Absatz- und Umsatzplanung in der VUCA-Welt. Einsatzmöglichkeiten von Big Data und Business Analytics im Controlling

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1 Ausgangspunkt und Problemstellung
1.2 Zielsetzung und Aufbau der Arbeit

2 Planung
2.1 Die besondere Rolle der Absatzplanung
2.2 Absatz-/Umsatzplanung
2.3 Kritik an der traditionellen Planung

3 Bedeutung der VUCA-Welt

4 Big Data

5 Business Analytics
5.1 Entwicklungsstufen von Business Analytics
5.2 Abgrenzung Business Analytics von Business Intelligence
5.3 Relevante Analysemethoden

6 Einsatzmöglichkeiten und Praxisbeispiele des Einsatzes von Business Analytics in der Absatz-/Umsatzplanung

7 Voraussetzungen und mögliche Barrieren für den Einsatz von Business Analytics

8 Bewertung des Einsatzes von Business Analytics in der Absatz-/Umsatzplanung

9 Fazit
9.1 Zusammenfassung
9.2 Ausblick

Literaturverzeichnis

Bibliografische Information der Deutschen Nationalbibliothek:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Impressum:

Copyright © EconoBooks 2021

Ein Imprint der GRIN Publishing GmbH, München

Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany

Covergestaltung: GRIN Publishing GmbH

Abkürzungsverzeichnis

BARC Business Application Research Center

bzw. beziehungsweise

ca. circa

CE Center of Excellence

CFO Chief Financial Officer

d.h. das heißt

DSGVO Datenschutzgrundverordnung

ebd. ebenda

etc. et cetera

EU Europäische Union

sog. sogenannte

STAR Statistical Tracking and Assessment of Revenue

VUCA Volatilität Unsicherheit Komplexität Ambiguität

z.B. zum Beispiel

Abbildungsverzeichnis

Abbildung 1: Big Data Eigenschaften & Nutzen

Abbildung 2: Business Analytics Entwicklungsstufen mit Beispiel

Abbildung 3: Einsatzgebiete Business Intelligence vs. Business Analytics

Abbildung 4: Übersicht strukturprüfende Analysemethoden

Abbildung 5: Übersicht strukturentdeckende Analysemethoden

Abbildung 6: Traditioneller Forecast vs. Predictive Forecast

Abbildung 7: Vergleich Absatzprognose und tatsächliche Verkäufe

Abbildung 8: Verhältnis zwischen Controller, Data Scientist und Manager

Abbildung 9: Zentrale Organisationsformen von Business Analytics

Abbildung 10: Darstellung Center of Excellence

Abbildung 11: Kriterien zur Bewertung

Abbildung 12: Bewertungsübersicht

1 Einleitung

1.1 Ausgangspunkt und Problemstellung

Die Digitalisierung ist von einem Megatrend zu einer Realität geworden, die Unternehmen heute vor große Herausforderungen stellt. Die digitale Transformation von Wirtschaft und Gesellschaft ist in vollem Gange. Disruptive Technologien führen zu innovativen Geschäftsmodellen. Daten wird der Status des „wichtigsten Rohstoffs“ zugesprochen und alle Informationen werden miteinander vernetzt. Hierdurch ergeben sich in allen Bereichen eines Unternehmens sowohl Chancen als auch Risiken.¹ Die Tendenz der digitalen Transformation ist dabei klar: Weniger Mensch, dafür mehr Maschine. Auch der Controlling-Bereich wird dadurch einen Wandel erleben.² Das Zeitalter der vierten industriellen Revolution ist angebrochen.³ Die Welt, in der wir heute leben, wird immer volatiler und vieles verändert sich mit einer rasanten Geschwindigkeit. Unternehmen sind konfrontiert mit immer komplexer werdenden Entscheidungssituationen, wettbewerbsintensiveren Marktsituationen und einer wachsenden Unsicherheit.⁴ In diesem Zusammenhang wird von einer VUCA-Welt gesprochen.⁵ Dieses Akronym steht hierbei für Volatilität, Unsicherheit, Komplexität und Ambiguität. Es bezieht sich dabei auf die Umwelt, in der Unternehmen heute agieren.⁶ Dies stellt vor allem das Management und das Controlling, im Rahmen ihrer Planung, vor erhebliche Herausforderungen. Durch die Veränderungen der unternehmerischen Umwelt ist auch im Controlling ein Umdenken gefragt. Die im Planungsprozess häufig etablierten und festgefahrenen Strukturen und Prozesse müssen aufgebrochen werden, um mit dem rasenden Tempo und der Dynamik der Umwelt mithalten zu können.⁷ Die Digitalisierung ist einer der wesentlichen Treiber weshalb Unternehmen heute dieser erhöhten Dynamik, Komplexität und Unsicherheit ausgesetzt sind. Allerdings liefert sie zugleich auch neue Instrumente, mit der die Planungs- und Steuerungsaufgaben wahrgenommen werden können. Da Informationen die Basis für die Steuerung darstellen, ist hier vor allem Big Data zu nennen. Big Data liefert den Grundbaustein von Informationen, nämlich Daten, in einer beinahe unerschöpflichen Menge.⁸ Mithilfe von neuen Technologien und Methoden, die derzeit unter dem Begriff Business Analytics diskutiert werden, sollen diese Datenmengen nutzbar gemacht werden, um Managemententscheidungen zu unterstützten.⁹ Das Spektrum der Neuerungen, die diese Technologien mit sich bringen, ist dabei weitgefasst. Angefangen bei Real-Time-verfügbaren Informationen bis hin zur Automatisierung von Entscheidungen auf Grundlage von quantitativen Modellen.¹⁰ Diese Entwicklungen haben das Potenzial die Planung und Unternehmenssteuerung tiefgreifend zu verändern.¹¹

1.2 Zielsetzung und Aufbau der Arbeit

Zielsetzung der vorliegenden Arbeit ist den aktuellen Forschungsstand von Big Data und Business Analytics darzustellen. Des Weiteren sollen die Vor- und Nachteile des Einsatzes von Big Data und Business Analytics, bei der Überwindung der Herausforderungen der VUCA-Welt für die Planung im Controlling, aufgezeigt werden. Anschließend soll eine Bewertung dieses Einsatzes anhand definierter Kriterien erfolgen. Da die Betrachtung aller Aspekte der Planung den Rahmen dieser Arbeit überschreiten würde, wird aufgrund der besonderen Bedeutung der Absatz-/Umsatzplanung in dieser Arbeit ausschließlich diese betrachtet. In Kapitel Zwei wird zunächst die Planung betrachtet und dabei die besondere Bedeutung der Absatz-/Umsatzplanung herausgestellt. Anschließend wird in Kapitel Drei der Begriff VUCA-Welt näher erläutert und daraus Kriterien für die Bewertung des Einsatzes von Big Data und Business Analytics abgeleitet. Darauffolgend werden in Kapitel Vier und Fünf die Begriffe Big Data und Business Analytics detailliert beschrieben. In Kapitel Sechs werden die Einsatzmöglichkeiten von Business Analytics im Bereich der Absatz-/Umsatzplanung dargestellt und mit Praxisbeispielen verdeutlicht, während in Kapitel Sieben die Voraussetzungen und Barrieren für diesen Einsatz erläutert werden. Die anschließende Bewertung der Vor- und Nachteile, anhand der in Kapitel Drei herausgearbeiteten und auf dem aktuellen Forschungsstand basierenden Kriterien, erfolgt in Kapitel Acht.

2 Planung

Das Management von Unternehmen muss täglich eine Vielzahl von Entscheidungen treffen. Betriebswirtschaftlich richtig wäre eine solche Entscheidung, wenn sie streng rational getroffen wird unter der Berücksichtigung, dass die zur Zielerreichung eingesetzten Mittel effektiv und effizient eingesetzt werden. Eine Hauptrolle bei der Einhaltung dieser Zweck-Mittel-Rationalität spielt die Planung.¹² Pläne sind ein bedeutsames Instrument zur aktiven Gestaltung der Zukunft, in dem Sie darstellen was erreicht werden soll¹³ und sie sich mit den Handlungen befassen, die nötig sind um den gewünschten zukünftigen Zustand zu erreichen¹⁴. Damit sind sie ein wesentlicher Bestandteil der Steuerungsfunktion des Controllings.¹⁵ Anhand der Pläne, kann die „Fahrtrichtung“ des Unternehmens abgestimmt und vorgegeben werden.¹⁶ Der vorliegenden Arbeit liegt deshalb, für den Begriff der Planung, folgende Definition zugrunde, die Planung als „ ein systematisches, zukunftsbezogenes Durchdenken und Festlegen von Zielen, Maßnahmen, Mitteln und Wegen zur künftigen Zielerreichung “¹⁷ beschreibt.

