Wie verändert sich die Rolle des Controllers im Reporting 4.0? Auswirkungen der Digitalisierung auf das Controlling

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Methodik

2 Digitalisierung im Controlling
2.1 Definition der Digitalisierung
2.2 Grundlagen und Begriffe der Digitalisierung
2.3 Auswirkungen der digitalen Transformation auf das Controlling
2.4 Zukünftiges Rollenverständnis und Kompetenzmodell des Controllers

3 Management Reporting
3.1 Definition
3.2 Ziele und Funktionen vom Reporting
3.3 Die klassischen Schritte im Reporting
3.4 Berichtsarten
3.5 Herausforderungen und Probleme im Reporting

4 Reporting 4.0
4.1 Datensammlung
4.2 Datenaufbereitung
4.3 Datendarstellung/ Berichterstellung
4.4 Datenanalyse

5 Fazit und Ausblick

Literaturverzeichnis

Anhang

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 © Science Factory 2021

Ein Imprint der GRIN Publishing GmbH, München

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

Covergestaltung: GRIN Publishing GmbH

Abbildungsverzeichnis

Abbildung 1: BI-Ordnungsrahmen

Abbildung 2: Horvath & Partners-Definition von Big Data

Abbildung 3: Überblick über die unterschiedlichen Analytics-Ausprägungen

Abbildung 4: Auswirkungen der digitalen Transformation auf die Controlling-Teilprozesse

Abbildung 5: Aufgabenverteilung von Manager, Controller und Data Scientst

Abbildung 6: Kompetenzmodell

Abbildung 7: Prozesskette Informationsversorgung

Abbildung 8: Typische Prozessschritte im Reporting-Prozess

Abbildung 9: Übersicht Dimensionen im Stammdaten-Management

Abbildung 10: Einteilung der Tätigkeitsbereiche einer Reporting Factory

Abbildung 11: Möglichkeiten und Grenzen von Robotic Process Automation

Abbildung 12: Entwicklungsstufen der Automatisierungstechnologien

Abbildung 13: Ablauf eines Data-Mining-Prozesses

Abbildung 14: Analysemethoden im Überblick

Abkürzungsverzeichnis

BARC Business Application Research Center

BI Business Intelligence

bzw. beziehungsweise

DV Datenverarbeitung

EBITDA earnings before interest, taxes, depreciation and amortization

et al. et alii (und andere)

GuV Gewinn- und Verlustrechnung

IT Informationstechnik

Mrd. Milliarde

RDA Robotic Desktop Automation

RPA Robotic Process Automation

S. Seite

sog. sogenannte

SSR Self-Service Reporting

u. a. unter anderem

VBA Visual Basic for Applications

vgl. vergleiche

z. B. zum Beispiel

1 Einleitung

1.1 Problemstellung

Das Thema Digitalisierung und die damit verbundenen Begriffe wie Business Intelligence, Big Data, Internet of Things, Industrie 4.0 etc. sind momentan in aller Munde. Dabei ist die Digitalisierung schon lange kein hypothetisches Zukunftsszenario mehr, sondern ein langfristig anhaltender Wandlungsprozess, der bereits heute jedes Unternehmen betrifft.¹ Eine Studie zeigt, dass mittlerweile zwei Drittel der befragten Unternehmen eine Digitalisierungsstrategie haben oder sich zumindest damit beschäftigen. Dabei betrifft die Digitalisierung nicht nur die Produktionsprozesse. Bei über 90 % der befragten Unternehmen sind die Bereiche Rechnungswesen und Controlling Bestandteil der Digitalisierungsstrategie.² Zurzeit starten Unternehmen vielfältige Initiativen zur Digitalisierung im Controlling.³ Dabei geht es vor allem um die Digitalisierung des Reportings, denn viele Unternehmen sind mit ihrem derzeitigen Reporting-Prozess unzufrieden. Nach Horváth möchte jedes dritte Unternehmen den Aufwand im Reporting deutlich reduzieren.⁴

Wie Unternehmen diesen Aufwand reduzieren können und welche weiteren Optimierungsmaßnahmen es im Rahmen von Reporting 4.0⁵ gibt, ist zentraler Bestandteil dieser Arbeit. Zusätzlich werden die Auswirkungen der Digitalisierung auf das Controlling erläutert. Dies beinhaltet u. a. die Fragen inwieweit sich die Rolle des Controllers verändern wird und ob die Digitalisierung sogar eine Gefahr für den ganzen Berufsstand darstellen könnte?

1.2 Methodik

Die theoretische Aufbereitung des Themas mittels Literaturrecherche beginnt, indem zunächst die Digitalisierung und verwandte Begriffe definiert werden. Im Anschluss werden die Auswirkungen der Digitalisierung auf das Controlling im Allgemeinen erläutert. Der Schwerpunkt dieser Masterarbeit wurde auf das Management Reporting gelegt, da dieser Controlling-Prozess am meisten Optimierungspotenziale aufweist.⁶ Unter dem Begriff Reporting 4.0 werden die Einflüsse der Digitalisierung auf das klassische Reporting aufgezeigt. Deshalb entspricht die Gliederungsstruktur des Kapitels Reporting 4.0 auch dem klassischen Reporting-Prozess.

