Big Data im Controlling: Chancen und Risiken

Tröbs, Marcel; Mengen, Andreas Research Report Big Data im Controlling: Chancen und Risiken Wissenschaftliche Schriften des Fachbereichs Wirtschaftswissenschaften, No. 26-2018 Provided in Cooperation with: Fachbereich Wirtschaftswissenschaften, Hochschule Koblenz - University of Applied Sciences Suggested Citation: Tröbs, Marcel; Mengen, Andreas (2018) : Big Data im Controlling: Chancen und Risiken, Wissenschaftliche Schriften des Fachbereichs Wirtschaftswissenschaften, No. 26-2018, Hochschule Koblenz - University of Applied Sciences, Fachbereich Wirtschaftswissenschaften, Koblenz, https://nbn-resolving.de/urn:nbn:de:hbz:1105-opus4-1267 This Version is available at: https://hdl.handle.net/10419/177394 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. http://creativecommons.org/licenses/by-nd/3.0/de/ WissenschaŌ liche SchriŌ en Im Fachbereich Betriebswirtschaft Bachor of Sience & Master of Sience Big Data im Controlling Marcel Tröbs, M.Sc. Prof. Dr. Andreas Mengen Fachbereich WirtschaŌ swissenschaŌ en Nr. 26 - 2018 I Wissenschaftliche Schriften des Fachbereichs Wirtschaftswissenschaften Hochschule Koblenz – University of Applied Sciences Big Data im Controlling - Chancen und Risiken von Marcel Tröbs M.Sc. Prof. Dr. Andreas Mengen II Vollbeleg: Tröbs, Marcel; Mengen, Andreas: Big Data im Controlling - Chancen und Risiken, in: Wissenschaftliche Schriften des Fachbereichs Wirtschaftswissenschaften, Hochschule Koblenz – University of Applied Sciences, Nr. 26 - 2018. Koblenz, Februar 2018 ISSN 1868-3711 Alle Rechte vorbehalten. © Professor Dr. Andreas Mengen, Hochschule Koblenz - University of Applied Sciences. Das Werk einschließlich seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechts ist ohne Zustimmung der Autoren unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. III WISSENSCHAFTLICHE SCHRIFTEN Mit der Herausgabe der "Wissenschaftlichen Schriften" werden aktuelle Ergebnisse der Forschungstätigkeiten des Fachbereichs Wirtschaftswissenschaften dokumentiert und sowohl in gedruckter als auch in elektronischer Form veröffentlicht. Wissenschaftler, Praktiker und Studierende erhalten Einblick in die wirtschaftswissenschaftliche Forschungsarbeit des Fachbereichs, die sich mit betriebswirtschaftlichen, volkswirtschaftlichen und wirtschaftsjuristischen Fragestellungen befasst. Eine anwendungsorientierte Forschung stellt dabei sicher, dass die Aufarbeitung vorhandenen Wissens und die Suche nach neuen Erkenntnissen von Gestaltungshinweisen für die Unternehmenspraxis begleitet werden. Die Wissenschaftlichen Schriften des Fachbereichs Wirtschaftswissenschaften an der Hochschule Koblenz University of Applied Sciences erscheinen mehrmals jährlich. Weitere Informationen unter www.hs-koblenz.de/wirtschaftswissenschaften. Schriftenleitung Martina Berg M.Sc. Stephanie May Dipl. Volksw. Prof. Dr. Andreas Mengen Prof. Dr. Holger Philipps Lisa Mooz M.Sc. Prof. Dr. Georg Schlichting IV BIG DATA IM CONTROLLING Bereits heute sehen sich Unternehmen mit der Herausforderung konfrontiert, die für sie relevanten Informationen aus dem riesigen Datenmeer herauszufischen und neue Datenquellen zu erschließen. Der Controller als Navigator der Unternehmensführung ist daher mehr denn je gefragt, dem Management den richtigen Kurs bei diesen Themen zu weisen. Gleichzeitig bietet Big Data den Controllern neue Möglichkeiten und Werkzeuge zur besseren Aufgabenerfüllung (vgl. Gadatsch, 2013, S. 23, 28). Aber besitzen Controller auch die erforderliche Kompetenz, diese neuen Werkzeuge zu beherrschen? Oder besteht sogar die Gefahr, dass die Präzision moderner Analysetools die Controlling-Funktion bald überflüssig machen wird? Um diese Fragen beantworten zu können, ist es Gegenstand dieser Arbeit herauszufinden, welche Auswirkungen Big Data auf die Arbeit des Controllers haben wird. Insbesondere die Identifikation und Analyse von Chancen und Risiken der damit verbundenen Entwicklungen soll dazu dienen, geeignete Handlungsempfehlungen für Controller beim Thema Big-Data auszusprechen. V INHALTSVERZEICHNIS Big Data im Controlling .............................................................................................................. IV Darstellungsverzeichnis ............................................................................................................. VI 1 Problemstellung und Vorgehensweise ..................................................................................... 1 2 Big Data im ökonomischen Kontext ......................................................................................... 2 2.1 Die wirtschaftliche Relevanz von Big Data ........................................................................... 2 2.1.1 Daten als Produktionsfaktor in der Wertschöpfung ................................................... 2 2.1.2 Abgrenzungsmerkmale von Big-Data-Strukturen ....................................................... 3 2.1.3 Funktionsweise und Verbreitung moderner Analyseverfahren ................................... 6 2.1.4 Big Data als neue Stufe der Business Intelligence ...................................................... 7 2.2 Realisation des Big-Data-Potentials in Unternehmen .......................................................... 8 2.2.1 Profiteure und Wertbeiträge von Big-Data-Lösungen ................................................ 8 2.2.2 Möglichkeiten zur Überwindung bestehender Barrieren ......................................... 12 2.2.3 Entwicklung einer angemessenen Umsetzungsstrategie .......................................... 13 2.3 Fazit ............................................................................................................................... 14 3 Auswirkungen von Big Data im Controlling ............................................................................ 16 3.1 Big-Data-Merkmale in Controlling-Konzeptionen .............................................................. 16 3.1.1 Koordination der Informationsversorgung .............................................................. 16 3.1.2 Rationalitätssicherung von Entscheidungen ............................................................ 18 3.2 Veränderungen im Controlling über den Einsatz von Big Data ........................................... 20 3.2.1 Trend zur datenbasierten Unternehmenssteuerung ................................................ 20 3.2.2 Neue Anforderungen an Controller ........................................................................ 22 3.2.3 Projektcontrolling bei Big-Data-Initiativen .............................................................. 24 3.2.4 Einsatzbeispiele aus der Controlling-Praxis ............................................................. 26 3.3 Chancen, Risiken und Handlungsempfehlungen ................................................................ 29 3.3.1 Aufgabenspektrum ................................................................................................ 29 3.3.2 Aufgabeneffizienz .................................................................................................. 30 3.3.3 Rollenbild und Arbeitsbedingungen ........................................................................ 31 3.3.4 Qualifikation ......................................................................................................... 32 3.3.5 Fazit und Handlungsempfehlungen ........................................................................ 33 4 Zusammenfassung ................................................................................................................. 37 Glossar ..................................................................................................................................... 39 Literaturverzeichnis .................................................................................................................. 42 Autorenportrait ....................................................................................................................... 48 Schriftenverzeichnis ................................................................................................................. 49 VI DARSTELLUNGSSVERZEICHNIS Abbildung 1: Tag Cloud Big Data 2 Abbildung 2: Wertschöpfungskette bei Big Data 5 Abbildung 3: Kriterien für das Big Data-Potential von Unternehmen 14 Abbildung 4: Einfluss von Big Data auf Führungsteilsysteme 17 Abbildung 5: Einsatz von IT im Wandel 20 Abbildung 6: Profil eines horizontalen Datenwissenschaftlers 22 Abbildung 7: Big Data Vorgehensmodell 24 Abbildung 8: Vorgehen beim Einsatz von Big Data im Controlling 37 Tabelle 1: Anwendung von Big Data in Funktionsbereichen 11 Tabelle 2: Chancen und Risiken von Big Data im Controlling 34 1 1 PROBLEMSTELLUNG UND VORGEHENSWEISE Der 41. Kongress der Controller fand im April 2016 unter dem Leitthema Planung und Steuerung im Zeitalter der Digitalisierung statt. Bereits im Vorjahr stand mit Industrie 4.0 ein mit dem Digitalen Wandel verbundenes Thema im Fokus der Betrachtung (vgl. ICV 2016; vgl. dazu auch ICV 2015). Ein Merkmal der zunehmenden Digitalisierung ist der Umstand, dass tagtäglich über Smartphones, Social-Media-Plattformen, Sensoren und weitere Datenquellen in Echtzeit neue Daten unterschiedlichster Art generiert werden. Für diese Datenstrukturen hat sich der Begriff Big Data etabliert (vgl. Bange 2014, S. 8-14). Informationen gewinnen zunehmend an Bedeutung als Produktionsfaktor für die Wirtschaft. Bereits heute sehen sich Unternehmen mit der Herausforderung konfrontiert, die für sie relevanten Informationen aus dem riesigen Datenmeer herauszufischen und neue Datenquellen zu erschließen. Der Controller als Navigator für die Unternehmensführung ist daher mehr denn je gefragt, dem Management den richtigen Kurs bei diesen Themen zu weisen. Gleichzeitig bietet Big Data den Controllern neue Möglichkeiten und Werkzeuge zur besseren Aufgabenerfüllung (vgl. Gadatsch 2013, S. 23,28). Aber besitzen Controller auch die erforderliche Kompetenz, diese neuen Werkzeuge zu beherrschen? Oder besteht sogar die Gefahr, dass die Präzision