Im Bezug auf die Planung wird nach verschiedene Planungsebenen unterschieden. Die strategische Planung ist eine langfristige Planung, bei der Ziele gesetzt und das Unternehmen strategisch positioniert wird.¹⁸ Die strategische Planung dient somit als ein Orientierungsrahmen für die essentiellen Unternehmensentscheidungen.¹⁹ Die taktische Planung ist eine Mittelfristplanung, die sich auf einen Planungshorizont von zwei bis fünf Jahren bezieht.²⁰ Hier werden die Vorgaben, die sich aus der strategischen Planung ergeben, verfeinert und den jeweiligen Unternehmensbereichen zugeteilt.²¹ Die operative Planung bezieht sich auf einen Planungshorizont von einem Jahr, sie wird somit jährlich neu erstellt.²² Sie soll dem Management dabei helfen, die aus den strategischen Zielen abgeleiteten kurz- bzw. mittelfristigen Ziele zu erreichen und die, auf Ertrag und Liquidität ausgerichtete, Steuerung des Unternehmens zu unterstützen.²³ Die operative Planung besteht aus unterschiedlichen Teilaspekten von Sachzielplanungen, die eng mit Formalzielplanungen verbunden sind. In der Sachzielplanung wird festgelegt, wie die einzelnen betrieblichen Funktionen innerhalb des Unternehmens, im kommenden Jahr, handeln sollen. Hierzu zählen z.B. die Absatzplanung, Produktionsplanung und Beschaffungsplanung. Formalzielplanungen sind auf den betrieblichen Erfolg des Unternehmens ausgerichtet und umfassen Größen, die auf Erfolgs- und Liquiditätsaspekte der Sachzielplanungen ausgerichtet sind. Beispielsweise wird der Erlösplan aus dem Absatzplan hergeleitet.²⁴ Generell liegt die sachliche und fachliche Ausgestaltung der Pläne in der Hand des Managements. Das Controlling befasst sich hingegen mit den Aufgaben der Planungsunterstützung und dem Planungsmanagement.²⁵

2.1 Die besondere Rolle der Absatzplanung

Im Rahmen des Planungsmanagements durch das Controlling werden, um die Komplexität im Planungsprozess zu reduzieren, einzelne Teilpläne gebildet. Diese müssen anschließend miteinander koordiniert werden. Die weitere Untergliederung des Gesamtplans, in die einzelnen Teilpläne, kann beispielweise nach Divisionen oder Funktionen vorgenommen werden. Im Rahmen dieser Untergliederung werden generell zwei Koordinationsarten unterschieden. Zum einen die simultane Koordination und zum anderen die sukzessive Koordination.²⁶

Bei der simultanen Koordination werden alle Planungsgegenstände gleichzeitig betrachtet und alle interdependenten Abhängigkeiten der Einflussgrößen simultan berücksichtigt. Diese Vorgehensweise führt in der Praxis allerdings häufig zu unüberwindbaren Problemen bei der Berechnung, weshalb sich dort die sukzessive Koordination etabliert hat.²⁷ Bei der sukzessiven Koordination werden die einzelnen Teilpläne für sich allein optimiert und die Ergebnisse geben die Rahmenbedingungen für die folgenden Teilpläne vor. Von entscheidender Bedeutung ist hier folglich die Anordnung der Teilpläne. Laut dem „Ausgleichgesetz der Planung“ von Gutenberg ist bei der Koordination von Teilplänen stets mit dem Bereich zu beginnen, welcher den größten Engpass darstellt. Der größte Engpassbereich findet sich in der Praxis, unter Annahme gesättigter Märkte, im Absatzbereich wieder. Deshalb spielt die Absatzplanung eine besondere Rolle, da sie in der Praxis häufig der zentrale Startpunkt der Planung ist.²⁸

2.2 Absatz-/Umsatzplanung

Die Basis der operativen Absatzplanung bilden die Untersuchung der Marktverhältnisse, die Analyse des eigenen Absatzes und das Erstellen von Absatzprognosen. Durch die Untersuchung der Marktverhältnisse sollen Informationen über die Nachfrage, Konkurrenz und Absatzwege gesammelt werden. Bei der Analyse des eigenen Absatzes werden Kennzahlen auf Basis von mengen- und wertmäßigen Umsatzstatistiken erstellt und Abhängigkeiten wie z.B. zwischen Abnehmer und Produkt ermittelt. Auf Basis dieses Wissens werden Absatzprognosen erzeugt. Diese antizipieren die zukünftige Marktlage und berechnen den eigenen, voraussichtlichen Absatz.²⁹ Unter Absatzplanung wird folglich die Entwicklung von Absatzplänen verstanden, die auf der Basis von Prognosen über die in zukünftigen Planperioden möglichen Absätze, erstellt werden. Verlässliche Prognosen über die allgemeine wirtschaftliche Entwicklung, die Entwicklung der Branche sowie des Absatzmarktes, in dem das Unternehmen tätig ist, sind zentrale Vorrausetzungen für die Absatzplanung.³⁰ Die Prognosen müssen schnell und präzise sein. Dies stellt eine große Herausforderung für das Controlling dar, da die Absatz- bzw. Umsatzentwicklung von vielen dynamischen und sich verändernden internen sowie externen Faktoren abhängt.³¹

Die Planung der Verkäufe selbst erfolgt klassischerweise durch Mitarbeiter in den Vertriebsabteilungen. Für die wichtigen Produkte bzw. Kunden erfolgt dies produkt-bzw. kundengenau. Für die weniger wichtigen Produkte bzw. Kunden wird eine Teilplanung in Produkt- und Kundengruppen zugelassen, um den Planungsaufwand im Rahmen zu halten. Aus den einzelnen Plänen der Vertriebsmitarbeiter wird der Absatzplan für die jeweiligen Vertriebsbereiche zusammengefügt. Hieraus ergeben sich die für die kommende Periode benötigten Stückzahlen der Produkte.³² Die Absatzplanung ist demnach auch die Basis für die Umsatzplanung, da hier die prognostizierte Absatzmenge mit den jeweiligen Preisen multipliziert wird.³³ Das Controlling koordiniert alle, von den jeweiligen Fachabteilungen angefertigten, Teilpläne³⁴, gibt geeignete Planungshilfen³⁵ und fügt die Teilpläne zu einem Gesamtplan zusammen³⁶. Anschließend wird durch Kontrollen sichergestellt, dass keine Kunden- oder Produktbereiche vergessen wurden. Durch dieses Zusammenspiel der Vertriebsabteilung und dem Controlling, bei der Absatz – bzw. Umsatzplanung, soll eine möglichst gute Entscheidungsgrundlage geschaffen werden.³⁷

Ein wesentliches Steuerungsinstrument des Controllings, welches auch im Rahmen der Absatz- bzw. Umsatzplanung seine Anwendung findet, ist der Forecast. Die wesentliche Zielsetzung des Forecasts ist die frühzeitige Lieferung von Informationen über zu erwartenden Planabweichungen. Damit soll sichergestellt werden, dass rechtzeitig Maßnahmen zur Schließung der Ziellücke entwickelt und Anpassungen vorgenommen werden können.³⁸ Durch einen effektiven Absatz- bzw. Umsatzforecast kann die Unternehmensperformance gesteigert werden, da direkt Optimierungen hinsichtlich der Lagerverwaltung, Warenbeschaffung und des Vertriebsmanagement angestoßen werden können.³⁹ Eine hohe Prognosegüte dieser Forecasts ist vor allem in Märkten mit volatilem Nachfrageverhalten wie z.B. der Milchindustrie⁴⁰ oder auch der IT-Industrie, die durch ständige Innovation und kurze Produktlebenszyklen geprägt ist, von entscheidender Bedeutung⁴¹.