2 Digitalisierung im Controlling

2.1 Definition der Digitalisierung

Für den Begriff Digitalisierung gibt es keine offizielle und klare Definition. In der Literatur finden sich viele unterschiedliche Auslegungen des Begriffes wieder.⁷ Streng genommen bedeutet Digitalisierung die „Umwandlung von Informationen […] in Zahlenwerte zum Zwecke ihrer elektronischen Bearbeitung, Speicherung oder Übertragung“.⁸ Im Englischen spricht man in diesem Fall von „Digitization“, welches aber nicht verwechselt werden darf mit dem Begriff „Digitalization“. Denn dieser Begriff, der ebenfalls im Deutschen mit Digitalisierung übersetzt wird, beschreibt die Einführung neuer, auf digitalen Technologien basierender Lösungen.⁹

Häufig wird der Begriff Digitalisierung als Synonym für die digitale Transformation verwendet. Die digitale Transformation geht aber einen Schritt weiter und beschreibt die derzeitigen Entwicklungen, die durch digitale Technologien hervorgerufen werden.¹⁰ Dieser Wandel findet sich in allen Lebensbereichen wieder. Zum Beispiel verändern sich Produkte und Prozesse in Unternehmen und Privatpersonen kaufen vermehrt im Online-Handel.¹¹

2.2 Grundlagen und Begriffe der Digitalisierung

Die Digitalisierung wird in der Praxis häufig mit einer Reihe von Begriffen in Verbindung gebracht.¹² Einige dieser Begriffe sind für viele Personen geläufig, für andere dagegen völlig unbekannt.

Um ein besseres Verständnis zu bekommen, werden diese grundlegenden Begriffe in den folgenden Kapiteln kurz erläutert.

2.2.1 Business Intelligence

Der Begriff Business Intelligence oder abgekürzt BI ist in der Wissenschaft und Praxis ein sehr populärer Begriff.¹³ In der Literatur existiert deshalb auch eine große Definitionsvielfalt.¹⁴ Business Intelligence wortwörtlich ins Deutsche übersetzt würde „Geschäftsintelligenz“ bedeuten. Dies wäre aber eine falsche Übersetzung, da das Wort „Intelligence“ eher für die Umwandlung von Informationen in Wissen steht.¹⁵ Der Gartner -Analyst Howard Dresner definierte schon Anfang der 1990er Jahren den Begriff wie folgt: „Business Intelligence is the process of transforming data into information and, through discovery into knowlede“.¹⁶

Nach einer weiteren Definition versteht man unter BI einen Sammel- oder Oberbegriff, der die entscheidungsorientierende Datenaufbereitung, Datenspeicherung sowie die Datenauswertung und Visualisierung der Daten beinhaltet.¹⁷

Auf Basis dieser Definition wurde ein BI-Ordnungsrahmen entworfen (Abbildung 1), der alle Ebenen von Business Intelligence aufzeigt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: BI-Ordnungsrahmen

Quelle: Kemper, H. G./ Baars, H./ Mehanna, W. (2010): Business Intelligence, S. 11.

Im unteren Teil der Grafik sind die Ebenen Datenanbindung und Datenbereitstellung zu sehen. Unklar bleibt hier, ob die Extraktion der Datenanbindung Teil des BI ist, oder ob der Prozess vorgelagert ist.¹⁸ Die Analyse und Verteilung der Daten folgt dann in der Informationsgenerierung/ -distribution Ebene. Um die vielfältigen steuerungsrelevanten Informationen mit Hilfe sog. BI-Portale abrufen zu können, sind komfortable Benutzerschnittstellen erforderlich.¹⁹

Obwohl es unterschiedliche Auffassungen gibt, wie der Begriff zu interpretieren ist, verfolgt Business Intelligence letztendlich das Ziel, geschäftsrelevante Erkenntnisse aus Informationen zu gewinnen, die als fundierte Grundlage für Managemententscheidungen dienen.²⁰

2.2.2 Big Data

Da die Welt immer mehr miteinander vernetzt wird und immer mehr Geräte mit dem Internet verbunden werden,²¹ resultieren daraus enorme Ansammlungen von Informationen. Diese große Masse an Daten wird als Big Data bezeichnet, wobei der Begriff sehr ungenau ist und von vielen Akteuren inflationär verwendet wird.²² Zum Beispiel ist die Bezeichnung „Big“ sehr relativ und für jedes Unternehmen unterschiedlich.²³

Um den Begriff besser zu konkretisieren, wurden die „drei Vs“ (im Englischen: Variety, Volume, Velocity), erstmalig im Jahr 2001 vom Gartner-Analysten Doug Laney, als Begriffsmerkmale gekennzeichnet.²⁴

· Variety (Vielfalt): Kennzeichnet die Verschiedenheit der Datenquellen. Zum Beispiel stammen Daten aus unternehmensinternen und -externen Quellen. Sie können strukturiert (z. B. Datenbanken), halbstrukturiert (z. B. Logfiles) und unstrukturiert (z. B. Social Media, Videos und Bilder) vorkommen.²⁵ Gerade bei der Analyse unstrukturierter Daten scheitern oft herkömmliche Datenbanksysteme und dies ist eine Kernaufgabe von Big Data.²⁶ Diese Vielfältigkeit der Daten ist Chance aber auch Herausforderung für Big Data, denn rund 85 % der Daten liegen in unstrukturierter Form vor.²⁷

