutzbar zu machen, um somit die Erhöhung des Kundenwertes und der Kundenbindung zu erreichen.^[42]

2.2 Vertriebscontrolling – Synthese aus Vertrieb und Controlling

2.2.1 Funktionale Perspektive

Neben anderen Formen des funktionsspezifischen Controllings, wie dem Produktionscontrolling oder dem Personalcontrolling, gibt es auch ein dem Vertriebsbereich zugeordnetes Controlling, das Vertriebscontrolling.^[43] Das Vertriebscontrolling kann dabei als Teilbereich des Marketingcontrollings inmitten des Unternehmenscontrollings angesehen werden.^[44] Bedingt durch die organisatorische Abgrenzung von Marketing und Vertrieb findet man in der Praxis häufig separate Verantwortlichkeiten für das Vertriebscontrolling vor.^[45] Ohne eine inhaltliche Nähe zum Marketingcontrolling auszuklammern, kann das Vertriebscontrolling folglich als eigenständige Funktion betrachtet werden.^[46]

In den letzten Jahren gewinnt das Vertriebscontrolling für den Vertrieb verstärkt an Bedeutung. Es hilft dabei, mit den in den vorherigen Abschnitten beschriebenen komplexen Herausforderungen im Vertriebsumfeld umzugehen.^[47] Darüber hinaus bietet es die Möglichkeit, die teilweise immer noch präsente Umsatzorientierung sowie die verbesserungswürdige Erfassung und Analyse von Vertriebsdaten zu adressieren.^[48] Dabei zielt das Vertriebscontrolling insbesondere darauf ab, die vertrieblichen Prozesse prognostizierbar zu machen, die Vertriebskosten zu minimieren sowie Effizienzsteigerungen zu realisieren.^[49]

Aus diesen Zielsetzungen lassen sich unterschiedliche Aufgaben für das Vertriebscontrolling ableiten. Dies sind Informationsversorgungs-, Vertriebsplanungs-, Vertriebskontroll- und Beratungsaufgaben.^[50] Im Rahmen der Informationsversorgung wird das Vertriebscontrolling in zweierlei Hinsicht aktiv. Auf der einen Seite werden den Mitarbeitern im Außendienst Informationen im Hinblick auf den Verkaufsprozess zur Verfügung gestellt. Auf der anderen Seite erhält das Vertriebsmanagement eine entscheidungsrelevante Informationsgrundlage für die kundenorientierte Vertriebssteuerung.^[51] Dabei sollen die Informationen derart verdichtet werden, dass Unter- und Oberziele aufeinander abgestimmt werden können.^[52] Für die Aufstellung und Koordinierung der Vertriebsziele ist im Voraus zunächst eine entsprechende Planung notwendig. Hier liefert das Vertriebscontrolling durch unterstützende und koordinierende Tätigkeiten einen Mehrwert für das Vertriebsmanagement.^[53] Der Fokus liegt dabei auf Umsatz- und Absatzplanungen, welche die Basis für weitere Entscheidungen, auch in anderen Unternehmensbereichen, darstellen. Jedoch hat eine Planung der Vertriebsziele und –maßnahmen nur einen begrenzten Mehrwert, wenn diese nicht einer regelmäßigen Kontrolle unterzogen werden.^[54] Aus diesem Grund gehören auch kontrollierende Tätigkeiten zum Aufgabenbereich des Vertriebscontrollings. Die Aufdeckung und Analyse von Abweichungen zwischen Plan- und Ist-Zustand lässt gegebenenfalls Rückschlüsse auf deren Ursachen zu und ermöglicht somit, entsprechende Gegensteuerungsmaßnahmen zu definieren.^[55] Im Rahmen der Beratungsfunktion kann das Vertriebscontrolling dann, auf Basis der in den vorherig beschriebenen Aufgaben gewonnen Erkenntnisse, das Vertriebsmanagement bei der Entscheidungsfindung unterstützen.^[56]