moderner Analysetools die Controlling-Funktion bald überflüssig machen wird? Um diese Fragen beantworten zu können, ist es Gegenstand dieser Arbeit herauszufinden, welche Auswirkungen Big Data auf die Arbeit des Controllers haben wird. Insbesondere die Identifikation und Analyse von Chancen und Risiken der damit verbundenen Entwicklungen soll dazu dienen, geeignete Handlungsempfehlungen für Controller beim Thema Big-Data auszusprechen. In Kapitel 2 der Arbeit werden nach einer Bestimmung des Big Data-Begriffes die Einsatzmöglichkeiten von Big Data in Unternehmen, bestehende Barrieren sowie Lösungsansätze aufgezeigt. Ferner wird anhand der Kriterien Zieldefinition, Unternehmensgröße, Branche und Kundensegment untersucht, welche Unternehmen von Big Data profitieren. In Kapitel 3.1 wird zunächst die Verbindung zwischen Big-Data-Themen und dem Controlling hergestellt. Dazu erfolgt eine zielgerichtete Suche nach Big-Data-Elementen in bestehenden Controlling-Konzeptionen. Mittels Literaturrecherchen, exemplarischer Bezüge zur ControllingPraxis und Experteninterviews werden in Kapitel 3.2 Erkenntnisse über den Status Quo beim Thema Big Data im Controlling, wie auch über die Erwartungshaltung hinsichtlich künftiger Entwicklungen, thematisiert. Die dabei identifizierten Auswirkungen von Big Data auf die Tätigkeit des Controllers, insbesondere Potentiale und Problemfelder, werden in Kapitel 3.3 im Hinblick auf die Zuordnungskriterien Aufgabenspektrum, Aufgabeneffizienz, Rollenbild und Qualifikation dargestellt und diskutiert. Die Zusammenfassung in Kapitel 4 bringt die wichtigsten Chancen und Risiken von Big Data für das Controlling abschließend auf den Punkt. 8 26-27). Jonas Freiknecht sieht einen Zusammenhang zwischen Big Data und BI in deren Zielsetzung, da beide Ansätze über Datenanalysen einen Erkenntnisgewinn zur Entscheidungsfindung generieren (ökonomischer Mehrwert; Value). BI hat sich nach Freiknecht zu einem etablierten Prozess mit einem Set an Tools zur Automatisierung des Reportings entwickelt. In diesem Prozess werden vorhandene Daten, bspw. aus ERP-Systemen, aufbereitet, abgelegt und anschließend über das Data Mining verarbeitet. Beim Data Mining selbst werden in bereinigten Daten Muster und Zusammenhänge gesucht, um darauf aufbauend eine vorher definierte Fragestellung zu beantworten. Damit besteht ein weiteres Abgrenzungsmerkmal zu Big Data hinsichtlich der technischen Verarbeitung der Datensätze (vgl. Freiknecht, 2014, S. 15-18; vgl. dazu auch Omri, 2015, S. 105). Henning Baars und Hans-Georg Kemper kommen bei ihrer Begriffsabgrenzung zu dem Ergebnis, dass Big-Data-Lösungen keinen Ersatz, aber eine Ergänzung für bestehende BI-Lösungen darstellen. Der Schwerpunkt von Big Data liegt dabei auf der Beantwortung neuer Fragestellungen, wie bei der Auswertung von Sensordaten für Steuerungszwecke (vgl. Baars/Kemper, 2015, S.227). Zusammenfassend betrachtet liegt aus ökonomischer Sicht kein erkennbarer Unterschied in der Zielsetzung von BI und Big Data vor. Es handelt sich jeweils um Prozesse, bei denen über Datenanalysen neue Erkenntnisse abgeleitet werden. Technische Unterschiede liegen hingegen bei der Verarbeitung vor, insbesondere bei der Beschaffenheit des zugrundeliegenden Datenmaterials. Aufgrund der zusätzlichen Verarbeitung großer Mengen an externen polystrukurierten Daten hat Big Data das Potential, einen höheren Wertbeitrag für Unternehmen zu leisten, als bisherige BI-Lösungen. Vor diesem Hintergrund ist die Ansicht, dass Big-Data-Analysen die nächste Stufe der BI darstellen, durchaus zutreffend. 2.2 Realisation des Big-Data-Potentials in Unternehmen 2.2.1 Profiteure und Wertbeiträge von Big-Data-Lösungen Gemäß einer 2012 durchgeführten Studie des Massachusetts Institutes of Technology (MIT) sind Unternehmen um durchschnittlich fünf Prozent produktiver und sechs Prozent profitabler als ihre Mitbewerber, wenn diese datenbasiert Entscheidungen treffen. Dies wird mitunter darauf zurückgeführt, dass die Entscheidungsträger in solchen Unternehmen aufgrund der Erkenntnisgewinne aus Datenanalysen ein besseres Verständnis über ihr wirtschaftliches Umfeld erlangen, was wiederum in ökonomisch angemesseneren Entscheidungen resultiert (vgl. McAfee/Brynjolfsson, 2012, S. 62-64). Hier kommt die Frage auf, ob es Akteure am Markt gibt, die besonders vom Big-Data-Trend profitieren. „Alle wollen Big Data haben, keiner macht es wirklich und keiner weiß wie es geht! Es fehlt an Vorstellungskraft für Einsatzmöglichkeiten von Big-Data-Lösungen.“. Dieses Statement von Clemens Frank, Geschäftsführer der Beratungsgesellschaft Verovis, stellt die grundlegende Forderung an Unternehmen, in deren Geschäftsfeldern nach Einsatzmöglichkeiten für Big-Data-Lösungen zu suchen. Dazu ist Klarheit über die darüber realisierbaren Ziele zu erlangen und diese zu definieren. Ein Hauptziel in diesem Zusammenhang stellt die Optimierung dar. Bessere und schnellere Entscheidungen, Prozesse, Produkte und Serviceleistungen resultieren u. a. in Umsatzsteigerungen, Kosteneinsparungen und Effizienzgewinnen. Ein Nebenziel bei Optimierungsaufgaben besteht in der Automatisierung, mittels welcher Zeit und 9 Kosten eingespart werden. Big-Data-Analysen verfügen ebenso über Innovationspotential. Die gewonnenen Erkenntnisse können zur Entwicklung neuer Geschäftsmodelle, Produkte und Services führen (vgl. Davenport, 2014, S. 58-67; vgl. dazu auch King, 2013, S. 63-71). Ein Beispiel dafür, wie Big-Data-Technologien Effizienzgewinne schaffen können, liefert die amerikanische Kaufhauskette Macys. Um bei der Preisgestaltung auf lokale Gegebenheiten eingehen zu können, wurden wöchentlich auf Basis von Abverkäufen (Datenvolumen: ca. zwei Terabyte) neue Preise für das Sortiment berechnet. Bedingt durch das große Sortiment von Macys, stieg das Datenvolumen kontinuierlich weiter an, was zu Berechnungszeiten von bis zu 30 Stunden führte. Daher wurden Preisberechnungen nur für Teile des Sortiments durchgeführt. Über den Einsatz von Big Data-Analysetechnologie konnte der Preisbildungsprozess so optimiert werden, dass mehrfach am Tag neue Preise kalkulierbar waren, obwohl die Datenvolumina seitdem weiter angestiegen sind (vgl. Bitkom, 2012, S. 60). Dieses Anwendungsbeispiel zeigt auf, dass über den Einsatz moderner Analyseverfahren betriebliche Effizienzgewinne und strategische Mehrwerte erzielt werden können (vgl. Omri, 2015, S. 105; vgl. dazu auch Davenport, 2014, S. 58-62). Die verkürzte Prozessdauer versetzt Macys in die Lage, schneller auf Veränderungen reagieren zu können als Konkurrenten. Insbesondere in Branchen mit hohem Wettbewerb und Preisdruck, kann eine verkürzte Reaktionszeit zum Aufbau bzw. Erhalt von Wettbewerbsvorteilen führen. Neben der Zieldefinition könnte die Größenklasse von Unternehmen ebenfalls eine Rolle dabei spielen, wie sich das Big-Data-Potential von Unternehmen gestaltet. Große Organisationen sind tendenziell mit mehr Daten konfrontiert als kleine und mittelständische Unternehmen (KMU). Gem. der im vorangegangen Teil dieser Arbeit zitierten Studie von KPMG können annähernd 75 Prozent der befragten Unternehmen mit mehr als 2.000 Mitarbeitern einen konkreten Nutzen aus Big-Data-Analysen ziehen, wohingegen dies nur 44 Prozent der Unternehmen mit einer Mitarbeiterzahl von unter 500 Mitarbeitern gelingt. Innerhalb der Studie ist die Größenklasse als ein zentraler Einflussfaktor für die Herangehensweise an BigData-Themen identifiziert worden. Dies wird darauf zurückgeführt, dass große Unternehmen diese Themen aktiver angehen (vgl. KPMG AG, 2015, S. 18). Neben der Mitarbeiterzahl gibt es natürlich auch weitere Kriterien für die Einteilung von Unternehmen in eine Größenklasse. Allerdings bringt jeder zusätzliche Mitarbeiter ebenfalls ein weiteres Set an (Personal-)Daten mit ins Unternehmen ein. Im Umkehrschluss bedeutet dies, dass KMUs einen geringeren Nutzen aus Big Data ziehen, weil Sie mit weniger Daten arbeiten als große Unternehmen. Jedoch können auch kleine Unternehmen, wie z. B. IT-Start-Ups, mit einer großen Menge an Daten konfrontiert sein, wenn die Branche und die Geschäftstätigkeit dies bedingen. Davenport sieht Einsatzmöglichkeiten von Big Data in nahezu allen Branchen, vom Transport über den Handel bis hin zu Finanzinstituten (vgl. Davenport, 2014, S. 32). Die KPMG-Studie identifiziert Versicherungen, Automobilindustrie sowie Transport und Logistik als die Vorreiterbranchen, da in diesen Sektoren zunehmend datengestützt Entscheidungen getroffen und Analyseerkenntnisse in einen konkreten Nutzen überführt werden. Die restlichen Branchen liegen mit kleineren Unterschieden im Mittelfeld. Lediglich die Energiewirtschaft liegt 10 deutlich unter dem Mittelwert, was auf den geringen Reifegrad branchenspezifischer technischer Lösungen zurückgeführt wird (vgl. KPMG AG, 2015, S. 19-20). Eine ältere Studie des McKinsey Global Institutes aus dem Jahr 2011 identifiziert neben privatwirtschaftlichen Interessengruppen auch öffentliche Verwaltungen als besonders für Big Data geeignet. Bei der Suche nach Gemeinsamkeiten zwischen den genannten Wirtschaftszweigen fällt auf, dass diese im Gegensatz zu anderen vergleichsweise viele direkte Kundenkontakte aufweisen. Jeder dieser Kontakte erhöht das Datenvolumen, was den Einsatz von Big-Data-Lösungen nahelegt (vgl. ICV, 2014, S. 8). Die vom jeweiligen Unternehmen bedienten Kundensegmente sind demnach ebenfalls relevant für dessen Big-Data-Potential. Davenport sieht B2B-Unternehmen als datenbenachteiligte Unternehmen an, da B2C-Unternehmen aufgrund ihrer Endkundenorientierung ein besseres Verständnis von ihrem Geschäft haben. Das B2B-Geschäft weist zudem ein geringeres Kundendatenvolumen auf als das B2C-Geschäft. Dennoch können B2B-Unternehmen von Big Data profitieren, wenn sie z. B. Effizienzgewinne anstreben. So können die eigenen Mitarbeiter als Kunden gesehen werden, deren Leistung es zu messen gilt, bspw. über den Einsatz von Sensoren. Ein hohes Big-Data Potential kann also trotz einer geringen Menge an Kundendaten gegeben sein, wenn andere Daten in entsprechendem Umfang vorliegen, wie Sensoroder Mitarbeiterdaten (vgl. Davenport, 2014, S. 41-45). Ebenso wie Big Data ein branchenübergreifendes Thema darstellt, ergeben sich innerhalb der Organisation funktionsübergreifend Einsatzmöglichkeiten (vgl. Omri, 2014, S. 105-110). Dies ist insbesondere dann der Fall, wenn der Anteil standardisierbarer Aufgaben innerhalb der Unternehmensfunktion als vergleichsweise hoch einzustufen ist, bspw. bei der Fakturierung im Rechnungswesen (Massentransaktionen  Massendaten). Denn in einer solchen Ausgangsituation sind die potentiellen Effizienzgewinne durch Automatisierungsprozesse ebenfalls besonders hoch (vgl. Horváth/Gleich/Seiter, 2015, S. 395). Der Fokus dieser Arbeit liegt auf der Controlling-Funktion, weshalb nachfolgend exemplarisch nur einige Einsatzfelder in wenigen weiteren Unternehmensfunktionen aufgezeigt werden. 