· Volume (Datenmenge): Beschreibt die Masse an Daten, die innerhalb der Technologien von Big Data verarbeitet werden müssen. Das Datenvolumina besteht dabei aus großen Datenmengen von Terrabytes bis hin zu Petabytes, als auch aus vielen kleinen Datenmengen, die es gemeinsam zu analysieren gilt.²⁸

· Velocity (Geschwindigkeit): Beschreibt einerseits die Geschwindigkeit, in der die Daten generiert und analysiert werden²⁹, andererseits beschreibt es die Schnelllebigkeit, in der sich Daten ständig verändern und dabei ihre Aussagekraft verlieren.³⁰ Um diese Gültigkeit der Aussagen zu gewährleisten, nähert sich die Datengenerierung und -verarbeitung immer weiter der Echtzeit an.³¹

Diese drei Eigenschaften von der Gartner Group werden häufig noch in der Literatur um den Aspekt der Veracity erweitert.³²

· Veracity (Zuverlässigkeit bzw. Richtigkeit): Es muss sichergestellt werden, dass die Daten auf Glaubwürdigkeit und Zuverlässigkeit überprüft werden.³³ Während strukturierte Daten z. B. aus einer Datenbank eine zumeist hohe Konsistenz und Validität aufweisen, sind unstrukturierte Daten z. B. Social Media-Daten geprägt von einer sehr hohen Subjektivität und von unterschiedlichen zeitlichen und inhaltlichen Kontexten. Die große Herausforderung bei der Nutzung von Big Data ist es, auch diese Faktoren bei der Planung, Umsetzung und Bewertung von Analysen zu berücksichtigen.³⁴

Durch den Einsatz von Big Data Analytics (Auswertungen der Daten) können Unternehmen einen wirtschaftlichen Nutzen (Value) gewinnen, indem sie einen besseren Einblick und ein besseres Verständnis über den Markt erlangen.³⁵ Unternehmen können dadurch neue Produkte und Dienstleistungen entwickeln und schneller auf unternehmensrelevante Veränderungen reagieren.³⁶

Abbildung 2 zeigt noch einmal zusammengefasst den Nutzen von Big Data im Zusammenhang mit den vier Begriffsmerkmalen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Horvath & Partners-Definition von Big Data

Quelle: Grönke, K./ Kirchmann, M./ Leyk, J. (2014): Big Data: Auswirkungen auf Instrumente und Organisation der Unternehmenssteuerung, S. 66.

2.2.3 Internet of Things

Der Begriff Internet of Things oder im Deutschen „Internet der Dinge“ bezeichnet die Vernetzung von physikalischen und virtuellen Prozessen.³⁷ Die Informationen werden aus der physischen Welt erfasst und in der digitalen Welt analysiert und weiterverarbeitet.³⁸ Produktionsanlagen werden z. B. mit dem Internet vernetzt und können dadurch selbständig und global miteinander kommunizieren.³⁹ Kommunikation erfolgt somit nicht mehr nur unter Menschen, sondern auch zwischen Maschinen sowie zwischen Mensch und Maschine.⁴⁰ Durch diese verbesserten Kommunikationsmöglichkeiten ergeben sich viel stärker ausdifferenzierte Steuerungs- und Regelungsprozesse.⁴¹ Dank der fortschreitenden Miniaturisierung und der steigenden Leistungsfähigkeit des Internets wächst der Trend von Internet of Things immer weiter.⁴² Experten schätzen, dass aufgrund der drastisch sinkenden Preise für Sensoren und der Ausweitung des IPv6-Protokolls in Verbindung mit der Analyse riesiger Datenmengen (Big Data), bis zum Jahr 2020 mehr als 50 Mrd. Geräte mit dem Internet verbunden sind.⁴³

2.2.4 Cloud Computing

Cloud Computing beschreibt das Potenzial, Nutzer mit Rechenleistung, Speicherkapazitäten oder Softwareanwendungen zu versorgen.⁴⁴ Dabei benötigt der Anwender, auch Cloud Consumer genannt, lediglich eine kompatible Schnittstelle zur Cloud.⁴⁵

Über das Internet oder Intranet wird dem Cloud Consumer die IT-Infrastruktur eines externen oder internen Anbieters bereitgestellt.⁴⁶

Vorteil hierbei ist die Kosteneinsparung durch den Verzicht von Hardware- und Software-Investitionen. Weiterhin kann der Verwaltungs- und Administrationsaufwand verringert werden, was ebenfalls zu einer Kosteneinsparung führt. Demgegenüber stehen die Kosten für die Nutzung der Cloud, die sich entweder auf Zeiträume und/oder auf Verbrauchsmengen (Datenvolumen, Rechenleistung) beziehen.⁴⁷ Die Gebühren für Softwarelizenzen könnten vermieden werden, wenn diese durch das Rechennetzwerk der Cloud zur Verfügung gestellt werden und nur nach Bedarf verrechnet werden.⁴⁸ Ob letztendlich eine signifikante langfristige Kosteneinsparung möglich ist, ist mithilfe von Total-Cost-of-Ownership-Modellen zu beantworten.⁴⁹

Ein weiterer Vorteil ist, dass die Nutzer der Cloud standortunabhängig über verschiedene Geräte auf die Daten zugreifen können. Viele Unternehmen haben trotz dieses Vorteils große Bedenken, denn große Datenmengen sind auch ein attraktives Ziel für Hacker-Angriffe.⁵⁰

2.2.5 Business Analytics

Häufig wird im Zusammenhang mit Digitalisierung von Analytics gesprochen. Dabei fallen Schlagwörter wie z. B. Advanced Analytics, Big Data Analytics, Predictive Analytics und Business Analytics. In diesem Kapitel wird versucht die unterschiedlichen Analytics- Ausprägungen einzuordnen, um Klarheit zu schaffen.

