Zukunftsperspektive Big Data

Das Controlling steht vor der Entscheidung, wie es sich zukünftig positionieren will: Entweder es beschränkt sich auf seine ursprünglichen Aufgabengebiete (wie die klassische Planung und das Reporting) und nimmt somit nicht die Rolle des gestalterischen Gegenspieler zum leitenden Management wahr, oder es versucht, basierend auf fundierten Analysen und branchenspezifischem Know-how, die Zukunft des Unternehmens aktiv mitzugestalten. Um dies zu erreichen, darf sich die Expertise des Controllings aber nicht länger nur auf rückblickende Standardanalysen und allgemeine Auswertungsmuster stützen; es muss vielmehr in der Lage sein, Szenarien und zukünftige Handlungsbedarfe des Unternehmens aufzeigen und richtig bewerten zu können.

Neue technologische Entwicklungen rund um das Thema Big Data und dessen interne Verwertungsmöglichkeiten werden hierfür in Zukunft eine zentrale Rolle spielen. Ambitionierte Controllerinnen und Controller werden nicht darum hinwegkommen, sich möglichst bald mit den neu entstehenden Möglichkeiten auseinanderzusetzen. Predictive und in weiterer Folge auch Prescriptive Analytics werden entscheidende Impulse für die Weiterentwicklung des Controllings liefern können.

 

1. Veränderungen im Controlling-Umfeld

1.1. Veränderung von Business-Models/beschleunigte Digitalisierung

Unternehmen sehen sich immer öfter dynamisch wandelnden Rahmenbedingungen, Mitbewerbern und Konsumentenpräferenzen gegenüber. Um lang­fristig bestehen zu können, ist es notwendig, auch aktuell erfolgreiche Geschäftsmodelle regelmäßig zu hinterfragen und gegebenenfalls zu adaptieren.

Die gestiegene Unsicherheit spiegelt sich im Wunsch nach kürzeren Planungszyklen mit Möglichkeiten der Szenariendar­stellung wider. Werttreiber- und Simulationsmodelle dienen dem Controlling als Kommunikationsinstrument für die Diskussion mit dem Top-Management, das eine verstärkte Ex-ante-Sichtweise fordert.

In den letzten Jahren ist in diesem Zusammenhang auch das Thema der Digitalisierung in den Vordergrund getreten, das nicht nur Auswirkungen auf Geschäftsmodelle per se haben kann, sondern sich ebenso auf den generellen Umgang mit Information auswirkt:

■	Für kurz­fristige Entscheidungsgrundlagen müssen umfangreiche Daten möglichst schnell und adressatenge­recht aufbereitet zur Verfügung gestellt werden (Realtime Data).
■	Stetig neu entstehende Datenströme (automatische Maschinendaten, CRM-Systeme, Social Media etc) müssen effizient erfasst und weiterver­wertet werden.

Abb 1: Gründe für die zunehmende Verwendung von Prescriptive Analytics im Controlling

1.2. Rasantes Datenwachstum

Die Datenflut, der sich Unternehmen ausgesetzt sehen, steigt täglich rasant an: Die Menge der verfügbaren Information wächst zwar stetig, der daraus zusätzlich generierte Nutzen nimmt aber ab. So klagen Unternehmen häufig, dass sie zwar grundsätzlich großen Aufwand für Datenerfassung betreiben, der Output aber in keinem vernünftigen Verhältnis zum Input steht. Hierfür sind hauptsächlich zwei Fehlerquellen verantwortlich:

1.	Es werden zu viele oder redundante Daten erfasst.
2.	die Daten werden falsch aufbereitet und können nicht mit dem Steuerungssystem in Verbindung gebracht werden.