2.3 Kritik an der traditionellen Planung

Die Umwelt, in der Unternehmen heute agieren ist bedeutend dynamischer und komplexer als sie es noch vor einigen Jahren war.⁴² Dies ist der Fall aufgrund einiger, häufig auch interdependent verbundener Faktoren, wie z.B. die fortschreitende Globalisierung, Digitalisierung, disruptive Technologien und Geschäftsmodelle, Innovationen und Marktstörungen. In diesem Zusammenhang wird von einer VUCA-Welt gesprochen.⁴³ Auf diesen Begriff wird im folgenden Kapitel detaillierter eingegangen. Trotz dieser Veränderung der Umwelt verläuft die Planung in den meisten Unternehmen, wie in einem sich jährlich wiederholenden rituellen Zyklus ab. Beginnend mit der strategischen Planung, geht es in die darauf aufbauende operative Planung und Budgetierung und schließlich zum Forecasting, mit monatlicher bzw. quartalweiser Frequenz.⁴⁴ Gerade deshalb steht die traditionelle Planung trotz ihrer generell unbestrittenen Bedeutung derzeit unter starker Kritik. Die Hauptkritikpunkte an dem klassischen Planungsprozess sind unter anderem ein zu hoher Detaillierungsgrad und der enorme Aufwand für die Erstellung, begrenzte Aktualität und mangelnde Flexibilität, unnötige Wiederholungsschleifen und Verhandlungsspiele, Scheingenauigkeit, mangelnder Bezug zur Strategie sowie Maßnahmen und eine nicht ausreichende Integration in die IT.⁴⁵ In Bezug auf die Absatz- bzw. Umsatzplanung treffen einige dieser Kritikpunkte in besonderem Maße zu. Da die Absatzplanung Schnittstellencharakter aufweist und Vertrieb, Controlling, die Geschäftsführung und auch teilweise das Marketing involviert sind, ist der Prozess durch eine Vielzahl von Abstimmungsrunden geprägt. Dies führt dazu, dass die Absatzplanung ein langwieriger und enorm zeitintensiver Prozess ist, der in vielen Unternehmen politisch geprägt ist. Informationen werden nicht weitergegeben und Ziele werden bewusst niedrig vereinbart. Diese Planwerte sind dann für Prognosen, Leistungsbeurteilungen und Leistungsvergütungen nicht zu gebrauchen. Ein weiteres Problem im Rahmen der Absatzplanung stellt die unterschiedliche Relevanz dieser Planung für den Vertrieb bzw. für das Controlling dar. Während das Controlling der Absatzplanung eine hohe Bedeutung beimisst, da sie den Ausgangspunkt für die restlichen Teilplanungen darstellt, ist die Absatzplanung für den Vertrieb häufig kaum relevant. Aus Sicht des Vertriebs werden durch den Planungsprozess zu viel Zeit und Ressourcen in Anspruch genommen, die dann für die eigentliche Vertriebstätigkeit fehlen. Diese Problematik kann dazu führen, dass die Planung in der Vertriebsabteilung nicht mit dem nötigen Engagement vorgenommen wird und die Planungsqualität darunter leidet.⁴⁶

Die aktuellen Ansätze zur Planung sind in vielen Unternehmen nicht mehr zeitgemäß. Es ist nötig die Planung an die veränderten Rahmenbedingungen der VUCA-Welt anzupassen.⁴⁷ Unternehmen benötigen in einem Geschäftsumfeld, dass hohe Volatilität und Unsicherheit aufweist, eine flexiblere und in die Zukunft gerichtete Unternehmenssteuerung.⁴⁸ Als eine Lösung für die Anpassung der Planung, an die neuen Rahmenbedingungen der VUCA-Welt, wird derzeit Big Data und damit verbunden auch Business Analytics in der Literatur diskutiert. Auf die beiden Begriffe Big Data und Business Analytics wird in Kapitel Vier und Fünf dieser Arbeit detailliert eingegangen.

3 Bedeutung der VUCA-Welt

Die heutige Welt befindet sich in einem Prozess des fortlaufenden Wandels. Das verdeutlicht der Begriff VUCA-Welt. Ursprünglich stammt der Begriff VUCA aus dem militärischen Umfeld und wurde vom amerikanischen Militär eingeführt, um veränderte Umweltbedingungen zu beschreiben. Bei den Einsätzen wie zum Beispiel im Irak oder in Afghanistan war das amerikanische Militär mit Gegnern konfrontiert, die sich in kleinen und agilen Einheiten organisierten. Dies war eine völlig neue Situation verglichen mit der des kalten Krieges und benötigte deshalb auch eine völlig neue Herangehensweise.⁴⁹ Das Akronym VUCA steht hierbei für Volatilität, Unsicherheit, Komplexität und Ambiguität.⁵⁰ Im Folgenden soll der Begriff in einem unternehmerischen Kontext erläutert werden.

Unter dem Begriff Volatilität, werden in der unternehmerischen Praxis unerwartete und kurzfristige Marktschwankung verstanden.⁵¹ Es gibt allerdings bislang noch keine allgemein gültige Definition dieses Begriffs in der Literatur.⁵²

Eine besonders häufig zitierte Definition des Begriffes stammt von der Ideenwerkstatt des internationalen Controller Vereins, weshalb der vorliegenden Arbeit diese Definition zugrunde liegt:

„Volatilität beschreibt die eingetretene und erwartete Schwankungsbreite und -häufigkeit der für Unternehmen relevanten externen und internen wirtschaftlichen Parameter, deren Ablaufmuster schwer prognostizierbar sein können.“⁵³

Durch diese sich ständig ändernden Rahmenbedingungen ergibt sich die Unsicherheit.⁵⁴ Hierunter ist zu verstehen, dass Dinge, Ereignisse und Konsequenzen von Handlungen immer weniger vorherzusehen und zu prognostizieren sind. Die Klarheit von kausalen Zusammenhängen nimmt ab.⁵⁵ Unter diesen veränderten Bedingungen, sind Informationen oft nicht in ausreichendem Maße vorhanden. Außerdem ist das Erfahrungswissen aus den bislang angewendeten Strategien, nicht oder nur in sehr geringem Umfang auf die neuen Rahmenbedingungen übertragbar.⁵⁶

Unter Komplexität wird die zunehmende Anzahl von Verbindungen, Abhängigkeiten und Handlungsmöglichkeiten verstanden, die dazu führt, dass die Umwelt unüberschaubar wird.⁵⁷ Die linearen Zusammenhänge zwischen Ursache und Wirkung sind nicht mehr vorhanden⁵⁸, stattdessen steigt die Anzahl der ambivalenten Interessen und der damit verbundenen Zwickmühlen und Dilemmata.⁵⁹

Der Begriff Ambiguität bedeutet Mehrdeutigkeit und soll verdeutlichen, dass es in der heutigen VUCA-Welt keine eindeutigen Lösungen mehr gibt.⁶⁰ Die Informationen sind auf unterschiedlichste Arten und Weißen interpretierbar, die Rahmenbedingungen und Voraussetzungen werden dadurch immer schwerer verständlich.⁶¹

Nachdem die Bedeutung des Akronyms VUCA definiert wurde, sollen im Folgenden Kriterien zur Bewertung der Vor- und Nachteile des Einsatzes von Big Data und Business Analytics definiert werden. Hierzu orientieren sich die Kriterien an den Aspekten, die zur Bewältigung der Herausforderungen der VUCA-Welt und zur Verbesserung der Planung nötig sind.

