Die Bachelorarbeit befasst sich mit der Forschungsfrage: In welchen Bereichen der Budgetplanung kann Business Analytics angewendet werden? Daraus lassen sich weitere Forschungsfragen ableiten: Welche Voraussetzungen müssen gegeben sein um Business Analytics überhaupt nutzen zu können? Welche Möglichkeiten und Herausforderungen bietet Business Analytics in der Budgetplanung? Was muss bei der Einführung von Business Analytics in der Budgetplanung beachtet werden? Welche Auswirkungen hat Business Analytics auf den Controller und die Controllerin?
Um diese Forschungsfragen zu beantworten, werden zu Beginn die Grundlagen der Budgetierung, wie Definitionen der Begrifflichkeiten und der Budgetierungsprozess, herausgearbeitet. Im Anschluss werden die Grundlagen der Business Analytics näher betrachtet. Darunter werden die Definitionen der Begrifflichkeiten, die Entwicklungsstufen, der Business Analytics Prozesse, die Analysemethoden differenziert nach strukturprüfende und strukturentdeckende Analysemethoden und der aktuelle Praxisstand herausgearbeitet.
Auf Basis dieser Erkenntnisse befasst sich das vierte Kapitel mit der Thematik der Business Analytics zur Planung vom Budget. Dabei wird auf die Voraussetzung für die Nutzung, das Forschungsdesign, die Anwendungsbereiche, die Möglichkeiten und Herausforderungen, die Handlungsempfehlungen sowie auf die Auswirkungen auf den Controller und die Controllerin eingegangen. Abschließend werden die wesentlichen Erkenntnisse nochmal zusammengefasst sowie ein Ausblick gegeben. Dabei soll die Beantwortung der Forschungsfragen branchenunabhängig sein.
Inhaltsverzeichnis
Abbildungsverzeichnis
Abkürzungsverzeichnis
1. Einleitung
2. Grundlagen der Budgetierung
2.1 Definition der Begrifflichkeiten
2.2 Budgetierungsprozess
3. Grundlagen der Business Analytics
3.1 Definition der Begrifflichkeiten
3.2 Entwicklungsstufen
3.3 Business Analytics Prozess
3.4 Analysemethoden
3.4.1 Strukturprüfende Analysemethoden
3.4.2 Strukturentdeckende Analysemethoden
3.5 Aktueller Praxisstand
4. Business Analytics zur Planung vom Budget
4.1 Voraussetzungen für die Nutzung
4.2 Forschungsdesign
4.3 Anwendungsbereiche
4.4 Möglichkeiten und Herausforderungen
4.5 Handlungsempfehlungen
4.6 Auswirkungen auf den Controller und die Controllerin
5. Fazit und Ausblick
Anhang
Literaturverzeichnis
Abstract
Die Bachelorarbeit dreht sich rund um das Thema Business Analytics in der Budgetplanung. Das Ziel dieser Forschung ist, die Anwendungsbereiche der Business Analytics in der Budgetplanung zu bestimmen, ebenso wie die Möglichkeiten und Herausforderungen aufzuzeigen. Um die Forschungsfragen zu beantworten, wurde eine Literaturrecherche und eine kombinierte quantitative und qualitative Forschungsumfrage zum Thema Einsatz von Business Analytics für die Budgetplanung durchgeführt. Für die Umfrage wurden Beschäftigte im Controlling aus unterschiedlichen Branchen befragt. Das Forschungsergebnis zeigt, dass insbesondere die Business Analytics in den Anwendungsbereichen der Absatzplanung, der Umsatzplanung sowie der Personalplanung gesehen wird. Als zentrale Möglichkeiten der Business Analytics in der Budgetplanung, wurden in der Untersuchung die Aufwandsreduzierung, die Entlastung von Routinetätigkeiten bzw. manuellem Aufwand, die Erkennung von bisher unbekannten Ursachen-Wirkungs-Zusammenhänge sowie die Objektivität identifiziert. Identifiziert wurden auch Herausforderungen, wie die Datenqualität, die gleichzeitig eine Voraussetzung zur Nutzung der Business Analytics ist, und die Wahl der Analysemethode.
Zudem zeigt das Forschungsergebnis, dass 81,5% der Teilnehmer die Relevanz der Business Analytics für die Budgetplanung als sehr relevant oder eher relevant einschätzen. Jedoch zeigt das Forschungsergebnis, dass bei 62,5% die Business Analytics im Controlling nicht bzw. noch nicht im Controlling der Unternehmen zum Einsatz kommt. Auf Grundlage der Erkenntnisse der Forschung ist den Unternehmen zu empfehlen, dass sie sich in der Budgetplanung mit der Thematik der Business Analytics beschäftigen, um Wettbewerbsvorteile zu erlangen.
Abbildungsverzeichnis
Abb. 1: Verknüpfungen und Abhängigkeiten der Teilpläne im Rahmen der Budgetplanung
Abb. 2: Fehlergrößen
Abb. 3: Branchenzugehörigkeit der Teilnehmer der Forschungsumfrage
Abb. 4: Regressionsgerade mit und ohne Ausreißer
Abb. 5: Formel für das Bestimmtheitsmaß
Abb. 6: Formel für den Mean Absolute Deviation (Mittlerer absoluter Fehler)
Abb. 7: Formel für den Mean Absolute Percentage Error (Mittlerer absoluter prozentualer Fehler)
Abkürzungsverzeichnis
Abb. Abbildung
Bzw. Beziehungsweise
et Prognoseabweichung
Ggf. Gegebenenfalls
G +V Gewinn- und Verlustrechnung
IBM Unternehmen IBM
IT Informationstechnologie
K Prognosehorizont
KPMG Unternehmen der Wirtschaftsprüfungsgesellschaft
MAD Mean Absolute Deviation
MAPE Mean Absolute Percentage Error
QE erklärbare Abweichung
QT gesamte Abweichung
R2 Bestimmtheitsmaß
T Ende des Stützbereichs
ui Fehlergrößen
X unabhängigen Variablen
Y abhängigen Variablen
Mittelwert von y-Werte
i geschätzte y-Werte
yi eingetretenen y-Werte
yt realisierte Werte
1. Einleitung
Die datenbasierte Planung und Steuerung ist seit Anbeginn ein wesentlicher Bestandteil des Controllings.1 Doch die Digitalisierung führt zu einem Daten-Tsunami2, häufig auch als Big Data bezeichnet, mit bisher noch nicht dagewesener Datenvielfalt und Datenmenge.3 Laut Prognosen dürfte sich 2020 das Volumen der weltweit jährlich generierten Datenmenge auf 54 Zettabytes belaufen, diese soll bis 2025 auf rund 175 Zettabytes ansteigen. 54 Zettabytes an Daten entsprechen, heruntergebrochen auf eine Person, einer Textmenge von vier Millionen Büchern.4 Ein bekanntes Zitat des Gartner Head of Research & Advisory Peter Sondergaard besagt:5 „Information is the oil of the 21st century, and analytics is the combustion engine.“6 Demnach stellen die Daten im 21. Jahrhundert das Öl7 und damit eine wesentliche Unternehmensressource dar8. Um aus diesen Daten einen Mehrwert für das Unternehmen zu generieren, ist die Analyse der Daten, welche als Business Analytics bezeichnet wird, von entscheidender Bedeutung.9 Durch diese zielgerichtete Datenanalyse können Unternehmen erhebliche Wettbewerbsvorteile erlangen. Dies erfordert jedoch, dass sich das Controlling mit diesem Thema befassen muss, um Analysen der Daten durchführen und hierauf nutzenstiftende Erkenntnisse ableiten zu können.10 Angesichts der zunehmenden Daten durch Big Data11 und des dynamischen Unternehmensumfelds werden die zeitintensiven und oftmals statischen Planungsprozesse, wie die Budgetplanung, zum Problem.12 Doch durch die Möglichkeit von Big Data gewinnt Business Analytics zur Unterstützung von Entscheidungen sowie zur Planung ein großes Interesse in der Unternehmens-praxis.13
Die Bachelorarbeit befasst sich daher mit der Forschungsfrage: In welchen Bereichen der Budgetplanung kann Business Analytics angewendet werden? Daraus lassen sich weitere Forschungsfragen ableiten: Welche Voraussetzungen müssen gegeben sein um Business Analytics überhaupt nutzen zu können? Welche Möglichkeiten und Herausforderungen bietet Business Analytics in der Budgetplanung? Was muss bei der Einführung von Business Analytics in der Budgetplanung beachtet werden? Welche Auswirkungen hat Business Analytics auf den Controller und die Controllerin?