In beiden Fällen ist die Frustration sowohl für das Controlling als auch für das Management oftmals sehr groß, und vorhandenes Potenzial wird ungenutzt liegengelassen. Langfristig wird kein Weg daran vorbeiführen, sich die Frage zu stellen, wie vorhandene oder potenziell erfassbare Daten für die Unternehmens­steuerung sinnvoll integriert eingesetzt werden können (zB für konkrete Weiterentwicklungen von Simulations- oder Planungsinstrumenten).

1.3. Erweiterte Data-Analytics-Methoden

Vor dem Hintergrund wachsender Datensilos haben sich in den letzten Jahren Technologien entwickelt, die Unternehmen unter Synonymen wie Data Mining, Big Data, Data Analytics oder Predictive Analysis versprechen, dass sie aus ihren Datenbanken neue kompetitive Vorteile sowie Aussagen über zukünftige Entwicklungen ziehen können. Pressestimmen überschlagen sich teilweise mit Lob und Superlativen über diese neuen Ansätze und bezeichnen Daten bereits als das „Öl des 21. Jahrhunderts“. ¹ Auch wenn derzeit noch großes Unwissen und fehlende Erfahrung mit den neuen Methoden vorherrschen, so ist dennoch absehbar, dass sich diese Entwicklung noch weiter fortführen wird und passende Software sowie Systeme in Zukunft noch einfacher und kostengünstiger zur Verfügung stehen werden. Für Controller als typische Hauptdatenverantwortliche des Unternehmens stellt sich die Herausforderung, den versprochenen Mehrwert dieser Tools optimal für die Geschäftstätigkeit zu nutzen. Voraussetzung dafür ist ein grundsätzliches Verständnis für die Funktionalität der Methoden und eine sinnvolle Integration ins Steuerungssystem.

 

2. Ansprüche an das zukünftige Controlling

Abb 2: BARC-Studie Big Data Use Cases 2015 ⁴

Die besprochenen Veränderungen stellen Unternehmen und das Controlling im Speziellen vor weitgehende Herausforderungen. Diese sollten aber aus Sicht der Controller generell als Ansporn gesehen werden, bringen sie doch das Potenzial, lang­fristig so ihre Position innerhalb der Organisation zu stärken. Aus den sich verändernden Umfeld­faktoren lassen sich konkrete Handlungsfelder ableiten:

