Potenziale und Risiken von Big Data im Controlling

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Motivation
1.2 Problemstellung und Methodik
1.3 Gang der Arbeit

2 Theoretische Grundlagen
2.1 Controlling
2.1.1 Controllingkonzepte
2.1.2 Controlling in der Praxis
2.1.3 Controlling & IT
2.2 Big Data
2.2.1 Abgrenzungsmerkmale
2.2.2 Analyseverfahren & Technologien

3 Einflüsse von Big Data auf das Controlling
3.1 Controlling Prozesse
3.2 Rolle und Organisation des Controllings

4 Potenziale und Risiken
4.1 Aufgabengebiet und Arbeitsergebnisse
4.2 Methodenkompetenz und Rollenbild

5 Fazit

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Schlagwörter zu Big Data

Abbildung 2: Wertschöpfung mit Big Data

Tabellenverzeichnis

Tabelle 1: Analysearten

Tabelle 2: Profil des Data Scientist

Tabelle 3: Rollen des Controllings

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Motivation

Der Begriff „Big Data“ ist in aller Munde und schaffte es 2006 sogar in den Gartner Hype Cycle¹ aus dem er 2015 allerdings wieder verschwand. Begründet wird dieser Schritt mit der Allgegenwärtigkeit von Big Data in anderen Bereichen und Technologien.²

Bezogen auf die betriebliche Praxis stellt sich die Frage der Relevanz für das eigene Un- ternehmen sowie der einzelnen Funktionsbereiche. Befragungen zeigen, dass an der The- matik ein großes Interesse besteht. Nur 10 Prozent der befragten Unternehmen stehen Big Data grundsätzlich kritisch oder ablehnend gegenüber. Mehr als ein Drittel hat bereits Big-Data-Lösungen im Einsatz, 24 Prozent planen diese zukünftig einzuführen. Jedoch geben knapp zwei Drittel der Unternehmen an, trotz des vorhandenen Interesses, keine Big-Data-Strategie zu besitzen.³ Als Inhaber der Informationsversorgungsfunktion kommt dem Controlling die Aufgabe zu, sich mit den Chancen und Risiken der neuen Technologien und Möglichkeiten auseinanderzusetzen.

Andererseits sind die Entwicklungen auch von wissenschaftlichem Interesse, da die Aus- wirkungen von Big Data auf das Controlling und dessen Prozesse bereits Inhalt intensiver Diskussionen sind.⁴ Mögliche Szenarien reichen von einer Aufwertung der Controlling- funktion bis hin zur Abschaffung derselben.⁵

1.2 Problemstellung und Methodik

Die folgende Arbeit hat daher zum Ziel, einen aktuellen Überblick über die Auswirkun- gen von Big Data auf das Controlling sowie die damit verbundenen Potenziale und Risi- ken aufzuzeigen. Im Mittelpunkt der Arbeit stehen dabei die Nutzungspotenziale in den gängigen Controlling Funktionen Informationsversorgung, Reporting sowie Planung und Kontrolle. In diesem Zusammenhang wird auch der Einfluss von Big Data auf die Rolle des Controllers im Speziellen und die Organisation im Allgemeinen untersucht. Nicht Bestandteil ist eine tiefergehende technische Analyse der einzelnen Big-Data-Lösungen.

Die Beantwortung der Fragestellung erfolgt durch Sichtung und Auswertung von Mono- graphien, Sammelwerken, Zeitschriftenaufsätzen sowie grauer Literatur im Rahmen einer Literaturrecherche.

1.3 Gang der Arbeit

Begonnen wird mit einer Einführung in die Grundlagen des Controllings. Neben den the- oretischen Konzepten wird auch auf das Controllingverständnis in der Praxis eingegan- gen sowie das Zusammenspiel von Controlling und Informationstechnologie (IT) aufge- zeigt. Danach erfolgt eine Definition von Big Data anhand der gängigen Abgrenzungs- merkmale. Abgerundet wird das Kapitel durch eine knappe Vorstellung verschiedener Analyseverfahren sowie einiger Big-Data-Technologien.