Um diese Forschungsfragen zu beantworten, werden zu Beginn die Grundlagen der Budgetierung, wie Definitionen der Begrifflichkeiten und der Budgetierungsprozess, herausgearbeitet. Im Anschluss werden die Grundlagen der Business Analytics näher betrachtet. Darunter werden die Definitionen der Begrifflichkeiten, die Entwicklungsstufen, der Business Analytics Prozesse, die Analysemethoden differenziert nach strukturprüfende und strukturentdeckende Analysemethoden und der aktuelle Praxisstand herausgearbeitet. Auf Basis dieser Erkenntnisse befasst sich das vierte Kapitel mit der Thematik der Business Analytics zur Planung vom Budget. Dabei wird auf die Voraussetzung für die Nutzung, das Forschungsdesign, die Anwendungsbereiche, die Möglichkeiten und Herausforderungen, die Handlungsempfehlungen sowie auf die Auswirkungen auf den Controller und die Controllerin eingegangen. Abschließend werden die wesentlichen Erkenntnisse nochmal zusammengefasst sowie ein Ausblick gegeben. Dabei soll die Beantwortung der Forschungsfragen branchenunabhängig sein.
2. Grundlagen der Budgetierung
Die Budgetierung gehört zu den am meist verbreiteten Instrumenten des Controllings.14 Daher soll zu Beginn eine für die Bachelorarbeit geltende Definition der Begriffe Controlling und Budgetierung definiert werden. Anschließend wird detailliert auf den Budgetierungsprozess eingegangen.
2.1 Definition der Begrifflichkeiten
Das Controlling ist verantwortlich für die Versorgung des Managements mit Informationen. Die Informationen dienen jedoch nicht nur zur Informations-versorgung, sondern auch zur Erstellung von Plänen und zur Kontrolle.15 Dabei nimmt das Controlling eine zentrale Koordinationsfunktion ein.16 Während die einzelnen Funktionsbereiche im Unternehmen für die inhaltliche und materielle Planung und Kontrolle verantwortlich sind, wie zum Beispiel bei der Absatzplanung, ist das Controlling für die Koordination der Teilplanungen zu einer Gesamtplanung verantwortlich.17 Des Weiteren unterstützt das Controlling bei Entscheidungsfindungen. Durch die Digitalisierung ermöglicht sich eine erweiterte Unterstützung der Entscheidungsfindung, da dem Controlling mehr Informationen zur Verfügung stehen.18 Dabei bilden Daten die Grundlage von Informationen, denn erst durch den Zweckbezug der Daten werden sie zu eigentlichen Informationen.19 Zudem trägt das Controlling zur Sicherung der Rationalität dieser Entscheidungen, durch sein Methodenwissen, bei.20
Eine Gesamtplanung für deren Koordination das Controlling verantwortlich ist, ist die Budgetplanung. Dabei besteht die Budgetplanung aus unterschiedlichen Teilplanungen, wie zum Beispiel aus der Absatzplanung, Materialplanung, Personalplanung, Investitionsplanung und Kostenstellenplanung.21 Die Budgetplanung wird auch als Budgetierung bezeichnet.22 Unter dem Begriff Budgetierung wird der betriebswirtschaftliche Prozess der Planung,23 die gedankliche Vorwegnahme von zukünftigen Handlungen, verstanden.24 Dies beinhaltet Aktivitäten wie die Erstellung, die Genehmigung, die Durchsetzung, die Kontrolle und die Anpassung.25 Dabei werden für den Planungshorizont wertmäßige Leistungsziele und die notwendigen Ressourcen, wie zum Beispiel die Kosten, geplant und vorgegeben.26 Neben den wertmäßigen Größen können aber auch quantitative und qualitative Größen geplant werden. Diese können zum Beispiel die zulässigen Fehlerquoten sein oder die Ausbringungsmengen.27 Die traditionelle Form der Budgetierung ist Teil der operativen Planung und hat einen Planungshorizont von einem Jahr.28 Durch die Budgetplanung entstehen die Budgets. Diese bilden durch Zahlen die geplante Zukunft des Unternehmens ab und sind Grundlage zur Durchführung des Plan-Ist-Vergleichs.29
Häufig wird der Begriff Forecast mit dem Begriff der Budgetierung gleichgesetzt. Allerdings unterscheidet sich der Forecast zur Budgetierung darin, dass sich der Wert des Forecasts aus den realisierten Ist-Werten der vergangenen Monaten des aktuellen Wirtschaftsjahres mit den Plan-Werten aus dem Budget, die auf Grundlage von neuen Informationen des aktuellen Wirtschaftsjahrs neu angereichert werden, zusammensetzt.30 Dadurch ermöglicht der Forecast die Nutzung der verbesserten Erkenntnisse für die Unternehmenssteuerung, jedoch ändert das nicht das Budget und deren Verbindlichkeit.31
2.2 Budgetierungsprozess