Die veränderten Rahmenbedingungen der VUCA-Welt stellen die Unternehmen vor die Herausforderung schnell und flexibel zu entscheiden und zu reagieren. Dies ist nötig, um sich auf dem Markt zu behaupten und in der immer volatiler werdenden Wirtschaftswelt wettbewerbsfähiges Handeln zu gewährleisten.⁶² Die Planung der Unternehmen muss folglich schneller und weniger aufwändig werden. Deshalb werden in dieser Arbeit sowohl die Reduzierung der Planungszeit als auch die Reduzierung des Planungsaufwands, als Kriterien zur Bewertung des Einsatzes von Big Data und Business Analytics definiert. Durch die vorherrschende Ungewissheit wird es immer schwerer strategisch zu planen und die Entwicklungen von z.B. Märkten zu prognostizieren.⁶³ Neue Methoden und Instrumente sollten deshalb auch die Prognosequalität erhöhen, weshalb diese als weiteres Kriterium gewählt wird. Die erfolgreichen und bewährten Strategien aus der Vergangenheit sind unter den neuen Rahmenbedingungen nicht mehr anwendbar. Die Mitarbeiter in den Unternehmen sind deshalb gezwungen auf neue Tools und Methoden zurückzugreifen. Um diesen Übergang zu erleichtern sollten diese Tools einfach bedienbar sein. Deshalb wird ein geringer Know-How Bedarf zur Bedienung der Tools als weiteres Kriterium definiert.⁶⁴ Als letztes Kriterium wird das Kosten-Nutzen-Verhältnis des Einsatzes von Business Analytics zur Bewertung herangezogen, da diese Überlegung bei betriebswirtschaftlichen Entscheidungen immer eine große Rolle spielt.

4 Big Data

Für den Begriff Big Data gibt es in der Literatur bislang keine klare Definition. Aufgrund der Bandbreite der in der Literatur verwendeten Begrifflichkeiten zu Big Data, ist eine eindeutige Abgrenzung des Begriffs beinahe unmöglich. Zur weiteren Konkretisierung des Begriffes empfiehlt es sich deshalb, Merkmale anzuführen die maßgebend für Big Data sind.⁶⁵ Vielfach werden in Publikationen hierzu die „drei V’s“ Volume, Variety und Velocity als Merkmale für Big Data genannt, welche Ihren Ursprung im Analysten -und Beratungshaus Gartner haben.⁶⁶

Volume beschreibt die riesigen Datenmengen, die heutzutage zur Verfügung stehen. Das weltweite Datenvolumen verdoppelt sich circa alle zwei Jahre aufgrund von wesentlichen Treibern wie z.B. der steigenden Anzahl von Smartphone-Nutzern, die immer niedrigeren Datenhaltungskosten und der weitläufigen Nutzung von Sensoren, in den unterschiedlichsten Bereichen.⁶⁷ Außerdem besitzt heutzutage nicht nur beinahe jeder ein Smartphone, sondern auch andere Geräte wie z.B. Desktop-PC‘s, Laptops oder Tablets, welche alle wertvolle Daten enthalten.⁶⁸ Diese Datenmenge muss aufgenommen, analysiert und verwaltet werden.⁶⁹

Variety steht für die Vielfalt der Datentypen⁷⁰, welche die größte Chance aber auch zugleich größte Herausforderung von Big Data darstellt.⁷¹ Unter Vielfalt wird zum einen das Vorliegen der Daten in verschiedenen Strukturformen wie strukturierten, semi-strukturierten und unstrukturierten Daten verstanden⁷² sowie die Herkunft aus unternehmensinternen und -externen Quellen⁷³. Ein Beispiel für strukturierte Daten sind Kundenstammdaten aus einer Datenbank. Semi-strukturierte Daten besitzen sowohl einen strukturierten als auch einen unstrukturierten Teil, wie z.B. eine E-Mail, bei der die Kopf- und Betreffzeile strukturiert und der Textteil unstrukturiert ist. Als Beispiel für unstrukturierte Daten können Bilder, Videos und Texte herangezogen werden.⁷⁴ Eine der wesentlichen Aufgaben von Big Data ist es aus diesen verschiedenen Datenquellen und Strukturformen übergreifende Erkenntnisse zu erhalten. Die Daten sollen allerdings nicht zuerst in eine strukturierte Form gebracht werden, um sie anschließend analysieren zu können, sondern Computer sollen die Inhalte der Daten eigenständig verstehen und diese interpretieren können.⁷⁵

Velocity bedeutet Geschwindigkeit. Hiermit ist im Kontext von Big Data zum einen gemeint, dass die Generierung bzw. Verarbeitung von Daten heute in Echtzeit bzw. beinahe in Echtzeit erfolgen muss, da sich die Daten immer schneller verändern und sie ihre Gültigkeit verlieren.⁷⁶ Zum anderen wird darunter auch die erhöhte Geschwindigkeit verstanden in der neue Daten heutzutage entstehen.⁷⁷ Es lässt sich erkennen, dass eine direkte Wechselbeziehung zwischen den Merkmalen Volume und Velocity besteht. Je schneller gerechnet wird und je schneller die Daten verarbeitet werden, desto größer wird die Anzahl der produzierten Daten in einer immer kürzeren Zeitspanne.⁷⁸

In späteren Veröffentlichungen wurden diese drei Merkmale von einigen Autoren um zwei weitere Merkmale erweitert. Zum einen Veracity und zum anderen Value.⁷⁹

Veracity bezieht sich auf die Datenqualität und die Vertrauenswürdigkeit der Daten.⁸⁰ Durch den immer stärkeren Einsatz von externen Datenquellen wie z.B. Social-Media muss sichergestellt werden, dass diese Daten vollständig, richtig und somit verlässlich sind.⁸¹ Dies ist insbesondere deshalb so wichtig, da Analysen und Entscheidungen nur so gut sind, wie die Qualität der Datenbasis aufgrund der sie erstellt bzw. getroffen wurden.⁸²

Unter Value wird nun der ökonomische Wert, den Big Data für das Unternehmen darstellt, verstanden. Dieser ist nur gewährleistet, wenn die vier vorherig genannten Merkmale gegeben sind und die Daten mit adäquaten Analytics-Methoden ausgewertet werden. Der Value drückt sich z.B. durch neue Erkenntnisse aus, die durch die Datennutzung generiert werden und die zu einem besseren Verständnis von Märkten oder Optimierungen von Prozessen führen.⁸³ Abbildung 1 soll diesen Zusammenhang nochmals bildlich verdeutlichen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Big Data Eigenschaften & Nutzen

Quelle: Eigene Darstellung in Anlehnung an: Grönke, K.; Kirchmann, M.; Leyk, J. (2014): Big Data: Auswirkungen auf Instrumente und Organisation der Unternehmenssteuerung in: Gleich, R. et al. (Hrsg.) (2014): Controlling und Big Data – Anforderungen. Auswirkungen, Lösungen, 1. Aufl., Freiburg: Haufe, S. 66.

Wie Abbildung 1 verdeutlicht, schafft Big Data alleine keinen Mehrwert für das Unternehmen. Erst wenn die Unternehmen Big Data nutzen um datengetriebene Entscheidungen zu treffen wird das volle Potenzial von Big Data entfaltet. Hierzu wird Business Analytics benötigt um Big Data für Unternehmen nutzbar zu machen.⁸⁴

Abschließend ein Zusammenfassungsversuch des Terminus „Big Data“, der aus der Ideenwerkstatt des International Controller Vereins stammt. Dieser lautet:

„Big Data beschreibt die Analyse und die Echtzeitverarbeitung großer, unstrukturierter und kontinuierlich fließender Datenmengen aus einer Vielfalt unterschiedlicher Datenquellen zur Schaffung glaubwürdiger Informationen als Basis von nutzenschaffenden Entscheidungen.“⁸⁵

5 Business Analytics

Im folgenden Kapitel wird detailliert auf Business Analytics eingegangen. Nach der Definition des Begriffes, werden die Entwicklungsstufen von Business Analytics betrachtet. Nachfolgend werden die Begriffe Business Analytics und Business Intelligence voneinander abgegrenzt. Das Kapitel schließt mit einer kurzen Erläuterung der relevanten Analysemethoden im Rahmen von Business Analytics.

