Digitale Unterstützung des Controllings. Der Effizienzvergleich mit Input- und Outputkriterien

Textbook , 2020 , 92 Pages

Business economics - Controlling

Die Digitalisierung und der damit verbundene Konkurrenzdruck verändern die Unternehmenswelt maßgeblich. Auch das Controlling ist davon betroffen. Vor allem der Zeitdruck hat sich enorm verstärkt, außerdem ist eine Anpassung der Berichts- und Planungssysteme notwendig.

Welche digitalen Möglichkeiten zur Unterstützung des Controllings gibt es? Und auf welcher Grundlage sollten sich Unternehmen für oder gegen eine digitale Lösung entscheiden? Diese Publikation stellt einen Effizienzvergleich mit Input- und Outputkriterien vor.

Dazu setzt sie sich mit den Anwendungsmöglichkeiten digitaler Lösungen im Controlling auseinander. Neben den Chancen einer Digitalisierung geht die Publikation aber auch auf die Herausforderungen des Transformationsprozesses ein. Anschließend wird ein Prozessmodell zur Softwareauswahl präsentiert und an die Gegebenheiten im Controlling angepasst.

Aus dem Inhalt:
- Effizienzmessung;
- KPI;
- KNIME;
- RapidMiner;
- Microsoft Power BI;
- Corporate Planning Suite

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Digitale Lösungen zur Unterstützung des Controllings

2 Anwendungsmöglichkeiten von digitalen Lösungen im Controlling
2.1 Definition, Eigenschaften und Formen der Controlling-Prozesse
2.2 Status quo der Digitalisierung in den Controlling-Prozessen
2.3 Herausforderungen der Digitalisierung

3 Kriteriensystem zur Effizienzmessung digitaler Controlling-Lösungen
3.1 Prozess zur Softwareauswahl
3.2 Auswahl der Kriterien auf der Inputseite
3.3 Auswahl der Kriterien auf der Outputseite
3.4 Problematik der Effizienzmessung

4 KNIME als Beispiel einer Software zur Datenanalyse
4.1 KNIME als Betrachtungsobjekt
4.2 Bewertung der Input- und Outputkriterien von KNIME
4.3 Vorstellung und Bewertung der Softwarealternativen
4.4 Effizienzvergleich und kritische Beurteilung der Ergebnisse

5 Ausblick

Anhang
Vergleich Controlling-Prozessmodell und Controlling-Prozessmodell 2.0
Anwendung Scoring-Verfahren
´Magic Quadrant for Data Science and Machine Learning Platforms´
´Magic Quadrant for Analytics and Business Intelligence´
RapidMiner- Start Fenster
Microsoft Power BI- Start Fenster
Corporate Planning Suite- Start Fenster
Lösungen in Corporate Planning Suite
Übersicht der Softwarealternativen
Bewertung der Input- und Outputseite mithilfe eines Scoring-Verfahrens
Auswirkung der Gewichtungs-Szenarien auf die Rangfolge der Softwarealternativen

Literaturverzeichnis
Internetverzeichnis

Bibliografische Information der Deutschen Nationalbibliothek:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Impressum:

Copyright © Science Factory 2020

Ein Imprint der GRIN Publishing GmbH, München

Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany

Covergestaltung: GRIN Publishing GmbH

Abbildungsverzeichnis

Abb. 1: Aktueller und zukünftiger Zeitaufwand des Controllers

Abb. 2: Ist- und Zielstatus des Automatisierungsgrads im Reporting

Abb. 3: Controlling-Prozessmodell nach IGC

Abb. 4: Reifegradmodell der analytischen Niveaus in BI und BA

Abb. 5: Mögliche Rollen im digitalen Umfeld des Controllings

Abb. 6: Herausforderungen der Digitalisierung

Abb. 7: Prozess zur Softwareauswahl

Abb. 8: ´sichtbare Kosten´ und ´weniger sichtbare Kosten´

Abb. 9: ´Nutzen durch softwarebedingte Eigenschaften´ und ´Nutzen durch Softwareeinsatz´

Abb. 10: Kosten-Nutzen-Diagramm mit Schwankungsbalken

Abb. 11: Beispiel-Workflow in KNIME

Abb. 12: Kosten-Nutzen-Diagramm für einen Effizienzvergleich der Softwarealternativen

