69
gut strukturiert und schon als Dimensions-
modell verfügbar.
·
Die Advanced-Analytics-Ebene besteht aus
einem flexiblen Werkzeugkasten. Das kön-
nen mehrere Umgebungen für spezifische
Aufgaben sein oder auch universelle Umge-
bungen wie Python
12
oder R.
13
Neben klassi-
schen Mining-Werkzeugen gibt es häufig
auch Unterstützung für Advanced Simulation
und Optimierung.
·
Die etablierten
Planungs-, Analyse- und
Reporting-Werkzeuge (RAP)
beinhalten
einschlägige Methoden zur Erfassung und
Aufbereitung von Informationen. Insbeson-
dere für die Planung wird eine eigenständige
Datenhaltung präferiert. Es ist aber auch
denkbar, dass diese Schicht die Datenquel-
len als Datenspeicher verwendet.
·
Das integrierte RAP kann auf die Ergebnisse
der Advanced-Analytics-Schicht zugreifen.
Viele Anbieter solcher Systeme ermöglichen
mittlerweile die Einbindung von R-Modulen
in ihre RAP-Systeme.
·
Gleichermaßen kann Advanced Analytics
aber auch auf die RAP-Schicht zugreifen.
Dies kann beispielsweise bei Forecasting-
Ansätzen oder auch bei Simulationsrech-
nungen notwendig werden. Des Weiteren
können auch die Prozessdaten des RAPs
für Analysen verwendet werden. So ließe
sich beispielsweise die Forecast-Genauig-
keit über verschiedene Vertriebsbereiche
analysieren. Das aufgezeichnete Benutzer-
verhalten könnte als Grundlage für Empfeh-
lungen „Andere haben in der Situation fol-
gende Aktivitäten ausgewählt“ herangezo-
gen werden.
Es ist einleuchtend, dass mit neuen Datenquel-
len und Methoden auch die fachlichen und
technischen Anforderungen steigen. Folglich
muss diskutiert werden, welche Aufgaben von
wem zu übernehmen sind.
·
Die
fachliche Hoheit des integrierten Pla-
nungs-, Reporting- und Analysesystems
bleibt unverändert beim Controlling.
Teil-
weise gibt es auch spezifische Competence
Center (Business Intelligence Competence
Center, BICC), die technische Expertise ein-
bringen.
·
Die Methodenkompetenz wird nur teilweise
vom Controller kommen, insbesondere wenn
es um Advanced Analytics geht. Auch wenn
die Methoden immer einfacher werden, ist es
trotzdem notwendig,
tieferes Know How in
statistischen Verfahren und Mining Algo-
rithmen
mitzubringen. Auch hier bündelt
sich die Big-Data-/Advanced-Analytics-Kom-
petenz häufig in einem entsprechenden Kom-
petenz-Center. Allerdings sollte der Controller
ein gutes Verständnis über die Möglichkeiten
dieser Werkzeuge haben. Die Aufgaben des
Controllers bestehen darin, Potenziale im
Controlling in Bezug auf Advanced Analytics
zu erkennen und zu erschließen.
14
Die Moderne Wertorientierung geht vom Bild
des Controllers als Business Partner aus. Die
Koordinationskompetenz des Controllers ist
wichtig, um die Ansätze zu synchronisieren und
das Potenzial zu verdeutlichen. Mit der neuen
Welt ändert sich auch die Projektvorgehens-
weise. Während eine klassische Warehouse-
Architektur über einen sehr langen Zeitraum
aufgebaut wird, ist bei Big Data Agilität gefor-
dert. Grundsätzlich geht es darum, mit welcher
Geschwindigkeit Lösungen erstellt werden kön-
nen. Klassische Analyseprojekte dauern häufig
zu lange. Der explorative Gedanke ist bei Big
Data eindeutig größer. Dementsprechend emp-
fehlen sich agile Methoden.
15
Fazit
Hinsichtlich der Einschätzung möglicher Wirkun-
gen von Big Data auf die Moderne Wertorientie-
rung ist noch viel praktische Erprobung und wis-
senschaftliche Forschung zu betreiben. Nach
vielen Diskussionen lässt sich allerdings fest-
stellen, dass sehr unterschiedliche Welten zu-
sammenwachsen müssen: Auf der einen Seite
der Controller mit einem üblicherweise recht gut
definierten Aufgabenprofil. Auf der anderen Sei-
te die Welt der Datenwissenschaftler, die eher
experimentell arbeiten. Beide Vorgehensweisen
sind wichtig und zeigen viele Schnittstellen. Auf-
grund seiner umfassenden Betrachtungsweise
in seiner Aufgabe als Business Partner sollte der
Controller hier die Koordination treiben.
Fußnoten
1
Vergleiche auch die Diskussion in der FAZ,
3
Schmidt, W., Blachfellner, M., Oehler, K.: Mo-
derne Wertorientierung – ICV-Leitfaden, Frei-
burg 2015
5
files/Keynote_1200_Luckow%20Dr_BMW_
BITKOM%20Big%20Data%20Summit%20
June24_2013.pdf
6
php/Days_working_capital
7
Die obersten Ebenen der bekannten Werttrei-
berbäume zerlegen Kennzahlen lediglich in ihre
Bestandteile. Damit wird kein Wissen über die
Wirklichkeit ausgedrückt, sondern nur Definiti-
onen in die Komponenten aufgelöst.
8
Z. B. Krystek, U., Müller-Stewens, G.: Strategi-
sche Frühaufklärung, in: Hahn, D., Taylor, B.:
Strategische Unternehmensplanung – Strategi-
sche Unternehmensführung, Berlin u. a. O. 2006.
9
Ansoff, I. (1976). Managing Surprise and Dis-
continuity - Strategic Response to Weak Signals.
In: ZfbF – Schmalenbachs Zeitschrift für be-
triebswirtschaftliche Forschung, 28: S. 129-152.
11
uploads/2013/12/13-12-08-THE-INTERNATI-
ONAL-IR-FRAMEWORK-2-1.pdf
12
Python ist eine universelle, üblicherweise in-
terpretierte höhere Programmiersprache
13
R ist eine freie Programmiersprache für sta-
tistisches Rechnen und statistische Grafiken
14
Seufert, A.: Das Controlling als Business Part-
ner: BI & Big Data als zentrales Aufgabenfeld, in
Gleich, R.: Big Data, Freiburg 2015, S. 39.
15
Z. B. Schmidt, R., Grünwald, U.: Adaptives
Projektmanagement im Controlling, in Control-
ling 7/2015.
CM Mai / Juni 2016