Neben den zuvor beschriebenen Aufgabenbereichen unterscheidet man zudem die Ausrichtung des Vertriebscontrollings, welche operativer oder strategischer Natur sein kann. Der Fokus des operativen Vertriebscontrollings liegt in der Optimierung der kurz- bis mittelfristigen Vertriebseffizienz. Dabei spielt primär die Betrachtung von vergangenheitsbasierten, quantitativen Größen eine Rolle, mit deren Hilfe die Steuerung und Koordination der gegenwärtigen Vertriebsmaßnahmen verbessert werden soll.^[57] Das strategische Vertriebscontrolling zielt hingegen darauf ab, einen langfristigen Erfolg der Vertriebsaktivitäten sicherzustellen. Um dies zu erreichen, sollen mögliche Risiken im Vertriebsumfeld entdeckt und minimiert, sowie zukünftige Erfolgspotenziale identifiziert und nutzbar gemacht werden.^[58] Im Vergleich zum operativen Vertriebscontrolling spielen in diesem Zusammenhang auch vermehrt externe, qualitative Informationen eine Rolle.^[59]

2.2.2 Instrumentelle Perspektive

Um die zuvor beschriebenen Aufgaben wahrnehmen zu können, bedient sich das Vertriebscontrolling einer Reihe von unterschiedlichen Controlling-Instrumenten. Im klassischen Vertriebscontrolling werden schwerpunktmäßig Wirtschaftlichkeitsuntersuchungen angewandt.^[60] Es geht um die Identifizierung und Kontrolle der Kosten- und Erfolgsbeiträge einzelner Vertriebsaktivitäten und –objekte. Die Auswertungen erfolgen in Form von Deckungsbeitragsrechnungen und Abweichungsanalysen.^[61] Meistens haben diese einen operativen Charakter, zielen also auf die Analyse der gegenwärtigen Situation ab.^[62] Ungeachtet einer kurz- oder langfristigen Ausrichtung ist es möglich unterschiedliche Ebenen auszuwerten. Denkbar sind beispielsweise die Betrachtung der Kunden-, Produkt-, oder Vertriebsebene. Die Ergebnisse können dann im Anschluss durch das Vertriebsmanagement bei der Allokation der Vertriebsressourcen genutzt werden. So ist es dadurch unteranderem möglich, die Vertriebsmaßnahmen effizienter zu gestalten.^[63] In diesem Sinne werden auch die Ergebnisse des Sales Forecasts verwendet, welcher zu den Instrumenten des Vertriebscontrollings gezählt wird. Auch hier sollen mittels Abweichungsanalysen jene Entwicklungen identifiziert werden, welche die prognostizierten Umsatzziele gefährden.^[64]

Ein Faktor für die Erreichung dieser Umsatzziele sind die Außendienstmitarbeitersteuerung und das Außendienstberichtswesen. Ziel der Außendienstmitarbeitersteuerung ist es, durch ein Provisions- und Entlohnungssystem geeignete Anreize für die Umsatzgenerierung durch die Mitarbeiter zu setzen. Damit dies gelingt, werden diese durch entsprechende kundenrelevante Informationen im Rahmen des Außendienstberichtswesens versorgt. Dies soll gewährleisten, dass ein auf den Kunden zugeschnittener Verkaufsprozess realisiert wird.^[65] Bei den zur Verfügung gestellten Informationen kann es sich um eine Reihe von Erkenntnissen aus unterschiedlichen Kundenanalysen handeln. Die Kundensegmentierung teilt Kunden gemäß zuvor definierter Merkmale in Gruppen ein. Solche Merkmale können das Zahlungsverhalten oder das Kundenpotenzial sein.^[66] Das Kundenpotenzial ergibt sich wiederum aus einer Kundenpotenzialanalyse, anhand derer einer Gegenüberstellung von aktuellem und prognostiziertem zukünftigem Verkaufserfolg erfolgt.^[67] Darüber hinaus werden auch Kundenzufriedenheits-, Kundenabwanderungs- und Kundenwertanalysen sowie Kaufwahrscheinlichkeitsprognosen angewandt, um Vertriebsressourcen einteilen und Vertriebspotenziale bestmöglich nutzen zu können.^[68]