Der traditionelle Budgetierungsprozess ist ein komplexer32, ressourcenintensiver und zeitintensiver Prozess.33 Dabei hängt die Dauer des Budgetierungsprozesses von der Größe des Unternehmens, der Planungstiefe, der verwendeten Software und der Branchendynamik ab. Grundsätzlich sollte die Dauer kurzgehalten werden. Besonders in einer dynamischen Branche sollte daher der Budgetierungsprozess schneller sein.34
Für die Erstellung des Budgets können unterschiedliche Budgetierungsverfahren, wie das Bottom-Up Verfahren, das Top-Down Verfahren oder das Gegenstromverfahren angewendet werden. Während bei dem Bottom-Up Verfahren die Budgets der tiefsten Budgetierungsebenen zusammengefasst die übergeordneten Budgets ergeben, ergeben sich bei dem Top-Down Verfahren die untergeordneten Budgets aus den übergeordneten Budgets.35 Übergeordnete Budgets sind zum Beispiel Gesamtunternehmensbudget und Unternehmensbereichsbudget. Untergeordnete Budgets sind zum Beispiel Einzelbudgets auf Kostenstellenbasis.36 Der Vorteil des Bottom-Up Verfahrens liegt darin, dass mehr Details vorhanden sind und die Motivation der unteren hierarchischen Ebenen verbessert ist. Bei dem Top-Down Verfahren liegt hingegen der Vorteil darin, dass der Budgetierungsprozess auf die Ziele des Unternehmens ausgerichtet ist.37 In der Praxis wird die Budgetplanung häufig als Gegenstromverfahren erstellt. Dabei kombiniert das Gegenstromverfahren die Möglichkeiten des Bottom-Up Verfahrens und des Top-Down Verfahrens, um die Vorteil der beiden Verfahren zu nutzen und die Nachteile zu minimieren. Zu Beginn der Budgetierung gibt die Unternehmensleitung die wesentlichen Eckdaten,38 wie zum Beispiel die Umsatzsteigerung, und Planungsprämissen nach dem Top-Down Verfahren vor und auf Basis dieser Vorgaben werden die Budgets nach dem Bottom-Up Verfahren erstellt.39 Für die Planungsprämissen werden dabei wichtige Annahmen für relevante Rahmenbedingungen in der Planung getroffen. Diese Rahmenbedingungen sind jedoch nicht beeinflussbar, wie zum Beispiel die Entwicklung der Rohstoffpreise.40
Wie bereits im Kapitel 2.1 erwähnt, besteht die Budgetplanung aus unterschiedlichen Teilplanungen. Dies ist in Abbildung 1 ersichtlich. Zudem stellt die Abbildung die Verknüpfung und die Abhängigkeit der Teilpläne dar. Dabei startet die Budgetierung, nach dem die Planvorgaben der Unternehmensleitung vorgegeben wurden, mit der Absatzplanung. Für die Absatzplanung werden die Absatzdaten, die marktbezogen sind, auf Basis von Marktbeobachtung, Zukunftsanalysen und Vergangenheits-analysen geschätzt. Werden diese Mengendaten dann mit Preisstrukturen und Konditionsstrukturen verknüpft entsteht die Umsatzplanung.41 Dabei werden die Absatzplanung und Umsatzplanung von der Marketingplanung beeinflusst. Auf Grundlage von Absatzplanung und Umsatzplanung wird die Produktionsplanung abgeleitet. Diese ist hinterlegt mit den dazugehörigen Fertigungsstrukturplanungen, wie zum Beispiel Stücklisten, und Fertigungsprogrammplanungen. Aus der Produktionsplanung entstehen daraufhin die Kapazitätsplanung und Bestands-planung. Aus der Kapazitätsplanung werden wiederum die Informationen für die Investitionsplanung und die Instandhaltungsplanung entnommen. Die Beschaffungs-planung leitet sich aus der Absatzplanung, Produktionsplanung und Bestands-planung her. Zugleich entspricht Absatzplanung und Produktionsplanung im Wesentlichen der Personalplanung. Aus sämtlichen Teilplänen fließen die Daten in die Ergebnisplanung ein. Die Ergebnisplanung stellt die Budgets der einzelnen Teilbereiche, durch die Konsolidierung, als Unternehmensgesamtziel für die geplante Periode dar. Aus der Ergebnisplanung und Finanzplanung werden die Plan-Bilanz und Plan-Gewinn- und Verlustrechnung erstellt.42
Abbildung in dieser Leseprobe nicht enthalten
Abb. 1: Verknüpfungen und Abhängigkeiten der Teilpläne im Rahmen der Budgetplanung
Quelle: Sure, M. (2009): S. 133.
In der Praxis werden die Budgetplanung und deren Teilpläne auf die einzelnen Monate geplant oder der Jahresbudgetwert saisonal oder linear auf die Monate aufgeteilt.43 Hier sollte drauf hingewiesen werden, dass die Investitionsplanung auf Quartalsebene weniger zeitintensiver ist als die Planung auf Monatsebene. Jedoch sollte bedacht werden, dass die Planung auf Quartalsebene gegenüber der Planung auf Monatsebene einen Detailverlust aufweist und damit auch ein Informationsverlust darstellt. Hierauf soll jedoch nicht näher eingegangen werden, da dies nicht Teil der Forschungsfrage ist.
