Controller Magazin Special 6/2021

16 Immer wieder weisen Studien darauf hin, dass die Steue- rungs- und KPI-Systeme in vielen Unternehmen grund- sätzliche Probleme aufweisen (Gräf et. al: 2013, Schrage/ Kiron 2018a): <right> Unzureichende Datenbasis: Steuerungssysteme ba- sieren immer noch auf zu vielen finanziellen Informati- onen und deutlich zu wenig externen Informationen. <right> UnzureichendeWirkung: KPIs sind teilweise eher will- kürlich ausgewählt – gleichzeitig mangelt es den Kennzahlensystemen an Zusammenhängen zwischen den einzelnen Indikatoren. <right> Unzureichende strategische Ausrichtung: Erfolgrei- che Steuerung erfordert Kennzahlensysteme, die das Geschäf tsmodell des Unternehmens abbilden, bzw. die Innovation von Geschäf tsmodellen unterstützen. Andererseits sind die technologischen Fortschritte der letzten Jahre atemberaubend (Seufert 2020a, Seufert 2020b). Dies gilt nicht nur für die Gewinnung und Er- schließung völlig neuer Datenquellen, sondern auch für die Möglichkeiten, riesige Datenmengen unverdichtet zu speichern und diese auf regelmäßige Muster und Abhän- gigkeiten hin zu analysieren, um Ursache-Wirkungs-­ Beziehungen zu verstehen, Maßnahmen abzuleiten, Vor- hersagen zu tref fen oder Simulationen durchzuführen (Seufert / von Künssberg / Treitz / von Daacke 2020). Aller- dings erfordern derartige Ansätze den Einsatz neuer Analysemethoden, und v.a. eine radikal andere Sichtwei- se auf Daten und Entscheidungsmodelle (Schrage/Kion 2018b). Neben einer stärkeren Automatisierung spielt – wie Abb. 1 skizziert – v.a. die Integration fortschrittliche- rer Analyseverfahren auf Basis von maschinellem Lernen und künstlicher Intelligenz eine zentrale Rolle. Unzureichende Eignung traditioneller Analysemethoden Anhand eines einfachen Beispiels (siehe Abb. 2) sollen die Limitationen traditioneller Methoden kurz skizziert wer- den. Stellen wir uns vor, wir sind bei einem internationalen Energieunternehmen verantwortlich für den Verkauf von Heizöl. Ziel ist es, die Absatzmenge zu erhöhen. Hierfür stehen uns folgende Erfahrungswerte zur Verfügung: <right> Dämmung: Dicke der Dämmung auf einer Skala von 1 (sehr niedrig) bis 10 (sehr hoch). <right> Temperatur: durchschnittliche Außentemperatur des letzten Jahres am Standort der Wohnung in Grad Celsius. <right> Heizöl: Verbrauch in Litern Heizöl je Wohneinheit / Kunde im letzten Jahr. <right> Anzahl der Bewohner: je Wohneinheit <right> Alter: Durchschnittsalter der Bewohner jeWohneinheit <right> Wohnungsgröße: Größe der Wohneinheit auf einer Skala von 1 (sehr klein) bis 8 (sehr groß) Der klassische Lösungsansatz wäre zu versuchen, manuell mittels deskriptiver Analysen Zusammenhänge zu identi- fizieren, darzustellen und diese zu interpretieren, um Handlungsempfehlungen für eine Steigerung des Heizöl- verbrauchs abzuleiten. BI-Systeme bieten hierzu vielfältige KENNZAHLEN Abb. 1: Weiterentwicklung traditio- neller BI zu AI Enabled BI Effizienz Automati- sierung & Agilität Effektivität Informationsgehalt &Analytik Technologische Fortschritte ermöglichen neue Analysemethoden Hoch Hoch Niedrig BI Enhanced Analytics BI AI Enabled BI Die Kennzahlen-Illusion – Wunsch und Wirklichkeit traditioneller KPI’s