Für die übersichtliche Darstellung und die Verdeutlichung von Zielbeziehungen werden Ergebnisse der zuvor beschriebenen Analysen in Form von Kennzahlen verdichtet. Dies soll für eine Transparenz der Analyseergebnisse sorgen.^[69] Da der Informationsgehalt bei der Betrachtung von einzelnen Kennzahlen limitiert ist, werden diese in einem Vertriebskennzahlensystem zusammengefasst. Die Kombination von in einer Beziehung zueinander stehenden Kennzahlen erhöht somit die Aussagekraft.^[70] Eine mögliche Form eines Kennzahlensystems im Vertrieb ist die Balanced Scorecard. Diese ist in die vier Bereiche Finanzen, Kunden, Prozesse und Mitarbeiter unterteilt.^[71] Sie verbindet die Ergebnisse der operativen Analyse mit strategischen Merkmalen und hilft dadurch, mögliche Abweichungen frühzeitig zu erkennen.^[72]

2.2.3 Institutionelle Perspektive

Die Aufgaben des Vertriebscontrollings, welche am Anfang des Kapitels skizziert wurden, können von unterschiedlichen Mitarbeitern übernommen werden. In kleinen Unternehmen ist es durchaus üblich, dass der Vertriebsmanager oder ein anderer Mitarbeiter aus der Vertriebsabteilung diese Aufgaben übernimmt.^[73] Die Ausübung der Controllingaktivitäten durch den Vertrieb ist jedoch nur solange sinnvoll, wie die Vertriebsabteilung nicht zu groß und die Aufgabenbereiche damit zu umfangreich sind. Ab diesem Punkt, wenn die internen Ressourcen für ein adäquates Controlling der Vertriebstätigkeiten nicht mehr ausreichen, ist diese Aufgabe somit an einen Vertriebscontroller zu delegieren.^[74]

In diesem Moment stellt sich die Frage nach der organisatorischen Eingliederung des Vertriebscontrollers. Dabei sind drei unterschiedliche Szenarien denkbar: Ein zentraler Vertriebscontroller, ein dezentraler Vertriebscontroller und ein externer Vertriebscontroller, wobei die letzte Variante hier nicht ausführlicher betrachtet werden soll. Für die Variante des zentralen Vertriebscontrollers, welcher im Unternehmenscontrolling angesiedelt ist, werden die Vorteile in der Objektivität gesehen, die diese Variante mit sich bringt. Man geht davon aus, dass der Vertriebscontroller durch die Distanz zum Vertrieb eine ausreichende Unabhängigkeit bewahrt und nicht in „Bereichsdenken“ verfällt. Diese Argumentation gilt umgekehrt für den dezentralen Vertriebscontroller, welcher möglichweise manchmal selbst zu sehr im operativen Geschäft involviert ist, um seine Aufgaben unvoreingenommen wahrzunehmen. Jedoch wird insbesondere die dezentrale Eingliederung des Vertriebscontrollers als erstrebenswert erachtet. Begründet wird dies mit der sich daraus ergebenden Möglichkeit, in direkter Nähe zum Tagesgeschäft ein umfassendes Wissen über vertriebliche Prozesse aufzubauen. Dadurch ist der Vertriebscontroller in der Lage, die Mitarbeiter der Vertriebsabteilung besser zu unterstützen.^[75] In der Praxis kann man hingegen in vielen Fällen den gegenteiligen Ansatz beobachten, dass der Vertriebscontroller dem Unternehmenscontrolling und nicht dem Vertrieb zugeordnet ist.^[76]