Auf Grundlage des geschilderten Verlaufs des Budgetierungsprozesses ist es annehmbar, dass der Budgetierungsprozess einen linearen Prozess darstellt. Dies ist jedoch nicht der Fall, denn der Budgetierungsprozess ist ein zyklischer Prozess, der mehrere Planungsschleifen enthalten kann.44 Dieser zyklischer Prozess lässt sich wie folgt darstellen. Nach dem die Fachbereiche ihre Budgetplanung an das Controlling versendet haben, werden diese vom Controlling plausibilisiert. Bei der Plausibilisierung wird geprüft, ob das Geplante plausibel ist, zum Beispiel der Vertrieb plant mehr abzusetzen, jedoch sind die Vertriebsmitarbeiter voll ausgelastet, daher muss in der Budgetplanung entweder noch ein zusätzlicher Mitarbeiter eingeplant werden oder die Absatzmenge muss auf Basis der vorhanden Mitarbeiter geplant werden. Des Weiteren wird bei der Plausibilisierung geprüft, ob und wo Einsparungen möglich sind und ob die Planvorgaben der Unternehmensleitung eingehalten wurden. Während dieser Prüfung notiert sich das Controlling die Auffälligkeiten und möglichen Einsparungen und diese werden bei dem Budgetgespräche mit dem jeweiligen Abteilungsverantwortlichen besprochen. In diesem Gespräche vereinbaren die zwei Parteien, dann die Anpassungen des Budgets anhand von konkreten Posten oder die Reduzierung von Kosten um eine gewisse Summe. Nach dem Gespräch überarbeitet die Fachabteilung ihre Budgetplanung und sendet dies wieder an das Controlling. Daraufhin plausibilisiert das Controlling die angepasste Budgetplanung. Wird dabei wieder was festgestellt, zum Beispiel die vereinbarte Anpassung wurde nicht eingehalten, findet ein weiteres Gespräch bzw. eine weiter Überarbeitung der Budgetplanung durch die Fachabteilung statt. Die Budgetplanung der Fachabteilung ist erst dann abgeschlossen, wenn das Controlling nichts mehr zu beanstanden hat.45
3. Grundlagen der Business Analytics
Dem Controlling stehen immer größere Bestände an Daten zur Verfügung sowie neue Informationstechnologien. Diese erfordern und ermöglichen im Controlling den Einsatz neuer Analyseverfahren.46 Daher befasst sich dieses Kapitel mit der Business Analytics. Zu Beginn wird eine für die Bachelorarbeit geltende Definition der Begriffe Big Data, der häufig im Zusammenhang mit Business Analytics fällt, und der Begriff Business Analytics definiert. Anschließen wird näher auf die Entwicklungsstufen der Business Analytics, auf den Business Analytics Prozess und auf die Analysemethoden eingegangen. Abschließend wird der aktuelle Praxisstand der Business Analytics betrachtet.
3.1 Definition der Begrifflichkeiten
Der Begriff Big Data kann durch die drei Vs charakterisiert werden: Volume (Volumen der Daten), Variety (Vielfalt der Daten) und Velocity (Geschwindigkeit der Datenentstehung).47 Bei diesen drei Eigenschaften handelt es sich um Kriterien des 3-V-Modells. Wird dies durch die Eigenschaft Veracity (Richtigkeit der Daten) ergänzt, so handelt es sich um das 4-V-Modell. Die Eigenschaft Volume beschreibt die enorme Menge an Daten, die dem Unternehmen, sowohl intern als auch extern, zur Verfügung stehen.48 Dabei können die externen Daten eine große Rolle spielen.49 Externe Daten können beispielsweise aus Foren und sozialen Netzwerken generiert werden.50 Variety beschreibt die Vielfalt von Daten. Dabei wird zwischen strukturierten, semi-strukturierten und unstrukturierten Daten unterschieden. Ein Beispiel für strukturierte Daten sind Kundenstammdaten, da sie klare Strukturen haben wie Name, Geburtsdatum und Adresse. Semi-strukturierte Daten besitzen bis zu einem gewissen Grad eine Struktur. Ein Beispiel findet sich in einer E-Mail. Die E-Mail besitzt strukturierte Daten im Kopf, wie Absender, Empfänger und Betreff, aber das Textfeld ist ohne Struktur, da jegliche Inhalte und Anhänge enthalten sein können. Unstrukturierte Daten sind hingegen zum Beispiel maschinengenerierte Daten, wie Daten von der Sensorik oder auch Bilder, Audiodateien und Videodateien. Die Eigenschaft Velocity beschreibt die Geschwindigkeit, mit der die Daten erzeugt und verarbeitet werden. Die vierte Eigenschaft Veracity wurde durch das Unternehmen IBM geprägt und beschreibt die Qualität der Daten.51
Um Big Data entscheidungsunterstützend analysieren zu können wird Business Analytics benötigt.52 Unter dem Begriff Business Analytics wird die nutzenstiftende Verarbeitung von digitalen Daten verstanden. Dabei kommen statistische Analysemethoden und Modelle, die darauf aufbauen, zum Einsatz. In Kapitel 3.4 wird näher auf die Analysemethoden eingegangen. In der Business Analytics kann zwischen vier Entwicklungsstufen differenziert werden: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics.53 Auf diese vier Entwicklungsstufen geht das darauffolgende Kapitel näher ein. Durch den Einsatz von Business Analytics entstehen aus den enormen Daten übersichtliche Ergebnisse und Prognosen. Aus diesen gewonnen Erkenntnissen werden dann für das Management konkrete Vorschläge erarbeitet.54 Zudem ermöglicht der Einsatz von Business Analytics das Unternehmen datengetrieben zu steuern und ist gleichzeitig ein wichtiger Wettbewerbsfaktor im Zuge der zunehmenden Digitalisierung.55
Häufig wird der Begriff Business Analytics mit dem Begriff Business Intelligence in Verbindung gebracht. Dabei unterscheiden sich die Begriffe im Wesentlichen darin, dass mit Business Intelligence die gegenwärtige wirtschaftliche Lage des Unternehmens analysiert werden soll. Während die Business Analytics auf die frühzeitige Erkennung zukünftiger Trends abzielt.56 Auf Grund dessen kann die Business Analytics auch als Erweiterung der Business Intelligence erfasst werden.57
3.2 Entwicklungsstufen