Daten sind im Zuge der Digitalisierung zu einer bedeutenden Ressource geworden und die zielgerichtete Analyse dieser ist von großem Vorteil, um auch zukünftig wettbewerbsfähig zu bleiben. Für Unternehmen ist entscheidend, die Daten in für sie relevante Geschäftsinformationen zu transformieren.⁸⁶ Unter dem Begriff Business Analytics werden derzeit Technologien und Methoden diskutiert, welche das Ziel verfolgen die riesige Menge von strukturierten, semi-strukturierten und unstrukturierten Daten zu analysieren und sie somit nutzbar zu machen.⁸⁷ Algorithmen, die bei diesen Analysemethoden verwendet werden, sollen Muster, Trends und Korrelationen erkennen und diese, nach abgeschlossener Analyse, in Form von Tabellen, Grafiken oder Diagrammen zur Unterstützung von Managemententscheidungen visualisieren.⁸⁸ Getrieben wird die aktuelle Relevanz von Business Analytics von der hohen Datenverfügbarkeit in Kombination mit der Verfügbarkeit, der immer günstiger werdenden Rechenleistung.⁸⁹ Zum besseren Verständnis der Definition des Begriffs Business Analytics wird diese in zwei Teilen vorgenommen. Zunächst wird der Terminus Analytics definiert. Anschließend wird verdeutlich wie die Bezeichnung Business in diesem Zusammenhang zu interpretieren ist. Davenport und Harris definieren „Analytics“ wie folgt:

„By analytics, we mean the extensive use of data, statistical and quantitative analysis, explanatory and predictive models, and fact-based management to drive decisions and actions.“⁹⁰

Die Bezeichnung „Business“ soll verdeutlichen, dass es sich um Methoden sowie Modelle handelt, die im betrieblichen Rahmen Anwendung finden, um Managemententscheidungen zu unterstützen.⁹¹

5.1 Entwicklungsstufen von Business Analytics

Es werden grundsätzlich vier Entwicklungsstufen von Business Analytics unterschieden. Diese sind Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics, welche im Folgenden näher beschrieben werden.⁹²

Descriptive Analytics stellt die erste Stufe dar. Hier werden Daten gesammelt und beschrieben, um mögliche Muster und Zusammenhänge zu erkennen.⁹³ Descriptive Analytics kann die Entscheidungsfindung unterstützen, indem Leistungsindikatoren für die Erfolge bzw. Misserfolge der Vergangenheit aufgezeigt werden. Hierdurch kann ein besseres Verständnis für diese Leistungsindikatoren erlangt werden.⁹⁴ Descriptive Analytics eignet sich durch den Vergangenheitsbezug dazu, antworten auf die Frage: „ Was ist geschehen? “ zu geben.⁹⁵

Die zweite Entwicklungsstufe nennt sich Diagnostic Analytics. Hier werden die Ursachen für die erkannten Muster und Zusammenhänge ermittelt. Diagnostic Analytics hilft somit Antworten auf die Frage: „ Warum ist es passiert? “ zu finden.⁹⁶ Das Hauptaugenmerk liegt darin, herauszufinden warum etwas passiert ist und in welcher Beziehung das Ereignis zu anderen Variablen steht, die möglicherweise dessen Folgen begründen. Unternehmen können mit Diagnostic Analytics ihre Leistungsindikatoren überwachen und diese mittels Datenvisualisierungstools darstellen.⁹⁷

Predictive Analytics stellt die dritte Entwicklungsstufe dar. Aufbauend auf den Erkenntnissen der vorherigen Entwicklungsstufen wird hier ein Modell erstellt, mit dem in der Zukunft liegende Ereignisse, antizipiert werden können.⁹⁸ Hierzu wird eine Bandbreite von statistischen Analysemethoden eingesetzt, um wesentliche, bisher verborgene Erkenntnisse aus der bestehenden Datenbasis zu extrahieren. Diese Erkenntnisse werden dazu genutzt, um zukünftige Trends vorherzusagen.⁹⁹ Predictive Analytics ist demnach im Gegensatz zu Descriptive Analytics zukunftsbezogen¹⁰⁰ und soll Antworten auf die Frage: „ Was wird passieren? “ geben¹⁰¹. Hierdurch soll zum einen die Planung verbessert werden. Zum anderen soll ermöglicht werden, proaktiv Maßnahmen zur Kurskorrektur zu definieren, bevor die Ereignisse überhaupt eingetreten sind.¹⁰²

Die letzte Entwicklungsstufe ist Prescriptive Analytics. Auf Basis der Resultate der vorgelagerten Entwicklungsstufen, folglich den Zusammenhängen und Mustern sowie den Prognosen, werden hier Maßnahmenempfehlungen abgeleitet und deren Auswirkungen aufgezeigt.¹⁰³ Unternehmen können die Erkenntnisse und Maßnahmenempfehlungen, die aus Prescriptive Analytics gewonnen werden, dazu nutzen ihre Geschäftsprozesse zu optimieren.¹⁰⁴ Prescriptive Analytics kann somit Antworten auf Fragen wie: „ Was müssen wir tun, um ein gewünschtes Ziel zu erreichen? “ geben.¹⁰⁵

Diese Entwicklungsstufen können aufeinander aufbauend interpretiert werden. Beispielsweise können Predictive Analytics-Probleme auch deskriptive Bestandteile der vorherigen Entwicklungsstufe enthalten. Diese Probleme sollten allerdings als voneinander getrennte Probleme angesehen und behandelt werden, da die verschiedenen Entwicklungsstufen unterschiedliche Algorithmen erfordern.¹⁰⁶

Abbildung 2 soll den Zusammenhang der verschiedenen Entwicklungsstufen nochmals anhand eines Beispiels aus dem Controlling verdeutlichen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Business Analytics Entwicklungsstufen mit Beispiel

Quelle: Internationaler Controller Verein (Hrsg.) (2016): Business Analytics - Der Weg zur datengetriebenen Unternehmenssteuerung - Dream Car der Ideenwerkstatt im ICV 2016, Stuttgart, S.2.

5.2 Abgrenzung Business Analytics von Business Intelligence

Ein Begriff der häufig als Synonym für Business Analytics verwendet wird, den es deshalb abzugrenzen gilt, ist Business Intelligence. Business Intelligence existiert als Begriff bereits länger als Business Analytics.¹⁰⁷ Die Business Intelligence Technologien verwenden ausschließlich strukturierte Daten. Das Fundament dieser Technologien besteht deshalb aus einer zentralen Datenbank, auch Data Warehouse genannt, in der die unterschiedlichen Daten (z.B. aus den ERP oder CRM Systemen) zusammengefügt werden.¹⁰⁸ Die Idee hinter einem solchen Data Warehouse ist, dass Daten zentral gemanaged werden sollen, damit die Nutzer auf eine Art offizielles Datendepot zurückgreifen können, wenn relevante Daten benötigt werden.¹⁰⁹ Dieses Data Warehouse soll damit den Zweck eines Single Point of Truth erfüllen.¹¹⁰ Hier wird somit auch das erste Unterscheidungsmerkmal deutlich. Big Data besteht zum Großteil aus semi-strukturierten und unstrukturierten Daten. Der Anteil dieser Daten an Big Data, beläuft sich auf ca. 80 Prozent.¹¹¹ Da im Rahmen von Business Intelligence allerdings nur strukturierte Daten verwendet werden, wird Business Analytics benötigt um die Daten, die Big Data bereitstellt, auszuwerten und daraus einen ökonomischen Mehrwert zu schaffen.¹¹² Ein weiteres Unterscheidungsmerkmal ist der Zeitbezug. Business Intelligence ist überwiegend vergangenheitsbezogen und deskriptiv¹¹³ und fokussiert sich primär auf die Sammlung von Daten, deren Auswertung und anschließender Visualisierung, um damit Entscheidungen zu unterstützen¹¹⁴. Business Intelligence kann etwa mit Descriptive Analytics gleichgesetzt werden.¹¹⁵ Business Analytics baut hingegen, wie im vorherigen Unterkapitel beschrieben, auf der Datenanalyse auf, um daraus zusätzlich verlässliche Prognosen für die Zukunft zu generieren und die Planung zu optimieren.¹¹⁶ Damit verschiebt sich der Zeitbezug in die Zukunft. Folgende Abbildung soll diesen Zusammenhang nochmals grafisch darstellen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Einsatzgebiete Business Intelligence vs. Business Analytics

Quelle: Eigene Darstellung in Anlehnung an: Ereth, J.; Kemper, H.-G. (2016): Business Analytics und Business Intelligence - Säu-len eines integrierten Ansatzes der IT-basierten Entscheidungsunterstützung, in: Controlling - Zeitschrift für erfolgsorientierte Unternehmenssteuerung 08-09/2016, S. 459.