Neben der organisatorischen Eingliederung ist für die Arbeit des Vertriebscontrollers darüber hinaus interessant, mit welchem Rollenverständnis er seine Aufgaben wahrnimmt. In diesem Zusammenhang wurde in den vergangenen Jahren in der wissenschaftlichen Literatur ein Wandel der Rolle des Controllers skizziert. Angefangen über den Controller als Zahlenlieferant wurden mehrere Entwicklungsstufen bis hin zum Controller als Business Partner gezeichnet. Dieses Bild des Controllers mit einer ausgeprägten strategischen und unterstützenden Komponente hat sich mittlerweile in weiten Teilen der Literatur etabliert.^[77] Die Realität in der Praxis bestätigt dieses Bild hingegen nicht vollumfänglich. Dort ist zwar ein großer Teil der Controller der Auffassung, dass sie bereits die Rolle des Business Partners ausüben. In Wirklichkeit ist seitens der Controller jedoch weiterhin eine ausgeprägte Vergangenheitsorientierung in Verbindung mit einer begrenzten Einflussnahme auf das Vertriebsmanagement erkennbar.^[78] Darüber hinaus lässt sich noch immer beobachten, dass der Vertrieb den Vertriebscontroller als „Zahlenknecht“ im Rahmen des Informationsversorgungsprozesses ansieht, sodass dieser bisweilen gar nicht in der Lage ist, als vollwertiger Business Partner für das Vertriebsmanagement zu agieren.^[79]

So oder so ist es für den Vertriebscontroller nicht immer einfach sich zu behaupten, da der Vertrieb sich nicht selten durch diesen in seiner Arbeit eingeschränkt sieht. Dies kann in Extremfällen zu einer Abwehrhaltung sowie der Zurückhaltung von Informationen gegenüber dem Vertriebscontroller führen.^[80] Ein Grund dafür ist, dass die Arbeit und Ergebnisse des Vertriebs durch die Maßnahmen des Vertriebscontrollers transparent gemacht werden. Infolgedessen befürchten die Vertriebsmitarbeiter negative Auswirkungen auf ihre verhältnismäßig freie und unabhängige Arbeitsweise.^[81] Da der Vertriebscontroller für seine Tätigkeit auf die Unterstützung des Vertriebs angewiesen ist, gilt es dafür Sorge zu tragen, dass er als Aufgabenträger des Controllings akzeptiert wird. Dabei sind seine Fähigkeiten und Kompetenzen, die er in diese Rolle miteinbringt, von entscheidender Bedeutung.^[82] Neben grundlegendem Wissen in den Gebieten Controlling, Statistik und Finanzmathematik sollte der Vertriebscontroller auch den Umgang mit den gängigen Softwareprogrammen (SAP, SPSS, Excel etc.) beherrschen.^[83] Zusätzlich dazu sind auch Kenntnisse über die Kunden und Märkte des Unternehmens für die tägliche Arbeit notwendig.^[84] Im besten Fall komplementieren sich die primär vertriebsseitigen Kenntnisse des Vertriebsmanagers mit denen des Vertriebscontrollers, sodass die Basis für eine intensive Zusammenarbeit entsteht.^[85]

2.2.4 DV-Unterstützung im Vertriebscontrolling

Um die Aufgaben wahrnehmen und die Instrumente nutzen zu können, bedarf es einer geeigneten informationstechnologischen Unterstützung für das Vertriebscontrolling. Wie bereits im ersten Abschnitt des zweiten Kapitels erwähnt, wird hierfür häufig die analytische Komponente des CRM-Systems eingesetzt. Das analytische CRM dient dabei insbesondere zur Aggregation, Speicherung und Analyse der in den Marketing- und Vertriebsprozessen generierten Daten.^[86] Damit verfolgt die dritte Komponente des CRM-Systems das Ziel, Kundenwissen zu erlangen und dieses derart zu nutzen, dass Umsatzzuwächse und Kostensenkungen realisiert werden können.^[87]

Das Data Warehouse, in dem die Daten für die unterschiedlichen Auswertungen bereitgehalten und konsolidiert werden, bildet die Basis des analytischen CRM. Dabei sorgt eine kohärente Organisation der Datenbestände dafür, dass diese weiterverarbeitet werden können.^[88] Für die eigentliche Datenanalyse kommen klassische BI-Verfahren zum Einsatz.^[89] Dies sind insbesondere das Online Analytical Processing (OLAP) und das Data Mining.^[90] Mit Hilfe dieser Verfahren können durch den Vertriebscontroller beispielsweise Kundenanalysen in Form von Kundensegmentierungen oder Kundenwertanalysen, aber auch vertriebliche Wirtschaftlichkeitsuntersuchungen sowie Umsatzprognosen durchgeführt werden.^[91]

