53
kurrenz. Externe Berater aber auch die Fachab-
teilungen selbst haben das attraktive Betäti-
gungsfeld erkannt.
Literaturverzeichnis
Bitkom (Hrsg.) (2015): Big Data und Ge-
schäftsmodell - Innovationen in der Praxis: 40+
Beispiele, 2015.
Bauernhansl, T. (2014): Industrie 4.0 Big Data
als Treiber neuer Optimierungspotenziale, Vor-
trag Konferenz Best in Big Data 2014.
Seufert, A./Bernhardt, N. (2011): BI as a Ser-
vice – Cloud Computing: Facetten eines neuen
Trends. In: BI Spektrum, 6. Jg. (2011), S. 23-27.
Seufert A./Heinen, M./Muth, A. (2014): Infor-
mation Rules: Die neue Anatomie der Entschei-
dung. In: Controlling & Management Review,
58. Jahrgang (2014), Heft 7, S. 16-25.
Seufert A. (2016): Die Digitalisierung als Her-
ausforderung für Unternehmen: Status Quo,
Chance und Herausforderungen im Umfeld BI &
Big Data. In: Fasel, D./Meier, A.: (Hrsg.): Big
Data – Grundlagen, Systeme und Nutzenpoten-
ziale, Springer, Wiesbaden 2016, S. 39-57.
Seufert, A./Kruk, K. (2016): Digitale Transfor-
mation und Controlling: Herausforderungen und
Implikationen dargestellt am Beispiel der BASF.
In: Gleich, R./Grönke, K./Kirchmann, M./Leyk,
J. (Hrsg.): Konzerncontrolling 2020 – Zukünfti-
ge Herausforderungen der Konzernsteuerung
meistern, Haufe 2016, S. 141-164.
Seufert, A. (2012): Business Intelligence und
Advanced Analytics/Data Mining: Status Quo –
Potentiale – Wertbeitrag, Stuttgart 2012.
Shmueli, G./Koppius, O. (2011): Predictive
Analytics in Information Systems Research. In:
MIS Quarterly, Vol. 35 (2011) No. 3/ Septem-
ber, S. 553-572.
Soule, D./Carrier, N./Bonnet, D./Westerman,
G. (2014): Organizing for a Digital Future: Op-
portunities and Challenges, Working Paper,
Massachusetts Institute of Technology (MIT),
2014.
Soule, D./Puram, A./ Westerman, G./Bonnet,
D. (2016): Becoming a Digital Organization:
The Journey to Digital Dexterity, Working
Paper, Massachusetts Institute of Technology
(MIT), 2016.
die z. B. über Cloud-basierte Plattformen be-
reitgestellt werden und beziehen sich entwe-
der auf bestimmte Datentypen (z. B.: Wetter-
daten, Kundendaten, Social Media-Daten, In-
ternetnutzungsdaten) oder Unternehmens-
funktionen (CRM, FuE, Controlling). In vielen
Fällen adressiert Analytics-as-a-Service be-
stimmte Branchen, da sehr spezifische Ana-
lysebedarfe bzw. sehr spezifische Datenty-
pen und -mengen verarbeiten müssen. Sie
stellen eine der wichtigsten und wachstums-
stärksten Produkt- bzw. Dienstleistungskate-
gorien dar.
Datenmarktplätze und -aggregatoren:
Eine
weitere Wertschöpfungsvariante sind Daten-
marktplätze. Hier schaffen die Marktplatzbe-
treiber Plattformen und einheitliche Standards
für den Verkauf und die Nutzung verschiedener
Datensätze oder Datenstreams. Analysten geht
davon aus, dass sich die Datenmarktplätze
branchen- und anwendungsspezifisch entwi-
ckeln werden.
Controlling im Zeitalter der digitalen
Transformation
Die Digitalisierung wird Unternehmen radikal
verändern. Nicht nur Geschäftsprozesse wer-
den digitalisiert, sondern auch Produkte und
Geschäftsmodelle. Die zunehmende Digitali-
sierung der Unternehmen setzt entsprechen-
de Kompetenzen im Umgang mit (digitalen) In-
formationen voraus (Soule/Carrier/Bonnet/
Westerman 2014 sowie Soule/Puram/Wes-
terman/Bonnet 2016).
Vor diesem Hinter-
grund besteht eine zentrale Herausforde-
rung für Unternehmen darin, die Gewin-
nung und Nutzung von Informationen als
Kernkompetenz zu begreifen
, um sich im
Wettbewerb zu behaupten bzw. Wettbe-
werbsvorteile zu erzielen.
Die massiven Veränderungen im Umfeld digita-
ler Informationen
bieten für das Controlling
erhebliche Potentiale für die Gestaltung der
eigenen zukünftigen Rolle, aber auch ge-
waltige Herausforderungen.
Nur eine klare
Positionierung sowie der Aufbau entsprechen-
der Methodenkompetenzen ermöglichen die
Nutzung dieser Potentiale (Seufert/Kruk 2016).
Allerdings steht das Controlling in starker Kon-
Information als Produkt –
Digitale Produkte/Services
Für die Unternehmen stellt sich grundsätzlich
die Frage, welche Ansatzpunkte sie für sich
hinsichtlich der Gestaltung zukünftiger Ge-
schäftsmodelle nutzen möchten und welche
Kompetenzen hierfür erforderlich sind. Wie
eingangs skizziert, stellen digitale Produkte
und Services dabei einen besonders interes-
santen Bereich dar, da sie erhebliche Vorteile
gegenüber physischen Produkten bieten. Aus
diesem Grund wird in diesem Bereich – wie
Abbildung 5 visualisiert – ein erhebliches
Marktpotential gesehen.
Digitale Produkte/Services lassen sich entlang
einer (Informations-) Wertschöpfungskette be-
schreiben. Überblicksartig können dabei vier
Bereiche unterschieden werden:
Data Infused Products:
Physische Produkte
können mittels Sensorik aufgewertet werden.
Diese „smarten Produkte“, z. B. intelligente
Stromzähler, Gebäudeautomation, Werkzeuge
oder Haushaltsgeräte, können entweder res-
sourcenärmer betrieben werden oder dem Nut-
zer via Display und Steuerungskomponenten
eine bessere und individuellere Handhabung
bieten. Neben der Aufwertung bestehender
Produkte entsteht derzeit aber auch eine Gene-
ration neuer Devices, die vollkommen neue
Funktionen für den Nutzer darstellen. Beispiele
sind Wearables wie Armbänder mit Sensoren
zur Überwachung von Herzfrequenz und einge-
bautem Schrittzähler oder Skibrillen mit integ-
riertem Head-Up-Display und GPS – zur Mes-
sung von Geschwindigkeit und Navigationsas-
sistenz auf der Piste.
Data as a Service:
Wie in der Stufe „Moneta-
risieren“ skizziert, stellen Daten in den Unter-
nehmen vielfach einen noch nicht gehobenen
Schatz dar. Auch das Zusammenführen und
Aufbereitung von Daten zum Zweck des Wei-
terverkaufs kann ein attraktives Geschäftsmo-
dell sein. Data-as-a-Service als Geschäftsmo-
dell unterliegt allerdings strengen gesetzlichen
Regelungen sowie einer scharfen Beobachtung
seitens Presse, Anwender und Politik.
Analytics as a Service:
Sie umfassen
Dienstleistungen der Analyse und Prognose,
CM Juli / August 2017