Business Analytics bezeichnet die Anwendung von statistischen mathematischen Analysemodellen, um nutzenstiftende Erkenntnisse aus verschiedenartigen Datenbeständen zu gewinnen.⁵¹

Dabei lassen sich vier Varianten von Business Analytics unterscheiden:⁵²

- Bei Descriptive Analytics werden Vergangenheitswerte gesammelt und beschrieben, um relevante Muster zu erkennen. Hier wird die Frage beantwortet: Was ist geschehen?
- Mit Hilfe von Diagnostic Analytics werden die Ursachen für die ermittelten Zusammenhänge bestimmt. Hier wird die Frage beantwortet: Warum ist es passiert?
- Predictive Analytics ist zukunftsbezogen und versucht mit Techniken und Methoden zukünftige Daten oder Situationen zu prognostizieren. Hier wird die Frage beantwortet: Was wird passieren?
- Bei der letzten Variante Prescriptive Analytics werden Handlungsempfehlungen auf Basis der ermittelten Zusammenhänge und der Prognosen abgeleitet. Hier wird die Frage beantwortet: Wie soll agiert werden?

Die beiden letzten Varianten, die die zukünftige Betrachtung in den Fokus stellen, werden als Advanced Analytics bezeichnet.⁵³

In Abbildung 3 wird ein Überblick über die unterschiedlichen Analytics-Ausprägungen dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Überblick über die unterschiedlichen Analytics-Ausprägungen

Quelle: Eigene Abbildung in Anlehnung an Gluchowski, P. (2016): Business Analytics, S. 277.

Sowohl Business Analytics als auch Business Intelligence haben den Fokus auf die Generierung von Wissen aus Daten gelegt.⁵⁴ Der Unterschied besteht darin, dass der zeitlich ältere Begriff Business Intelligence sich vor allem auf vergangenheitsorientierte Auswertungen beschränkt⁵⁵, während Business Analytics sich zusätzlich auch mit Prognosen befasst.⁵⁶

Im Gegensatz dazu ist Dietmar Schön der Auffassung, es gäbe keinen nennenswerten Unterschied zwischen den beiden Definitionen. Die Einbeziehung von prädiktiver und präskriptiver Prognosen mit Hilfe von Modellbildung wäre bereits bei Business Intelligence beinhaltet und es würde sich zeigen welcher Begriff sich in der Wissenschaft und Praxis durchsetzt.⁵⁷

Business Intelligence, Big Data Analytics und auch Business Analytics sind jedenfalls durch ihr primäres Ziel verbunden. Alle versuchen betrieblich interne und externe Prozesse zu analysieren, diese besser zu verstehen, um daraus Rückschlüsse zur Entscheidungsunterstützung zu ziehen.⁵⁸

2.3 Auswirkungen der digitalen Transformation auf das Controlling

Wie bereits in Kapitel 2.1 beschrieben, findet die digitale Transformation in allen Lebensbereichen statt. Das Controlling hat die Aufgabe mit seinen Abläufen und Prozessen die Unternehmenssteuerung erfolgreich zu unterstützen und ist deshalb vom digitalen Wandel besonders stark betroffen.⁵⁹ Um diese Auswirkungen zu untersuchen, eignet sich das Controlling-Prozessmodell⁶⁰ als Ausgangsbasis, obwohl bei einigen Umfragen nicht alle zehn Hauptprozesse berücksichtigt werden. Bereits im Jahr 2016 haben Müller und Schulmeister analysiert, wie stark einzelne Haupt- und Teilprozesse im Controlling von der digitalen Transformation betroffen sein werden.⁶¹

Abbildung 4 zeigt die Auswirkungen der digitalen Transformationen auf die Controlling-Teilprozesse.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Auswirkungen der digitalen Transformation auf die Controlling-Teilprozesse

Quelle: Müller, D. & Schulmeister, A. (2016): Auswirkung der Digitalisierung auf die Controlling-Teilprozesse.