Abb. 13: Rangfolge der Effizienzwerte der Softwarealternativen

Abb. 14: Kosten-Nutzen-Diagramm zur Darstellung von Steigungslinien

Abb. 15: Auswirkung der Gewichtungs-Szenarien auf die Rangfolge der Softwarealternativen

Abkürzungsverzeichnis

BA Business Analytics

BI Business Intelligence

CP Suite Corporate Planning Suite

DWH Data Warehouse

IGC International Group of Controlling

IT Informationstechnologie

KI Künstliche Intelligenz

KNIME Konstanz Information Miner

OSS Open Source Software

1 Digitale Lösungen zur Unterstützung des Controllings

Die fortschreitende Digitalisierung und der damit verbundene Konkurrenzdruck verändern die Unternehmenswelt maßgeblich. Auch das Controlling ist davon betroffen. Eine Studie der Beratungsgesellschaft Ernst & Young in Kooperation mit dem Österreichischen Controller-Institut belegt, dass die Controlling-Abteilungen von Unternehmen unter einem hohen Zeitdruck stehen und schneller arbeiten müssen.¹ Der Grund hierfür kann z. B. die Anpassung der Berichts- und Planungssysteme an die neuen Anforderungen sein, die aufgrund von Marktveränderungen ausgelöst wurden.

Dahingegen bietet die Digitalisierung auch Möglichkeiten zur Unterstützung des Controllings, z. B. Optimierungspotenzial im Bereich der Datenqualität² und -aktualität. Die Studie der CAMELOT Management Consultants weist auf, dass standardisierte und automatisierte Informationstechnologien mehr Freiraum zur zukunftsorientierten Steuerung gewähren (Abb. 1).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Aktueller und zukünftiger Zeitaufwand des Controllers³

Die Studienergebnisse zeigen, dass Controller 50 Prozent des aktuellen Zeitaufwands in retrospektiv- quantitative Tätigkeiten investieren. Darunter fällt insbesondere die Aufbereitung von historischen Daten, z. B. die Auswertung von vergangenheitsbezogenen Istwerten. Allerdings lassen sich diese Aufgaben mithilfe von Softwareprodukten automatisieren und ergeben Zeiteinsparungspotenziale. Die Zeitreduktion aus der Analytik schafft mehr Zeit für retrospektiv- und prädiktiv- qualitative Auswertungen, z. B. Ursachenanalysen. Dadurch wird die Dateninterpretation aus digitalen Lösungen zur Kernaufgabe des Controllers.⁴ Die aufbereiteten Daten bieten ein umfassenderes Bild, das als Entscheidungsgrundlage dient. Allerdings setzt die Interpretation langjährige Erfahrung und ein tief greifendes Verständnis der Zusammenhänge voraus.⁵ Dies ist notwendig, damit durch die automatisierte Datenverarbeitung eine qualitativ aussagekräftige Datenausgabe und -interpretation erfolgt.

Generell lässt sich beobachten, dass sich die Unternehmensplanung immer weiter weg von ihren klassischen Ansätzen bewegt.⁶ Die moderne Planung hat neben den historisch internen Erfahrungs- und Planwerten auch die Möglichkeit, verschiedene externe Faktoren zu berücksichtigen wie z. B. die Marktsituation oder soziale Netzwerke. Außerdem bietet sie eine Verknüpfung von Daten aus unterschiedlichen Quellen.

Gleichzeitig stehen zahlreiche Unternehmen vor der Frage, welche Software sich für die Erreichung einer maximalen Qualität und Effizienz der Analyse-, Reporting-, Planungs- und Prognose-Prozesse in ihrem individuellen Fall eignet.⁷

Trotz der zunehmenden Wahrnehmung und Anerkennung der Digitalisierung weisen die bislang vorliegenden Studien einen deutlichen Nachholbedarf auf. Exemplarisch belegt die bereits erwähnte Studie der CAMELOT Management Consultants, dass nur wenige Reporting-Bereiche die Potenziale der Digitalisierung voll ausschöpfen (Abb. 2).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Ist- und Zielstatus des Automatisierungsgrads im Reporting⁸