Wie bereits in Kapitel 3.1 erwähnt, kann in der Business Analytics zwischen vier Entwicklungsstufen differenziert werden: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics.58 Dabei unterscheiden sich die Entwicklungsstufen nicht nur nach ihren unterschiedlichen Leitfragen sondern auch nach der Komplexität und dem Mehrwert für das Unternehmen.59
Descriptive Analytics
Die Descriptive Analytics besitzt die geringste Komplexität und den geringsten Mehrwert für das Unternehmen im Vergleich zu den anderen Entwicklungsstufen.60 Denn sie befasst sich mit der Auswertung von Vergangenheitsdaten und beantwortet damit rückblickende Fragen, was in der Vergangenheit geschehen ist. Zum Beispiel kann ein Händler durch die Analyse erfahren, wie viel Umsatz das Unternehmen durchschnittlich pro Woche macht61 oder durch die Analyse der Vertriebsdaten kann ein Einbruch des Absatzes für bestimmte Produkte festgestellt werden. Für die Descriptive Analytics geht es zunächst um die Sammlung und Beschreibung von Daten.62 Das stellt weitestgehend das klassische Reporting dar,63 denn die Daten werden genutzt für die Erstellung von Kennzahlen und zur Präsentation in Berichtsform.64 Die Descriptive Analytics bietet zwar mit den Ergebnissen einen Einblick in die Vergangenheit, jedoch ohne Erklärung der Ursache dieser Ergebnisse. Daher sollte die Analyse kombiniert werden mit zum Beispiel der Diagnostic Analytics.65
Diagnostics Analytics
Die Diagnostics Analytics geht einen Schritt weiter als die Descriptive Analytics und hinterfragt warum etwas passiert ist.66 Folglich nehmen die Komplexität und der Mehrwert für das Unternehmen zu.67 Denn neben der reinen Beschreibung der Vergangenheit ist es darüber hinaus möglich, die Ursache der Ergebnisse sowie Auswirkungen und Wechselwirkungen zu klären. Des Weiteren können mit der Diagnostics Analytics die Folgen analysiert und Muster identifiziert werden.68 Um zum Beispiel herauszufinden, warum die Absatzzahlen sinken, können diese mit externen Faktoren, wie zum Beispiel das Wetter, gegenübergestellte werden. Hierdurch kommt es zur Identifikation der Faktoren, die einen Einfluss auf die einzelnen Produkte haben.69 Bei der Analyse der Entwicklung des Wetters wird zum Beispiel, beim Produkt Eiscreme, ein Zusammenhang zwischen Wetter und Absatz festgestellt.70 Die Diagnostics Analytics ermöglicht dem Unternehmen somit das Erlangen von tiefgehenden Einblicken in ein Problem.71
Die Diagnostics Analytics und die Descriptive Analytics sind die gängigsten Analysen im Controlling72 und sind im Rahmen der Informationsversorgung schon lange ein zentraler Bestandteil.73 Da sich die zwei Entwicklungsstufen mit der Vergangenheit befassen, stellt dies den traditionellen Ansatz der Business Intelligence dar. Daher werden sie häufig zur Thematik der Business Intelligence gezählt.74 Wie jedoch in Kapitel 3.1 bereits erwähnt, kann die Business Analytics als Erweiterung der Business Intelligence erfasst werden.75
Predictive Analytics
Die nächste Entwicklungsstufe ist die Predictive Analytics. Die Predictive Analytics baut auf die zwei vorherigen Entwicklungsstufen, die Descriptive Analytics und Diagnostics Analytics, auf. Denn die Ergebnisse der zwei vorherigen Analysen ermöglichen die Ermittlung von Tendenzen und die frühzeitige Erkennung von Normwertabweichungen. Des Weiteren ermöglicht die Predictive Analytics eine möglichst genaue Vorhersage zukünftiger Trends.76 Damit beschäftigt sich die dritte Entwicklungsstufe der Business Analytics nicht mehr mit der Vergangenheit, sondern mit der Zukunft und der Frage was passieren wird.77 Hierbei nehmen nochmal die Komplexität und der Mehrwert für das Unternehmen, im Vergleich zur Diagnostics Analytics, zu.78 In der Entwicklungsstufe ist das primäre Ziel die Zukunftsprognosen, die erfolgsrelevant für das Unternehmen sind, zu generieren.79 Für die Darstellung der zukünftigen Ereignisse werden mit Hilfe von Analysemethoden die historischen und aktuellen Daten aus dem Unternehmen selbst und seinem relevanten Umfeld verarbeitet.80 Aktuell wird die Predictive Analytics schon in vielen Bereichen genutzt, wie zum Beispiel in der Versicherungsbranche. Auf Grundlage von potenziellen Fahrsicherheitsfaktoren kann auf die Wahrscheinlichkeit eines Unfalls geschlossen werden. Dadurch ergibt sich der Beitrag, der für die Autoversicherung zu zahlen ist. Fahrsicherheitsfaktoren einer Person können das Alter sein, das Geschlecht und die Erfahrung beim Autofahren.81 Aber auch Fluggesellschaften nutzen häufig die Predictive Analytics um ihre Ticketpreise festzulegen. Die Ticketpreise spiegeln dabei die vergangenen Reisetrends wieder.82 Die dritte Entwicklungsstufe der Business Analytics wird jedoch nicht nur für die dynamische Preisgestaltung genutzt, sondern auch zum Beispiel für Absatzprognosen eines bestimmten Produktes83 oder zur Vorhersage von Inventaranforderungen.84 Es sollte jedoch beachten werden, dass die Genauigkeit einer Vorhersage nur so gut ist wie die Datenqualität.85 Auf diese und andere Herausforderungen geht das Kapitel 4.4 genauer ein.
Prescriptive Analytics
Die Prescriptive Analytics hat im Vergleich zu den anderen Entwicklungsstufen der Business Analytics die größte Komplexität und bietet den größten Mehrwert für das Unternehmen.86 Denn sie blickt wie die Predictive Analytics in die Zukunft jedoch beschäftigt sich die vierte Entwicklungsstufe der Business Analytics mit der Frage, was getan werden muss zur Erreichung eines bestimmten Ziels.87 Auf Grundlage der Descriptive Analytics und der Predictive Analytics leitet die Prescriptive Analyics Handlungsempfehlungen ab.88 Ohne die Empfehlungen zur Erreichung des Ziels bzw. zur Verbesserung des Unternehmens sind die Diagnosen und Vorhersagen erfolgslos. Berücksichtig werden bei der Erstellung von Handlungsempfehlungen Faktoren wie die Qualität, die benötigte Zeit und der Umsatz im Verhältnis zu den Kosten.89 Ein Beispiel für den Einsatz von Prescriptive Analytics ist, wenn ein Supermarkt seine Profitabilität maximieren möchte, kann die Prescriptive Analytics Handlungsempfehlungen geben, welche Marketingmaßnahmen umgesetzt werden sollen und wann diese durchzuführen sind, um das Ziel zu erreichen.90