Kapitel drei beschäftigt sich mit den Einflüssen von Big Data auf die wesentlichen Con- trolling Prozesse Reporting, Planung und Kontrolle sowie den Auswirkungen auf die Rolle und die Organisation des Controllings.

Daraus werden im vierten Kapitel Potenziale, Risiken und Handlungsempfehlungen ab- geleitet, bevor Kapitel fünf die Arbeit mit einem Fazit abschließt.

2 Theoretische Grundlagen

Um die Einflüsse von Big Data auf das Controlling gesamtheitlich darstellen zu können, werden im folgenden Kapitel zunächst die beiden Begriffe Controlling und Big Data ein- geführt und relevante theoretische Grundlagen erläutert.

2.1 Controlling

Der Begriff des Controllings lässt sich bis an den englischen Königshof des 15. Jahrhunderts zurückverfolgen. Bereits dort gab es den sogenannten „Countroller“, welcher die Aufzeichnungen über aus- und eingehende Güter- und Geldströme tätigte.⁶

Die Ursprünge des betriebswirtschaftlichen Controllings gehen hingegen auf die Entwicklungen im industriellen Bereich in den USA in der zweiten Hälfte des 19. Jahrhunderts zurück.⁷ In Deutschland wiederum hielt das Controlling erst in den 1950er Jahren langsam Einzug.⁸ Bis das Controlling in der Bundesrepublik jedoch in Wissenschaft und Praxis etabliert war, dauerte es bis in die späten 1970er Jahre. In dieser Zeit wurden die ersten namhaften Monographien von Horváth, Reichmann, Weber und Küpper zum Thema publiziert, die Praxis organisierte sich im 1975 gegründeten Controller Verein (heute: Internationaler Controller Verein e.V.) und die ersten, auf Controlling spezialisierten, Lehrstühle wurden gegründet.⁹

2.1.1 Controllingkonzepte

In der deutschsprachigen Literatur gibt es jedoch bis heute kein eineindeutig definiertes Controllingkonzept.¹⁰ Eines der anerkanntesten Konzepte ist das maßgeblich von Hor- váth geprägte koordinationsbasierte Controllingsystem. Horváth folgt dabei einem sys- temorientieren Ansatz, der das Führungssystem des Unternehmens in ein Planungs- und Kontrollsystem (PK-System), ein Informationsversorgungssystem (IV-System) und ein Koordinationssystem unterteilt. Dabei beschränkt Horváth den, an den Unternehmens- zielen orientierten, Abstimmungsbedarf nicht auf die Teilsysteme untereinander, sondern bezieht die Koordination innerhalb des PK-Systems sowie innerhalb des IV-Systems in das Aufgabengebiet des Controllingsystems mit ein.¹¹

W e ber ergänzt diesen Ansatz, indem er das Controlling zusätzlich als Rationalitätssiche- rung der Führung versteht.¹² Die Kernaufgabe liegt dabei in der Erfassung, Vermeidung, Verringerung und Auflösung von Rationalitätsdefiziten. Zu diesem Zweck hat das Con- trolling ausreichend Transparenz durch Informationsversorgung, effiziente und effektive Prozesse zur Steuerung des Unternehmens sowie der Entscheidungsfindung durch Pla- nung und Kontrolle zu gewährleisten.¹³ Horváth wiederum versteht Rationalitätssiche- rung als selbstverständlich für alle Führungs- und Controllingkonzepte. Er argumentiert, dass jegliche Koordination das zielgerichtete Handeln einer Organisation unterstützt, wo- bei zielgerichtetes Handeln an sich als rational zu bezeichnen ist. Dies bedeutet im Um- kehrschluss, dass koordinationsbasierte Konzepte per Definition der Sicherung von rati- onalen Entscheidungen dienlich sind. ¹⁴

