71
wie der Aufbau entsprechender Methoden-
kompetenzen ermöglichen die Hebung dieser
Reservoirs (Seufert/ Kruk 2016).
Kurzporträt: Fachkreis BI/Big Data
und Controlling im ICV
Der
Fachkreis BI/Big Data und Control-
ling
ist als Netzwerk organisiert. Die Part-
ner setzen sich aus Anwendern und An-
bietern renommierter Unternehmen sowie
Wissenschaftlern zusammen. Strategischer
Partner des Fachkreises ist das Institut für
Business Intelligence (IBI) der Steinbeis
Hochschule Berlin. Mit seiner Arbeit möchte
der Fachkreis regelmäßig über Trends und
neue Entwicklungen informieren sowie
Anstöße und Ideen für eine innovative
Weiterentwicklung des Controllings geben.
Der Wissenstransfer erfolgt mit Partnern
im Rahmen von Aus- und Weiterbildungs-
angeboten. Darüber hinaus wurde in
Kooperation mit der Hochschule Ludwigs-
hafen das Business Innovation Lab („Digitale
Probierstube“) eingerichtet.
Weitere Informationen:
kernteam.html
literatur-und-schwerpunktthemen/
icv-digitalisierungsoffensive.html
Literatur
Brynjolfsson, E./Hitt, L./Kim, H.: Strength in
Numbers: How Does Data-Driven Decisionma-
king Affect Firm Performance?, Working Paper,
Massachusetts Institute of Technology (MIT),
2011.
Checkland, P./Holwell, S.: Action Research:
Its Nature and Validity. In: Systemic Practice
and Action Research, 11. Jahrgang (1998),
Heft 1, S. 9-21.
Ghasemkhani, H./Soule, D./ Westerman, G.:
Competitive Advantage in a Digital World: To-
ward An Information-Based View of the Firm,
Working Paper, Massachusetts Institute of
Technology (MIT), 2014.
Hackathorn, R.: Current Practices in Active
Data Warehousing, 2002.
Herschel, G./Linden, A./Kart, L.: Magic Quad-
rant for Advanced Analytics Platforms, Gartner,
19.02.2015
Linden, A./Krensky, P./Hare, J./Idoine, C./Si-
cular, S./Vashisth, S.: Magic Quadrant for Data
Science Platforms, 14 February 2017,
23.02.2017.
Sallam, R./Hostmann, B./Schlegel, K./Tapa-
dinhas, J./Parenteau, J./Oestreich, T.: Magic
Quadrant for Business Intelligence and Ana-
lytics Platforms, Gartner, 23.02.2015
Sallam, R./Howson, C./Idoine, C./Oestreich, T./
Richardson, J./Tapadinhas, J.: Magic Quadrant
for Business Intelligence and Analytics Plat-
forms, 16 February 2017,
com/doc/reprints?id=1-3TYE0CD&ct=170221&
st=sb, Abruf am 23.02.2017.
Seufert, A./Heinen, M./Muth, A.: Information
Rules: Die neue Anatomie der Entscheidung. In:
Controlling & Management Review, 58. Jahr-
gang (2014), Heft 7, S. 16-25.
Seufert, A./Kruk, K.: Digitale Transformation
und Controlling: Herausforderungen und Impli-
kationen dargestellt am Beispiel der BASF. In:
Gleich, R./Grönke, K./Kirchmann, M./Leyk, J.
(Hrsg.): Konzerncontrolling 2020 – Zukünftige
Herausforderungen der Konzernsteuerung
meistern, Haufe 2016, S. 141-164.
Seufert, A./Oehler, K.: Controlling und Big
Data: Anforderungen an die Methodenkompe-
tenz, in: Controlling & Management Review, 60.
Jahrgang (2016), Heft 1, S. 74-82.
Seufert, A./Treitz, R.: Big Data Analytics als
Enabler der digitalen Transformation. In: Hand-
buch Wirtschaftsprüfung und Steuerberatung,
Haufe, 2016.
Seufert, A.: Die Digitalisierung als Herausfor-
derung für Unternehmen: Status Quo, Chance
und Herausforderungen im Umfeld BI & Big
Data. In: Fasel, D./Meier, A.: (Hrsg.): Big Data –
Grundlagen, Systeme und Nutzenpotenziale,
Springer, Wiesbaden 2016, S. 39-57.
Soule, D./Carrier, N./Bonnet, D./Wester-
man, G.: Organizing for a Digital Future: Op-
portunities and Challenges, Working Paper,
Massachusetts Institute of Technology (MIT),
2014.
zessvarianten simulieren. Auf diese Weise kön-
nen beispielsweise die o. g. quantitativen Pro-
zessmerkmale optimiert werden, Werttreiber
identifiziert, aber auch die finanziellen Auswir-
kungen von Prozessveränderungen (z. B. Ver-
schlankung von Prozessvarianten, Veränderung
von Lieferzeiten oder Zahlungszielen) vorherge-
sagt werden. Simulationen erlauben schließlich
die Auswahl geeigneter Maßnahmen zur ge-
wünschten Zielerreichung.
Prescriptive Analytics:
Die Vielzahl an Mög-
lichkeiten, gewünschte Unternehmensziele zu
erreichen, lässt sich schließlich durch automati-
sierte Empfehlungen auf Basis von Algorithmen
unterstützen. Dabei geht es vor allem darum,
eine systematische Suche nach Verbesserungs-
potentialen oder Verstößen gegen Prozess-
regeln unter Einbeziehung aller granular vor-
liegenden Dater durchzuführen.
Implikationen für das Controlling
Die im Rahmen des Action-Research-Projek-
tes gewonnenen Erkenntnisse zeigen einer-
seits das ungeheure Potential im Bereich Da-
ten und Analytics, andererseits aber auch den
gravierenden Unterschied zu traditionellen
Ansätzen:
1) Datengrundlage sind unverdichtete Rohdaten
und nicht bereits aggregierte Daten, z. B. aus
einem Data Warehouse.
2) Datengrundlage sind die kompletten Pro-
zessdaten und damit quasi die DNA eines
Unternehmens auf Basis des eigenen trans-
aktionalen (SAP) Systems.
3) Die Analytics sind vollständig datengetrie-
ben. Es wurde a priori keine Modellbildung
betrieben, es wurden kein Werttreiberbaum
erstellt und keine Annahmen gemacht. Die
erkannten Zusammenhänge resultieren di-
rekt aus den tatsächlichen Daten des Unter-
nehmens.
Um diese Potentiale nutzen zu können, ist ein
Neudenken des Umgangs mit Daten und Ana-
lytics erforderlich. Die massiven Veränderun-
gen im Umfeld digitaler Informationen bieten für
das Controlling erhebliche Potentiale für die
Gestaltung der eigenen zukünftigen Rolle, aber
auch gewaltige Herausforderungen (Seufert/
Oehler 2016). Nur eine klare Positionierung so-
CM Januar / Februar 2018