11 Quelle: Eigene Darstellung, angelehnt an: Omri, 2014, S. 105-110; Davenport, 2014, S. 58-59. Das Potential für die Anwendung moderner Big-Data-Technologien und der damit verbundenen Analysen ist damit im Prinzip für jedes Unternehmen noch gegeben. Dies liegt mitunter darin begründetet, dass die Datenvielfalt von den Unternehmen bislang noch nicht voll ausgeschöpft wird. Ergebnisse in der KPMG-Studie belegen, dass für Analysen immer noch überwiegend unternehmensinterne Daten, wie bspw. Stammdaten, in den befragten Unternehmen herangezogen werden. Bei den Kundendaten könnten Verhaltensdaten (42 Prozent) und Social-Media-Daten (23 Prozent) noch deutlich öfter genutzt werden. Systematisch erstellte Daten, worunter auch Sensordaten fallen, werden noch seltener genutzt. An dieser Stelle ist zu erwähnen, dass dabei branchenspezifische Unterschiede bestehen. Von den befragten Unternehmen im Maschinenund Anlagenbau gaben bspw. 91 Prozent an, systemseitig erstellte Daten zu nutzen. Im Feld der öffentlich verfügbaren Daten nutzt ein vergleichsweise geringer Anteil von 28 Prozent der Befragten wissenschaftliche Publikationen als Datenquelle (vgl. KPMG AG, 2015, S. 26-27). Zusammenfassend betrachtet können Big-Data-Analysen und -Technologien zur Umsatzsteigerung, Kostenreduktion, Effizienzsteigerung oder Bildung neuer Geschäftsmodelle eingesetzt werden, also für eine Vielzahl denkbarer Zielsetzungen eines Unternehmens. Tendenziell sind große Unternehmen mit vielen Kunden und Mitarbeitern für Big Data prädestiniert, da diese aufgrund dessen mit mehr Daten konfrontiert sind. Im Gesamtbild ist es jedoch nicht zwingend ausschlaggebend für das Big-Data-Potential eines Unternehmens, welcher Branche oder Größenklasse es angehört. In welcher Weise das Unternehmen bzw. der dazugehörige Funktionsbereich mit Daten konfrontiert ist, also die Notwendigkeit zur Analyse von Big-Data-Strukturen, ist ausschlaggebend für den Einsatz entsprechender Verfahren und 12 Technologien. Die Datenvielfalt wird zum jetzigen Zeitpunkt ebenfalls noch nicht vollständig von den Unternehmen ausgeschöpft, was angesichts der vielfältigen Anwendungsbereiche zunächst unverständlich ist. Demnach muss es Gründe geben, die gegen die Nutzung von Big Data sprechen. 2.2.2 Möglichkeiten zur Überwindung bestehender Barrieren Beim Umgang mit Daten und besonders bei Big Data bestehen grundlegende Risiken. Zunächst einmal ist das erhöhte Compliance-Risiko zu nennen. Bei der internationalen Datenerhebung, -verwendung und -übermittlung sind nationale, supranationale und internationale Regelungen zu beachten. Im Falle der Datenerhebung kommt noch eine ethisch-moralische Problematik auf, wenn zusätzlich kritische Datenquellen genutzt werden. Bei der Gewinnung von Daten aus sozialen Netzwerke, mit denen personalisierte Angebote erfolgen, kann Big Data schnell vom Kunden als Big Brother empfunden werden. Fühlen die Kunden sich in ihrer Privatsphäre verletzt, leidet das Vertrauensverhältnis zum Unternehmen darunter und letztendlich damit auch dessen Reputation und Umsatz (vgl. Buschbacher u. a., 2014, S. 99-100). Daher ist bei dem Einsatz von Big Data ein gewisses Maß an Sensibilität gegenüber den Stakeholdern notwendig (vgl. King, 2014, S. 121). Ein weiteres Risiko liegt in den Bereichen Datensicherheit und Datenqualität. Diese Thematik zielt auf das Big-Data-Merkmal Veracity ab. Große Datenmengen, die zwischen global vernetzten Speichern transportiert werden, bieten eine entsprechend große Angriffsfläche für Manipulation und Diebstahl. Dies impliziert den Bedarf an effizienten Verschlüsselungen bzw. Zugriffsbeschränkungen innerhalb der IT-Systeme. Bezugnehmend auf die Glaubwürdigkeit der Daten sind Lösungen für die Plausibilisierung polystrukturierter Daten zu finden, d. h. es sind Prüfungen hinsichtlich der Vollständigkeit, Richtigkeit und Aktualität der Daten vorzunehmen, um das Risiko einer Fehlinterpretation zu vermeiden. Zusätzlich ist bei der Bildung und Interpretation von Prognosemodellen in jedem Schritt darauf zu achten, dass die Kausalität des Modells, die bestehenden technische Möglichkeiten, der rechtliche Rahmen und die einzelnen Qualitätsprüfungen harmonisiert werden. Auf diese Weise werden Risiken bei der Modellbildung und deren Interpretation vermieden (vgl. Buschbacher u. a., 2014, S. 102-103). Der Vergleich verschiedener Studien zeigt, dass Unternehmen diese Bedenken teilen. Folgende Problemfelder werden dabei vornehmlich aufgeführt:  KPMG AG (2015): Informationsweitergabe an Dritte, Budgetrestriktionen, mangelndes Know-how, unklarer Rechtsrahmen (vgl. KPMG AG, 2015, S. 23);  Steinbeis Hochschule Berlin (2013): Defizite bei Fachpersonal/Know-how und in der Organisationsstruktur, hohe Kosten für neue Technologien (vgl. Seufert, 2014, S. 3134);  Dissertation Stefanie King (2013): Vorhandensein von Daten/Vertrauen in die Datenqualität, ethische/gesellschaftliche Bedenken, Organisatorische Mängel, Inkonsistente Rechtslage, Defizite im technologischen Know-how (vgl. King, 2014, S.121-122);  Expertengespräch mit Clemens Frank (2016): „Unternehmen haben Angst vor Big Data, insbesondere wegen der erforderlichen Investitionen in die IT-Infrastruktur. In 13 der Praxis wird der Mehrwert von Big Data nicht gesehen. Investitionen werden daher gemieden. Zudem fehlt es in Unternehmen an Fachpersonal beim Thema Big Data“ (Frank 2016). Demnach besteht eine Barriere im fehlenden technologischen Fachwissen bzw. -personal. Damit verbunden sind unklare Verantwortlichkeiten innerhalb der bestehenden Organisationsstruktur. Beide Barrieren könnten kurzfristig über Outsourcing überwunden werden. Dasselbe gilt für die Kostenproblematik. Über Cloud-Service-Anbieter sind variable Analyseressourcen erhältlich, z. B. können 1.000 Instanzen von Amazons Map-Reduce-Lösung für 15 €/Stunde zu Analysezwecken gemietet werden, wodurch eigene Betriebskosten entfallen. Besonders wenn solche komplexen Analysen selten anfallen empfiehlt sich diese Methode (vgl. Freiknecht, 2015, S. 68). Für die Beurteilung der Vorteilhaftigkeit solcher Lösungen ist i. d. R. das Controlling zuständig. Hier gilt es insgesamt eine angemessene Kosten-Nutzen-Relation beim Thema Big Data zu finden (s. Kapitel 3.2.3). Unklarheiten im Bereich Compliance können über die Konsultation von Rechtsexperten und dem Aufbau eines unternehmenseigenen Regelwerks zum Umgang mit Daten (Data-Gouvernance) beseitigt werden (vgl. King, 2014, S. 121-122). Potentielle Lösungsansätze für bestehende Barrieren scheinen also zu bestehen. Damit bleibt lediglich zu klären, wie Unternehmen die Voraussetzungen für eine erfolgreiche Umsetzung schaffen können. 2.2.3 Entwicklung einer angemessenen Umsetzungsstrategie Unternehmensseitig herrscht ein hohes Interesse an Big Data. Jedoch fehlt es innerhalb der Unternehmen an der Vorstellungskraft für geeignete Anwendungsgebiete (vgl. Frank 2016). Zur Identifikation und Realisation von Big-Data-Potentialen empfiehlt sich ein strukturiertes Vorgehen. Davenport skizziert das Vorgehen bei der Entwicklung einer Big-Data-Strategie in Teilschritten. Zuerst sind Ziele und Zuständigkeiten für Big-Data-Themen zu definieren. Anschließend gilt es geeignete Softwarelösungen und Technologien zu finden, um die gesetzten Ziele zu erreichen. Dafür ist ein Überblick über die Datengrundlage (nicht genutzte interne Daten, ergänzende externe Daten) zu schaffen. Aufbauend darauf sollen Big-Data-Anwendungen nur dort zum Einsatz kommen, wo diese tatsächlich gebraucht werden. Je mehr Kundenkontakte bestehen, Daten vorhanden sind und Wettbewerber sich mit Big Data beschäftigten, desto offensiver sollte ein Unternehmen bei der Implementierung von Big-Data-Lösungen vorgehen. Eine aggressive Vorgehensweise ist besonders dann zu wählen, wenn Technologien bereits in der Vergangenheit zu Innovationen in der Branche geführt haben (vgl. Davenport, 2014, S. 74-80). Dominic Barton und David Court beschreiben in Ihrem Artikel Making Advanced Analytics Work For You drei Entwicklungsschritte für den erfolgreichen Einsatz moderner Analyseverfahren: 1. Auswahl der richtigen Daten; 2. Aufbau von Prognosemodellen; 3. Organisatorische Transformation (vgl. Barton/Court, 2012, S. 82). 14 Im ersten Schritt soll eine zunehmende Kreativität bei der Auswahl der Datenquellen etabliert werden. Insbesondere externe polystrukturierte Daten sollen zum Einsatz kommen, um eine breitere Informationsgrundlage für weiterführende Analysen zu schaffen. Von Seiten der IT soll dabei eine Priorisierung der Daten erfolgen, um sich kurzfristig auf die wichtigsten Daten konzentrieren zu können. Alternativ kann ebenso Outsourcing betrieben werden. Darauf basierend sollen im zweiten Schritt Prognosemodelle entwickelt werden. Beim Aufbau dieser Modelle ist eine hohe Komplexität zu vermeiden, um deren Praktikabilität zu gewährleisten. Ferner müssen die betroffenen Personen im Unternehmen noch an die neuen Instrumente herangeführt werden. Der Aufbau einfacher Tools ersetzt dabei nicht gänzlich die Förderung von analytischem Grundwissen. Zuletzt ist ein organisatorisches Umdenken ist erforderlich, um langfristig das Potential von Big-Data-Analysen nutzen zu können (vgl. Barton/Court, 2012, S. 79-83). 