Die Analyse erfolgte dabei auf Grundlage von elf Bewertungskriterien.⁶² Beim Management Reporting und bei der Kosten-, Leistung-, und Ergebnisrechnung sind nach diesen Kriterien die Auswirkungen der digitalen Transformation am höchsten. Die Ergebnisse der Studie von Müller und Schulmeister decken sich auch mit anderen Studien.⁶³ Nach den befragten Teilnehmern wird das Reporting ganz klar von der Digitalisierung am meisten beeinflusst. Gefolgt von drei weiteren Controlling-Hauptprozessen: Operative Planung und Budgetierung, Forecast, und Kosten-, Leistung-, und Ergebnisrechnung. Schäffer und Weber erwarten, dass in fünf Jahren die Controlling-Hauptprozesse Management Reporting, Operative Planung und Budgetierung, Forecast und Kostenrechnung am stärksten standarisiert und automatisiert sind.⁶⁴ Diese radikale Veränderung der Controlling-Prozesse hat schon größtenteils begonnen.⁶⁵ Durch diese Veränderung entstehen neue Herausforderungen für die zukünftigen Rollen des Controllers. Diese werden im nachfolgenden Kapitel erläutert.

2.4 Zukünftiges Rollenverständnis und Kompetenzmodell des Controllers

2.4.1 Auswirkung auf Rollen des Controllings

Durch die Veränderungen der Controlling-Hauptprozesse ist es vollkommen einleuchtend, dass auch die Rolle des Controllers sich weiterentwickeln muss. Dabei unterliegt die Rolle des Controllers schon seit jeher einem kontinuierlichen Wandel.⁶⁶ Am Anfang des Controllings stand der Controller als Zahlenlieferant im Vordergrund. Er war zuständig für die Bereitstellung von Daten und Zahlen aus der Kostenrechnung.⁶⁷ Durch die Verbreitung leistungsfähiger IT-Systeme und dem Fortschritt in Sachen Automatisierung etablierte sich zunehmend die Rolle des Reporters (Informationslieferant). Dieser hat die Aufgabe eine konkrete Planung und ein aussagekräftiges Berichtswesen bereitzustellen und die darin enthaltenen Kennzahlen zu interpretieren.⁶⁸

Das schlichte Bereitstellen von Zahlen und Reports benötigt zahlreiche Routineaufgaben, die auch von Robotern, Künstlichen Intelligenzen, durch maschinelles Lernen und Ähnliches durchgeführt werden können.⁶⁹ Einigen Studien zufolge könnten viele Arbeitsplätze Opfer der Automatisierung werden, darunter auch sehr viele im Finance-/Accounting-Bereich.⁷⁰ Zum Beispiel nach der Studie aus dem Jahre 2013 von Frey und Osborne ist die Existenz von „Accountants und Auditors“ mit einer Wahrscheinlichkeit von 94 % durch Automatisierung bedroht.⁷¹

Auch wenn viele dieser Argumente plausibel klingen, ist die Betrachtung der Dinge nur sehr einseitig. Es ist wichtig die Risiken zu verstehen, aber auch die Chancen, die dadurch entstehen, zu ergreifen.⁷² Anstatt, dass nur bestehende Aufgaben für den Controller entfallen, könnten auch neue Aufgaben entstehen. Somit würde es zu einer Aufgabenverschiebung kommen und nicht zu einem Aufgabenentfall.⁷³ Im Anhang A-4 ist eine Tabelle abgebildet, die Faktoren nennt, warum einerseits der Stellenwert des Controllers durch die Digitalisierung sinken bzw. auch steigen könnte.

In den folgenden Kapiteln werden nun einige Rollen kurz vorgestellt, die das Aufgabengebiet des reinen Reporters erweitern können.

Business Partnering

Business Partnering bedeutet, dass das Controlling als proaktiver Sparringspartner auf Augenhöhe gegenüber dem Top-Management auftreten und das Management entlasten soll.⁷⁴ Dies geschieht, indem nicht mehr zahlen- und rechnungswesenorientierte Aufgaben den Arbeitstag der Controller dominieren, sondern entscheidungsunterstützende Tätigkeiten.⁷⁵ Weiterhin muss das Controlling als ökonomisches Gewissen zur langfristigen finanziellen Unternehmenssicherung eine eigenständige Position beziehen und sich, wenn nötig, gegen potenzielle Fehlentscheidungen des Managements stellen.⁷⁶ Im Konzept der Rationalitätssicherung von Schäffer und Weber werden drei wesentliche Aufgabenbereiche vom Controlling unterschieden: Entlastung, Ergänzung, und Begrenzung.⁷⁷

Empirische Studien zeigen, dass die Rolle des Sparringpartners nur bedingt ausgeführt wird. Obwohl man stärker in den Entscheidungsprozess mit eingebunden werden möchte, ist man zu sehr mit der Erstellung der Zahlen beschäftigt.⁷⁸ Besonders auf Sachbearbeiter-Ebene dominieren noch klassische Aufgaben wie Planung und Budgetierung, Reporting und Abweichungsanalysen den Arbeitsalltag.⁷⁹ Ob jeder Controller Business Partner werden soll, oder nur diejenigen, die eng mit dem Management zusammenarbeiten, ist zur Zeit noch unklar.⁸⁰