Die Predictive Analytics und die Prescriptive Analytics sind die fortschrittlicheren und anspruchsvolleren Analysen. Bezeichnet werden die beiden Entwicklungsstufen auch als Advanced Analytics.91 Die Advanced Analytics ist zukunftsgerichtet,92 es werden mithilfe von mathematischen und statistischen Methoden und Algorithmen neue Informationen generiert ebenso Muster und Abhängigkeiten identifiziert.93 Zum Beispiel durch die Muster, die aus strukturierten und unstrukturierten Daten gewonnen wurden, lassen sich die Vorhersagen und Handlungsempfehlungen ableiten.94 Durch diese beiden Entwicklungsstufen ist es dem Unternehmen möglich proaktiv tätig zu sein anstatt nachträglich zu reagieren.95 Wird der Begriff Advanced Analytics dem Begriff Business Analytics gegenübergestellt, kann festgestellt werden, dass Teile der Advanced Analytics, im speziellen die Predictive Analytics und die Prescriptive Analytics, Bestandteile der Business Analytics sind.96
3.3 Business Analytics Prozess
Ein einheitlicher strukturierter Prozess für die Bearbeitung von datenanalytischen Aufgabenstellungen gibt es nicht. In der Literatur existieren dazu unterschiedliche Prozessmodelle, die sich jedoch im Wesentlichen ähnlich sind. Der Business Analytics Prozess soll anhand der Cross Industry Standard Process for Data Mining skizziert werden,97 da dieser das Zusammenspiel von betriebswirtschaftlichen Anforderungen, fundamentalem Verständnis der Datengrundlagen und Analyse-methoden erläutert.98 Die klassischen Methoden von Data Mining sind im wesentlichen Teil der Business Analytics.99 Data Mining versucht in enormen Datenmengen verborgene Muster, Zusammenhänge und Trends mit Hilfe von statistischen Verfahren bzw. Algorithmen zu erkennen.100 Der Cross Industry Standard Process for Data Mining ist jedoch nicht nur auf Data Mining Anwendungen beschränkt, sondern kann im Allgemeinen auf Vorhaben der Business Analytics übertragen werden. Der Prozess beinhaltet sechs Phasen: Business Understanding (Geschäftsverständnis), Data Understanding (Datenverständnis), Data Preparation (Datenaufbereitung), Modelling (Modellierung), Evaluation (Evaluation), Deployment (Einsatz).101
In der ersten Phase, dem Business Understanding, muss sich zu Beginn mit einem umfänglichen Verständnis der Zielsetzung befasst werden. Zu klären ist dabei, welche Anforderungen und Fragen aus der betriebswirtschaftlichen Perspektive zu beachten bzw. zu beantworten sind. Auf Grundlage dieser betriebswirtschaftlichen Problemstellung und der angestrebten Zielsetzung muss auch eine analytische Problemstellung abgeleitet werden.102 Eine betriebswirtschaftliche Problemstellung könnte zum Beispiel sein, wenn die Kundenzufrieden sinkt, wie kann die Zufriedenheit der Kunden wieder gesteigert werden? Die Lösung hierzu wäre die gezielte Beeinflussung der Faktoren, die die Kundenzufriedenheit prägen. Hieraus leitet sich die analytische Problemstellung ab, welche Faktoren prägen die Kundenzufriedenheit?103 Bei der analytischen Perspektive haben die Analyse-methoden einen hohen Stellenwert, denn auf Basis der ausgewählten Methoden wird dann zum Beispiel die Budgetplanung erstellt.104
In der Phase Data Understanding werden auf Grundlage der Phase Business Understanding relevante Datengrundlagen bestimmt und mögliche Datenquellen ausgewählt. Hierbei bietet Big Data neue Möglichkeiten zum Beispiel zur Einflussgrößen Identifizierung und deren Auswirkungen auf die Absatzmenge. Zudem findet in dieser Phase eine erste methodische Überprüfung der Daten statt und erste Untersuchungserkenntnisse, wie zum Beispiel die Struktur der Daten, der Informationsgehalt der Daten und die statistischen Zusammenhänge, werden gewonnen.105 Auch sollten Problem bei der Datenqualität erkannt werden.106
Auf Grundlage der Phase Data Understanding werden die Daten aufbereitet. Diese Phase wird auch Data Preparation genannt. Für die anschließenden Analysen Phasen wird ein relevantes Dataset erstellt. Hierfür werden zum Beispiel die Attribute, die Tabellen und Datensätze ausgewählt. Zudem findet eine Bereinigung und Transformation der Daten statt. Zum Beispiel werden Daten, die keinen Wert bzw. leer sind nicht berücksichtigt oder der Datentyp wird von Zahlen auf Text geändert.107
In der Phase Modelling, die ein Teil der Analyse darstellt, werden die passenden Ansätze zur Modellierung gewählt. Dabei richtet sich die Wahl der Ansätze nach der Zielsetzung aus der Phase Business Understanding und der Eigenschaft der Daten. Innerhalb der Ansätze zur Modellierung existieren viele unterschiedliche Analysemethoden, die mit unterschiedlichen Parametern angewendet werden können.108 Auf die unterschiedlichen Analysemethoden geht das folgende Kapitel näher ein.
Die Eignung der Modelle wird in der Phase Evaluation, die auch ein Teil der Analyse darstellt, kritisch geprüft. Als Resultat der Modellanwendungen werden die inhaltlichen betriebswirtschaftlichen Ergebnisse, zum Beispiel die inhaltlichen Budgetwerte, und die Gütekriterien ausgegeben. Durch die Gütekriterien ist es möglich die Zuverlässigkeit der verschiedenen Modelle zu beurteilen und die unterschiedlichen Methoden miteinander zu vergleichen. Auf Grundlage dieser Erkenntnisse wird dann die Modellauswahl getroffen.109 Dabei muss jedoch auch beachtete werden, dass das Modell die Antworten auf die Fragestellungen aus der Phase Business Understanding liefert. Falls dies nicht der Fall sein sollte, ist der gesamte Prozess gegebenenfalls zu wiederholen.110