Das Reporting erfolgt aktuell bei den meisten Befragten nach wie vor mit einem relativ hohen manuellen Aufwand. Zudem ist aus der Studie zu erkennen, dass die größte Gruppe der Befragten – im Ist-Status – einen Automatisierungsgrad von 25 Prozent angibt. Dies liegt daran, dass Excel immer noch als die populärste und am weitesten verbreitete Software in der Controlling-Praxis gilt, wobei viele Daten manuell aggregiert werden müssen.⁹ Dies führt wiederum zu einer zeitlichen Verzögerung bei der Datenerfassung sowie zu einer relativ hohen Fehlerwahrscheinlichkeit der manuellen Dateneingabe.

Außerdem streben im Rahmen der Digitalisierung nahezu alle Unternehmen eine hohe Automatisierung im Reporting an. Hierbei fällt auf, dass 67 Prozent der Befragten auf einen Automatisierungsgrad von 75 Prozent und 22 Prozent auf eine vollständige Automatisierung zielen. Ein möglicher Grund für den geringeren Prozentsatz der vollständigen Automatisierung kann darin liegen, dass der Controller nochmals die Ergebnisse der Daten auf ihre Richtigkeit überprüfen möchte. Zudem existieren weitere Gründe, weshalb der Automatisierungsgrad aktuell noch nicht so hoch wie gewünscht ausfällt. Mögliche Aspekte für den Nachholbedarf sind u. a.:¹⁰

- Fehlendes Knowhow der Mitarbeiter
- Unklare rechtliche Rahmenbedingungen (u. a. bezüglich Datensicherheit)
- Verfügbarkeit der digitalen Infrastruktur
- Schnittstellenprobleme
- Hohe Investitions- und Schulungskosten

Viele dieser Aspekte sind letztlich mit Kosten oder einem hohen Zeitaufwand für die Implementierung der digitalen Lösung verbunden.¹¹ Zudem müssen Unternehmen eine starke Überzeugungsarbeit für den Einsatz der digitalen Lösung z. B. des Softwareprodukts leisten. In diesem Zusammenhang stellt sich die Frage, ob der nicht unerhebliche Input durch den möglichen Nutzen eines verbesserten Softwaresystems gerechtfertigt ist. Hierbei kann eine klassische Kosten-Nutzen-Abwägung die Frage nach der Effizienz feststellen.

Der Aspekt einer detaillierten Effizienzbetrachtung einer Software wird in der Literatur nur unzureichend thematisiert, da es nicht trivial ist, die Effizienz von digitalen Lösungen beurteilen zu können. Aufgrund dessen greift die vorliegende Arbeit dieses wichtige Thema auf.

Für die Beurteilung der Effizienz einer digitalen Lösung sollten zunächst die betroffenen Anwendungsmöglichkeiten im Controlling identifiziert werden. Daher erfolgt in Kapitel 2 die Erläuterung der klassischen Controlling-Prozesse als Basis für die Darstellung der Veränderungen im Rahmen der Digitalisierung. Das Ziel ist es, die wesentlichen Möglichkeiten zu erörtern und im weiteren Verlauf des Kapitels auf die Herausforderungen des Transformationsprozesses einzugehen.

Das Kapitel 3 beschäftigt sich insbesondere mit dem Aufbau eines Kriteriensystems zur Effizienzmessung digitaler Controlling-Lösungen. Hierbei wird zunächst aufgrund der Vielzahl der am Markt erhältlichen Softwareprodukte ein Prozessmodell zur Softwareauswahl vorgestellt. Zudem erfolgt die Auswahl von Input- und Outputkriterien, die für einen Effizienzvergleich notwendig sind. In diesem Zusammenhang werden monetäre als auch nicht-monetäre Aspekte zur Bewertung herangezogen. Anschließend geht die Verfasserin dieser Arbeit auf mögliche Probleme einer Performance-Messung ein.