■	Standardisierung und Automatisierung von Routinetätigkeiten: Befunde aus dem regelmäßig stattfindenden Controlling-Panel des Controller Instituts zeigen, dass ein großer Teil der Ressourcen in operativen Basisprozessen gebunden ist. Weniger als 10 % der Ressourcen stehen für betriebswirtschaftliche Beratung und Führung bereit. 2 Ziel muss es sein, möglichst viele Prozesse mit repetitiven Charakter und niedriger Wertschöpfung zu standardisieren und automatisieren. Die gewonnenen Ressourcen sollten für die Unterstützung des Managements verwendet werden, aber auch um sich neue Methoden anzueignen, bzw diese zur Entscheidungsfindung einzusetzen.
■	Fokus auf Tätigkeiten mit höherem Value Added: Je mehr Ressourcen das Controlling für Tätigkeiten mit höherer Wertschöpfung aufbringen kann, desto besser kann es sich innerhalb des Unternehmens etablieren. Zur hoch­wertigen Beratung und Sparring des Managements braucht es fundierte Analysen und Entscheidungsempfehlungen. Diese werden in Zukunft verstärkt mittels Data Analytics generiert und qualitativ verbessert.
■	Kompetenzaufbau: Während in Europa das Thema noch eher als Zukunftsperspektive diskutiert wird, boomen in Nordamerikas Business Schools derzeit Lehrgänge zum Thema (Big) Data Analytics. Es ist anzunehmen, dass dieser Trend auch bald verstärkt im deutschsprachigen Raum zu erkennen ist. Unternehmen müssen aber nicht auf diese zukünftigen Absolventen warten. Zukunftsorientierte Controlling-Abteilungen investieren schon jetzt in das Know-how ihrer Mitarbeiter und bauen so intern Kompetenz auf. Wichtig ist, vorab jene Mitarbeiter zu identifizieren, die sowohl das Interesse als auch das notwendige Grundwissen mitbringen, um diese dann aktiv in ihrer Weiterentwicklung zu fördern.
■	Investition in IT-Infrastruktur und Software: Angesichts der zu erwarteten steigenden Anforderungen an IT-Infrastruktur, Datenbanken und Analysetools werden viele Unternehmen nicht um notwendige Investitionen hinwegkommen. Zu betonen ist, dass hier lang­fristig gedacht werden muss und mögliche zukünftige Zielsetzungen im Bereich Data Analytics schon bei heutigen Entscheidungen antizipiert werden sollten. Hier muss das Controlling auch verstärkt in die Pflicht genommen werden und klare Anforderungen kommunizieren.
■	Zusammenarbeit mit anderen Bereichen/Akzeptanz neuer Rollenbilder: Das Controlling soll nicht nur Offenheit gegenüber neuen Ansätzen im Umgang mit Daten zeigen, sondern wird auch interne, organisatorische Änderungen akzeptieren müssen. Dies bedeutet zum einen eine verstärkte Zusammenarbeit mit anderen Bereichen, die essenzielle Daten sowohl verstärkt liefern als auch nachfragen werden (zB: IT, Marketing, Produktion). Die Vernetzung der Controller mit anderen Unternehmensbereichen, sowie eine klare „single source of truth“ als eindeutige, allgemein akzeptierte Datenbasis sind hierfür erfolgsentscheidend. 3 Zum anderen können neue, teilweise parallele Rollenbilder im Unternehmen entstehen, mit denen das Controlling bestmöglich zusammenarbeiten muss. Die Frage, wo „Data Analysts“ oder „Data Scientists“ in Zukunft organisatorisch angesiedelt sind, wird wahrscheinlich von Unternehmen zu Unternehmen variieren. Wichtig aus Sicht des Controllings wird es sein, dass deren Fähigkeiten optimal in die Unternehmens­steuerung eingebunden werden und sie nicht als interne Konkurrenz agieren.

 

3. Einsatzmöglichkeiten von Business Analytics

Getrieben von den technischen Entwicklungen der Datenspeicherung und Auswertung haben sich über die letzten Jahre verstärkt analytische Methoden etabliert, die das Management bei der Entscheidungsfindung unterstützen sollen. In Folge werden die wesentlichen Entwicklungsstufen und deren Verwendungsmöglichkeiten kurz beschrieben (siehe auch Abb 3). Dabei wird im Fall von Predictive Analytics speziell auf die mögliche Verknüpfung mit der Werttreiberplanung eingegangen und anhand der Prescriptive Analytics beschrieben, wie man diese um automatisierte Entscheidungsvorschläge erweitern kann.

Abb 3: Entwicklung von Business Analytics ⁵

 

3.1. Descriptive und Diagnostic Analysis

Die deskriptive Analyse entspricht der klassischen Ex-post-Orientierung, wie sie noch heute weitgehend im Reporting wiederzufinden ist. Sie beschreibt den Status quo, historische Entwicklungen, Abweichungen zu geplanten Zielwerten. Die diagnostische Analyse baut auf diesen Erkenntnissen auf und untersucht die zugrunde liegenden Ursachen (zB Gründe für einen Kostenanstieg oder Verkaufsrückgang). Prinzipiell wird diese Sichtweise auch weiterhin relevant bleiben, spielt doch der Plan-Ist-Vergleich alleine schon aus Steuerungssicht eine wichtige Rolle. Nach der erfolgreichen Etablierung von standardisierten Reportingprozessen und der Implementierung von BI-Lösungen sollte diese Aufgabe aber tendenziell weniger Ressourcen in Anspruch nehmen als dies noch vor einigen Jahren der Fall war.