Pathfinder

Im „Target Picture 2025“ der BASF findet sich die Rolle des Pathfinders wieder.⁸¹ Andere Organisationen nennen diese Rolle z. B. Innovator.⁸² Der Pathfinder hat, neben den klassischen Controlling Themen, die Aufgabe nach relevanten Innovationen, Techniken und Methoden Ausschau zu halten, die sowohl Managemententscheidungen als auch Entscheidungen anderer Funktionen unterstützen.⁸³ Für diese anspruchsvolle Rolle ist eine ausgeprägte Innovationsorientierung, technisches Verständnis und sehr gute Kenntnisse in Statistik notwendig.⁸⁴ Weiterhin müssen sie vorausschauend denken können und Veränderungsprozesse erzeugen sowie steuern können.⁸⁵ Diese Fähigkeiten gehen weit über die des normalen Controllers hinaus. Der Pathfinder ist hierbei nicht zu verwechseln mit dem Data Scientist (Statistik Experten), der die Analysen operativ durchführt. Der Pathfinder leistet die Vorarbeit, in dem er die Fragestellung des Controllings in analysefähige Datenmodelle überführt.⁸⁶

Data Scientist

Um aus den stetig wachsenden Datenmengen, die in verschiedensten Datenformaten auftreten,⁸⁷ einen Mehrwert für das Unternehmen zu generieren, wurde die Rolle des Data Scientist geschaffen.⁸⁸ Seine Aufgabe ist es, Muster in Daten zu erkennen und Besonderheiten (Anomalien) festzustellen. Anschließend gilt es nachzuforschen, ob daraus Rückschlüsse und Erläuterungen auf die reale Welt gezogen werden können.⁸⁹ Gerade diese Vorschau, was in Zukunft passieren wird, ist notwendig, um Unternehmen vor negativen Entwicklungen zu bewahren.⁹⁰

Die Frage ob der Data Scientist im Controlling anzusiedeln ist, oder eigenständig neben dem Controlling existiert, ist nicht ganz eindeutig beantwortet.⁹¹ Im Idealfall sind beide, Controller und Data Scientist, auf Ihre Weise spezialisiert und arbeiten eng mit dem Management zusammen.⁹²

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Aufgabenverteilung von Manager, Controller und Data Scientst

Quelle: Eigene Abbildung in Anlehnung an Horváth, P./ Aschenbrücker, A. (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, S. 57; Schäffer, U./ Weber, J. (2014): Controller – Eine gefährdete Spezies?. S. 87 f.

Das Problem, welches sich bei der Spezialisierung auf einzelne Rollen herauskristallisiert, ist; dass diese meistens mit der Größe des gesamten Unternehmens und mit der des Controllings zusammenhängen. In der Regel haben kleine und mittlere Unternehmen (KMU) begrenzte Kapazitäten für die Personalplanung in Abteilungen wie dem Controlling, weshalb die Frage nach spezialisierten Rollen sich erst gar nicht stellt. Nicht selten muss ein Controller in KMU alle Rollen in sich vereinen.⁹³

[...]

---

¹ Vgl. Gräf, J./Isensee, J./Schulmeister, A. (2017): Reporting 4.0 – Management Reporting im digitalen Kontext, S. 60.

² Vgl. Schlüter, R. (2017): Studie: Digitalisierung, Automatisierung und Vernetzung im Rechnungswesen und Controlling, S. 3.

³ Vgl. Mayer, C./Wiesehahn, A. (2018): Controlling im Digitalisierungswahn? - Ein Zwischenruf, S. 29.

⁴ Vgl. Horváth, P./Klein, A./Gräf, J. (2014): Experten-Interview zum Thema „Management Reporting & Business Intelligence“, S. 18.

⁵ Siehe Kapitel 4 Reporting 4.0.

⁶ Vgl. Müller, D. & Schulmeister, A. (2016): Auswirkung der Digitalisierung auf die Controlling-Teilprozesse.

⁷ Vgl. Becker, W./ Ulrich, P./ Botzkowski, T. (2017): Industrie 4.0 im Mittelstand, S. 15.

⁸ Vgl. Schröder, H. D. (2006): Digitalisierung, S. 95.

⁹ Vgl. Hess, T. (2019): Digitale Transformation strategisch steuern, S. 18.

¹⁰ Vgl. Hess, T. (2019): Digitale Transformation strategisch steuern, S. 18.

¹¹ Vgl. Hess, T. (2019): Digitale Transformation strategisch steuern, S. 18.

¹² Vgl. Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 5.

¹³ Vgl. Schön, D. (2018): Planung und Reporting im BI- gestützten Controlling, S. 405.

¹⁴ Vgl. Gluchowski, P./ Gabriel, R./ Dittmar, C. (2008): Management Support Systeme und Business Intelligence, S. 90; Kemper, H. G./ Baars, H./ Mehanna, W. (2010): Business Intelligence, S. 2-11.

¹⁵ Vgl. Hanning, U. (2008): Vom Data Warehouse zum Corporate Performance Management, S. 77.

¹⁶ Definition aus den 90er Jahren von der Garnter Group, Siehe Mucksch, H./ Behme, W. (2000): Das Data-Warehouse-Konzept, S. 37.

¹⁷ Vgl. Kemper, H. G./ Baars, H./ Mehanna, W. (2010): Business Intelligence, S. 4.

¹⁸ Vgl. Schön, D. (2018): Planung und Reporting im BI- gestützten Controlling, S. 406.

¹⁹ Vgl. Kemper, H. G./ Baars, H./ Mehanna, W. (2010): Business Intelligence, S. 12 f.

²⁰ Vgl. Olaf, J. (2015): Der Wertbeitrag von Business Intelligence, S. 19.