Zur Darstellung einer spezifischen Effizienzmessung erfolgt in Kapitel 4 die Vorstellung der KNIME-Software. Diese wird anschließend bezüglich der Input- und Outputkriterien bewertet. Inwieweit KNIME die Anforderungen eines Kriteriensystems erfüllt, lässt sich mithilfe eines Effizienzvergleichs darstellen. Hierfür lassen sich weitere Softwareprodukte hinsichtlich der Kriterien evaluieren. Zudem erfolgt die Thematisierung der Möglichkeiten und Herausforderungen des Effizienzvergleichs.

In Kapitel 5 werden Aspekte des zukünftigen Stellenwerts und Wandels der Digitalisierung dargestellt. Hierbei lässt sich feststellen, dass bezüglich der genannten Bereiche weiterer Forschungsbedarf besteht.

2 Anwendungsmöglichkeiten von digitalen Lösungen im Controlling

2.1 Definition, Eigenschaften und Formen der Controlling-Prozesse

Das Controlling entsteht durch die Zusammenarbeit des Controllers und Managers. Der Manager trägt die Verantwortung für das Ergebnis und der Controller für die Ergebnistransparenz. Dabei stellt der Controller Dienstleistungen für das Management zur Verfügung, um die Prozesse mit zielführenden Instrumenten, Methoden und Verfahren aus dem Controlling zu unterstützen. Der Controller ist somit mitverantwortlich für die Unternehmensentwicklung.¹²

Aufbauend auf dieser Begriffserklärung erfolgt die Definition der Aufgaben, Instrumente und Prozesse des Controllings. Sie dienen der notwendigen Informationsversorgung, Koordination und Planung bei der erfolgreichen Steuerung und Kontrolle der Unternehmensziele. Die Aufgaben des Controllings lassen sich in verschiedene Bereiche und Ebenen unterteilen. Eine Möglichkeit bietet das ´Controlling-Prozessmodell 2.0´ der ´International Group of Controlling´.¹³ Bei dieser Darstellung handelt es sich um eine Weiterentwicklung des Controlling-Prozessmodells aus dem Jahr 2011. In Anlehnung an die beiden Modelle hat die Verfasserin dieser Arbeit eine eigene Abbildung ausgearbeitet (Abb. 3).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Controlling-Prozessmodell nach IGC¹⁴

Die Abbildung orientiert sich an einem hierarchischen Prozessmodell und betrachtet die Prozesse auf verschiedenen Ebenen. Die Prozesshierarchie schafft Transparenz über Prozesse und Strukturen, indem sie die übergeordneten Abläufe, Zusammenhänge und Einzelheiten systematisch aufzeigt.¹⁵

Die strategische Planung und Kontrolle spiegelt die erste Hierarchiestufe wider. Diese hat zum Ziel, das Management bei der langfristigen Existenzsicherung und Wertsteigerung des Unternehmens auf dem Markt zu unterstützen.¹⁶ Die strategische Kontrolle basiert auf Datenanalysen der externen Unternehmensumwelt mit der Hauptaufgabe, die Erfolgspotenziale und Kernkompetenzen einer Unternehmung zu erfassen und zu quantifizieren.¹⁷ Zudem beschreibt die strategische Planung die zukünftige Ausrichtung des Unternehmens und dient als Ausgangspunkt für nachgelagerte Controlling-Prozesse. Hierbei definieren Strategien den Weg zur Zielerreichung. Verfolgt ein Unternehmen beispielsweise das Ziel der Kostenführerschaft, kann die Niedrigpreisstrategie Konkurrenten aus dem Markt verdrängen. Als Planungshorizont werden in der Literatur mindestens fünf Jahre angesetzt.¹⁸

Die operative Planung und Kontrolle greift die Ziele des strategischen Controllings auf und generiert auf deren Basis kurze bis mittelfristige Ziele. Hierbei stellt die Budgetierung oftmals einen jährlich stattfindenden Prozess dar, bei dem für einzelne Einheiten, z. B. Geschäftsbereiche, Abteilungen oder Kostenstellen die zur Verfügung stehenden finanziellen oder personellen Mittel für das nächste Jahr geplant und genehmigt werden.¹⁹ Detailliert liegen die Aufgaben in den ertrags- und liquiditätsbezogenen Steuerungsmaßnahmen des Unternehmens, der Informationsbereitstellung und Kontrolle der geplanten Vorhaben.²⁰ Hierfür erfolgen unternehmensinterne und -externe Abweichungsanalysen als Basis für operative Entscheidungen, um mit entsprechenden Maßnahmen reagieren zu können.²¹ Als Zeithorizont für die operative Ebene wird i. d. R. von einem Planungshorizont von einem Jahr ausgegangen.

