45
Die Bedeutung der digitalen Transformation in-
nerhalb der Controlling-Funktion steht derzeit
noch im Widerspruch zum Grad der Umset-
zung in der Praxis. Ursächlich dafür sind me-
thodische Herausforderungen beim Umgang
mit modernen Data-Analytics-Verfahren aber
auch die Beschaffung der erforderlichen Daten
im Sinne von
smart data
(vgl. Möller, Pieper,
2015).
1
Gerade neuere Entwicklungen im Be-
reich von Predictive Analytics bieten dabei
enormen Mehrwert für das Controlling. Am
Beispiel der Entwicklung eines Umsatzprogno-
semodells für Deutsche Post International
(DPI) soll aufgezeigt werden, wie Predictive
Analytics erfolgreich implementiert werden
kann und welche Potentiale sich daraus für
das Controlling ergeben.
Predictive Analytics – der Blick
in die Zukunft
Predictive Analytics als Teil der Data Analytics
befassen sich mit Vorhersagen künftiger Ent-
wicklungen („Was wird passieren?“) und gel-
ten als Trend innerhalb von Controlling 4.0
(vgl. Ohlhorst, 2013). Mit Hilfe statistischer
bzw. mathematischer Verfahren werden gro-
ße, strukturierte Datenmengen und Zeitreihen
analysiert, um Abhängigkeiten, Muster oder
Trends erkennen und Vorhersagen ableiten zu
können. Im Zentrum der Predictive Analytics
steht dabei der sog. Prädiktor, also das Ele-
ment, welches prognostiziert werden soll; im
vorliegenden Praxisfall die
monatliche Um-
satzprognose von DPI
.
Die Entwicklung eines Prognosetools auf Basis
von Predictive Analytics basiert meist auf dem
CRISP-Modell (vgl. Abbildung 1).
2
Das sechs-
stufige Prozessmodell beginnt mit dem
Busi-
ness Understanding
, denn Spezialisten auf
dem Gebiet von Data Analytics (Data Scientists)
benötigen ein genaues Verständnis des Ge-
schäftsmodells, der zugehörigen Geschäftspro-
zesse und des Projektziels. Im Rahmen des
Data Understandings
wird analysiert, welche
Daten nützlich sind, inwieweit und in welcher
Granularität diese zur Verfügung stehen und
welche kausalen Zusammenhänge bestehen.
Relevant sind dabei nicht nur interne Daten aus
finanzwirtschaftlichen oder operativen Syste-
men, sondern auch externe Daten, die ggf. in
teilstrukturierter Form vorliegen, wie bspw.
Digitale Transformation des Controllings bei
Deutsche Post International
Potentiale und Herausforderungen durch Nutzung von
Predictive Analytics
von Sebastian Deipenbrock, Lars Landewee und Gerhard Sälzer
CM Januar / Februar 2019