In der letzten Phase, dem Deployment, geht es um den Einsatz des Modells im operativen Geschäft. Dies ist jedoch nur der Fall, wenn das Modell die geforderten inhaltlichen Ergebnisse, die sich in einer akzeptierten Güte befinden, übermittelt. Die akzeptierte Güte ist vorher zu definieren.111 Sind diese Voraussetzungen gegeben, muss die Einführung des Modells zur Nutzung im operativen Geschäft geplant und überwacht werden.112 Hierbei kann zum Beispiel durch die Integration in die bestehenden Werkzeuge bzw. Portal-Umgebung das Modell für die Nutzer zugänglich gemacht werden.113
Das Modell bzw. die Modelle lassen sich durch die regelmäßige Wiederholung des hier geschilderten Prozesses verbessern.114 Dies ermöglicht dann auch eine Verbesserung der zukünftigen Handlungen und Entscheidungen.115
3.4 Analysemethoden
Dieses Kapitel befasst sich, wie bereits erwähnt, näher mit den unterschiedlichen Analysemethoden. Dabei ist die Wahl und die Anwendung der zur Fragestellung passenden Analysemethode für die Umsetzung von Business Analytics ein bedeutender Erfolgsfaktor.116 Die Fragestellung ergibt sich aus der Phase Business Understanding aus dem zuvor geschilderten Business Analytics Prozess.117 Grundsätzlich kann bei den Analysemethoden zwischen strukturprüfenden Analysemethoden und strukturentdeckenden Analysemethoden unterschieden werden.118 Im Nachfolgenden werden diese zwei Analysemethoden voneinander differenziert und die jeweiligen Hauptmethoden bzw. die wichtigsten dazu gehörigen Analysemethoden vorgestellt.119 Dabei ist zu erwähnen, dass die Zweiteilung der Methoden in strukturprüfende und strukturentdeckende Analysemethoden vorwiegend den Einsatzbereich der Methoden kennzeichnet und daher keinen Anspruch auf Allgemeingültigkeit erhoben wird.120
3.4.1 Strukturprüfende Analysemethoden
Die strukturprüfenden Analysemethoden betrachten im Fokus die kausalen Abhängigkeiten zwischen einer relevanten abhängigen Variabel und einer oder mehrere unabhängigen Variablen. Dabei findet bereits vor der Einsetzung der Analysemethoden erste Überlegungen statt, wie die Variablen zusammenhängen. Die eingesetzten Analysemethoden sollen zur Überprüfung dieser Zusammenhänge dienen. Zum Beispiel kann durch die strukturprüfenden Analysemethoden die wechselseitige Beziehung zwischen Kaufverhalten und Kundenzufriedenheit überprüft werden. Zu den strukturprüfenden Analysemethoden gehören Analysemethoden wie die Regressionsanalyse, die nichtlineare Regression, die Zeitreihenanalyse121 und die Klassifikationsanalyse.122 Des Weiteren zählen die Varianzanalyse, die Diskriminanzanalyse, die logistische Regression, die Kontingenzanalyse, die Strukturgleichungsanalyse und die Conjoint-Analyse zu den wesentlichen strukturprüfenden Analysemethoden.123 Auf Grund des beschränkten Umfangs der Bachelorarbeit sollen nur die Hauptmethoden, wie die Regressionsanalyse mit ihrer Ausprägung der nichtlinearen Regression, die Zeitreihenanalyse und die Klassifikationsanalyse vorgestellt werden.124
Regressionsanalyse
Die Regressionsanalyse nutzt statistische Verfahren zur Prüfung von Zusammenhängen zwischen einer abhängigen Variabel und einer oder mehrerer unabhängigen Variablen. Dadurch sind die Erkennung von Ursachen, die Ermittlung der Wirkungen bei der Veränderung der Variablen und die Erstellung von Prognosen möglich.125 Die Beziehungen zwischen den Variablen kann durch die Regressionsanalyse quantifiziert und ziemlich exakt beschrieben werden. Zum Beispiel kann die Analysemethode genutzt werden zur Quantifizierung der Abhängigkeit von Preis, Werbeausgaben und Einkommen auf die Absatzmenge eines Produktes.126 Zu berücksichtigen ist bei der Regressionsanalyse, dass immer nur Korrelationen (Beziehungen) belegt werden können. Kausalitäten (Ursächlichkeiten) können hingegen in der Regel nicht zweifelsfrei bewiesen werden.127
Bei der Regressionsanalyse wird einen Einfluss von X auf Y unterstellt. Daher muss bevor die Regressionsanalyse durchgeführt wird die Variablen für die abhängigen bzw. unabhängigen festgelegt werden. Die unabhängigen Variablen werden mit X bezeichnet, währen die abhängigen Variablen mit Y bezeichnet werden. In dem vorher genannten Beispiel stellt die Absatzmenge eines Produkts die abhängige Variabel Y dar und der Preis, die Werbeausgaben und das Einkommen stellt die unabhängigen Variablen X dar. Mit der unabhängige Variabel X soll durch eine lineare Funktion die abhängige Variable Y erklärt werden. Jedoch liegen die verbundenen Beobachtungen, auch bekannt als Punkte im Streuungsdiagramm, in der Regel nicht auf einer Gerade. Zur Bestimmung der Regressionsgerade wird eine Gerade durch die vielen Punkte in einem Streuungsdiagramm gezogen. Damit die Lage der Regressionsgerade und damit die Ergebnisse nicht abhängig sind vom Anwender wird die Lage der Regressionsgerade bestimmt durch ein objektives Kriterium. Ein Objektives Kriterium sind die sogenannten Fehlergrößen ui. Die Fehlergrößen ergeben sich aus der Differenz zwischen den eingetretenen Werten und den geschätzten Werten der abhängigen Variablen Y. Vergleiche hierzu die Abbildung 2. Die geschätzten y-Werte liegen auf der Regressionsgerade, während die eingetretenen y-Werte nicht auf der Regressionsgeraden zu finden sind. Zu beachten ist bei der Zeichnung der Regressionsgeraden, dass nur der Bereich gezeichnet wird für den auch x-Werte vorhanden sind. Dieser Bereich wird auch als Stützbereich bezeichnet. Denn außerhalb des Stützbereichs ist die Form der Beziehung zwischen X und Y nicht durch Daten gestützt und daher kann nicht ohne weiteres die ermittelte Regressionsbeziehung auf den Bereich außerhalb des Stützbereichs übertragen werden.128
[...]