Mögliche Ergebnisse bei der Anwendung dieser Verfahren können Auswertungen, Berichte oder Handlungsempfehlungen sein.^[92] Um die Analyseergebnisse den Vertriebsmitarbeitern zu präsentieren, bietet das analytische CRM die Möglichkeit, sogenannte Dashboards zu erstellen. Diese ermöglichen eine übersichtliche und anwenderbezogene Präsentation der Ergebnisse. Mit unterschiedlichen Formen von grafischen Visualisierungen und Kennzahlen bieten sie eine aggregierte Sicht auf die wichtigsten Informationen.^[93] Das analytische CRM sorgt somit dafür, dass die Erkenntnisse aus den Analysen der kundennahen Prozesse im Sinne eines Closed Loops an den Front-End Bereich zurückgespielt und dort in konkrete Maßnahmen umgesetzt werden können.^[94]

3 Big Data und Big Data Analytics im Unternehmenskontext

Neben der Darstellung des Vertriebs und des dazugehörigen Controllings sollen in diesem Kapitel sowohl die charakteristischen Merkmale von Big Data als auch die neuen Technologien und damit verbundenen Analyseverfahren erläutert werden. Darüber hinaus werden Unterschiede zu in der Vergangenheit etablierten Verfahren diskutiert und schließlich betriebliche Anwendungsfelder skizziert.

3.1 Big Data – Buzzword im Zusammenhang mit der Digitalisierung

3.1.1 Zentrale Merkmale von Big Data

Big Data – ein Begriff, der in den letzten Jahren häufig verwendet wurde. Dennoch ist nicht unbedingt direkt ersichtlich, was mit Big Data gemeint ist. In der wissenschaftlichen Literatur finden sich unterschiedliche Vorstellungen darüber, welche Aspekte dieser Begriff umfasst.^[95] Für einige Autoren handelt es sich bei Big Data einzig um große Datenbestände. Allein diese Tatsache ist im IT-Bereich jedoch kein neues Phänomen.^[96] Andere wiederum beziehen zusätzlich auch die zu den Daten dazugehörigen Analysemethoden mit ein.^[97] Eine konkretere, an die unternehmerische Praxis angelehnte Definition liefert der Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. (BITKOM): „Big Data ist die […] wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfältigen und unterschiedlich strukturierten Informationen, die einem schnellen Wandel unterliegen und in bisher ungekanntem Umfang anfallen“^[98]. Andere Autoren gehen weniger ins Detail und beschreiben Big Data als einen im Unternehmensumfeld auftretenden digitalen Transformationsprozess.^[99] So wird deutlich, dass es sich bei Big Data um eine komplexe Thematik handelt, die durch das Fehlen einer einheitlichen Definition, sowohl in der wissenschaftlichen Literatur als auch in der Praxis, gekennzeichnet ist.^[100]

Für ein klares Verständnis rund um dem Begriff Big Data bedient sich die vorliegende Arbeit bei einem Beitrag von Bunte/Krohn-Grimberghe (2014). Diese unterscheiden Big Data im engeren und im weiteren Sinne. Demnach bezeichnet Big Data im engeren Sinne (im Folgenden: Big Data) die generierten Daten, sowie entsprechende informationstechnologische Entwicklungen, welche die Datenmengen verwertbar machen.^[101] Diese Daten sind mit bestimmten Dimensionen und daraus resultierenden Herausforderungen verknüpft. Meist werden drei oder vier Dimensionen, die sogenannten „V’s“ aufgeführt. Dies sind das Datenvolumen („Volume“), die Datenvielfalt („Variety“) sowie die Geschwindigkeit, mit der Daten generiert werden („Velocity“).^[102] Zusätzlich dazu wird noch die Verlässlichkeit („Veracity“), welche die Vertrauenswürdigkeit von Daten miteinschließt, zu Big Data dazugezählt. Die weiter gefasste Definition von Big Data bezeichnet hingegen jene Anwendungen, welche die Aufbereitung und Analyse der Daten (im Folgenden: Big Data Analytics) ermöglicht.^[103] Bevor im weiteren Verlauf des dritten Kapitels auf Big Data Analytics eingegangen wird, sollen im ersten Schritt die Dimensionen von Big Data sowie die Basistechnologien zur Datenauswertung beleuchtet werden.