Der Forecast unterstützt die Beurteilung der zukünftig möglichen Abweichungen, um Anpassungen vornehmen zu können. Dabei fließen alle verfügbaren Daten der Unternehmensumwelt und der zukünftigen wirtschaftlichen Entwicklung in die Entscheidung ein, um daraus Prognosen – unter Berücksichtigung von Simulations- und Szenario-Betrachtungen – abzuleiten. Die Grundlage für den Forecast stellt ein monatlicher Plan-Ist-Vergleich der relevanten Kontrollgrößen dar. Anschließend erfolgt eine Hochrechnung als Ergänzung für das weitere Geschäftsjahr.²²

Hierbei sind die Abhängigkeiten der beiden Ebenen zu berücksichtigen. Die Ergebnisse der Planung und Kontrolle der operativen Ebene können die Planung und Kontrolle der strategischen Ebene beeinflussen, z. B. Auswirkungen auf die gemeinsamen Ressourcen der Kostenstellen. Gleichzeitig hat die strategische Ebene einen Einfluss auf die operative Ebene, da die ausgewählte und zu berücksichtigende Strategie – in zeitlicher und inhaltlicher Hinsicht – auf den operativen Bereich heruntergebrochen wird.

Das Ziel des Risikomanagements besteht durch einen kontrollierten und bewussten Umgang der Chancen und Risiken, in der langfristigen Sicherung des Unternehmens. Mit der transparenten und frühzeitigen Identifikation der positiven und negativen Einflussfaktoren wird u. a. eine Verbesserung der Planungsqualität im Unternehmen gewährleistet. Die möglichen Einflussfaktoren sind einerseits abhängig von der ausgewählten Unternehmensstrategie. Andererseits bietet das Risikomanagement wichtige Informationen für das operative und strategische Management, z. B. eine Auswahl von risikogeringen Strategien und Maßnahmen.²³

Des Weiteren existiert zu den bereits genannten Bereichen der zweiten Hierarchieebene das Projekt- und Investitionscontrolling. Das Ziel ist es, mithilfe von Projekten und Investitionen u. a. Strategien umzusetzen, um Unternehmensziele zu erreichen. Im Rahmen des Planungsprozesses von Projekten erfolgt zunächst die Identifikation des Nutzens mit den jeweiligen Qualitäts-, Kosten- und Zeitzielen. Neben der Planung berücksichtigt das Projektcontrolling auch die Durchführung, Steuerung und Kontrolle des Zielerreichungsgrades eines Projekts.²⁴

Das Management Reporting stellt eine Brückenfunktion zwischen der Datenerfassung und der Dateninterpretation dar. Es baut insbesondere auf den Ergebnissen der Kosten-, Leistungs-, und Ergebnisrechnung auf. Die Informationsversorgung richtet sich an die Stellen und Personen, die Führungsaufgaben wahrnehmen und innerhalb des Planungs- und Kontrollprozesses steuerungsrelevante Informationen benötigen.²⁵ Der Sinn und Zweck ist es, die Informationen so aufzubereiten und darzustellen, dass diese dem benötigten Informationsgrad des Empfängers entsprechen. Die entstehenden Berichte sollen gesetzliche Verpflichtungen, aber auch betriebliche Erfordernisse aufzeigen.²⁶

Die Kosten-, Leistungs-, und Ergebnisrechnung dient vorrangig der Informationsbereitstellung u. a. von Plan- und Istwerten für die Unternehmensleitung.²⁷ Die Hauptaufgabe besteht darin, die bei der betrieblichen Leistungserstellung entstehenden Kosten vollständig, kontinuierlich und verursachungsgerecht zu erfassen. Die transparente Zuordnung von Kosten, Leistungen und Erträgen auf entsprechende Objekte innerhalb der Unternehmung ist dabei für die Entscheidungsfindung von großer Relevanz.²⁸