1 Vgl. Internationaler Controller Verein (2016): S. 2.
2 Vgl. Oehler, K.; Schmidt, W.; Seufert, A. (2016): S. 62.
3 Vgl. Internationaler Controller Verein (2016): S. 1.
4 Vgl. Kasahara, P. (2019).
5 Vgl. Heimel, J.; Müller, M. (2019): S. 389.
6 Sondergaard, P. (2011).
7 Vgl. Heimel, J.; Müller, M. (2019): S. 389.
8 Vgl. Internationaler Controller Verein (2016): S. 1.
9 Vgl. Pabinger, D.; Mayr, S. (2019): S. 84.
10 Vgl. Internationaler Controller Verein (2016): S. 3.
11 Vgl. IM+io (2016).
12 Vgl. Dillerup, R.; Witzemann, T.; Schacht, S.; Schaller, L. (2019): S. 46.
13 Vgl. IM+io (2016).
14 Vgl. Troßmann, E. (2013).
15 Vgl. Mödritscher, G.; Wall, F. (2019): S. 66.
16 Vgl. Schäffer, U.; Weber, J. (2019): S. 8.
17 Vgl. Mödritscher, G.; Wall, F. (2019): S. 66.
18 Vgl. Wolf, T.; Heidlmayer, M. (2019): S. 24.
19 Vgl. Wirtschaftslexikon24.com (o.J.).
20 Vgl. Mödritscher, G.; Wall, F. (2019): S. 67.
21 Vgl. consultnetwork (o.J.a).
22 Vgl. Amann, K.; Petzold, J.; Westerkamp, M. (2020): S. 152.
23 Vgl. consultnetwork (o.J.a).
24 Vgl. Mäder, O. B. (2018): S. 24.
25 Vgl Dambrowski, J. (1986): S. 20.
26 Vgl. Amann, K.; Petzold, J.; Westerkamp, M. (2020): S. 152.
27 Vgl. consultnetwork (o.J.a).
28 Vgl. Sure, M. (2009): S. 131.
29 Vgl. consultnetwork (o.J.a).
30 Vgl. consultnetwork (o.J.a).
31 Vgl. International Group of Controlling (2011): S. 29.
32 Vgl. Sure, M. (2009): S. 131.
33 Vgl. Nasca, D.; Munck, J. C. (o.J.).
34 Vgl. consultnetwork (o.J.a).
35 Vgl. betriebswirtschaft-lernen.net (o.J.).
36 Vgl. Sure, M. (2009): S. 134.
37 Vgl. betriebswirtschaft-lernen.net (o.J.).
38 Vgl. Amann, K.; Petzold, J.; Westerkamp, M. (2020): S. 153.
39 Vgl. betriebswirtschaft-lernen.net (o.J.).
40 Vgl. International Group of Controlling (2011): S. 26.
41 Vgl. Sure, M. (2009): S. 132-133.
42 Vgl. Sure, M. (2009): S. 133.
43 Vgl. Gross, S.; Riepl, P. (2019).
44 Vgl. International Group of Controlling (2011): S. 27.
45 Eigene Erfahrung aus dem Praxissemester.
46 Vgl. Vanini, U. (o.J.).
47 Vgl. Berman, J. J. (2013): S. XV.
48 Vgl. Schön, D. (2018): S. 418.
49 Vgl. Internationaler Controller Verein (2016): S. 8.
50 Vgl. Gluchowski, P. (2016): S. 277.
51 Vgl. Schön, D. (2018): S. 419-420.
52 Vgl. Hoening, C.; Esch, M. (o.J.).
53 Vgl. Internationaler Controller Verein (2016): S. III-1.
54 Vgl. solvistas (o.J.).
55 Vgl. Internationaler Controller Verein (2016): S. V.
56 Vgl. Hoening, C.; Esch, M. (o.J.).
57 Vgl. consultnetwork (o.J.b).
58 Vgl. Internationaler Controller Verein (2016): S. 1.
59 Vgl. Stephan, M.; Grether, B. (2020): S. 47.
60 Vgl. Stephan, M.; Grether, B. (2020): S. 47.
61 Vgl. Bekker, A. (2019).
62 Vgl. Internationaler Controller Verein (2016): S. 1-2.
63 Vgl. Mehanna, W.; Tatzel, J.; Vogel, P. (2016): S. 503.
64 Vgl. solvistas (o.J.).
65 Vgl. Bekker, A. (2019).
66 Vgl. Internationaler Controller Verein (2016): S. 2.
67 Vgl. Stephan, M.; Grether, B. (2020): S .47.
68 Vgl. Bekker, A. (2019).
69 Vgl. Stephan, M.; Grether, B. (2020): S. 48.
70 Vgl. Internationaler Controller Verein (2016): S. 2.
71 Vgl. Bekker, A. (2019).
72 Vgl. Pabinger, D.; Mayr, S. (2019): S. 88.
73 Vgl. Kajüter, P.; Schaumann, K.; Schirmacher, H. (2019): S. 141.
74 Vgl. Pabinger, D.; Mayr, S. (2019): S. 88.
75 Vgl. consultnetwork (o.J.b).
76 Vgl. Bekker, A. (2019).
77 Vgl. Internationaler Controller Verein (2016): S. 1.
78 Vgl. Stephan, M.; Grether, B. (2020): S. 47.
79 Vgl. Burow, L.; Gerards, Y.; Demmer, M. (2017): S. 50.
80 Vgl. solvistas (o.J.).
81 Vgl. Heupel, T.; Lange, V.W. (2019): S. 209.
82 Vgl. Edwards, J. (2019).
83 Vgl. Mauerer, J. (2015): S.3.
84 Vgl. Edwards, J. (2019).
85 Vgl. Bekker, A. (2019).
86 Vgl. Stephan, M.; Grether, B. (2020): S. 47.
87 Vgl. Novustat (2021).
88 Vgl. Pabinger, D.; Mayr, S. (2019): S. 88.
89 Vgl. Novustat (2021).
90 Vgl. Stephan, M.; Grether, B. (2020): S. 48.
91 Vgl. Pabinger, D.; Mayr, S. (2019): S. 89.
92 Vgl. Dillerup, R.; Witzemann, T.; Schacht, S.; Schaller, L. (2019): S. 49.
93 Vgl. Baier, L. et al. (2019): S. 35.
94 Vgl. Dillerup, R.; Witzemann, T.; Schacht, S.; Schaller, L. (2019): S.49.
95 Vgl. Amann, K.; Petzold, J.; Westerkamp, M. (2020): S. 252.
96 Vgl. Pabinger, D.; Mayr, S. (2019): S. 89.
97 Vgl. Ilg, M.; Baumeister, A. (2020): S. 143.
98 Vgl. Internationaler Controller Verein (2016): S. 51.
99 Vgl. ComputerWeekly.de (2014).
100 Vgl. Mauerer, J. (2021).
101 Vgl. Ilg, M.; Baumeister, A. (2020): S. 143.
102 Vgl. Internationaler Controller Verein (2016): S. 51.
103 Vgl. Seiter, M. (2017): S. 23.
104 Vgl. Internationaler Controller Verein (2016): S. 51.
105 Vgl. Internationaler Controller Verein (2016): S. 51.
106 Vgl. Ilg, M.; Baumeister, A. (2020): S. 143.
107 Vgl. Internationaler Controller Verein (2016): S. 52.
108 Vgl. Internationaler Controller Verein (2016): S. 52.
109 Vgl. Internationaler Controller Verein (2016): S. 52.
110 Vgl. Ilg, M.; Baumeister, A. (2020): S. 143.
111 Vgl. Internationaler Controller Verein (2016): S. 52.
112 Vgl. Burow, L.; Gerards, Y.; Demmer, M. (2017): S. 51.
113 Vgl. Internationaler Controller Verein (2016): S. 52.
114 Vgl. Burow, L.; Gerards, Y.; Demmer, M. (2017): S. 50.
115 Vgl. Felden, C. (2016): S. 1.
116 Vgl. Internationaler Controller Verein (2016): S. 8.
117 Vgl. Internationaler Controller Verein (2016): S. 51.
118 Vgl. Internationaler Controller Verein (2016): S. 8.
119 Eigener Überleitungssatz.
120 Vgl. Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): S. 23.
121 Vgl. Internationaler Controller Verein (2016): S. 8-9.
122 Vgl. Seufert, A.; Treitz, R. (2017): S. 14.
123 Vgl. Internationaler Controller Verein (2016): S. 9.
124 Vgl. Biel, A. (2018): S. 38.
125 Vgl. solvistas (o.J.).
126 Vgl. Internationaler Controller Verein (2016): S. 9.
127 Vgl. Gluchowski, P. (2016): S. 282.
128 Vgl. Kosfeld, R.; Eckey, H.F.; Türck, M. (2016): S. 225-232.
- Citar trabajo
- Diana Bohr (Autor), 2021, Business Analytics in der Budgetplanung. Anwendungsbereiche und Herausforderungen im Controlling, Múnich, GRIN Verlag, https://www.grin.com/document/1032234
-
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X. -
¡Carge sus propios textos! Gane dinero y un iPhone X.