2.3 Fazit Der Grundlagenteil der Arbeit hat aufgezeigt, dass Big Data in der Tat ein großes Thema ist. Die dazugehörigen Dateneigenschaften sind als Abgrenzungskriterien erforderlich, decken allerdings nicht den gesamten Themenkomplex ab. Neue Wege in der Analytik/Statistik und moderne Technologien können Unternehmen dazu in die Lage versetzen, das Potential nicht genutzter interner und externer Datenquellen auszuschöpfen. Der Wertbeitrag mittels Analysen gewonnener Erkenntnisse liegt u. a. in angemesseneren Entscheidungen, Umsatzsteigerungen, Kosteneinsparungen, Effizienzgewinnen und neuen Geschäftsmodellen. Quelle: Eigene Darstellung. 15 Wie jede neue Thematik bringt auch Big Data Kontroversen mit sich. Neben hohen Investitionskosten sorgen sich Unternehmen um Ihre Reputation. So kann das verstärkte Sammeln von Kundendaten rechtliche und unternehmerische Konsequenzen nach sich ziehen. Um Umsatzeinbußen, Strafzahlungen, zu hohen Kosten für die Implementierung und weiteren Risiken präventiv entgegenzuwirken, sollten sich Unternehmen frühzeitig mit Big Data auseinandersetzen. Zudem kann Outsourcing zur kurzfristigen Überwindung bestehender Barrieren genutzt werden. 16 3 AUSWIRKUNGEN VON BIG DATA IM CONTROLLING 3.1 Big-Data-Merkmale in Controlling-Konzeptionen 3.1.1 Koordination der Informationsversorgung Die Controlling-Funktion unterliegt seit jeher einem konzeptionellen Wandel. Das heutige Selbstbild des Controllers ist in vielerlei Hinsicht von verschiedenen Konzeptionen geprägt. In der ersten deutschen Controlling-Konzeption bestand die Kernaufgabe des Controllers darin, das Management mit Informationen zu versorgen. Im Laufe der Zeit ist die Unterstützung des Managements auf die Aufgabenbereiche Planung und Kontrolle ausgedehnt worden. Aus diesen Wurzeln heraus entwickelte sich letztlich der koordinationsorientierte Controlling-Ansatz (vgl. Weber, 2013, S.217-221). Hans-Ulrich Küpper betrachtet die Koordination des gesamten Führungssystems als zentrale Aufgabe des Controllings. Zum Führungssystem gehören die Teilsysteme Information, Planung, Kontrolle, Organisation und Personalführung. Ausgehend von der Prämisse, dass die Entscheidungen innerhalb des Unternehmensführungssystems interdependent sind, also wechselseitig voneinander abhängen, wird es notwendig diese aufeinander abzustimmen. Bleibt die Koordination aus, werden u. U. die Interdependenzen innerhalb eines Führungssystems oder zwischen den Führungssystemen von den Entscheidungsträgern nicht berücksichtigt. Das wird insbesondere dann zu einem Problem, wenn konkurrierende Ziele oder von der Unternehmensstrategie abweichende Zielsetzungen verfolgt werden. Folglich sind die Entscheidungen innerhalb des Führungssystems ebenso auf die gemeinsamen Unternehmensziele auszurichten (vgl. Küpper u.a., 2013, S. 33-38; vgl. dazu auch Horváth/Gleich/Seiter, 2015, S. 44). Péter Horváth vertritt in seinem Koordinationsansatz dagegen die Auffassung, dass die Teilsysteme Planung, Kontrolle und Informationsversorgung vom Controlling miteinander in Einklang zu bringen sind. Ferner wird bei dieser Auslegung das Planungsund Kontrollsystem (PK-System) als Einheit gesehen, welches seinen Input über das Informationsversorgungssystem (IV-System) erhält (vgl. Horváth/Gleich/Seiter, 2015, S. 166, 327). Das IV-System liefert in diesem Kontext Informationen, wohingegen die eigentliche Verarbeitung der Informationen im PK-System stattfindet. Die Zielsetzung des IV-Systems besteht darin, den Informationsstand im PK-System zu verbessern. Dazu wird der Informationsbedarf ermittelt, um darauf aufbauend die erforderlichen Informationen zu beschaffen sowie aufbereiten. Bezugnehmend auf das Kapitel zur Analytik liefert das IV-System deskriptive Aussagen. Darauf aufbauend erfolgen im PK-System prädikative sowie präskriptive Analysen. Dem Controller kommt dabei die Koordinationsaufgabe zu, das IV-System derart zu gestalten (systembildend) und mit dem PK-System zu harmonisieren (systemkoppelnd), dass keine Informationsdefizite entstehen (vgl. Horváth/Gleich/Seiter, 2015, S. 172-176). Mit dem Vorhandensein von modernen Analyseverfahren im PK-System ist eine erste Schnittstelle zu Big Data in einer Controlling-Konzeption ersichtlich. Wie erwähnt, sind die Aufgabenbereichen Informationsversorgung, Planung und Kontrolle konzeptionell vom Controlling zu koordinieren. In diesen Bereichen sind über das Controlling 17 bereits wesentliche Verbesserungen erreicht worden. So wird mittlerweile ein breiteres Informationsspektrum genutzt, also nicht nur reine Finanzinformationen. Beim Reporting liegt der Fokus auf einer schnelleren Bereitstellung von Berichten/Informationen, wobei auch Echtzeitauswertungen eingesetzt werden (vgl. Weber, 2013, S. 218-219). Über diese Verbesserungen ist ein direkter Bezug zu den Big-Data-Merkmalen Variety und Velocity herstellbar. Der kontinuierliche Verbesserungsprozess im IV-System wird vom Controlling über die zunehmende Nutzung moderner IT-Systeme vorangetrieben (vgl. Weber, 2013, S. 218-219). Durch den Einsatz von IT entstehen neue Koordinationsprobleme, die ebenfalls über das PK- /IV-System zu lösen sind. Gleichzeitig kann die IT das Controlling bei der Lösung von Koordinationsproblemen unterstützen (vgl. Horváth/Gleich/Seiter, 2015, S. 369). Da Big-Data ein IT-Thema darstellt, sind diese Koordinationsmerkmale ebenso darauf zu beziehen. Folglich kann Big Data das Controlling unterstützen, wie auch selbst zum Gegenstand des Controllings werden, bspw. in Form eines Big-Data-Implementierungsprojekts. Der Internationale Controllerverein (ICV) sieht mögliche Einflüsse von Big Data auf alle Führungsteilsysteme (s. Abb. 4). Das Ausmaß der sich daraus ergebenden Aufgaben für das Controlling hängt vom jeweiligem Selbstverständnis der Controlling-Funktion ab (vgl. ICV, 2014, S. 21-23). Quelle: Eigene Darstellung, angelehnt an: ICV, 2014, S.21-23. Über die koordinationsorientierte Controlling-Konzeption wurden Schnittstellen zum Themenkomplex Big Data aufgezeigt. Ferner ist klargeworden, dass die Controlling-Funktion nicht nur ein Anwendungsgebiet von Big-Data-Lösungen darstellt, sondern Big Data ebenso 24 Darüber hinaus stehen Unternehmen auch externe Dienstleister mit entsprechender Expertise zur Verfügung. Auch wenn damit grundsätzlich keine wechselseitige Konkurrenz zwischen den beiden Stellen besteht, zeigt der Vergleich deutlich die Defizite des Controllers im technischen Bereich und bei der Anwendung statistischer Verfahren auf. In Zukunft wird mit dem Thema Big Data eine Reihe von Aufgaben auf die Controlling-Funktion zukommen, für die betriebswirtschaftliche Expertise allein nicht ausreicht. So obliegt es dem Controller, die ökonomischen Potentiale von Big-Data-Analysen und deren zugrundeliegenden Datenquellen zu identifizieren. Insbesondere um technische Lösungen selektieren und evaluieren zu können, ist ein Verständnis des Nutzens solcher Technologien erforderlich. In gleicher Weise sollte das Controlling als ökonomische Autorität in der Lage sein, bei der Implementierung von Big-Data-Lösungen mitzuwirken sowie KPIs und Steuerungsmodelle aus betriebswirtschaftlicher Sicht mitzugestalten. Mitunter ist ein höheres Verständnis mathematisch-statistischer Verfahren dazu notwendig. Insgesamt betrachtet ist der Controller gut beraten, seine Methodenkompetenz in diesen Bereichen auszubauen (vgl. Seufert/Oehler, 2016, S. 78-81). Mit der Unterstützung von Datenwissenschaftlern wird der Controller künftig in die Lage versetzt seine Beraterfunktion besser zu erfüllen. Der Aufbau einer entsprechenden Methodenkompetenz auf Seiten des Controllers macht dabei nicht nur in Bezug auf die Implementierung von Big-Data-Lösungen im Controlling Sinn. An anderer Stelle ist bereits festgehalten worden, dass Big-Data-Initiativen auch zum Gegenstand des Controllings werden können. 3.2.3 Projektcontrolling bei Big-Data-Initiativen Zunächst ist zwischen operativem und strategischem Projektcontrolling zu unterscheiden. Das strategische Projektcontrolling fokussiert die Koordination und Optimierung des gesamten Projektportfolios. Es geht hierbei um die Selektion von Projekten sowie die damit verbundene Ressourcenplanung. Eine Bewertung der Projekte erfolgt dabei anhand definierter Kriterien und Kennzahlen. Im operativen Bereich ist die Zielerreichung einzelner Projekte über ein laufendes Controlling zu gewährleisten. Dies erfolgt i. d. R. über eine Soll-/Ist-Abweichungsanalyse während der gesamten Projektdauer, über welche Maßnahmen zur Sicherstellung des Projekterfolgs abgeleitet sowie deren Umsetzung überwacht werden (vgl. Horváth/Gleich/Seiter, 2015, S. 350-352). Big-Data-Initiativen sind über ein operatives Projektcontrolling zu unterstützen. Es handelt sich dabei um IT-Projekte, da diese die Implementierung von Hardwareund Softwarekomponenten in die unternehmenseigene IT-Landschaft beinhalten, um darüber Big-Data-Strukturen zu verarbeiten. Zur erfolgreichen Umsetzung solcher Projekte ist eine enge Zusammenarbeit von Controlling und IT zu forcieren. Eine solche Form der Kooperation wird bei der REWE-Fruchtlogistik gelebt. Hier treffen ITund Controlling-Experten aus Zentralbereichen auf die eher prozessund systemorientierten Kollegen aus dem operativen Geschäft. Die Übergänge zwischen IT und Controlling sind dabei fließend, da die Controller eine gewisse Begeisterung für die Arbeit mit Massendaten mitbringen (vgl. Holler 2016). 25 Ferner nehmen Projektcontroller in der Praxis eine Doppelrolle ein. Bei der Standortplanung der Hansgrohe SE wurden Simulationen auf Basis von Big-Data-Technologien durchgeführt. Dabei war das Projektcontrolling bei der Validierung und Implementierung der Daten und Szenarien als kritischer Counterpart gefordert, die Ergebnisse zu hinterfragen, um so letztlich die Qualität der Lösung sicherzustellen. Gleichermaßen erfüllten die Projektcontroller ihre Funktion als Business Partner, in dem sie bei der Gestaltung der Prozesse unterstützen. Ebenso galt es die Projektabläufe auf die Zielerreichung hin zu koordinieren (vgl. ICV, 2014, S. 18-19). Für die effektive Gestaltung des Projektcontrollings ist es erforderlich, dieses auf die gewählte Projektmethodik auszurichten. Das Vorgehensmodell der Bitkom beschreibt die allgemeine Herangehensweise bei Big Data in acht Schritten (s. Abb. 7). Aufgrund der Aktualität von Big Data empfiehlt Clemens Frank im Expertengespräch den Einsatz agiler Methoden. Die Einsatzmöglichkeiten werden hierbei getestet und laufend mit den Verantwortlichen im Unternehmen abgestimmt. So entsteht in mehreren Iterationsschleifen letztlich eine BigData-Lösung (vgl. Frank 2016). Quelle: Bitkom, 2013, S. 30. Solche agilen Vorgehensmodelle sind speziell für IT-Projekte entwickelt worden (vgl. Horváth/Gleich/Seiter, 2015, S. 350). Daraus folgt, dass operative Projektcontroller sich bei BigData-Initiativen in einer dynamischeren Projektumgebung bewegen, als bei nicht IT-bezogenen Projekten. 