Das Funktionscontrolling befasst sich mit der Anwendung der bereits dargestellten Prozesse in der betrieblichen Wertschöpfungskette, z. B. dem Produktionscontrolling, Logistikcontrolling und Vertriebscontrolling. Exemplarisch zielt das Funktionscontrolling im Vertrieb auf die Steuerung der strategischen und operativen Vertriebsaktivitäten, um die Effizienz des Vertriebsbereichs sicherzustellen. Das Ziel besteht insbesondere in der Sicherstellung des gewünschten Umsatzes unter Berücksichtigung der Risiken. Jeder Bereich verwendet angepasste Kontroll- und Steuerungsinstrumente, die sich an die Unternehmensstrategie orientieren.²⁹ Als Herausforderung sind Interdependenzen verschiedener Bereiche zu beachten. Beispielsweise hängt die Zielerreichung im Vertrieb vom Produktions- und Einkaufsbereich ab. Hierfür ist zunächst die Erforschung der gegenseitigen Abhängigkeiten notwendig, damit Koordinationsmöglichkeiten für den parallelen Ablauf der Bereiche und Prozesse identifiziert werden können. Dies stellt wiederum eine simultane Bewältigung der Prozesse sicher.

Die Aufgabe des Business Partners definiert den Dienstleistungscharakter des Controllers entlang der Controlling-Prozesse sowie der betrieblichen Wertschöpfungskette. Im Vordergrund steht hierbei die betriebswirtschaftliche Beratung und Führung für die Gewährleistung der bereichsübergreifenden Koordination und Rationalität von Entscheidungen.³⁰ Zudem unterstützt der Controller – als betriebswirtschaftlicher Berater – die permanente Weiterentwicklung des Unternehmens³¹ bei der Implementierung und Durchführung von Veränderungsprozessen. Dies zielt auf eine kontinuierliche Überprüfung und eine damit verbundene Anpassung von Richtlinien, Ablaufplänen und Qualitätsstandards ab.

Das Datenmanagement sorgt für die Erhebung und Speicherung von Daten.³² Dabei spielt die Datenqualität im Sinne von konsistenten, verlässlichen und entscheidungsrelevanten Daten eine wichtige Rolle. Auch im Hinblick auf die Abhängigkeiten zwischen den Prozessen ist die Datenqualität bedeutend. Hierbei liegt die in der Praxis festzustellende Herausforderung, v. a. in der Verwendung unterschiedlicher Systeme zur Datenerfassung, die zu inkonsistenten Auswertungen führen können. Mögliche Gründe hierfür können nicht optimierte Schnittstellen sein, da die Erfassung zu unterschiedlichen Zeitpunkten, in verschiedenen Bereichen und abweichend definierten Begrifflichkeiten erfolgt. Zudem steigen aufgrund der wachsenden Datenkomplexität, die Ansprüche an das Datenmanagement.

Die Herausforderungen liegen insbesondere an den fünf Eigenschaften der Big Data, da diese die Verarbeitung komplexer Daten mit Standard-Datenbanken nicht mehr gewährleisten und deshalb die Unterstützung der verschiedenen Bereiche hinter den technischen Möglichkeiten bleibt.³³ Die Eigenschaften der Big Data lassen sich folgendermaßen definieren.

Volume (Volumen) beschreibt das umfangreiche Datenvolumen, das innerhalb von u. a. Technologien anfällt. Variety (Vielfalt) bezeichnet die Heterogenität der Datenquellen und Datenformate. Hierbei existieren strukturierte Daten aus Datenbanken und unstrukturierte Daten wie Texte, Audio -oder Videodateien. Zudem fallen sowohl unternehmensinterne als auch unternehmensexterne Daten z. B. aus sozialen Netzwerken an. Velocity (Geschwindigkeit) bezieht sich auf Daten, die sich ständig verändern, erweitern oder ihre Gültigkeit verlieren, z. B. aufgrund gestiegener Anforderungen an den Verarbeitungsprozess, um rechtzeitig auf die Veränderungen reagieren zu können. Veracity (Glaubwürdigkeit) charakterisiert richtige und vollständige Dateninhalte. Value (Wert) beschreibt den zu generierenden Nutzen aus den verfügbaren Daten.³⁴

Gleichzeitig entstehen durch Big Data neue Möglichkeiten im Controlling, die im nächsten Kapitel dargestellt werden. Hierbei ist zu berücksichtigen, dass die Definitionen der Begriffe rund um Big Data in der Literatur nicht klar sind. Insofern erfolgt zunächst für die Gewährleistung einer Grundlage die Definition der Begrifflichkeiten.

