trachtet werden (Kueng 2000). Perfor-
manceindikatoren stellen Messgrößen dar, die
die Effektivität oder Effizienz im Prozess im Ver-
gleich zum Ziel ausdrücken [19, 20]. Zur WoC-
Steuerung werden derartige Verhältniskenn-
zahlen äußerst unzureichend bis nicht genutzt
[6]. Die weiterführende Forschung der Autoren
hat u. a. das Ziel, die Praktikabilität solcher
KPIs in Fallstudien zu untersuchen. Auch die
weiterhin identifizierten Merkmale, wie die Ab-
bildung von Maßnahmen, ein kontinuierliches
Monitoring, die Berücksichtigung von Soll- und
Ist-Werten, lösen bei entsprechender Umset-
zung systemseitig die Herausforderungen einer
ganzheitlichen WoC-Steuerung. Durch diese
Merkmale erhalten die Prozessverantwortli-
chen fortlaufend ein umfassendes Bild der ak-
tuellen Situation, können Korrekturmaßnahmen
gezielt ableiten und diese anhand der ange-
strebten Ziele überwachen. Außerdem unter-
stützen die meisten der genannten Merkmale
ebenso das Management in der Formulierung
übergeordneter Ziele [14]. Darüber hinaus ist
es auch für WoC-Prozesse denkbar, die aus
Analysen gewonnenen Regeln und Ursache-
Wirkungsbeziehungen in den Strukturen steue-
rungswirksam zu verankern.
Performance-Kennzahlen
problemadäquat darstellen
Die Datenbereitstellungsschicht präsentiert
dem Anwender alle relevanten Funktionen und
Komponenten der Datenaufbereitung in einer
personalisierten und integrierten Form. In die-
ser Ebene werden nicht nur das Nutzer- und
Berechtigungskonzept abgebildet, das einen
Zugriff der Anwender auf die vorgehaltenen
Performancedaten liefert. Vor allem steht die
Aufgabe im Vordergrund, dem Nutzer die aktu-
elle Situation und entsprechende Perfor-
mancekennzahlen problemadäquat darzustel-
len [14]. Hierunter fallen die Informationszu-
sammenstellung anhand der entsprechenden
Prozessziele [2], das Aufzeigen von Hand-
lungsbedarf bei Abweichungen, beispielsweise
in Form von Alarmen und Ampeln, eine Über-
sicht zu Maßnahmen und Zielerreichungsgrad
[17] sowie das visuelle Aufzeigen von Abhän-
gigkeiten und der identifizierten Wirkungsbe-
ziehungen [2]. An dieser Stelle ist es entschei-
dend, den verschiedenen vom WoC betroffe-
Ursache-Wirkungsbeziehungen
darstellen
Auf dieser Datenbasis aufbauend, werden die
dispositiven Daten adäquat zusammengestellt,
verarbeitet und zur Verfügung gestellt. Dazu
gehören sowohl die Bereitstellung der richtigen
Menge an KPIs, um die Mitarbeiter mit der op-
timalen Menge und Qualität an Informationen
zu versorgen [15], als auch die Abbildung von
Regeln und Ursache-Wirkungsbeziehungen.
Die Darstellung von Ursache-Wirkungsbezie-
hungen kann über Bäume hierarchisch oder
aber über Wirkungsketten realisiert werden
[16]. In der jüngeren Forschung zum WCM er-
scheinen zunehmend Ansätze, die eine Detail-
lierung von Kennzahlen in Form klassischer
Kennzahlenbäume verfolgt [3]. Aufgrund der
bereits aufgezeigten hohen Komplexität des
WoC-Prozessgefüges dürften bei konsequenter
Darstellung an dieser Stelle jedoch eher netz-
werkartige Abhängigkeiten entstehen. Ein wei-
teres wichtiges Merkmal stellt der Einsatz von
Analysetechniken dar [14]. Zu diesem Zweck
stehen verschiedene Möglichkeiten bereit, die
von einer multidimensionalen Kennzahlenanaly-
se mittels OLAP und dessen Operationen
(„Drill-Down & Roll-Up“, „Slice & Dice“) [17] bis
hin zur Mustererkennung über Data-Mining-
Verfahren reichen. Dieses Merkmal eines
PPMS adressiert exakt die geforderte multidi-
mensionale Auswertung von WoC-Kennzahlen.
Des Weiteren können durch die explorati-
ven Data-Mining-Verfahren bisher unbe-
kannte oder vermutete Ursache-Wirkungs-
beziehungen identifiziert bzw. bestätigt
werden.
Auch die Berücksichtigung des zeitli-
chen Verlaufs und der Trendabbildung sowie
von „weichen“ Faktoren, bspw. Kundenzufrie-
denheit, in der Konstruktion eines PPMS ent-
sprechen den geforderten Analysemöglichkei-
ten einer ganzheitlichen WoC-Betrachtung.
Welche Kennzahlen sind geeignet?
Die wohl schwierigste Aufgabe im WCM ist die
Definition geeigneter Kennzahlen [4]. Innerhalb
eines PPMS werden Performancekennzahlen
wesentlich durch drei Merkmale charakterisiert
– einer Einheit, einer Datenquelle und einer Fre-
quenz der Datenerhebung [18]. Außerdem soll-
ten Performancekennzahlen nie absolut be-
Controlling and
Financial Leadership, MSc
Beginn: 13. Oktober 2017
Dauer: 4 Semester, berufsbegleitend
Business Controlling, MBA
Beginn: 13. Oktober 2017
Dauer: 6 Semester, berufsbegleitend
Erweitern Sie Ihren
Horizont
Donau-Universität Krems
+43 (0)2732 893-2826
CM März / April 2017