26 Strategische Projektcontroller sind besonders gefordert, sich mit den Business Cases für Big Data auseinanderzusetzen. Ihnen fällt die Aufgabe zu, Big-Data-Initiativen zu evaluieren, bspw. über Kosten-Nutzen-Analysen (vgl. Horváth/Gleich/Seiter, 2015, S. 353). Um die Monetarisierung von Daten quantitativ zu beschreiben, kann die Kennzahl Return on Information zum Einsatz kommen. Diese Kennzahl beschreibt einen Quotienten aus dem Wert der Daten für das Unternehmen und den damit verbundenen Anschaffungskosten. 𝑹𝑹𝑹𝑹𝑹𝑹 =𝑾𝑾𝑾𝑾𝑾𝑾𝑾𝑾 𝑲𝑲𝑲𝑲𝑲𝑲𝑾𝑾𝑾𝑾𝑲𝑲 = 𝑫𝑫𝑫𝑫𝑾𝑾𝑾𝑾𝑲𝑲𝑫𝑫𝑲𝑲𝑫𝑫𝑫𝑫𝑫𝑫𝑾𝑾𝑲𝑲×𝑨𝑨𝑲𝑲𝑫𝑫𝑫𝑫𝑨𝑨𝑲𝑲𝑾𝑾𝑾𝑾𝑨𝑨𝑾𝑾𝑨𝑨𝑾𝑾×𝑨𝑨𝑲𝑲𝑨𝑨𝑫𝑫𝑨𝑨𝑫𝑫 𝑼𝑼𝑲𝑲𝑾𝑾𝑾𝑾 𝑳𝑳𝑫𝑫𝑾𝑾𝑾𝑾𝑲𝑲𝑨𝑨 𝑯𝑯𝑫𝑫𝑾𝑾𝑯𝑯𝑯𝑯𝑫𝑫𝑾𝑾𝑾𝑾+𝑳𝑳𝑨𝑨𝑨𝑨𝑾𝑾𝑲𝑲𝑨𝑨+𝑺𝑺𝑫𝑫𝑺𝑺𝑺𝑺𝑲𝑲𝑾𝑾𝑾𝑾 (1) Der Wert der Daten wird darüber definiert, wie hoch das Volumen an analysierbaren Detaildaten ausgestaltet ist. Dieses wird multiplikativ mit der Analysetiefe und der Anzahl zugangsberechtigter Nutzer verknüpft. Der daraus resultierende Wert wird ins Verhältnis zu der Zeitspanne gesetzt, die zwischen der Datenerzeugung und deren Verfügbarkeit für Analysen liegt (Latenz) (vgl. Bitkom, 2013, S. 37-38). Der ROI deckt damit die Abgrenzungsmerkmale von Big Data Strukturen ab. Bei der Interpretation des ROI ist darauf zu achten, dass der Wert die Kosten der Big-Data-Lösung übersteigt. Der ROI ist ein Beispiel dafür, wie das Instrumentarium des Projektcontrollings auf die Erfordernisse von Big Data hin angepasst werden kann. 3.2.4 Einsatzbeispiele aus der Controlling-Praxis Big-Data-Initiativen betreffen auch die Controlling-Funktion selbst. Wie zuvor dargestellt wurde, ist Big Data ein funktionsübergreifendes Thema. Die Aufgabenfelder innerhalb des Controllings können, analog zu den anderen Unternehmensfunktionen, Potentiale zum Einsatz von Big-Data-Lösungen aufweisen (s. Tab. 1). Um ein besseres Gefühl dafür zu bekommen, wie Big Data die Arbeit von Controllern in der Praxis beeinflusst, werden nachfolgend Einsatzmöglichkeiten in funktionalen Controlling-Bereichen anhand exemplarischer Bezüge dargestellt. Das Produktionscontrolling ist auf besondere Weise von Big Data geprägt. Der zunehmende Einsatz von Sensoren in der Produktion und die Vernetzung von Maschinendaten mit weiteren Unternehmensdaten wird unter dem Schlagwort Industrie 4.0 zusammengefasst. Der Nachhaltigkeitstrend kann als Treiber dieser Entwicklung gesehen werden, da regulatorisch neue Anforderungen an ein Umwelt-Reporting gestellt werden (vgl. fFrank 2016). Die Wittenstein AG setzt dabei auf ein mobiles Assistenzsystem, mit welchem Produktionsmitarbeiter standortunabhängig einzelne Fertigungsaufträge überwachen können. Auf diese Weise werden Störungen im Produktionsablauf schneller beseitigt. Die detaillierte Dokumentation solcher Störungen hilft dabei, die Ursache wiederkehrender Probleme zu identifizieren und dauerhaft zu eliminieren (vgl. ICV, 2013, S. 27-28). Solche Systeme geben die Energieeffizienz einzelner Maschinen über Sensoren in Echtzeit an den Produktionsleiter bzw. Produktionscontroller weiter. Über die sofort verfügbaren Daten kann, wie bei Wittenstein, die Regulierung von Störfällen schneller abgewickelt werden, was wiederum den Ausschuss deutlich reduziert. Ebenso können die Daten zur Los-Optimierung oder Vorhersage von Wartungszyklen genutzt werden. Über die Echtzeit- 27 Performancemessung ergeben sich ebenso neue Möglichkeiten für das Kostencontrolling. Über den Einsatz von RFID Chips sind die tatsächlichen Materialeinzelkosten, Personalkosten und damit Fertigungseinzelkosten für Produkte erfassbar. Bspw. können die im System hinterlegten Löhne den einzelnen Produkten zugeordnet werden, wenn sich beim Schichtwechsel ein neuer Mitarbeiter an der Maschine einloggen muss. In Summe betrachtet sind Produktionscontroller über diese Technologien in der Lage, in Echtzeit die IST-Herstellkosten zu ermitteln. Auch Planabweichungen sind über im System hinterlegte Planzahlen schneller bestimmbar als bisher. Dies impliziert bereits die Notwendigkeit auf Seiten des Controllers, entsprechend schnell auf Systemmeldungen zu reagieren. Die über Produktionsdaten gewonnene Kostentransparenz kann ebenso bei der Kalkulation von Einzelverkaufspreisen helfen (vgl. Menden-Kremnitzer, 2016, S. 50-51). Die Verfügbarkeit von neuen oder bisher nicht genutzten Daten, bspw. in Form von Sensordaten aus der Produktion, erfordert entsprechende Steuerungslösungen auf höheren Unternehmensebenen, was eine geeignete IT-Landschaft voraussetzt. Die Vaillant Group war mit eben diesen Herausforderungen konfrontiert. Die Granularität des dort eingesetzten global einheitlichen Planungsund Controlling-Systems reichte bis auf die Produktebene hinunter. Der Materialfluss isoliert betrachtet lieferte dem System bereits ca. eine Mrd. Datensätze. Die Analyse dieser Daten war daher vor Realisierung einer Big-Data-Initiative mit einem gewissen zeitlichen Aufwand verbunden. Zur Lösung der Problematik sind in Kooperation mit dem Softwareanbieter SAP verschiedene IT-Systeme zusammengeführt worden. Über den Einsatz von SAP-HANA konnte Vaillant wieder Herr über die Daten werden. Zudem sind über die neue IT-Infrastruktur die Planungsprozesse um das zehnfache beschleunigt worden, beim Reporting ist mit dem Faktor 60 eine noch weitreichendere Verbesserung erzielt worden. Darüber hinaus ist mit den implementierten Big-Data-Technologien ebenso die Durchführung prädikativer Analysen ermöglicht worden (vgl. Bitkom, 2012, S. 74). Solche prädikativen Analysen sind u. a. für das Risikocontrolling relevant. Um diese zu ermöglichen, setzt die United Overseas Bank in Singapur für ihr Risikocontrolling auf eine Lösung des SAS Institutes. Quantitativ beschrieben mussten 8,8 Mrd. Risikoabschätzungen für Risiken aus 45.000 Finanzinstrumente, unter Berücksichtigung von 100.000 Marktparametern, berechnet werden. Dieser Vorgang nahm vor der Big-Data-Initiative 18 Stunden in Anspruch. In-Memory-Technik und auf Parallelität ausgerichtete Software konnten diesen Vorgang auf wenige Minuten reduzieren. Ferner kann die United Overseas Bank darüber die Auswirkungen von Marktinformationen auf das Gesamtportfolio bestimmen. Handelsstrategien sind auf diese Weise vorab hinsichtlich Ihrer Wirksamkeit prüfbar. Ebenso können die Auswirkungen von Marktrisiken auf das Portfolio präziser abgeschätzt werden (vgl. Bitkom, 2012, S. 80). Nicht nur große Finanzdienstleister, sondern auch führende Einzelhandelsunternehmen wie die REWE Group arbeiten mit großen Datenvolumina. Für Martin Holler, Controlling-Leiter der REWE Fruchtlogistik, gehört der Umgang mit Massendaten zum Tagesgeschäft. Die Logistik als Kernprozess des Handelsunternehmens wird von der REWE Fruchtlogistik für die Obstund Gemüselieferkette weitestgehend selbst erbracht, weshalb die dazugehörigen 28 Steuerungssysteme ebenfalls in der Hand der dort eingesetzten Mitarbeiter liegen. Für klassische Bewegungsdaten (z. B. Umsätze, Mengenbewegungen) aus Märkten und Lagerstandorten wird seit 15 Jahren das konzerneigene Data Warehouse-System eingesetzt. Die Daten aus den Scanner-Kassen der Märkte sind am Folgetag in den Systemen verfügbar, tlw. auch schneller. Zudem werden in Logistik und Rechnungswesen BI-Systeme eingesetzt, welche z. T. mit dem DW vernetzt sind. Als Big-Data-Thema identifiziert Herr Holler die weitestgehend automatisierte Disposition von Warengruppen über Prognosetools, welche auf den Massendaten aus dem System aufsetzen (vgl. Holler 2016). Ähnlich wie das Produktionscontrolling sind das Marketingbzw. Vertriebscontrolling prädestinierte Aufgabengebiete für Big-Data-Lösungen, insbesondere wenn ein hohes Volumen an Kundendaten vorhanden ist. Über das Internet können CRM-Systeme in Unternehmen mit einer Vielzahl neuer Kundendaten gespeist werden (z. B. soziale Netzwerke, OnlineShops), aus denen jene herauszufiltern sind, mit denen der Vertrieb Prognosen über das künftige Kaufverhalten von einzelnen Kunden erstellen kann. So kann der Zeitpunkt der Angebotserstellung über die Identifikation sogenannter Trigger-Events optimal gewählt werden. Z. B. können Vertriebsdienstleister bei Akquisitionen den Unternehmen Re-BrandingStrategien, Vertriebsschulungen und weitere Dienste anbieten (vgl. Schäfer, 2014, S. 111117). Der Vorteil für das Vertriebscontrolling liegt hierbei in einer verbesserten Analyse des Kundenverhaltens, insbesondere im Bereich Kundenbindung. Ebenso kann im Marketingcontrolling die Wirksamkeit einzelner Werbemaßnahmen auf Echtzeitbasis geprüft werden (vgl. Gadatsch, 2016, S. 65). Für das Dynamic Pricing setzt ein in Hamburg ansässiger Ticketvertrieb bereits auf Big-Data-Lösungen und beschäftigt eine komplette Abteilung von Datenwissenschaftlern. Darüber ist bereits erreicht worden, dass die Ticketpreise im Web-Shop sich mittlerweile automatisiert erhöhen, je mehr Besucher die Homepage aufrufen bzw. je mehr Tickets bereits verkauft wurden (vgl. Frank 2016). Auch andere Funktionsbereiche weisen Big-Data-Potentiale auf. Im IT-Controlling können Nutzerdaten hinsichtlich aufgetretener Störfälle ausgewertet werden, um daraus Maßnahmen abzuleiten, mittels welcher die betriebliche IT-Infrastruktur stabiler wird. Mitarbeiterdaten sind bereits an anderer Stelle dieser Arbeit als Treiber des Datenvolumens in Unternehmen identifiziert worden. Im Personalcontrolling können diese Daten zum Aufbau eines Frühwarnsystems genutzt werden, um darüber Mitarbeiter zu identifizieren, die das Unternehmen verlassen wollen. Analog zur Kundenbindung können daraus Maßnahmen abgeleitet werden, bspw. Gehaltserhöhungen oder Beförderungen, um die Mitarbeiterbindung zu stärken. Zuletzt sei exemplarisch der Einsatz von Big-Data-Lösungen im Innovationscontrolling genannt. Über den Aufbau datengetriebener Geschäftsmodelle werden Big-Data-Analysen zur Leistungserstellung genutzt. So können Verkehrsinformationen Car-Sharing-Anbietern helfen, den Bedarf an Fahrzeug zu bestimmten Zeiten an bestimmten Orten vorherzusagen. Dem Controlling fällt in diesem Kontext die Aufgabe zu, Prozesse zur Ideengewinnung zu gestalten und die Umsetzung dieser Ideen über ein Projektcontrolling zu begleiten (vgl. Gadatsch, 2016, S. 65). 