2.2 Status quo der Digitalisierung in den Controlling-Prozessen

Business Intelligence (BI) bietet Informationssysteme zur Aufbereitung von Daten aus der Vergangenheit an, die einen Einfluss auf die Entscheidungs- und Steuerungsprozesse haben.³⁵ Business Analytics (BA) befasst sich zusätzlich mit Zukunftsprognosen.³⁶ Diese sollen den Ist-Zustand besser verstehen und verlässliche Vorhersagen für die Zukunft treffen. Hierbei erfolgt die Unterscheidung zwischen vier analytischen Niveaus in dem Reifegradmodell (Abb. 4).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Reifegradmodell der analytischen Niveaus in BI und BA³⁷

Die Deskriptive Analytik beschäftigt sich mit den Daten aus der Vergangenheit, um daraus die möglichen Auswirkungen auf die Zukunft zu erklären. Die Diagnostische Analytik folgt oftmals der deskriptiven Analytik, um Einblicke in Ursachen und Zusammenhänge zu bekommen. Die Prädiktive Analytik befasst sich mit der Zukunft und ermöglicht eine Abschätzung der Wahrscheinlichkeit des Eintretens eines zukünftigen Ereignisses. Auf Basis von historischen und aktuellen Daten erfolgt die Erkennung von Abhängigkeiten. Dabei werden mittels statistischer Methoden und Algorithmen, Beziehungen in den Daten untersucht. Die Präskriptive Analytik baut auf der prädiktiven Analytik auf und versucht Auswirkungen zukünftiger Entscheidungen abzuschätzen und zu bewerten.³⁸

Die Möglichkeiten der BA bieten insbesondere in kurzer Zeit unterschiedliche und entscheidungsorientierte Szenario-Rechnungen aufzustellen, da u. a. das Data Mining sowie die Künstliche Intelligenz (KI) komplexe Zusammenhänge besser berücksichtigen.

Das Data Mining analysiert mithilfe systematischer Anwendung von statistischen Methoden, z. B. dem Clustering oder der Regressionsanalyse, große Datenbanken. Mit dem Ziel, neue Erkenntnisse, Auffälligkeiten und strukturelle Abhängigkeiten auszuwerten. Die dabei erkannten Muster können dazu beitragen, die Entscheidungsfindung zu erleichtern. Inwieweit die Auswertungen einen Einfluss auf die Entscheidungen haben, muss im Kontext der Anwendung i. d. R. gemeinsam mit Anwendungsexperten beurteilt werden. Durch die Einbeziehung der Spezialisten entsteht ein Rückkopplungsprozess, der oft wiederholt durchlaufen wird, bis ein zufriedenstellendes Ergebnis erreicht ist.³⁹

Die KI geht über das Data Mining hinaus und bezeichnet den Überbegriff für Anwendungen, in denen Maschinen menschenähnliche Intelligenzleistungen erbringen. Darunter fällt der Begriff des maschinellen Lernens. Die Grundidee besteht darin, durch Maschinen eine Annäherung an wichtige Funktionen des menschlichen Gehirns zu schaffen – Lernen, Urteilen und Problemlösung. Hierbei sollen selbstlernende Algorithmen durch eine zielgerichtete Dateninterpretation die Entscheidungen optimieren.⁴⁰

Hinsichtlich der Controlling-Prozesse profitiert die strategische Planung insbesondere in der Identifikation und Bewertung neuer Geschäftsfelder, um weitere Kundenzielgruppen zu ermitteln. Dabei erfolgt mithilfe des Data Mining die Auswahl von Dienstleistungen und Produkten mit dem größten Potenzial für das Unternehmen, um diese den Kunden anzubieten und die Marktposition des Unternehmens langfristig zu sichern.⁴¹ Zudem können sich die Instrumente der strategischen Kontrolle um weitere Kennzahlen erweitern. Beispielsweise kann die Beschäftigungsfähigkeit von Mitarbeitern mithilfe vernetzter Daten gemessen werden. Darunter fallen z. B. Fachkenntnisse, Teamfähigkeit oder Einsatzbereitschaft. Das Ziel kann hierbei die Berücksichtigung von erforderlichen Weiterbildungsmaßnahmen der Mitarbeiter in der Planung sein.⁴²