Die Dimension „Volume“ zielt auf die in den letzten Jahren stark anwachsende Datenmenge ab. Schätzungen gehen dabei von einer Verdopplung der Datenmenge in jedem zweiten Jahr aus.^[104] Insbesondere technologische Entwicklungen im Zusammenhang mit den Themen „Industrie 4.0“, „Mobile IT“, „Cloud Computing“ und „Social Web“ sind verantwortlich für diese Entwicklung.^[105] So werden sowohl auf Seite der Unternehmen als auch auf der Seite von Privatleuten immer mehr Daten angesammelt. Diese tragen über die intensive Nutzung des Internets über mobile Endgeräte wie Smartphones und Tablets zu dem Datenwachstum bei. Dies geschieht dabei sowohl bewusst, beispielweise in Form von Textnachrichten in den sozialen Medien, als auch unbewusst durch die Aufzeichnung von Bewegungsdaten, welche im Hintergrund generiert werden.^[106] In Unternehmen hingegen fallen immer mehr Daten durch die voranschreitende Vernetzung von Maschinen und die Nutzung von IT-Anwendungen an. Die IT-Anwendungen umfassen insbesondere Enterprise Ressource Planning-Systeme (ERP-Systeme), Supply Chain Management-Systeme (SCM-Systeme) und CRM-Systeme.^[107] Das Datenwachstum setzt sich aus Unternehmensperspektive demzufolge sowohl aus internen als auch aus externen Quellen zusammen.^[108]

Diese Unterschiede in den Datenquellen führen unmittelbar zur zweiten Dimension, die mit Big Data verknüpft wird, der Datenvielfalt. Aus den unterschiedlichen Quellen (siehe Abbildung 1) entspringen keine einheitlichen Daten. Betrachtet man die Struktur von Daten, lassen sich drei Kategorien festlegen. So gibt es strukturierte, semi-strukturierte und unstrukturierte Daten.^[109] Bei strukturierten Daten handelt es sich im Unternehmenskon-

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Big Data Datenquellen^[110]

text beispielweise um Produkt- und Kundendaten aus den ERP-, CRM- oder SCM-Systemen. Diese können mit SQL verarbeitet und in relationalen Datenbanken vorgehalten werden.^[111] Semi-strukturierte Daten sind im Gegensatz zu strukturierten Daten dadurch gekennzeichnet, dass sie kein explizites Datenmodell aufweisen. Jedoch besitzen sie die Eigenschaft, dass sie implizit selbstschreibend sind. Dies ist bei unstrukturierten Daten^[112] wiederum nicht der Fall.^[113] Unstrukturierte Daten besitzen ein uneinheitliches Format, was man häufig bei Texten, Darstellungen oder Videos vorfindet. Dadurch wird die inhaltliche Analyse auf deren Informationsgehalt und Bedeutung erschwert.^[114]

[...]

---

^[1] Vgl. Willmes et al. (2015), S. 258 f.

^[2] Vgl. Pufahl (2014), S. 179.

^[3] Vgl. Cseh/Marx (2016), S. 356.

^[4] Vgl. Krämer/Tachilzik (2016), S. 81.

^[5] Vgl. Kieninger et al. (2016), S. 241.

^[6] Vgl. Egle/Keimer (2018), S. 64; Gadatsch (2016), S. 64.

^[7] Vgl. Seufert (2014), S. 35.

^[8] Vgl. Gärtner/Hiebl (2018), S. 169.

^[9] Vgl. Losbichler/Gänßlen (2018), S. 37.

^[10] Vgl. Willmes et al. (2015), S. 258.

^[11] Vgl. Dannenberg/Zupancic (2009), S. 2.

^[12] Vgl. Krügerke (2009), S. 23; Witt (1996), S. 7; Winkelmann (2012), S. 19.