29 Die dargestellten Einsatzbeispiele/-möglichkeiten belegen, dass ein wesentliches Ziel des Einsatzes von Big Data in der Controlling-Praxis darin besteht, Effizienzgewinne zu realisieren. Die Datenverarbeitungsgeschwindigkeit wird über den Einsatz von Big-Data-Technologien und Automatismen in erheblicher Weise gesteigert. Big-Data-Technologien wie die InMemory-Technik helfen dabei, Massendaten schneller zu analysieren und den Controller zu entlasten – oder eben vollständig zu ersetzen. Letztlich gilt es die dargestellten Einsatzmöglichkeiten in Chancen und Risiken für die Controlling-Funktion zu übersetzen. 3.3 Chancen, Risiken und Handlungsempfehlungen 3.3.1 Aufgabenspektrum Bisher waren Controller derart mit der Auswertung komplexer Datenstrukturen beschäftigt, dass andere Aufgaben vernachlässigt worden sind. Dazu zählt u. a. die Identifikation von Business Cases für Big-Data-Lösungen. Gerade diese bieten der Controlling-Funktion die Chance, die Analyse von komplexen Datenstrukturen zu simplifizieren. Die Zusammenführung von Subsystemen, der Einsatz von In-Memory-Technik sowie die Implementierung benutzerfreundlicher Anwendungsoberflächen tragen dazu bei, dass Kapazitäten im Controlling frei werden. Die freigewordene Zeit kann für bisher vernachlässigte Aufgabenbereiche und zur Erfüllung qualitativ höherwertiger Aufgabenstellungen verwendet werden. So können Ad-hoc-Analysen für das Management entsprechend schneller und in höherem Umfang als bisher durchgeführt werden (vgl. Holler 2016). Im Rahmen eines Innovationscontrollings kann die gewonnene Zeit dazu genutzt werden, sich mehr mit den Prozessen im Unternehmen und Controlling zu beschäftigen, um so z. B. neue Anwendungsgebiete für Big-DataLösungen zu finden. Der Einsatz von Big-Data-Technologien birgt zugleich gewisse Risiken für die ControllingFunktion. Automatisierungsvorgänge ersetzen zunehmend Arbeitskräfte, d. h. es sind Rationalisierungen beim im Controlling eingesetzten Personal zu erwarten. Eine vollständige Substitution der Controlling-Funktion durch Automatismen und Systeme ist hingegen unwahrscheinlich. Ein Argument dafür ist dem erweiterten Rationalitätssicherungsansatz zu entnehmen. Das Unternehmen als soziales Konstrukt basiert auf der Zusammenarbeit von Menschen. Emotionale Verzerrungen auf Seiten des Managements erfordern auf Seiten des Business Partners ein gewisses Maß an Empathie und Fingerspitzengefühl, welches nur ein Mensch mitbringt. Ein weiteres Argument gegen den Wegfall des Controllings ergibt sich ebenfalls aus der Beziehung von Managern und Controllern. Manager bewegen sich auf einer sehr hohen Abstraktionsebene, weshalb der Controller als Intermediär zwischen Management und funktionalen Einheiten die Analysen für das Management übernimmt (vgl. Holler 2016). Zur Analyse und Interpretation der Ergebnisse fehlt es evtl. an zeitlichen Kapazitäten wie auch an Methodenkompetenz im Management. Controller übernehmen deshalb in diesem Kontext Entlastungsund Ergänzungsaufgaben für die Management-Ebene. Anhand des Beispiels von Vaillant ist deutlich geworden, dass Veränderungen auf operativer Ebene auch Einfluss auf das gesamte Unternehmen haben können. Mehr Sensordaten in der Produktion erfordern logischerweise vorab Investitionen in die Anschaffung entsprechender 30 Sensortechnik. Hinzu kommen Daten aus anderen Bereichen. Das bedeutet zusätzliche Investitionen in die IT-Infrastruktur. An dieser Stelle wird die Annahme aus Kapitel 2.2.3 bestätigt, dass letztlich die gesamte Organisation zu transformieren ist, wenn Teile des Unternehmens Big-Data-Lösungen einsetzen. Das Unternehmen kann als Organismus nur funktionieren, wenn das Zusammenspiel der einzelnen Organe koordiniert wird. Im Rahmen eines Projektcontrollings sind Controller daher bei der Kosten-Nutzen-Analyse und der Koordination von Projekten gefragt. Zusammenfassend liegt die Chance für das Controlling in einer Verschiebung von generischen Aufgaben hin zur Bearbeitung qualitativ höherer Problemstellungen. Das Innovationspotential des Controllings wird über die frei gewordenen Kapazitäten ebenfalls gesteigert. Des Weiteren kommen ergänzende Tätigkeiten wie die Evaluation von Big-Data-Lösungen zum Aufgabenspektrum des Controllers hinzu. Diesen Chancen steht das erhöhte Risiko von personellen Rationalisierungen gegenüber. Dabei determiniert der angestrebte Automatisierungsgrad, inwieweit überhaupt Kapazitäten frei werden. Ob diese frei gewordenen Kapazitäten dann auch für qualitativ höhere oder vernachlässigte Aufgaben eingesetzt werden, hängt mitunter davon ab, welche Controlling-Kultur im Unternehmen gelebt wird. Als Business Partner ist der Controller schwerer über IT-Systeme zu ersetzen, als wenn dieser eine reine Informationsversorgungsfunktion wahrnimmt (vgl. Seufert/Oehler, 2016, S. 76-77). 3.3.2 Aufgabeneffizienz Beispiele wie Vaillant und Overseas United belegen, dass Big-Data-Lösungen im Controlling zu einer höheren Effizienz beitragen. Effizienzgewinne in dieser Größenordnung wären ohne Big-Data-Technologie und entsprechende Automatisierungsvorgänge nicht möglich gewesen. Auch der Kenntnisstand im Controlling und die Güte von Arbeitsergebnissen werden, wie nachfolgend dargestellt, von diesen Technologien tangiert. Echtzeit-Kostenrechnungen ermöglichen die unmittelbare Preiskalkulation auf Basis der tatsächlichen Herstellkosten. Zudem kann die Nutzung dieser und externer polystrukturierter Daten für prädikative und präskriptive Analysen verwendet werden. Die Früherkennung von Marktveränderungen (Umsatzprognose) oder die Auswertung von Sensordaten (Abschreibungen auf Maschinen) ermöglicht eine realitätsnähere Finanzplanung. Ferner sind präskriptive Analysen zur Validierung geplanter Maßnahmen einsetzbar. Auch IST-Analysen sind auf Basis von Echtzeit-Datenströmen möglich. Als Zusatzaspekt sind in diesem Zusammenhang dynamische KPIs zu nennen. Diese entstehen über die Analyse bestehender Kennzahlen, deren Veränderung in Echtzeit beobachtet werden kann. So sind Rückschlüsse auf mögliche Korrelationen zwischen den Kennzahlen möglich, die vorher nicht aufgedeckt werden konnten (vgl. Buschbacher, 2016, S. 42-43). Dies zeigt, dass Big-Data-Analysen das Potential haben, den Wissenstand im Controlling zu verbessern, was wiederum eine verlässlichere Informationsbasis für das Management bietet. Bei der Information des Managements kann das Controlling auf Realtime-Dashboards zurückgreifen. Hierüber sind permanent in Echtzeit die wichtigsten KPIs zur Steuerung für Manager verfügbar. Darüber wird der Controller ebenfalls entlastet, jedoch nicht obsolet. Für die Interpretation von quantitativen Informationen ist es insbesondere bei komplexen 31 Organisationstrukturen erforderlich, sich ein Verständnis von den zugrundeliegenden Prozessen zu verschaffen. Kennzahlen sind ferner auf Ihre Validität hin zu prüfen, indem diese kritisch hinterfragt werden. Hier ist der Controller als Business Partner gefordert. Eine Automatisierung anhand bestimmter Validierungsregeln ist zwar denkbar, jedoch kann ein Modell nicht dauerhaft alle Eventualitäten abdecken. Für die im Controlling häufig durchzuführenden Ad-hoc-Analysen wäre ein standardisiertes Modell zur Beantwortung spezifischer Fragestellungen ungeeignet. Jedoch helfen Big-Data-Analysetools dabei, solche Ad-hoc-Analysen zu beschleunigen (vgl. Holler 2016). Die Effizienzgewinne im Controlling über den Einsatz von Big-Data-Technologien sind nicht von der Hand zu weisen. Angesichts der umfassenden Überwälzung von Aufgaben an ITSysteme stellt sich jedoch die Frage, ob z. B. die Risikocontroller bei Overseas United künftig noch wissen werden, wie das System bei der Risikoanalyse vorgeht. Es besteht die Gefahr für Controller, im Laufe der Zeit das zur selbständigen Durchführung von Analysen notwendige Know-how zu verlieren. Um jedoch die Rolle als Business-Partner des Managements erfüllen zu können, ist es erforderlich die Prozesse und Logiken zu verstehen, auf denen die Steuerungsgrößen aufbauen (vgl. Holler 2016). Um dieses Risiko zu vermeiden gilt es, Wissen über Prozesse und Systeme entsprechend zu dokumentieren und den Mitarbeitern diese Dokumentation zur Verfügung zu stellen, d. h. aktiv Wissensmanagement im Controlling zu betreiben (vgl. Thommen/Achleitner, 2009, S. 1108-1110). Dies geschieht in der Praxis über den Zugriff auf Abteilungslaufwerke oder weitere Inhalte im unternehmenseigenem Intranet, bspw. in Form von darin abgelegten Prozessdokumentationen. 