2.1.2 Controlling in der Praxis

In der Praxis wird das Controllingverständnis im Wesentlichen von praxisnahen Organi- sationen wie dem Internationalen Controlling Verein e.V. (ICV) und der International Group of Controlling (IGC) im deutschsprachigen Raum oder dem Institute of Manage- ment Accountants (IMA) in den USA geprägt. Dabei herrscht zwischen den Organisatio- nen ein relativ einheitliches Verständnis bezüglich der Kernaufgabe des Controllings als Partner des Managements zur Sicherung eines nachhaltigen Unternehmenserfolgs. Die Rolle des Controllers als sogenannter „Business Partner“ der Führung tritt immer mehr in den Vordergrund. Das Controlling arbeitet dabei eng mit dem Management bei Ziel- findung, Planung und Steuerung zusammen, indem es entscheidungsrelevante Daten zur Verfügung stellt, interpretiert und bewertet. Durch die Sicherstellung der Rationalität von Entscheidungen und der Wahrung der Interessen der wesentlichen Stakeholder agiert das Controlling zudem als Gewissen des Unternehmens und leistet damit auch einen zentralen Beitrag zur Corporate Governance.¹⁵

2.1.3 Controlling & IT

Um oben genannte Rolle umfänglich wahrnehmen zu können, wird der Controllingfunk- tion in Theorie und Praxis gleichermaßen zusätzlich die Koordination der, für das Con- trolling relevanten, Informationstechnologie und der zugehörigen Systeme im Rahmen des betrieblichen Informationsmanagements zugeschrieben. Zwei Schnittstellen stehen hierbei besonders im Fokus. Einerseits liegt die controllingbezogene Aufgabe der IT da- rin, die PK- und IV-Systeme in ihrer Funktion passgenau zu unterstützen. Andererseits hat das Controlling das Informationsmanagement hinsichtlich sämtlicher Wirtschaftlich- keitsaspekte zu bewerten und zu koordinieren. Insbesondere die Koordination spielt auf- grund der rasanten Entwicklung der IT und der zunehmenden Digitalisierung von Unter- nehmen eine wichtige Rolle. Genannt sei in diesem Zusammenhang das Stichwort Big Data. ¹⁶

2.2 Big Data

Mit Big Data werden mittlerweile eine große Anzahl an Schlagwörtern und Sachverhalten in Verbindung gebracht (vgl. Abbildung 1).

Abbildung 1: Schlagwörter zu Big Data

Quelle: DeMauro, A./Greco, M./Grimaldi, M., Big Data, 2014, S. 2

Auch lässt sich das Phänomen aus zahlreichen Blickwinkeln untersuchen und diskutieren. Neben den in dieser Arbeit im Vordergrund stehenden wirtschaftlichen Aspekten wirft Big Data auch technische, soziologische und rechtliche Fragestellungen auf, wobei der Begriff je nach Kontext mitunter anders definiert und abgegrenzt wird.

2.2.1 Abgrenzungsmerkmale

Die in der Literatur gängigste Abgrenzung wurde erstmals von Laney im Jahr 2001 an- hand der drei Vs getroffen: „Volume“, „Variety“ and „Velocity“.¹⁷

Der Begriff Big Data legt bereits nahe, dass die betrachteten Datenstrukturen eine gewisse Größe (Volume) umfassen. Wegen des exponentiellen Wachstums von Rechen- und Speicherkapazitäten und dem damit direkt in Relation stehenden weltweiten Datenvolu- men erscheint eine Abgrenzung zu konventionellen Datenmengen mittels eines Schwel- lenwerts als nicht zielführend.¹⁸

Mit dem exponentiellen Anstieg des Volumens geht auch eine Zunahme der Vielfalt (Va- riety) der Datenformate und Datenquellen einher. Die Bandbreite reicht von rein techni- schen Messdaten über Inhalte von Social-Media-Plattformen und Streamingdiensten bis zu Nutzerdaten von mobilen Endgeräten wie Smartphones oder Tablets. Ein Großteil die- ser unternehmensexternen Daten liegt oft nur in unstrukturierter¹⁹ Form vor. Die Kombi- nation aus unstrukturierten, semi-strukturierten²⁰ und strukturierten²¹ Daten wird auch als polystrukturiert bezeichnet.²²