5.3 Relevante Analysemethoden

Für eine erfolgreiche Umsetzung von Business Analytics in der betrieblichen Praxis müssen zunächst, die zur Fragestellung passenden Analysemethoden identifiziert und anschließend angewendet werden.¹¹⁷ Grundsätzlich lassen sich die Analysemethoden in strukturprüfende und strukturentdeckende Analysemethoden unterscheiden.¹¹⁸

5.3.1 Strukturprüfende Analysemethoden

Das Hauptaugenmerk bei den strukturprüfenden Analysemethoden liegt darin, Zusammenhänge und ggf. Kausalitäten zwischen einer abhängigen und einer oder mehreren unabhängigen Variablen zu betrachten.¹¹⁹ Bei dieser Analysemethode werden bereits theoretische Vorüberlegungen getroffen, wie die Variablen zusammenhängen könnten. Es findet demnach eine Überprüfung der Zusammenhänge statt.¹²⁰ In Abbildung 4 werden die wichtigsten strukturprüfenden Analysemethoden abgebildet und anschließend kurz erläutert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Übersicht strukturprüfende Analysemethoden

Quelle: Eigene Darstellung in Anlehnung an: Internationaler Controller Verein (Hrsg.) (2016): Business Analytics - Der Weg zur datengetriebenen Unternehmenssteuerung - Dream Car der Ideenwerkstatt im ICV 2016, Stuttgart, S.8.

Die Regressionsanalyse dient zum einen der Beschreibung und Erklärung von Zusammenhängen und zum anderen der Durchführung von Prognosen.¹²¹ Hierzu wird eine mathematische Funktion erstellt, die eine abhängige sowie eine oder mehrere unabhängige Variablen enthält. Der Wert der abhängigen Variable (z.B. Umsatz) soll mithilfe der unabhängigen Variablen prognostiziert werden.¹²² Mit Regressionsanalysen können solche Beziehungen bestimmt und weitestgehend genau beschrieben werden. Als Beispiel könnte hier der Zusammenhang identifiziert werden, ob und wie die Absatzmenge eines Produktes vom Wetter abhängt.¹²³

Eine Erweiterung der konventionellen Regressionsanalyse stellt die nichtlineare Regression dar. Der Regressionsanalyse liegen ausschließlich lineare Zusammenhänge zugrunde. Die nichtlineare Regression erweitert die Bandbreite der Anwendung um willkürlich Beziehungen zwischen abhängiger und unabhängiger Variablen, was allerdings zu einem steigenden Rechenaufwand führt. Als Beispiel wäre hier die Untersuchung des Wachstums eines neuen Produktes zu nennen.¹²⁴

Die Zeitreihenanalyse dient zum einen der Beschreibung der zeitlichen Entwicklung einer Variablen und zum anderen der Prognose zukünftiger Veränderungen.¹²⁵ Ein Anwendungsbeispiel dafür wäre die Prognose des Absatzvolumens für ein Produkt über einen bestimmten Zeitraum hinweg.¹²⁶

Varianzanalysen kommen zum Einsatz, wenn die unabhängige Variable nominal skaliert ist und die abhängigen Variablen metrisch skaliert sind.¹²⁷ Das häufigste Anwendungsfeld der Varianzanalyse, stellt die Analyse von Experimenten dar. Ein Beispiel dafür wäre, die Analyse der Auswirkungen bei der Verwendung einer alternativen Produktverpackung.¹²⁸ Sind jedoch die abhängigen Variablen nominal skaliert und ist die unabhängige Variable metrisch skaliert kommt die Diskriminanzanalyse zum Einsatz. Mithilfe der Diskriminanzanalyse können Unterschiede von Gruppen analysiert und Gruppenzugehörigkeiten prognostiziert werden. Ein Beispiel wäre, die Klassifizierung der Vertriebsmitarbeiter nach erwartetem Verkaufserfolg.¹²⁹

Die logistische Regression hat ein ähnliches Anwendungsspektrum wie die Diskriminanzanalyse. Gegenstand der Untersuchung ist hier die Wahrscheinlichkeit einer Gruppenzugehörigkeit, in Dependenz von einer oder mehreren unabhängigen Variablen. Im Gegensatz zur Diskriminanzanalyse können hier die unabhängigen Variablen sowohl nominal als auch metrisch skaliert sein.¹³⁰ Ein mögliches Beispiel wäre, das Ausfallrisiko eines Lieferanten in Abhängigkeit der Variablen „Unternehmensgröße“ und „Fuhrparkgröße“ zu ermitteln.¹³¹

Kontingenzanalysen finden Anwendung, wenn die abhängige und die unabhängigen Variablen ausschließlich nominal skaliert sind. Die Daten werden hierzu in einer Kreuztabelle angeordnet um Zusammenhänge zu erkennen. In einem weiteren Schritt soll mittels der Kontingenzanalyse festgestellt werden ob ein systema­tischer Zusammenhang vorliegt.¹³² Ein Beispiel wäre zu analysieren ob Produkte, die in einem Testmarkt getestet wurden, erfolgreicher sind als die nicht getesteten Produkte.¹³³

Die bisher beschriebenen Analysemethoden unterstellen, dass alle Variablen in der Realität beobachtbar sind und somit auch gemessen werden können. Sind die zu untersuchenden Variablen jedoch nicht direkt beobachtbar (sog. latente Variablen) werden Strukturgleichungsmodelle angewandt.¹³⁴ Solche latenten Variablen können in Form von psychologischen- bzw. soziologischen Gebilden wie Zufriedenheit, Vertrauen, Motivation oder auch Kultur auftreten.¹³⁵ Als Beispiel kann hier die Abhängigkeit der Kundentreue von der subjektiv wahrgenommenen Servicequalität angeführt werden.¹³⁶

Bei Conjoint – Analysen sind die abhängigen Variablen häufig ordinal skaliert.¹³⁷ Mit diesem Verfahren können Präferenzen und Auswahlentscheidungen analysiert werden.¹³⁸ Ein Beispiel wäre zu analysieren, welche Produktmerkmale bei der Kaufentscheidung eines bestimmten Produktes für den Käufer wichtig sind.¹³⁹

5.3.2 Strukturentdeckende Analysemethoden

Bei den strukturentdeckenden Analysemethoden sind, im Gegensatz zu den strukturprüfenden Analysemethoden, keine Vorüberlegungen vorhanden. Deshalb ist das Ziel dieser Analysemethoden die Zusammenhänge zwischen den Variablen und Objekten zu entdecken.¹⁴⁰ In Abbildung 5 werden die wichtigsten strukturentdeckenden Analysemethoden abgebildet und anschließend kurz erläutert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Übersicht strukturentdeckende Analysemethoden

Quelle: Eigene Darstellung in Anlehnung an: Internationaler Controller Verein (Hrsg.) (2016): Business Analytics - Der Weg zur datengetriebenen Unternehmenssteuerung - Dream Car der Ideenwerkstatt im ICV 2016, Stuttgart, S.8.

Die Faktorenanalyse hat das Ziel eine Vielzahl von erfragten Variablen zu reduzieren, um die Frage zu beantworten ob sich diese Vielzahl der Variablen, auf eine möglichst geringe Anzahl an „zentralen Faktoren“ bündeln lässt.¹⁴¹ Ein Beispiel wäre eine Verdichtung von vielen Beurteilungen über Eigenschaften, die bei einer Kaufentscheidung eine Rolle spielen, auf wenige wesentliche Einflussfaktoren.¹⁴² Bei der Clusteranalyse steht hingegen nicht die Bündelungen von Variablen, sondern von Objekten, im Fokus.¹⁴³ Hiermit wird das Ziel verfolgt die Objekte in Gruppen (sog. Clustern) zusammenzufassen, bei denen die Objekte innerhalb einer Gruppe sich möglichst stark ähneln und die Gruppen selbst sich möglichst stark voneinander unterscheiden.¹⁴⁴ Ein klassisches Beispiel wäre Marktsegmente zu bilden anhand von nachfragerelevanten Eigenschaften der Käufer.¹⁴⁵