3.3.3 Rollenbild und Arbeitsbedingungen Bereits vor der Implementierung von Big-Data-Lösungen sehen sich Projektcontroller mit einem agileren Umfeld konfrontiert. Auch danach wird sich das Arbeitsumfeld des Controllers aufgrund der Annäherung an die Echtzeit dynamischer gestalten. Ein Verfall in Routine wird über die aktivere Einbindung des Controllers, insbesondere im operativen Bereich, vermieden. So muss ein Produktions-Controller dann reagieren, wenn Störfalle auftreten. Die Rolle des Controllers innerhalb der Unternehmen wird aufgewertet, wenn qualitative Aufgaben in den Vordergrund rücken und zeitintensive Datenabfragen über Big-Data-Technologien automatisiert werden können. Zudem ist ein höheres Maß an Kreativität gefragt, wenn es um die Auswahl von Daten geht. Hierbei stehen dem Controller künftig vielfältige, auch externe, Daten zur Verfügung (vgl. Gadatsch, 2013, S. 23-28). Die zunehmende Erfüllung einer Business-Partner-Funktion setzt den Zeiten des reinen Datensammlers ein Ende (vgl. Schulte/Bülchmann, 2016, S. 60). Stelleninhaber werden mehr Wertschätzung erfahren als bisher und ein positiveres Image und Selbstbild entwickeln. Dies führt einer höheren Zufriedenheit auf Seiten des Stelleinhabers, was dessen Motivation und in letzter Instanz auch die Arbeitsqualität verbessert. Die Unternehmen profitieren ebenfalls davon, da die Personalfluktuation im Controlling darüber tendenziell sinkt. Um dieses Szenario zu erreichen, ist es von Nöten, die mit dem Wandel verbundenen Gefahren auszuschalten. Die Verschiebung Richtung Echtzeit kann letztendlich auch mit einer 32 zunehmenden Unschärfe von Privatund Arbeitsleben einhergehen (vgl. Gadatsch, 2013, S. 23-24). Die permanenten Datenflüsse können zu einem erhöhten Stresspegel bis hin zur Kündigung führen, wenn der Controller sich diesen nicht entziehen kann. Bei der Personalplanung ist daher zu berücksichtigen, dass eine ausreichende Personalstärke im Controlling gehalten wird, um Einzelpersonen nicht mit der Analyse der hohen Datenmengen aus dem Echtzeit-Datenstrom zu überfordern. Zudem wirkt der Einsatz von Big-Data-Technologien im Controlling über das Controlling hinaus. Wird ein Monitoring-System zur Identifikation abwanderungswilliger Mitarbeiter oder zur effizienteren Arbeitszeitüberwachung im Personalcontrolling aufgebaut, werden darüber die Leistungen und Intentionen von Mitarbeitern transparenter. Dies ist bspw. im Produktionscontrolling der Fall, wenn Mitarbeiter sich an Maschinen einloggen müssen. Dadurch besteht zumindest die Möglichkeit, über derartige Überwachungsmechanismen ein Ranking-System zur Leistungsüberwachung für die Mitarbeiter aufzubauen. Dies verspricht zunächst Vorteile in Bezug auf die Steuerung, bringt aber ein nicht zu vernachlässigendes Risiko mit sich. Die Controlling-Abteilung in der Rolle als Big Brother wird unternehmensintern eher einen Reputationsschaden erleiden. Ein von Misstrauen und Leistungsdruck geprägtes Betriebsklima ist auch für das Image des Unternehmens schädlich und erhöht die Personalfluktuation sowie Krankenstände. Analog zur Unternehmen-Kunden-Beziehung ist daher eine gewisse Sensibilität beim Einsatz von Big-DataTechnologien innerhalb des Unternehmens gefragt (s. Kapitel 2.2.2). 3.3.4 Qualifikation Der Vergleich mit dem Datenwissenschaftler hat gezeigt, dass ein gewisser Nachholbedarf in den technologischen Themen und bei der Anwendung statistischer Verfahren auf Seiten von Controllern besteht. Diese Kenntnisse sind erforderlich, um Big-Data-Lösungen evaluieren zu können und entsprechende Analysen durchzuführen bzw. deren Ergebnisse zu interpretieren. Daraus ergibt sich, dass Controller über den Aufbau von Methodenkompetenz die Möglichkeit haben, ihre Business Partner-Funktion auf bereichsübergreifende Themen auszuweiten. Wahrscheinlicher ist es jedoch, dass Beratungskompetenzen in technischen Problemstellungen an Datenwissenschaftler oder externe Experten abgegeben werden. Die Beschäftigung von Datenwissenschaftler und externe Experten ist gleichzeitig mit zusätzlichen Kosten verbunden, weshalb Unternehmen dennoch dazu geneigt sein können, das Thema Big Data im bereits bestehenden Controlling anzusiedeln (vgl. Steiner/Welker, 2016, S. 71). Kosten sind bereits im Grundlagenteil dieser Arbeit als Barriere identifiziert worden. Ebenso kann Outsourcing nur kurzfristig Abhilfe schaffen. Obwohl der Controller in diesem Fall keine Konkurrenz befürchten muss, wird dessen Anforderungsprofil deutlich schneller ansteigen als bei der Zusammenarbeit mit anderen Experten. Diese Anforderungen wären dann ähnlich ausgestaltet wie bei horizontalen Datenwissenschaftlern und damit zu hoch für Controller. Um das Risiko einer Überforderung zu vermeiden und die erfolgreiche Implementierung von Big-Data-Lösungen zu gewährleisten, ist daher eine Zusammenarbeit mit internem oder externem Fachpersonal anzustreben. In einem kooperativ geprägten Umfeld kann der Controller sowohl durch entsprechende Experten geschult wie auch entlastet werden. Der 33 betriebswirtschaftliche Hintergrund des Controllers kann der IT-Abteilung oder den Datenwissenschaftlern wiederum zum Vorteil gereichen, wenn es um die Formulierung von Business Cases geht. Dem Risiko einer vollständigen Substitution über Datenwissenschaftler steht die hohe betriebswirtschaftliche Spezialisierung des Controllers gegenüber, weshalb eine Rivalität bei der Beratung der Führungsebene in derartigen Fragen auszuschließen ist. Der Controller wird also weiterhin als ökonomisches Gewissen des Managements fungieren (vgl. Steiner/Welker, 2016, S. 72). 3.3.5 Fazit und Handlungsempfehlungen Die mit Big Data einhergehenden Veränderungen im Controlling sind mit einer Reihe von Chancen sowie Risiken verbunden (s. Tab. 2). Bei deren Gegenüberstellung ist zu berücksichtigen, dass Unterschiede bei der Tragweite der Auswirkungen auf die Controlling-Funktion bestehen. 40 über hybride Modelle (Einsatz von Festplatten und Arbeitsspeichern) entgegengewirkt werden kann (vgl. Baumöl/Berlitz, 2014, S. 167-168). Industrie 4.0 Oberbegriff für die intelligente Vernetzung von Produkten und Prozessen entlang der Wertschöpfungskette. Merkmal dieser vierten industriellen Revolution ist der Einsatz cyber-physischer Systeme. Diese Systeme entstehen über die zunehmende Vernetzung von physischen Gegenständen, z. B. Produktionsanlagen, über den Einsatz von Sensortechnik (s. Internet der Dinge). Der Leistungserstellungsprozess und die Produkte selbst sollen darüber transparent in Echtzeit überwacht und optimiert werden können (Smart Products/Factories) (vgl. ICV, 2015, S. III, 5). Internet der Dinge Das Internet der Dinge bezeichnet die zunehmende Abbildung und Vernetzung realer Objekte in digitaler Form. In der Extremausprägung hätte jedes reale Objekt ein virtuelles Pendant. Daten zu jedem dieser Objekte stehen in Echtzeit für Analysezwecke zur Verfügung und aktualisieren sich permanent. Neben dem Internet der Dinge existieren noch weitere Vernetzungsformen. Zum einen existiert das Internet der Menschen, welche sich über soziale Netzwerke verbinden, zum anderen das Internet der Dienstleistungen. Letzteres bezeichnet auf Datenanalysen aufbauende Dienstleistungsangebote, bspw. Wartungsdienstleistungen bei PKWs, deren Umfang, Zeitpunkt und Kosten automatisiert durch Sensoren im Automobil ermittelt werden (vgl. ICV, 2015, S.11-12). Map-ReduceAnsatz Dieser Ansatz ist speziell für die Verarbeitung von Big-Data-Strukturen entwickelt worden. Dabei findet eine Zerlegung der Daten in Teildatenpakete statt, welche parallel auf mehreren Systemen verarbeitet werden. Polystrukturierte Daten, bspw. aus Social-Media-Plattformen, können auf diese Weise schneller verarbeitet werden. Für einfache Abfragen ist dieser Ansatz eher ungeeignet (vgl. Baumöl/Berlitz, 2014, S. 167). Reporting Factory/ ControllingFabrik Lösungen für wiederholt auftretende Problemstellungen sind in Form von Regeln standardisierbar. Solche standardisierten Lösungen können im Controlling über IT-Systeme automatisiert werden, bis hin zur Realisation sogenannter ControllingFabriken, welche einen vergleichsweise hohen Automatisierungsgrad aufweisen. Im Bereich Reporting wird analog der Begriff Reporting Factory benutzt. Über die zunehmende Automatisierung werden Effizienzgewinne in Form von Zeitund Kostenersparnissen realisiert sowie Kapazitäten im Controlling/Reporting freigesetzt (vgl. Horváth/Gleich/Seiter, 2015, S. 395-396). RFID Radio Frequency Identification bezeichnet den Einsatz von Chips zur Kennzeichnung von Objekten. Auf diese Weise ist eine Kennzeichnung von Objekten mit mehr Informationen als bei Barcodes möglich. Der Transponder 41 am Objekt enthält und sammelt Informationen über selbiges und sendet diese Daten, bspw. den Standort einer Lieferung, drahtlos an den Empfänger. Ein Einsatzgebiet dieser Technologie liegt in der Materialwirtschaft/Logistik (vgl. Kirk, 2016). SAP HANA In-Memory-basierte Plattform des Softwareanbieters SAP zur unternehmensweiten Bereitstellung von Echtzeit-Analysen bei Big-Data-Strukturen (vgl. SAP AG, 2012). 42 LITERATURVERZEICHNIS Baars, Henning/Kemper, Hans-Georg (2015) Integration von Big Data-Komponenten in die Business Intelligence. In: Controlling – Zeitschrift für erfolgsorientierte Unternehmensführung, 27. Jg. Heft 4/5, 2015, S.222-227. Bange, Carsten (2014) Big Data – Herausforderung und Chancen für Controller. Abrufbar im Internet: https://www.icv-controlling.com/fileadmin/Veranstaltungen/VA_Dateien/Congress_der_Controller/Vortraege_2014/Bange_web.pdf am: 02. Juni 2016. Barton, Dominic/Court, David (2012) Making Advanced Analytics Work For You – A practical guide to capitalizing on big data. In: Harvard Business Review, Oktober 2012, S. 79-83. Baumöl, Ulrike/Berlitz, Phillip-Dennis (2014) Big Data als Entscheidungsunterstützung – Herausforderungen und Potentiale. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München 2014, S. 159-176. Bitkom (2012) Big Data im Praxiseinsatz –Szenarien, Beispiele, Effekte, Berlin 2012. Abrufbar unter: https://www.bitkom.org/Publikationen/2012/Leitfaden/Leitfaden-Big-Data-im-Praxiseinsatz-Szenarien-Beispiele-Effekte/BITKOM-LF-big-data-2012-online1.pdf am: 27.03.2016. Bitkom (2013) Management von Big Data Projekten, Berlin 2013. Abrufbar unter: https://www.bitkom.org/Publikationen/2013/Leitfaden/Management-von-Big-Data-Projekten/130618-Management-von-Big-Data-Projekten.pdf am: 27.03.2016. Buschbacher, Florian (2014) Big Data-Projekte – Vorgehen, Erfolgsfaktoren und Risiken. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München, S. 83-106. Buschbacher, Florian (2016) Wertschöpfung mit Big Data Analytics. In: Controlling & Management Review, Sonderheft 1/2016, Wiesbaden 2016, S. 40-45. Davenport, Thomas H. (2013) Big Data @ Work - Chancen erkennen, Risiken verstehen, München. Davenport, Thomas H./Patil, D. J. (2012) Data Scientist – The Sexiest Job of the 21st Century. In: Harvard Business Review, Oktober 2012, S. 70-76. 