Mit steigender Anzahl an Quellen erhöht sich ebenfalls die Geschwindigkeit (Velocity), mit der neue Daten entstehen²³ beziehungsweise produziert und verändert werden.²⁴

Gleichzeitig steht das Merkmal für die Schnelllebigkeit der Daten, die meist nur eine kurze Halbwertzeit besitzen und daher möglichst in Echtzeit analysiert und in Informati- onen umgewandelt werden müssen.²⁵

Durch den zunehmenden Einsatz von externen Daten spielen ebenso Authentizität, Voll- ständigkeit und Verlässlichkeit der Inhalte eine immer größere Rolle. Aus diesem Grund findet sich in vielen Definitionen von Big Data „Veracity“ als ein weiteres Merkmal. Ins- besondere usergenerierte Social Media-Daten enthalten oft subjektive Meinungen und Eindrücke zu Örtlichkeiten, Personen oder Ereignissen.²⁶

Zusammengefasst und auf die Ebene des Unternehmens bezogen bedeutet dies, dass Big Data immer dann vorliegt, wenn die verfügbaren Ressourcen, in Form klassischer Data- Warehouse- und BI-Systeme, nicht mehr ausreichen, die Datenmenge (Volume) und/oder die unterschiedlichen Arten von Daten (Variety) in der dafür vorgesehenen Zeit (Ve- locity) und der gewünschten Qualität (Veracity) zu verarbeiten. Ziel ist dabei stets einen ökonomischen Mehrwert (Value) für das Unternehmen zu generieren. Daraus entsteht die Notwendigkeit moderner Verfahren und Technologien zur Verarbeitung von Big Data.

[...]

¹ Der Gartner Hype Cycle ist eine Grafik, die die Phasen der öffentlichen Wahrnehmung neuer Technolo- gien darstellt.

² W o odie, A., Hype Curve, 2015.

³ Vgl. KPMG, Daten, 2016, S. 36–38.

⁴ Vgl. Schäffer, U., Digitalisierung, 2015.

⁵ Vgl. Ablinger, K./Losbichler, H., Digitalisierung, 2018, S. 63–66.

⁶ Vgl. Weber, J./Schäffer, U., Controlling, 2016, S. 3.

⁷ Vgl. Jackson, J. H., Comptroller, 1948, S. 9.

⁸ Vgl. Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 15.

⁹ Vgl. Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 24.

¹⁰ Vgl. Becker, W./Ulrich, P., Handbuch Controlling, 2016, S. 41; Küpper, H.-U. u. a., Controlling, 2013, S. 8; W eber, J./Schäffer, U., Controlling, 2016, S. 20.

¹¹ Vgl. Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 56 f; Weber, J./Schäffer, U., Controlling, 2016, S. 24.

¹² Vgl. Küpper, H.-U. u. a., Controlling, 2013, S. 22; W eber, J./Schäffer, U., Controlling, 2016, S. 27.

¹³ Vgl. Weber, J./Schäffer, U., Controlling, 2016, S. 60.

¹⁴ Vgl. Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 59.

¹⁵ Vgl. IGC - International Group of Controlling, Controller-Leitbild, 2013; Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 24 f; Weber, J./Schäffer, U., Controlling, 2016, S. 33–35.

¹⁶ Vgl. Horváth, P./Gleich, R./Seiter, M., Controlling, 2015, S. 331.

¹⁷ Vgl. Laney, D., Data Management, 2001.

¹⁸ Vgl. Davenport, T. H./Paulus, P., Big Data, 2014, S. 6 f.

¹⁹ z.B. Texte, Videaos, Bilder

²⁰ z.B. Logfiles, Machine-to-Machine Kommunikation

²¹ z.B. Transaktionale Daten aus Datenbanken

²² Vgl. Fels, G. u. a., Technik, 2015, S. 265.

²³ Vgl. McAfee, A./Brynjolfsson, E., Big Data, 2012, S. 63.

²⁴ Vgl. King, S., Big Data, 2014, S. 35.

²⁵ Vgl. Dorschel, W./Dorschel, J., Einführung, 2015, S. 7.

²⁶ Vgl. Bendler, J. u. a., Uncertainty, 2014, S. 279.