^[13] Vgl. Hesse/Evanschitzky (2005), S. 72; Nieschlag et al. (2002), S. 884.

^[14] Vgl. Winkelmann (2013), S. 287; Winkelmann (2012), S. 22.

^[15] Vgl. Winkelmann (2012), S. 22 f.

^[16] Vgl. Lips/Horváth (2016), S. 507 f.

^[17] Vgl. Dannenberg/Zupancic (2009), S. 2-4.

^[18] Vgl. Pufahl (2014), S. 5.

^[19] Vgl. Winkelmann (2012), S. 199.

^[20] Vgl. Pufahl (2014), S. 5.

^[21] Vgl. Winkelmann (2012), S. 199.

^[22] Vgl. Luck (2016), S. 569.

^[23] Vgl. Weber et al. (2009), S. 12.

^[24] Vgl. Hippner/Wilde (2005), S. 465.

^[25] Vgl. Dannenberg/Zupancic (2009), S. 2; Weber et al. (2009), S. 12.

^[26] Vgl. Winkelmann (2012), S. 199.

^[27] Es finden sich mitunter auch Beiträge, die CRM als Synonym für CRM-Systeme verwenden (vgl. Hippner (2006), S. 17). Im Rahmen dieser Arbeit werden die beiden Begriffe jedoch getrennt voneinander betrachtet.

^[28] Vgl. Biesel/Hame (2018), S. 162; Winkelmann (2013), S. 323.

^[29] Vgl. Cornelsen (2000), S. 38 f.

^[30] Vgl. Hofbauer/Hellwig (2016), S. 43; Stauss (2002), S. 22-24.

^[31] Vgl. Hofbauer/Schöpfel (2010), S. 34-37.

^[32] Vgl. Bruhn (2006), S. 515.

^[33] Vgl. Stauss (2011), S. 334 f.

^[34] Vgl. Schöler (2011), S. 504-511.

^[35] Vgl. Grabner-Kräuter/Schwarz-Musch (2006), S. 185.

^[36] Vgl. Winkelmann (2012), S. 256.

^[37] Vgl. Hippner et al. (2006), S. 48.

^[38] Vgl. Bruhn (2002), S. 114; Grabner-Kräuter/Schwarz-Musch (2006), S. 185.

^[39] Vgl. Winkelmann (2013), S. 326.

^[40] Vgl. Winkelmann (2012), S. 415.

^[41] Vgl. Hippner et al. (2006), S. 47.

^[42] Vgl. Biesel/Hame (2018), S. 162; Lips/Horváth (2016), S. 504.

^[43] In der Literatur werden zum Teil auch die Begriffe Verkaufscontrolling oder Distributionscontrolling verwendet (vgl. Reinecke/Janz (2007), S. 319).

^[44] Vgl. Ehrmann (2002), S. 867; Duderstadt (2006), S. 31.

^[45] Vgl. Diller (2001), S. 1804.

^[46] Vgl. Deglow (2003), S. 49 f.

^[47] Vgl. Pufahl (2003), S. 339.

^[48] Vgl. Reichmann et al. (2017), S. 488.

^[49] Vgl. Kühnapfel (2013), S. 37.

^[50] Vgl. Lips/Horváth (2016), S. 509.

^[51] Vgl. Reichmann et al. (2017), S. 489.

^[52] Vgl. Becker (2001), S. 8.

^[53] Vgl. Krügerke (2009), S. 25.

^[54] Vgl. Vollmuth (2002), S. 49-51.

^[55] Vgl. Hofbauer/Hellwig (2017), S. 339.

^[56] Vgl. Lips/Horváth (2016), S. 509.

^[57] Vgl. Duderstadt (2006), S. 34 f.

^[58] Vgl. Hofbauer/Bergmann (2013), S. 73-75.

^[59] Vgl. Becker (2001), S. 36.

^[60] Vgl. Lips/Horváth (2016), S. 509.

^[61] Vgl. Ehrmann (2002), S. 878-882.

^[62] Vgl. Kühnapfel (2017), S. 92.

^[63] Vgl. Link/Weiser (2011), S. 338 f.