Neuronale Netze sind Systeme, deren Aufbau und Funktionsweise an die Informationsverarbeitungsprozesse des menschlichen Gehirns angelehnt sind.¹⁴⁶ Sie bestehen aus einer Vielzahl von Neuronen, die alle miteinander verbunden sind. Auch lückenhaften oder widersprüchlichen Daten können von neuronalen Netzen verarbeitet werden, da sie in einer Trainingsphase lernen die zentralen Strukturen zu erkennen. Diese Systeme sind im Stande selbständig anhand von Erfahrungen zu lernen. Mittels Algorithmen werden Strukturmuster erkannt und selbstständig interpretiert. Hierdurch passt sich das neuronale Netz in einem permanenten Prozess automatisch an die neuen Kausalzusammenhänge an. Häufiges Einsatzgebiet der neuronalen Netzte sind unter anderem die Prognoseplanung und Optimierungsmodelle.¹⁴⁷

Die Multidimensionale Skalierung wird häufig bei der Positionierungsanalyse angewandt. Sie verfolgt das Ziel, die zu untersuchenden Objekte, in einem Koordinatensystem so anzuordnen, dass die räumliche Distanz zwischen den Objekten möglichst genau deren tatsächlicher Ähnlichkeit entspricht.¹⁴⁸ Die Objekte werden innerhalb des Koordinatensystems so angeordnet, dass Objekte die sich stark ähneln nah beieinander liegen.¹⁴⁹ Ein Beispiel wäre die gemeinsame Darstellung von Produktmarken und Produkteigenschaften in einem Raum.¹⁵⁰

Die Korrespondenzanalyse wird zur Visualisierung komplexer Daten genutzt. Sie weißt somit Ähnlichkeiten zur Faktorenanalyse und zur eben genannten multidimensionalen Skalierung auf. Durch sie wird ermöglicht, sowohl die Zeilen als auch die Spalten einer zweidimensionalen Kreuztabelle, grafisch in einem Raum abzubilden.¹⁵¹

6 Einsatzmöglichkeiten und Praxisbeispiele des Einsatzes von Business Analytics in der Absatz-/Umsatzplanung

Im vorherigen Kapitel wurden, die im Rahmen von Business Analytics relevanten Analysemethoden, kurz erläutert. In diesem Kapitel soll aufgezeigt werden, wie Business Analytics nutzbringend in die Absatz-/Umsatzplanung implementiert werden kann.

Wie in Kapitel 2.2 bereits beschrieben, ist ein zentraler Prozess der Absatzplanung die Erstellung von verlässlichen Forecasts. Hier gibt es die größten Nutzenpotenziale durch Business Analytics für die Absatz-/Umsatzplanung.¹⁵² Die Prognose von Absatz und Umsatz wird in der Fachliteratur kaum behandelt und auch in der betrieblichen Praxis wird eher auf die praktischen und leicht handhabbaren Schätzungen zurückgegriffen.¹⁵³ Anstatt statistische Prognosemethoden zum Einsatz zu bringen, werden häufig einfache Prognosemethoden wie die historische Fortschreibung verwendet.¹⁵⁴ Dieses Bild bestätigt auch eine Studie des Business Application Research Center (BARC). Im Rahmen dieser Studie wurden 308 Mitarbeiter mit Planungshintergrund, aus der DACH-Region, die in Unternehmen aller Größenklassen (von weniger als 500 Mitarbeitern bis zu 5000 und mehr Mitarbeitern) beschäftigt sind, befragt, inwiefern sie bereits prädiktive Methoden bei der Planung und dem Forecasting einsetzen. Nur fünf Prozent der befragten Unternehmen setzen solche Methoden bereits erfolgreich ein. Die Ergebnisse der Befragung lassen allerdings vermuten, dass sich das in Zukunft ändern wird. So befinden sich neun Prozent der Befragten bereits in der Implementierungsphase und weitere 26 Prozent sind bereits dabei den notwendigen Know-how-Aufbau zu forcieren und erste Erfahrungen zu machen.¹⁵⁵

Forecasts werden in der Regel monatlich oder quartalsweise erstellt.¹⁵⁶ In größeren Unternehmen werden dazu die einzelnen Prognosen der jeweiligen Geschäftsbereiche oder Markteinheiten zusammengefasst. Diese Vorgehensweise birgt eine Reihe von Schwachstellen.¹⁵⁷ Zum einen ist hier ein enormer Aufwand in Form von Zeit und Ressourcen zu nennen, um die individuellen Prognosen einzelner Markteinheiten auf eine Einschätzung für das gesamte Unternehmen zu konsolidieren.¹⁵⁸ Die einzelnen Unternehmenseinheiten verwenden häufig verschiedene Verfahren, um anhand ihrer Ist-Daten Prognosen zu erstellen. Diese müssen anschließend in einem mehrstufigen Prozess, über mehrere Hierarchieebenen hinweg, aggregiert, ausgewertet und angepasst werden. Dies führt zum einen dazu das eine Vielzahl von Mitarbeitern in diesem Prozess gebunden sind. Zum anderen beträgt die Dauer dieses Prozesses mehrere Tage, bis das Management mit den entscheidungsrelevanten Informationen versorgt und somit handlungsfähig wird. Durch die dezentrale Erstellung der einzelnen Forecasts werden außerdem systematische Wechselbeziehungen nicht erfasst.¹⁵⁹ Des Weiteren gelten die Prognosen der einzelnen Unternehmenseinheiten häufig als unternehmenspolitisch geprägt.¹⁶⁰

[...]

---

¹ Vgl. Kieninger; Schimank 2017, S.4-5.

² Vgl. Internationaler Controller Verein (Hrsg.) 2018, online.

³ Vgl. Kieninger; Schimank 2017, S.4-5.

⁴ Vgl. Bauer 2017, S.4

⁵ Vgl. Erner; Hammer 2019, S. 133.

⁶ Vgl. Erner; Hammer 2019, S. 133.

⁷ Vgl. Bauer 2017, S.4-5.

⁸ Vgl. Kieninger; Schimank 2017, S.5-6.

⁹ Vgl. Nabavi; Olson 2019, S.1.

¹⁰ Vgl. Kieninger; Schimank 2017, S. 6.

¹¹ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.4.

¹² Vgl. Behringer 2018, S.6.

¹³ Vgl. Kappes; Leyk 2018, S.4.

¹⁴ Vgl. Behringer 2018, S.63

¹⁵ ebd.

¹⁶ Vgl. Schön 2016, S. 7.

¹⁷ Horvath; Gleich; Seiter 2015, S. 68.

¹⁸ Vgl. Barth; Barth 2008, S. 91.

¹⁹ Vgl. International Group of Controlling (Hrsg.) 2011, S.23.

²⁰ Vgl. Weber; Schäffer 2016, S.275.

²¹ Vgl. Barth; Barth 2008, S. 91.

²² Vgl. Hauer; Ultsch 2010, S.64.

²³ Vgl. International Group of Controlling (Hrsg.) 2011, S.25.

²⁴ Vgl. Weber; Schäffer 2016, S.275.

²⁵ Vgl. Behringer 2018, S.63.

²⁶ Vgl. Barth; Barth 2008, S.83

²⁷ Vgl. Schwinn 1996, S.88

²⁸ Vgl. Barth; Barth 2008, S.85-86

²⁹ Vgl. Hammer 2015, S.210.

³⁰ Vgl. Koschnick 1995, S.9.

³¹ Vgl. Möller et al. 2016, S.510.

³² Vgl. Bleiber 2018, S.40-41.

³³ Vgl. Schön 2016, S. 118.

³⁴ Vgl. Biedermann 2014, S. 146.

³⁵ Vgl. Hans 2009, S.125.

³⁶ Vgl. Biedermann 2014, S. 146.

³⁷ Vgl. Bleiber 2018, S.40-41.

³⁸ Vgl. International Group of Controlling (Hrsg.) 2011, S.28.

³⁹ Vgl. Chen; Lu 2016, S. 2633.

⁴⁰ Vgl. Mor et al. 2019, S.87.

⁴¹ Vgl. Chen; Lu 2016, S. 2633-2634.

⁴² Vgl. Krefeld; Hans 2018, S.37.

⁴³ Vgl. Abidi; Joshi 2018, S.2.

⁴⁴ Vgl. Kappes; Schentler 2019, S. 57.

⁴⁵ Vgl. Kappes; Leyk 2018, S.4.