²¹ Siehe Kapitel 2.2.3 Internet of Things.

²² Vgl. Internationaler Controller Verein (2014): Big Data – Potenzial für den Controller, S. 35.

²³ Vgl. Burow, L./ Leyk, J./ Briem, C. (2014): Experten-Interview zum Thema” Controlling und Big Data”, S. 14.

²⁴ Vgl. Laney, D. (2001): 3D Data Management: Controlling Data Volume, Velocity, Variety, S. 1-3.

²⁵ Vgl. Matzer, M. (2013): Kein Hexenwerk: das moderne Orakel, S. 18.

²⁶ Vgl. Dorschel, J. (2015): Einführung und Überblick, S. 8.

²⁷ Vgl. BITKOM (Hrsg.): „Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte, 2012, S.12.

²⁸ Vgl. Zacher, M. (2012): Big Data Analytics in Deutschland 2012, S. 2.

²⁹ Vgl. Dorschel, J. (2015): Einführung und Überblick, S. 7.

³⁰ Vgl. Matzer, M. (2013): Kein Hexenwerk: das moderne Orakel, S. 18.

³¹ Vgl. Matzer, M. (2013): Kein Hexenwerk: das moderne Orakel, S. 18.

³² Vgl. Wachter, B. (2018): Big Data – Anwendung in der Marktforschung, S. 18; Redman, T. C. (2013): Data´s Credibility Problem, S. 84 ff.

³³ Vgl. Matzer, M. (2013): Kein Hexenwerk: das moderne Orakel, S. 18.

³⁴ Vgl. Dorschel, J. (2015): Einführung und Überblick, S. 8.

³⁵ Vgl. Grönke, K./ Kirchmann, M./ Leyk, J. (2014): Big Data: Auswirkungen auf Instrumente und Organisation der Unternehmenssteuerung, S. 66.

³⁶ Vgl. Internationaler Controller Verein (2014): Big Data – Potenzial für den Controller, S. 36.

³⁷ Vgl. Roßmeißl, E./ Gleich, R. (2014): Industrie 4.0: Neue Aufgaben für Produktionsmanagement und –controlling, S. 142.

³⁸ Vgl. Roth, A. (2016): Einführung und Umsetzung von Industrie 4.0 Grundlagen, Vorgehensmodell und Use Cases aus der Praxis, S. 29.

³⁹ Vgl. Kagermann, H./ Wahlster, W./ Helbig, J. (2013): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, S. 17 f.

⁴⁰ Vgl. Roßmeißl, E./ Gleich, R. (2014): Industrie 4.0: Neue Aufgaben für Produktionsmanagement und –controlling, S. 142.

⁴¹ Vgl. Kagermann, H./ Wahlster, W./ Helbig, J. (2013): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, S. 18.

⁴² Vgl. Deloitte (Hrsg.): Industrielles Internet der Dinge und die Rolle von Telekommunikationsunternehmen, S. 5; Kagermann, H./ Wahlster, W./ Helbig, J. (2013): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, S. 18.

⁴³ Vgl. Huber, D./ Kaiser, T. (2015): Wie das Internet der Dinge neue Geschäftsmodelle ermöglicht, S. 681.

⁴⁴ Vgl. Bensberg, F./ Schirm, N. (2018): Cloud Analytics gestalten, S. 60.

⁴⁵ Vgl. Verl, A./ Lechler, A. (2014): Steuerung aus der Cloud, S. 238 f.

⁴⁶ Vgl. Bensberg, F./ Schirm, N. (2018): Cloud Analytics gestalten, S. 60.

⁴⁷ Vgl. Bensberg, F./ Schirm, N. (2018): Cloud Analytics gestalten, S. 65.

⁴⁸ Vgl. Fallenbeck, N./ Eckert, C. (2014): IT-Sicherheit und Cloud Computing, S. 401 f.

⁴⁹ Vgl. Bensberg, F./ Schirm, N. (2018): Cloud Analytics gestalten, S. 65.

⁵⁰ Vgl. Hückelheim, F. (2015): Alles auf Wolke sicher? – Datenschutz beim Cloud-Computing.

⁵¹ Vgl. Internationaler Controller Verein (Hrsg.): Business Analytics – Der Weg zur datengetriebenen Unternehmenssteuerung, S. V; Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 6.

⁵² Vgl. Internationaler Controller Verein (Hrsg.): Business Analytics – Der Weg zur datengetriebenen Unternehmenssteuerung, S. 1; Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 6; Dorschel, J. (2015): Einführung und Überblick, S. 56 f.

⁵³ Vgl. Chamoni, P./ Gluchowski, P. (2017): Business Analytics – State of the Art, S. 11.

⁵⁴ Siehe Kapitel 2.2.1 Business Intelligence; Vgl. Chamoni, P./ Gluchowski, P. (2017): Business Analytics – State of the Art, S. 12.

⁵⁵ Vgl. Iffert, L. (2016): Predictive Analytics richtig einsetzen, S. 17.

⁵⁶ Vgl. Chamoni, P./ Gluchowski, P. (2017): Business Analytics – State of the Art, S. 9.

⁵⁷ Vgl. Schön, D. (2018): Planung und Reporting im BI- gestützten Controlling, S. 432 f.