^[64] Vgl. Winkelmann (2012), S. 690.

^[65] Vgl. Reichmann (2017), S. 495-498.

^[66] Vgl. Dannenberg/Zupancic (2008), S. 84-88.

^[67] Vgl. Helmke (2002), S. 119-123.

^[68] Vgl. Heberer (2004), S. 185; Deking/Meier (2000), S. 251.

^[69] Vgl. Link/Weiser (2011), S. 339.

^[70] Vgl. Palloks-Kahlen (2006), S. 288.

^[71] Vgl. Hofbauer/Hellwig (2016), S. 352.

^[72] Vgl. Becker (2001), S. 383.

^[73] Vgl. Krügerke (2009), S. 23.

^[74] Vgl. Kühnapfel (2017), S. 8.

^[75] Vgl. Pufahl (2003), S. 341.

^[76] Vgl. Kühnapfel (2013), S. 43; Duderstadt (2006), S. 198.

^[77] Vgl. Seefried et al. (2015), S. 559.

^[78] Vgl. Goretzki/Weber (2012), S. 23; Schulte/Bülchmann (2016), S. 57.

^[79] Vgl. Schulte-Oversohl (2014), S. 226.

^[80] Vgl. Winkelmann (2013), S. 120; Schögel/Arndt (2008), S. 195.

^[81] Vgl. Dannenberg (1997), S. 29.

^[82] Vgl. Hünerberg (2017), S. 346 f.

^[83] Vgl. Kühnapfel (2013), S. 39.

^[84] Vgl. Krügerke (2009), S. 23.

^[85] Vgl. Weber et al. (2009), S. 20 f.

^[86] Vgl. Duderstadt (2006), S. 56.

^[87] Vgl. Oehler/Sander (2010), S. 233.

^[88] Vgl. Brezina (2001), S. 222.

^[89] Im Vertriebs-Kontext wird teilweise auch von Sales Intelligence (SI) oder Customer Intelligence (CI) gesprochen (vgl. Winkelmann (2012), S. 658).

^[90] Vgl. Gronwald (2017), S. 47.

^[91] Vgl. Helmke (2002), S. 121-123; Brezina (2001), S. 222; Leußer et al. (2011a), S. 41 f.

^[92] Vgl. Albers/Krafft (2013), S. 334.

^[93] Vgl. Müller/Mergener (2010), S. 257-263.

^[94] Vgl. Hippner et al. (2006), S. 49.

^[95] Zusätzlich zum uneinheitlichen Verständnis zu Big Data gibt es auch Bezeichnungen wie Fast Data und Smart Data, welche auf die schnelle bzw. sinnvolle Nutzbarmachung von Daten abzielen (vgl. Gadatsch (2017a), S. 2).

^[96] Vgl. Bunte/Krohn-Grimberghe (2014), S. 372.

^[97] Vgl. Weichel/Herrmann (2016), S. 72.

^[98] BITKOM (2012), S. 7.

^[99] Vgl. Losbichler/Gänßlen (2018), S. 33.

^[100] Vgl. Gadatsch (2013), S. 24.

^[101] Vgl. Bunte/Krohn-Grimberghe (2014), S. 372 f.

^[102] Vgl. Russom (2011), S. 6.

^[103] Vgl. Bunte/Krohn-Grimberghe (2014), S. 373.

^[104] Vgl. Satzger et al. (2015), S. 229.

^[105] Vgl. Gadatsch (2017a), S. 5.

^[106] Vgl. Seufert (2014), S. 25.

^[107] Vgl. Gadatsch (2013), S. 24.

^[108] Vgl. Gronau et al. (2016), S. 476.

^[109] Vgl. Möhring et al. (2014), S. 232.

^[110] In Anlehnung an: Gadatsch (2017b), S. 200.

^[111] Vgl. Gadatsch (2017a), S. 5.

^[112] Mitunter findet man auch die Bezeichnung komplex-strukturierte oder polystrukturierte Daten (vgl. Seiter (2017), S. 72).

^[113] Vgl. Möhring et al. (2014), S. 232.

^[114] Vgl. Coners/Matthies (2015), S. 658.