 

3.2. Predictive Analytics

Basierend auf verfügbarem Datenmaterial, werden Aussagen über zukünftige Entwicklungen abgeleitet. Der Umfang der Analyse kann hierbei von einer einfachen Regression bis zu komplexen Algorithmen führen. Aufbauend auf den wachsenden Datenmengen in den letzten Jahren, wurden in diesem Bereich unzählige neue Methoden und Softwarelösungen entwickelt, deren Analysefähigkeiten dem Begriff Big Data zu großer Popularität verholfen haben. Neben erwarteten Ergebnissen können auch Eintrittswahrscheinlichkeiten und Risikoverteilungen ermittelt werden.

Beispiele für den Einsatz von Predictive Analytics sind vielfältig und reichen von Sales Forecasts über Kündigungswahrscheinlichkeiten bis hin zur Ermittlung von Ausschussraten.

Für das Controlling liegt hier enormes Potenzial. Forecasts und Szenarien­rechnungen können auf eine stabile Datenbasis gestellt werden und ermöglichen so eine verstärkte Vorwärtsorientierung.

Verknüpfung von Predictive Analytics mit der Werttreiberplanung

Für eine geschäftsnahe Steuerung wird die auf das Geschäftsmodell abgestimmte Werttreiberplanung mit den Ergebnissen der Predictive Analytics verknüpft (Abb 4). ⁶ Bestmögliche Vorhersagen fließen so in das Rechenmodell ein und ermöglichen einen klaren Überblick über die zu erwartende Ergebnisauswirkung.

Abb 4: Predictive Analytics als Grundlage der Werttreiberplanung

Im Kern lassen sich folgende Vorteile zusammenfassen:

■	objektivierte Forecast­rechnung aufgrund Stützung auf analytisch ermittelte Werttreiberentwicklung,
■	flexible Szenarien und Simulationen sind erstellbar,
■	vereinfachte Diskussionsbasis im Zuge des Strategieer­stellungsprozesses,
■	flexiblere unterjährige Erwartungs­rechnung.

 

3.3. Prescriptive Analytics zur Automatisierung von Entscheidungen

Prescriptive Analytics verbindet als logische Weiterentwicklung die Vorhersagefähigkeit von Predictive Analytics mit einem integrierten Optimierungsmechanismus, der es ermöglicht, definierte Entscheidungsszenarien unter Vorgabe von Zielvariablen zu optimieren.

Die Umsetzung der abgeleiteten Entscheidungen kann in zwei Varianten erfolgen:

1.	Das System trifft Entscheidungen selbständig. Haupteinsatzgebiet solcher automatisierten Entscheidungsregeln sind vor allem jene Situationen, in denen eine große Anzahl an Frage­stellungen innerhalb kürzester Zeit auftreten (zB: Pricing, Fondsmanagement oder automatisiertes Marketing).
2.	Die Empfehlung wird zur Managementdiskussion weitergetragen. Dies betrifft vielmehr große, grundlegende Entscheidungen, wobei hier dem für das Analytics-Modell zuständigen Controller eine sehr aktive Business-Partner-Rolle eingeräumt wird (Abb 5).

 

Abb 5: Prescriptive Analytics zur Ableitung von Handlungsempfehlungen

4. Zukunftsbild

Data Analytics verknüpft mit einem integrierten Werttreibermodell kann als Schlüssel zur flexiblen Szenarioplanung dienen, die auf umfangreiche und realistische Annahmen zurückgreift. Ein intelligent aufgebautes System liefert nicht nur Feedback und Optimierungsvorschläge, sondern vermittelt ebenso Risikoinformationen. Angeknüpft an Realtime Data können so jederzeit kurz- sowie lang­fristige Entscheidungen diskutiert werden.

