66
·
Das Suchen nach
Wirkungsbeziehungen
hat z. B. in der
Marktforschung
eine lange
Tradition. Warum Kunden kaufen, ist schließ-
lich eine zentrale Frage in Vertrieb und Mar-
keting. Insbesondere die
Entwicklung von
Neuronalen Netzen
schafft Chancen, Klar-
heit über nachvollziehbare Abhängigkeiten
zu bringen.
·
Strukturgleichungsmodelle
ermöglichen
die Darstellung funktionaler Abhängigkeiten,
wobei auch der Einbezug sogenannter laten-
ter Variablen möglich ist. Über neuronale
Netze lassen sich nichtlineare Abhängigkei-
ten abbilden und damit für Planungsmodelle
nutzen.
·
Lernfähige Algorithmen
ermöglichen den
sukzessiven Aufbau von Fähigkeiten zur
Identifikation dynamischer Muster und auf
dieser Grundlage die vorausschauende Ab-
leitung von Handlungsempfehlungen mit ei-
ner sich mit der Zeit verbesserten Treffge-
nauigkeit.
·
Die Analyse von Daten aus Sekundärerhe-
bungen gibt die Möglichkeit, Erfolgsfaktoren
und Einflussmöglichkeiten für das Unterneh-
men präziser zu erkennen.
·
Das Verdichten unstrukturierter
Daten aus
sozialen Medien
bzw. internen Berichten
ermöglicht das
Erstellen von Stim-
mungsbildern und Trendeinschätzun-
gen
für relevante Wirkungsfelder des Un-
ternehmens.
Das
klassische Controller-Bild und die übli-
chen Ausbildungs-Curricula schließen die-
se Methoden nicht oder nur am Rande ein
.
Es fehlt daher häufig die Affinität zu dieser Art
des Denkens. Das schränkt nicht nur das eige-
ne Verständnis für das Potenzial der verfügba-
ren Datenschätze ein. Es erschwert auch die
heute schon mögliche Kooperation mit ent-
sprechenden Experten. Hier öffnet sich ein
weites Feld für die zukünftige Positionierung
von Controllern.
Es fällt jedoch schwer, einen solchen Schritt
hinsichtlich der Erfolgswirkung zu beurteilen.
Andererseits
erscheinen die Risiken des
Nichtstuns erheblich:
Vor 10 Jahren ahnte
kaum einer, was ein Smartphone ist, noch ließ
sich abschätzen, wie dieses Gerät unser Ver-
halten verändert.
Risiko-Management und Big Data
Dreh- und Angelpunkt des klassischen Risiko-
Managements ist die Verfügbarkeit nutzbarer
Informationen, um z. B. bestehende Schadens-
fälle in statistisch relevanter Höhe zu erfassen,
sowie Indikatoren, die in einem Zusammen-
hang zum Schaden stehen. Damit lassen sich
Eintrittswahrscheinlichkeiten von Risiken schät-
zen. Prädestiniert sind hier Unternehmungen
mit ausreichend „Risikoerfahrung“, die auf
einer größeren Historie aufbauen. So pflegen
Versicherungen oder Banken Schadensdaten-
banken, die Rückschlüsse auf Schadens- oder
Kreditrisiken zulassen.
Modernes Risiko-Management
in Unterneh-
men geht jedoch weit darüber hinaus und ent-
wickelt einen grundsätzlich anderen Blickwin-
kel. Im Zentrum der Aufmerksamkeit stehen die
Schwankungen (Oszillationen) der erfolgs-
relevanten Faktoren
im Zeitverlauf (z. B. sai-
sonale oder konjunkturelle Veränderungen) und
deren kombinierte Wirkung auf ausgewählte
Unternehmensziele. Volatilität wird konsequent
in die quantitative Darstellung von Zielsetzung,
Planung und Steuerung (Controlling) einbezo-
gen. Das Arbeiten mit Bandbreiten und Korrido-
ren anstelle von punktuellen Werten ist die Fol-
ge. Stochastische Mathematik tritt an die Stelle
linearer Algorithmen (siehe Abbildung 2).
Die Betrachtung von Risiken in Bezug auf ein-
zelne Kunden oder Produkte ist weniger im Fo-
kus. Es geht beim
Unternehmens-Risiko-
Management
eher um die
Volatilität aggre-
gierter Verhaltensweisen wichtiger Stake-
holder
oder von Preisen entscheidender
Produktgruppen oder von Entwicklungen wett-
bewerbsrelevanter Leistungsfaktoren auf den
Absatz-, Beschaffungs- und Finanzmärkten.
Außerdem geht es um Grenzbetrachtungen zu
bestandsgefährdenden Risiken, die häufig dis-
ruptiven Charakter haben.
Dazu muss versucht werden,
aus der Beob-
achtung verschiedener Indikatoren Risiko-
Wahrscheinlichkeiten abzuleiten
. Allerdings
lassen sich zukünftige Entwicklungen von Ab-
satz- und Beschaffungs-Märkten oder Wettbe-
werbs- und Technologierisiken auf Basis von
eingetretenen Ereignissen kaum beurteilen,
wenn sie die Grenzen bisheriger Erfahrungen
überschreiten. Das ist bei disruptiven Verände-
rungen – wie z. B. der Krise von 2008/2009 –
regelmäßig der Fall. Die Abweichungs-Analyse
erhält dadurch eine vollkommen andere Aus-
Autoren
Prof. Dr. Karsten Oehler
VP CPM Solutions, pmOne AG
Provadis Hochschule Frankfurt
Leiter des ICV-Fachkreis Big Data (BI/BA) & Controlling
E-Mail:
Prof. Dr. Andreas Seufert
Direktor des Instituts für Business Intelligence an
der Steinbeis Hochschule Berlin
Leiter ICV-Fachkreis Big Data (BI/BA) & Controlling
E-Mail:
Dr. Walter Schmidt
Executive Adviser des Vorstands und Fachdeligierter im
Internationalen Controller Verein (ICV) e. V.
E-Mail:
Bedeutung von Big Data für Controller