43 Frank, Clemens (2016) Mündliche Auskunft von Herrn Clemens Frank, Geschäftsführer Verovis GmbH, Unterschleißheim am 29.04.2016. Freiknecht, Jonas (2014) Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren, München. Gadatsch, Andreas (2013) Big Data: Ein neues Thema, nicht nur für Controller. In: Controller Magazin, 4/2013, S. 2328. Gadatsch, Andreas (2016) Die Möglichkeiten von Big Data voll ausschöpfen. In: Controlling & Management Review, Sonderheft 1/2016, Wiesbaden 2016, S. 62-66. Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (2014) Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München 2014, S. 177-188. Gleich, Ronald/ Horváth, Péter/Seiter, Mischa (2015) Controlling, 13. Aufl., München. Gluchowski, Peter (2014) Aktuelle Trend in der Business Intelligence. In: Controlling – Zeitschrift für erfolgsorientierte Unternehmensführung, 26. Jg. Heft 4/5, 2014, S. 235-243. Grönke, Kai / Kirchmann, Markus/Leyk, Jörg (2014) Big Data – Auswirkungen auf Instrumente und Organisation der Unternehmenssteuerung. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München 2014, S. 63-82. Harrison, Mark (2015) Will AI Be Needed To Guide Data Analytics In The Future? Platform Staffing Group (Hrsg.). Abrufbar unter: http://www.platformstaffing.com/will-ai-be-needed-to-guide-data-analytics-in-the-future-2/ am: 21.03.2016. Hergert, Roland (2007) Strategische Früherkennung - Wahrnehmung relevanter Umweltreize oder Wie ticken Uternehmen? Marburg. 44 Holler, Martin (2016)h Mündliche Auskunft von Herrn Martin Holler, Leiter Verwaltung/Controlling REWE Group Fruchtlogistik GmbH, Köln am 22.04.2016. Horváth, Péter/Aschenbrücker, Andreas, (2014) Data Scientist – Konkurrenz oder Katalysator für den Controller. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München 2014, S. 47-62. IBM (o. J.) 4 Vs of Big Data, IBM Big Data & Analytics Hub. Abrufbar unter: http://www.ibmbigdatahub.com/infographic/four-vs-big-data am: 28.03.2016. ICV - Internationaler Controlling Verein e. V. (2014) Big Data Potential für den Controller - Dream Car der Ideenwerkstatt im ICV 2014. Abrufbar unter: https://www.icv-controlling.com/fileadmin/Assets/Content/AK/Ideenwerkstatt/Files/ICV_Ideenwerkstatt_DreamCar-Bericht_BigData.pdf am: 27.03.2016. ICV - Internationaler Controlling Verein e. V. (2015) Industrie 4.0 – Controlling im Zeitalter der intelligenten Vernetzung. Abrufbar unter: https://www.icv-controlling.com/fileadmin/Assets/Content/AK/Ideenwerkstatt/Files/Dream_Car_Industrie4.0_DE.pdf am: 16.05.2016. Jüngling, Thomas (2013) Zettabytes - Datenvolumen verdoppelt sich alle zwei Jahre, Stefan Aust (Hrsg.). Abrufbar unter: http://www.welt.de/wirtschaft/webwelt/article118099520/Datenvolumen-verdoppelt-sich-alle-zwei-Jahre.html am: 24.03.2016. King, Stefanie (2014) Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext, Wiesbaden. Kirk, Alexander (2011) Byte, Computerlexikon.com. Abrufbar unter: http://www.computerlexikon.com/was-istbyte am: 16.05.2016. Kirk, Alexander (2016) RFID, Computerlexikon.com. Abrufbar unter: http://www.computerlexikon.com/definitionrfid?highlight=rfid am: 16.05.2016. KPMG AG (2015) Mit Daten Werte schaffen - Report 2015. Abrufbar unter: https://assets.kpmg.com/content/dam/kpmg/pdf/2015/06/kpmg-mdws.pdf am: 21.03.2016. Küpper, Hans-Ulrich (2013) Controlling – Konzeption, Aufgaben, Instrumente, 6. Aufl., Stuttgart. 45 Lackes, Richard (o. J.) Information. In: Springer Gabler Verlag (Hrsg.), Gabler Wirtschaftslexikon. Abrufbar unter: http://wirtschaftslexikon.gabler.de/Archiv/7464/information-v11.html am: 21.03.2016. Laney, Douglas (2001) 3D Data Management – Controlling Data Volume, Velocity, Variety, Metagroup Inc. (Hrsg.). Abrufbar unter: http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf am: 27.03.2016. Lanquillion, Karsten/Mallow, Hauke (2015) Grenzen konventioneller Business-Intelligence-Lösungen. In Dorschel, Joachim (Hrsg.), Praxishandbuch Big Data – Wirtschaft – Recht – Technik, Wiesbaden 2015, S. 255-263. Manyika, James (2011) Big data - the next frontier for innovation, completion and productivity, McKinsey Global Institute (Hrsg.) Abrufbar unter: http://www.mckinsey.com/business-functions/businesstechnology/our-insights/big-data-the-next-frontier-for-innovation am: 22.03.2016. Matzer, Michael (2013) Kein Hexenwerk: Das moderne Orakel - Prognosen für Tests von Szenarien, in: BISpektrum, 1/2013, S. 18-21. McAfee, Andrew/ Brynjolfsson, Erik (2012) Big Data – The Management Revolution. In: Harvard Business Review, Oktober 2012, S. 6168. Mende-Kremnitzer, Robert (2016) Real-Time-Kalkulation von Herstellkosten unter Industrie 4.0. In: Controller Magazin, 41. Jg., Jan/Feb 2016, S. 50-51. Omri, Fouad (2015) Big-Data-Analysen – Anwendungsszenarien und Trends. In: Dorschel, Joachim (Hrsg.), Praxishandbuch Big Data – Wirtschaft – Recht – Technik, Wiesbaden, S.104-112. Rouse, Margaret/Wigmoure, Ivy (2013) 3Vs (volume, variety and velocity). In: TechTarget (Hrsg.), Onlinelexikon WhatIs.com®. Abrufbar unter: http://whatis.techtarget.com/definition/3Vs am: 27.03.2016. SAP AG (2012) SAP HANA® – An In-Memory Data Platform for Real-Time Business. Abrufbar unter: http://www.sap.com/bin/sapcom/en_us/downloadasset.2014-09-sep-12-15.sap-hana--anin-memory-data-platform-for-real-time-business-pdf.bypassReg.html am: 26.05.2016. 46 Schäffer, Utz/Weber, Jürgen (2016) Wirkliche rationale Entscheidungen – Die nächste Herausforderung für das Controlling. In: Controller Magazin, Ausgabe 2, 2016, S. 8-13. Schäfer, Andreas, (2014) Kundengewinnung im B2B-Vertrieb durch Big Data. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München, S. 109-122. Schneider, Wolfgang Peter/Grieser, Franziska (2016) Früherkennung und Intuition. In: Controlling – Zeitschrift für erfolgsorientierte Unternehmensführung, 28. Jg. Heft 3, 2014, S. 181-188. Schön, Dietmar (2016) Planung und Reporting – Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics, 2. Aufl., Wiesbaden. Schulte, Alexandra/ Bülchmann, Oliver (2016) Wie Big Data die Rolle des Controllers verändert. In: Controlling & Management Review, Sonderheft 1/2016, Wiesbaden, S. 54-60. Seufert, Andreas, (2014) Das Controlling als Business Partner – Business Intelligence & Big Data als zentrales Aufgabenfeld. In: Gleich, Ronald/Grönke, Kai/Kirchmann, Markus (Hrsg.): Controlling und Big Data – Anforderungen, Auswirkungen, Lösungen, Haufe-Lexware GmbH & Co. KG, München 2014, S. 23-45. Seufert, Andreas/ Oehler, Karsten (2016) Controlling und Big Data – Anforderungen an die Methodenkompetenz. In: Controlling & Management Review, Sonderheft 1/2016, Wiesbaden 2016, S. 74-81. Steiner, Heinz/Welker Peter (2016) Wird der Controller zum Data Scientist? In: Controlling & Management Review, Sonderheft 1/2016, Wiesbaden, S. 68-73. Thommen, Jean-Paul/Achleitnter, Ann-Kristin (2009) Allgemeine Betriebswirtschaftslehre – Umfassende Einführung aus managementorientierter Sicht, 6. Aufl., Wiesbaden. Weber, Jürgen/ Schäffer, Utz (2011) Einführung in das Controlling, 13. Aufl., Stuttgart. 47 Weber, Jürgen (2013) Verhaltensorientiertes Controlling – Plädoyer für eine (nicht ganz) neue Sicht auf das Controlling. In: Controlling – Zeitschrift für Erfolgsorientierte Unternehmenssteuerung, Heft 4/5, 25. Jahrgang 2013, S. 8-13. Wohltmann, Hans-Werner/ Lakes, Richard/ Siepermann, Markus, (o. J.) Daten. In: Springer Gabler Verlag (Hrsg.), Gabler Wirtschaftslexikon, Version 8. Abrufbar unter: http://wirtschaftslexikon.gabler.de/Archiv/54483/daten-v8.html am: 21.03.2016. 48 AUTORENPORTRAIT Marcel Tröbs M.Sc. absolvierte sein Bachelorund Masterstudium an der Hochschule Koblenz im Fachbereich Wirtschaftswissenschaften. Den Abschluss Master of Science erlangte er 2016 mit der Vertiefung Controlling und Finanzierung. Seine Masterarbeit, aus der der vorliegende Beitrag hervorgegangen ist, wurde von Prof. Dr. Andreas Mengen betreut. Über Praktika während des Studiums in der Finanzbuchhaltung und im Controlling ergänzte Marcel Tröbs seine akademische Ausbildung. Aktuell ist er als Controller bei einem international agierenden Konzern der Marketingbranche tätig. Marcel Tröbs dankt Prof. Mengen und dem Team der Schriftenleitung für die Unterstützung bei der Veröffentlichung dieses Beitrags. Kontakt: [email protected] Prof. Dr. Andreas Mengen lehrt seit 2004 Controlling und Management im Fachbereich Wirtschaftswissenschaften der Hochschule Koblenz - University of Applied Sciences. Seine Arbeitsschwerpunkte sind u.a. Marketingund Vertriebscontrolling sowie Preisgestaltung. Zuvor war er acht Jahre als Geschäftsführer in einem großen mittelständischen Unternehmen der Bauzulieferindustrie tätig und sammelte drei Jahre Erfahrung als Mitarbeiter einer internationalen Unternehmensberatung für Strategie und Marketing. Kontakt: [email protected] 49 SCHRIFTENVERZEICHNIS Nr. 1 Verfahren der Kundenwertermittlung Darstellung und Bewertung der Kundenwertmessung als Bestandteil des Marketing-Controlling Prof. Dr. Andreas Mengen Mai 2009 Nr. 2 Entscheidungsmodell für den wirtschaftlichen RFID-Einsatz Prof. Dr. Silke Griemert Januar 2010 Nr. 3 Kann politische Macht gegen die Gesetze der Globalisierung regieren? - Eine kritische Analyse am Beispiel Deutschlands Prof. Dr. Georg Schlichting, Isabelle Heinrichs, B.Sc. Februar 2010 Nr. 4 Steuerliche Auswirkungen des Wachstumsbeschleunigungsgesetzes für die Unternehmen Prof. Dr. Arno Steudter November 2010 Nr. 5 Die internationale Finanzmarktkrise – Was sind die Ursachen und wirtschaftlichen Folgen der Krise und was bringen die Rettungsmaßnahmen? Prof. Dr. Georg Schlichting; Julia Pohl M.Sc., Thomas Zahn M. Sc. November 2010 Nr. 6 Social media usage behavior of students in Finland and Germany and its marketing implications Prof. Dr. Axel Schlich September 2011 Nr. 7 Personal Branding von Musikern. Wie man im Musikgeschäft zu einer starken Marke wird Prof. Dr. H. J. Schmidt, Lisa Horländer B. Sc. Dezember 2011 Nr. 8 Kundenwertmanagement – Wie werden wertvolle Kunden identifiziert und welche Maßnahmen sind für ihre Bearbeitung bei Konsumgütern, Industriegütern und Dienstleistungen geeignet? Prof. Dr. Andreas Mengen, Andreas Krings M. Sc. März 2012 Nr. 9 Experts for sale: Academic consulting as mechanism for knowledge and technology Transfer Prof. Dr. Mark O. Sellenthin September 2012