15
ternehmen in Echtzeit zu erfassen, mittels
einer Kombination aus Visual und Advanded
Analytics zu analysieren und zu optimieren.
Dabei sollen insbesondere nachfolgende
Bereiche untersucht werden:
»
Stufe 1 – Rohdatengewinnung und Struk-
turierung zu Prozessen/Prozessvarianten:
Auf Basis der gewonnenen Daten sollen
einzelne (Teil-) Prozesse und Prozess-Va-
rianten in Unternehmen automatisiert
erkannt und dokumentiert werden. Bereits
dieser Schritt ist für viele Unternehmen
von großem Nutzen, da sie traditionell
gewohnt sind, Prozessmodelle nur im Rah-
men aufwendiger manueller Analysen zu
erheben und zu beschreiben. Aufgrund des
hohen manuellen Aufwandes erfolgt dabei
häufig nur eine Teilerfassung der Prozesse.
Zudem lassen sich Veränderungen auf-
grund des hohen manuellen Aufwandes
in der Regel kaum aktuell halten.
»
Stufe 2 – Deskriptive Analytics: Durch
den Vergleich der automatisiert gewon-
nenen tatsächlichen Prozessabläufe mit
den vermuteten Prozessabläufen (z.B. auf
Basis der Dokumentation im Rahmen der
mit weiteren Daten sowie die eigentliche
Analyse nehmen weitere Zeit in Anspruch
(Analysis Latency). Die Aufbereitung der
Analyseergebnisse und deren Umsetzung
in Entscheidung bindet schließlich weitere
wertvolle Zeit (Decision Latency).
Neben der Herausforderung Agilität stehen
viele Unternehmen vor dem Problem, dass
die für fortschrittliche Analysen erforderlichen
Skills nicht vorhanden sind (vgl. Seufert A.
2016). Die Konkurrenz um die besten Köpfe
führt außerdem dazu, dass entsprechende
Ressourcen am Markt knapp sind. Inwieweit
können also Agilität und der Aufbau entspre-
chenden Methodenwissens durch innovative
Analytics Ansätze unterstützt werden.
Vor diesem Hintergrund hat der ICV Fach-
kreis BI/Big Data das Forschungsprojekt
„Cutting-edge Performance Management –
Machine Learning for Process Optimization
and Advanced Financial Analytics“ gestartet.
In Kooperation mit dem Partner Trufa und
unter wissenschaftlicher Leitung des Instituts
für Business Intelligence sowie des Business
Innovation Lab der Hochschule Ludwigsha-
fen sollen die Möglichkeiten und Potentiale
innovativer Analytics Ansätze untersucht
werden. Zentrale Fragestellungen sind u.a.:
»
Inwieweit lässt sich die Prozesskette von
Rohdatengewinnung bis hin zur Entschei-
dung (Latency Modell) durch innovative
Analytics Ansätze deutlich schneller und
agiler gestalten?
»
Inwieweit ermöglichen innovative Ana-
lytics Ansätze Controllern, fortschrittliche
Analysetechniken zu nutzen ohne eine
spezielle Unterstützung durch Data Scien-
tists oder die IT?
»
Welche Skills/Methodenkompetenzen sind
für Controller erforderlich, um auf diese
Weise anspruchsvolle Analyseverfahren
nutzen zu können?
Ziel ist es, tatsächliche, real ablaufende
Geschäftsprozesse ausgewählter Partnerun-
Abb. 4: Integration von Advanced und Visual Analytics
(in Anlehnung an Kohlhammer/Proff/Wiener 2015)
Visuelle Abbildung
Visualisierung
Modelle
Data Mining
Parameter
anpassung
Algorithmische Datenanalyse
Visuelle Datenexploration
Roh-
daten
Nutzen
Transfor-
mation
Wissen
Interaktion
Modell
anpassung
Modell
verständnis
ist Gründer und Board
Member der Trufa Inc.,
San Mateo CA, USA und
Geschäftsführer der deutschen Trufa GmbH,
Heidelberg. Trufa betreibt angewandte
Forschung und Produktentwicklung im
Bereich Statistical Analytics. Produkte sind
Entscheidungsfindungssysteme zur Steue-
rung und Optimierung von Unternehmen.
Ralph Treitz
lehrt Betriebswirtschafts-
lehre und Informations-
management an der HS
Ludwigshafen. Er ist Direktor des Instituts
für Business Intelligence an der Steinbeis
Hochschule Berlin, Direktor des Business
Innovation Labs der HS Ludwigshafen und
Leiter des Fachkreises „BI/ Big Data Control-
ling“ im Internationalen Controllerverein.
Prof. Dr. Andreas Seufert
