68
·
Welche Skills/Methodenkompetenzen sind
für Controller erforderlich, um auf diese Wei-
se anspruchsvolle Analyseverfahren nutzen
zu können?
Projektsetup und Datengrundlage
Ziel des Action-Research-Ansatzes ist es, tat-
sächliche, real ablaufende Geschäftsprozesse
ausgewählter Partnerunternehmen in Echtzeit
zu erfassen, mittels einer Kombination aus
Visual und Advanded Analytics zu analysieren
und zu optimieren. Die gewonnenen Erkennt-
nisse sollen einerseits an das Partnerunterneh-
men zurückgespiegelt werden, andererseits im
Sinne eines Wissenstransfers hinsichtlich der
Generalisierbarkeit und Übertragbarkeit Ver-
wendung finden.
Der
Geschäftsbereich Diesel Systems (DS)
der Robert Bosch GmbH
hat sich dazu ent-
schlossen, im Rahmen des Action-Research-
Ansatzes drei Anwendungsszenarien zu identi-
fizieren und zu realisieren. Als Datengrundlage
dienten die Daten aus den SAP ERP-
Systemen Q87 (Vertikalsystem) und QOE
(Horizontalsystem) im Zeitraum der Geschäfts-
Zielsetzung
Vor diesem Hintergrund hat der ICV-Fachkreis
BI/Big Data als Teil seiner Aktivitäten das For-
schungsprojekt
„Autonomous Performance
Management – Machine Learning for Pro-
cess Optimization and Advanced Financial
Analytics“
gestartet. In Kooperation mit dem
Partner Trufa und unter wissenschaftlicher Lei-
tung des Instituts für Business Intelligence der
Steinbeis Hochschule Berlin sowie des Busi-
ness Innovation Lab der Hochschule Ludwigs-
hafen sollen die Möglichkeiten und Potentiale
innovativer Analytics-Ansätze gemeinsam mit
Praxispartnern untersucht werden. Das For-
schungssetup erfolgt als sog. Action-Research-
Ansatz (Checkland/Holwell 1998). Zentrale
Fragestellungen sind:
·
Inwieweit lässt sich die Prozesskette von
Rohdatengewinnung bis hin zur Entschei-
dung (Latency Modell) durch innovative Ana-
lytics-Ansätze deutlich schneller und agiler
gestalten?
·
Inwieweit ermöglichen innovative Analytics-
Ansätze Controllern, fortschrittliche Analy-
setechniken zu nutzen, ohne eine spezielle
Unterstützung durch Data Scientists oder
die IT?
dem Problem, dass die für fortschrittliche
Analysen erforderlichen Skills nicht vorhan-
den sind (Seufert 2016). Die Konkurrenz um
die besten Köpfe führt außerdem dazu, dass
entsprechende Ressourcen am Markt knapp
sind. Hinzu kommt, dass selbst eine massive
Rekrutierung von Data Scientists in den Un-
ternehmen das eingangs beschriebene Laten-
cy-Problem nur bedingt löst. Ein wesentlicher
Grund hierfür ist, dass – wie Abbildung 4
skizziert – zahlreiche Aktivitäten, wie z. B. die
Selektion der richtigen Datenbasis, die Be-
reinigung der Datenbasis, die Auswahl der
richtigen Variablen oder die Erstellung und
Optimierung des Modells durch Auswahl und
Parametrisierung der Algorithmen zwar tool-
unterstützt, aber stark manuell erfolgen. Zu
beachten ist auch, dass selbst einmal etab-
lierte analytische Modelle „gewartet“ und
dynamisch angepasst werden müssen, sei
es aufgrund veränderter Anforderungen im
Business oder veränderter Datengrundlagen
(z. B. verändertes Kundenverhalten). In der
Konsequenz bedeutet dies, dass die Skalie-
rungsmöglichkeiten dieses Ansatzes be-
grenzt sind.
Abb. 4: Analytics Cycle – Prozessschritte und Aktivitäten (Exemplarische Darstellung)
Herausforderungen und Potentiale im Bereich Daten und Analytics