Denkbar wäre weiters eine Anknüpfung im Sinne des Systems-Dynamics-Ansatzes, bei dem nicht nur lineare Ursache-Wirkungs-Ketten berücksichtigt werden, sondern das Geschäftsmodell im Mittelpunkt eines „ganzheitlichen Systems“ betrachtet wird. ⁷ Dies bedeutet, dass auch Wechselwirkungen und indirekten Verbindungen zwischen den Faktoren Rechnung getragen und ein nachhaltiger Blick auf den Unternehmenserfolg ermöglicht wird.

Beispiel

Ein Unternehmen, das Mobilfunkgeräte herstellt, berücksichtigt nicht nur die direkten, zusätzlichen Einnahmen und Kosten, die durch das Angebot eines weiteren Coverdesigns anfallen, sondern auch den indirekt dadurch entstanden Image­gewinn/-verlust beim Kunden, und wie dieser in Zukunft Einfluss auf das Unternehmen haben wird.

Der bis jetzt zwar in der Theorie gefeierte, aber in der Praxis schwer umzusetzende Ansatz von Systems Dynamics könnte von den zusätzlichen Möglichkeiten der Data Analytics profitieren, in dem komplexe Modellierungen auf umfangreichem Datenmaterial aufgebaut werden können. Aufgrund der großen Unerfahrenheit mit dem Thema und möglicher Implementierungsschwierigkeiten zeigt sich dennoch der Großteil der Unternehmen auf diesem Gebiet weiterhin zurückhaltend. Mehr Mut und unternehmerische Lernbereitschaft wären hierbei jedoch durchaus wünschens- und lohnens­wert.

 

5. Fazit

Dem Controlling stehen große Veränderungen bevor. Sowohl die Anforderungen als auch die Instrumente, um diese zu bewältigen, haben sich in den letzten Jahren enorm weiterentwickelt. Big Data und Data Analytics bieten viele neue Möglichkeiten, um einen Mehrwert aus den verfügbaren, stetig wachsenden Daten zu generieren. Gerade im Bereich von dynamischen Simulationen und der werttreiberorientierten Planung gibt es großes Potenzial. Um sich lang­fristig als strategischer Partner des Topmanagements positionieren zu können, werden Controller diese Vorteile für sich finden und nutzen müssen. Ein Ignorieren dieser Entwicklungen kann dazu führen, dass sich dieses Know-how in andere Bereiche des Unternehmens verlagert und so eine parallele „Datenkonkurrenz“ entsteht, bei welcher der Controller möglicherweise am Ende als Verlierer und ex-post-orientierter Erbsenzähler überbleibt.

„Der Begriff Big Data bezeichnet das Phänomen, dass Daten in wachsendem Volumen, höherer Geschwindigkeit sowie größerer Vielfalt zur Verfügung stehen und man diese durch kosteneffektive und innovative Formen der Datenverarbeitung für Vorteile wie besseres Verständnis, leichtere Entscheidungsfindungen oder Automatisierungen nutzen kann.“ ⁸

 

Dieser Artikel ist erstmals im CFO aktuell 2015, 206 erschienen. Alle Infos unter www.cfoaktuell.at.

---

¹ Vgl Forbes 2010, BBC 2013.

² Waniczek, Controllingprozesse auf dem Prüfstand – Highlights aus dem Controlling-Panel 2014, CFO aktuell 2015, 80.

³ Ruthner, Erfolgreiche Strategieumsetzung durch Strategic Performance Management, CFO aktuell 2013, 19.

⁴ BARC, Big Data Use Cases: Getting real on data monetization (2015).

⁵ Nasscom/Blueocean, Progress from Reactive to Proactive, Realtime Response (2014).

⁶ Voraussetzung: Implementierung einer Werttreiberplanung; siehe Ruthner, Planung als wirkungsvolles Steuerungsinstrument, CFO aktuell 2015, 20.

⁷ Gritzner, Einsatz systemdynamischer Simulation in der Planung, CFO aktuell 2012, 147.

⁸ Gartner, Gartner Says Solving ‘Big Data’ Challenge Involves More Than Just Managing Volumes of Data (2011).

 

---