⁵⁸ Vgl. Hoening, C./ Esch, M./ Wald, A. (2017): Big Data, Business Intelligence und Business Analytics: Bedeutung, Nutzen und Mehrwert für die Unternehmenssteuerung, S. 30 f.

⁵⁹ Vgl. Nasca, D./ Munck, C./ Gleich, R. (2018): Controlling-Hauptprozesse: Einfluss der digitalen Transformation, S. 73.

⁶⁰ Für mehr Informationen zum Controlling – Prozessmodell siehe International Group of Controlling (Hrsg.): Controlling-Prozessmodell, S. 19-22.

⁶¹ Vgl. Müller, D. & Schulmeister, A. (2016): Auswirkung der Digitalisierung auf die Controlling-Teilprozesse.

⁶² Vgl. Kirchberg, A./ Müller, D. (2016): Digitalisierung im Controlling: Einflussfaktoren, Standortbestimmung und Konsequenzen für die Controllerarbeit, S. 90.

⁶³ Vgl. Deloitte (Hrsg.): Wie digital ist das Schweizer Controlling? – Eine schweizweite Analyse auf Basis eines Reifegradmodells, Hochschule Luzern 2018, S. 39; Nasca, D./ Munck, C./ Gleich, R. (2018): Controlling-Hauptprozesse: Einfluss der digitalen Transformation, S. 79.

⁶⁴ Vgl. Schäffer, U./ Weber J. (2018): Lean Controlling – Wo stehen wir?, S. 19 f.

⁶⁵ Vgl. Nasca, D./ Munck, C./ Gleich, R. (2018): Controlling-Hauptprozesse: Einfluss der digitalen Transformation, S. 87.

⁶⁶ Vgl. Losbichler, H./ Ablinger, K. (2018): Digitalisierung und die zukünftigen Aufgaben des Controllers, S. 51.

⁶⁷ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 42.

⁶⁸ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 42.

⁶⁹ Vgl. Thomson, J. (2017): Gefährdet die Digitalisierung die Arbeitsplätze von Controllern und Bilanzbuchhaltern?, S. 582.

⁷⁰ Vgl. Thomson, J. (2017): Gefährdet die Digitalisierung die Arbeitsplätze von Controllern und Bilanzbuchhaltern?, S. 582 f.

⁷¹ Vgl. Frey, C. B./Osborne, M. A. (2013): The Future of Employment: How Susceptible are Jobs to Computerisation?.

⁷² Vgl. Thomson, J. (2017): Gefährdet die Digitalisierung die Arbeitsplätze von Controllern und Bilanzbuchhaltern?, S. 583.

⁷³ Vgl. Losbichler, H./ Ablinger, K. (2018): Digitalisierung und die zukünftigen Aufgaben des Controllers, S. 55.

⁷⁴ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, München 2019, S. 42.

⁷⁵ Vgl. Fischer, T./Möller, K./Schultze, W. (2015): Controlling, S. 45ff.

⁷⁶ Vgl. Losbichler, H./ Ablinger, K. (2018): Digitalisierung und die zukünftigen Aufgaben des Controllers, S. 51.

⁷⁷ Vgl. Schäffer, U./ Weber, J. (2015): Controlling im Wandel, S. 187.

⁷⁸ Vgl. Mayr, A. /Losbichler, H./ Heindl, M. (2017): Aufgaben, Anforderungen und Karriereperspektiven im Controlling, S. 24.

⁷⁹ Vgl. Losbichler, H./ Ablinger, K. (2018): Digitalisierung und die zukünftigen Aufgaben des Controllers, S. 52.

⁸⁰ Für mehr Informationen siehe: Schäffer, U./ Weber, J. (2016): Business Partnering mit Managern und Experten.

⁸¹ Vgl. Seufert, A./ Kruk, K. (2016): Digitale Transformation und Controlling: Herausforderungen und Implikationen dargestellt am Beispiel der BASF, S. 157 ff.

⁸² Vgl. Langmann, C. (2019): Digitalisierung im Controlling, S. 44.

⁸³ Vgl. Seufert, A./ Kruk, K. (2016): Digitale Transformation und Controlling: Herausforderungen und Implikationen dargestellt am Beispiel der BASF, S. 158.

⁸⁴ Vgl. Seufert, A./ Kruk, K. (2016): Digitale Transformation und Controlling: Herausforderungen und Implikationen dargestellt am Beispiel der BASF, S. 157 f.

⁸⁵ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, S. 45.

⁸⁶ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, S. 45.

⁸⁷ Siehe Kapitel 2.2.2 Big Data.

⁸⁸ Vgl. Horváth, P./ Aschenbrücker, A. (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, S. 50.

⁸⁹ Vgl. Goerke, M./ Seif, H. (2019): Der Business Data Scientist S. 36.

⁹⁰ Vgl. Horváth, P./ Aschenbrücker, A. (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, S. 53.

⁹¹ Vgl. Horváth, P./ Aschenbrücker, A. (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, S. 55 f.; Goerke, M./ Seif, H. (2019): Der Business Data Scientist, S. 39.

⁹² Vgl. Horváth, P./ Aschenbrücker, A. (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, S. 55 f.

⁹³ Vgl. Langmann, C. (2019): Digitalisierung im Controlling, S. 45.