⁴⁶ Vgl. Haufe online Redaktion (Hrsg.) 2010, online.

⁴⁷ Vgl. Tattyrek; Lochner; Waniczek 2017, S. 160.

⁴⁸ Vgl. Thiele 2019, S.43.

⁴⁹ Vgl. Mack; Khare 2016, S. 5.

⁵⁰ Vgl. Erner; Hammer 2019, S. 133.

⁵¹ Vgl. Losbicher 2013, S.59.

⁵² Vgl. Schäffer et al. 2014, S.11.

⁵³ Internationaler Controller Verein (Hrsg.) 2013, S.4.

⁵⁴ Vgl. Moskaliuk 2019, S.2.

⁵⁵ Vgl. Graf; Gramß; Edelkraut 2017, S.16.

⁵⁶ Vgl. Moskaliuk 2019, S.2.

⁵⁷ Vgl. Drath 2016, S.32.

⁵⁸ Vgl. Leppert; Posor 2019, S.303.

⁵⁹ Vgl. Graf; Gramß; Edelkraut 2017, S.16.

⁶⁰ Vgl. Leppert; Posor 2019, S.303.

⁶¹ Vgl. Graf; Gramß; Edelkraut 2017, S.16.

⁶² Vgl. Möller; Pieper 2015, S.41.

⁶³ Vgl. Horney; O’Shea 2015, S.3-5

⁶⁴ Vgl. Krefeld; Hans 2018, S.39.

⁶⁵ Vgl. Internationaler Controller Verein (Hrsg.) 2014, S.3.

⁶⁶ Vgl. Gadatsch 2016, S.63.

⁶⁷ Vgl. Tröbs; Mengen 2018, S.3-4.

⁶⁸ Vgl. Elgendy; Elragal 2016, S. 1072.

⁶⁹ Vgl. King 2014, S.35.

⁷⁰ Vgl. Yadav; Sohal 2017, S. 156.

⁷¹ Vgl. Internationaler Controller Verein (Hrsg.) 2014, S.3.

⁷² Vgl. Fasel; Meier 2016, S.6.

⁷³ Vgl. Internationaler Controller Verein (Hrsg.) 2014, S.3.

⁷⁴ Vgl. Makowski 2015, S.11

⁷⁵ Vgl. Dorschel; Dorschel 2015, S.8.

⁷⁶ Vgl. Internationaler Controller Verein (Hrsg.) 2014, S.4.

⁷⁷ Vgl. Stratigakis; Kallen 2017, S.35.

⁷⁸ Vgl. Dorschel; Dorschel 2015, S.7.

⁷⁹ Vgl. Gadatsch 2016, S.63.

⁸⁰ Vgl. Pendyala 2018, S.6.

⁸¹ Vgl. Dorschel; Dorschel 2015, S.8.

⁸² Vgl. Öner; Yüregir 2019, S.22.

⁸³ Vgl. Tröbs; Mengen 2018, S.5.

⁸⁴ Vgl. Gandomi; Haider 2015, S.140.

⁸⁵ Internationaler Controller Verein (Hrsg.) 2014, S.5.

⁸⁶ Vgl. Heimel: Müller 2019, S. 403.

⁸⁷ Vgl. Nabavi; Olson 2019, S.1.

⁸⁸ Vgl. Marjani et al. 2017, S. 5249.

⁸⁹ Vgl. Biel 2018, S.37.

⁹⁰ Davenport; Harris 2007, S.7.

⁹¹ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.1.

⁹² Vgl. Chahal; Jyoti; Wirtz 2019, S.2-3.

⁹³ Vgl. Hoening; Esch; Wald 2017, S.35.

⁹⁴ Vgl. El Morr; Ali-Hassan 2019, S.16.

⁹⁵ Vgl. Langmann 2019, S.6.

⁹⁶ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.1.

⁹⁷ Vgl. El Morr; Ali-Hassan 2019, S.17.

⁹⁸ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.1.

⁹⁹ Vgl. Mohmmad; Butt; Zaman 2017, S.13.

¹⁰⁰ Vgl. Langmann 2019, S.6.

¹⁰¹ Vgl. Sivarajah et al. 2017, S.266.

¹⁰² Vgl. El Morr; Ali-Hassan 2019, S.18.

¹⁰³ Vgl. Appelbaum et al. 2017, S. 32.

¹⁰⁴ Vgl. Sivarajah et al. 2017, S.276.

¹⁰⁵ Vgl. Pusala et al. 2016, S.17.

¹⁰⁶ Vgl. Seiter 2017, S.25.

¹⁰⁷ Vgl. Seiter 2017, S.20.

¹⁰⁸ Vgl. Hoening; Esch; Wald 2017, S.30-33.

¹⁰⁹ Vgl. EMC Education Services (Hrsg.) 2015, S. 9-10.

¹¹⁰ Vgl. Ereth; Kemper 2016, S.460.

¹¹¹ Vgl. Arora 2019, S.15-16.

¹¹² Vgl. Hoening; Esch; Wald 2017, S.30-33.

¹¹³ Vgl. Gronau; Thim; Fohrholz 2016, S.472.

¹¹⁴ Vgl. Gray 2013, S.137

¹¹⁵ Vgl. El Morr; Ali-Hassan 2019, S.16.

¹¹⁶ Vgl. Chamoni; Gluchowski 2017, S.9.

¹¹⁷ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.8.

¹¹⁸ Vgl. Goldenstein; Hunoldt; Walgenbach 2018, S.127.

¹¹⁹ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.8.

¹²⁰ Vgl. Backhaus et al. 2016, S.16.

¹²¹ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.9.

¹²² Vgl. Seiter 2017, S.60.

¹²³ Vgl. Backhaus et al. 2016, S.16.

¹²⁴ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.9.

¹²⁵ Vgl. Knauer; Brück; Nikiforow 2019, S. 5.

¹²⁶ Vgl. Backhaus et al. 2016, S.17.

¹²⁷ Vgl. Eckey; Kosfeld; Rengers 2002, S.93.

¹²⁸ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.10.

¹²⁹ Vgl. Backhaus et al. 2016, S.18.

¹³⁰ Vgl. Backhaus et al. 2016, S.18.

¹³¹ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.10.

¹³² Vgl. Gertheiss; Tutz 2009, S.433.

¹³³ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.10.

¹³⁴ Vgl. Backhaus et al. 2016, S.19.

¹³⁵ Vgl. Hair et al. 2017, S.6.

¹³⁶ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.11.

¹³⁷ Vgl. Backhaus et al. 2016, S.19.

¹³⁸ Vgl. Holland 2016, S.290.

¹³⁹ Vgl. Fiedler et al.2017, S.1.

¹⁴⁰ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.8.

¹⁴¹ Vgl. Rinkenburger 2009, S. 457.

¹⁴² Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.11.

¹⁴³ Vgl. Backhaus et al. 2016, S.21.

¹⁴⁴ Vgl. Holland 2016, S.289.

¹⁴⁵ Vgl. Backhaus et al. 2016, S.21.

¹⁴⁶ Vgl. Zabel 2015, S.7.

¹⁴⁷ Vgl. Holland 2016, S. 284-285.

¹⁴⁸ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.12.

¹⁴⁹ Vgl. Holland 2016, S.290.

¹⁵⁰ Vgl. Internationaler Controller Verein (Hrsg.) 2016, S.12.

¹⁵¹ Vgl. Backhaus et al. 2016, S.22-23.

¹⁵² Vgl. Dülken et al. 2017, S.174-175.

¹⁵³ Vgl. Lachnit; Müller 2012, S.119.

¹⁵⁴ Vgl. BearingPoint GmbH (Hrsg.) 2015, online.

¹⁵⁵ Vgl. Tischler; Fuchs; Engel 2018, S.16.

¹⁵⁶ Vgl. International Group of Controlling (Hrsg.) 2011, S.29.

¹⁵⁷ Vgl. Satzger; Holtmann; Peter 2018, S.49.

¹⁵⁸ Vgl. Mayer; Stegmüller; Zeibig 2017, S.231.

¹⁵⁹ Vgl. Satzger; Holtmann; Peter 2018, S.49.

¹⁶⁰ Vgl. Mehanna; Tatzel; Vogel 2016, S.504.