Diese Informationen dienen u. a. zur besseren Steuerung und Koordination im operativen Bereich. Die technologische Möglichkeit, das gesamte Unternehmen (inkl. Umfeld) digital zu simulieren und mit verschiedenen internen und externen Parametern zu verknüpfen, erlaubt auf Basis dieser neuen Datenqualität eine höhere Genauigkeit in der operativen Planung und Budgetierung.⁴³ Zudem lassen sich in der operativen Kontrolle verstärkt Detailanalysen in Echtzeit durchführen, um bisher nicht erkannte Abhängigkeiten und Schwachstellen besser zu identifizieren. Des Weiteren führt die prädiktive Analytik und Echtzeitverarbeitung von Daten zu Veränderungen im Forecast. Hierbei lassen sich innerhalb kurzer Zeit unterschiedliche Forecast-Szenarien erstellen. Darüber hinaus wird sich die Qualität durch die Einbindung von nicht-monetären Informationen (wie z. B. Kunden- oder Lieferantendaten) aus externen Quellen verbessern.⁴⁴

Die erweiterte Datenvielfalt und Echtzeitverarbeitung großer Datenmengen sind auch für das Risikomanagement von großer Bedeutung. Aufgrund der frühzeitigen Einschätzung der Risiken besteht die Möglichkeit, die Qualität der Analysen zu verbessern. Mithilfe von Methoden wie z. B. einem ´Risiko-Radar´ können riskante Einflussfaktoren oder hohe Plan-Ist-Abweichungen automatisch ermittelt werden. Gleichzeitig lassen sich die Anforderungen an die IT-Systeme aufgrund von extrahierten Informationen klarer definieren.⁴⁵

Im Projekt- und Investitionscontrolling erfolgt eine Verbesserung bei der Auswahl der Projekte und Investitionen, die wiederum die Entscheidungsqualität erhöhen. Mithilfe eines BI-gestützten Controlling-Cockpits ist es möglich, den Projektteilnehmer jederzeit ein aktuelles Bild hinsichtlich der Kosten, der Termineinhaltungen, des Erfolgs und der Zahlungen zu übermitteln.⁴⁶ Dabei erfordert die Zusammenführung der Daten kein aufwendiges Recherchieren aus unterschiedlichen Systemen. Ferner erweitern sich die Möglichkeiten der Analyse, wodurch vom Controlling zukünftig möglicherweise mehr Flexibilität bei der Interpretation und Ableitung von Maßnahmen erwartet wird.

Die mobilen BI-Lösungen bieten die Möglichkeit, im Management Reporting unabhängig von Ort und Zeit Berichte zu erstellen. Hierbei kann der Manager eigenständig z. B. über ein Smartphone oder Tablet auf Reports zugreifen. In Verbindung mit einem Dashboard besteht die Option, die Kosten- und Leistungsstrukturen der Kostenstellen übersichtlicher darzustellen. Dies sorgt für Verbesserungen in Detail- und Ursachenanalysen. Zudem helfen standardisierte Filter und Kennzahlen den Aufwand für die Berichtserstellung zu minimieren. In diesem Zusammenhang ergeben sich Zeitersparnisse im Controlling.⁴⁷

Auch der Bezug zu den Adressaten wird aufgrund detaillierteren Informationen gründlicher als bei Standard-Berichten. Sie sind i. d. R. auch verantwortlich für die Inhalte der Planungen und Berichte bzw. leiten hieraus ihren Steuerungsbedarf ab.⁴⁸ Diese lassen sich in externe Adressaten, z. B. Shareholder, Kunden oder Lieferanten und interne Adressaten, z. B. Manager, Controller oder Abteilungsleiter unterscheiden.

Für das Funktionscontrolling besteht die Chance, die Kontroll- und Steuerungsinstrumente der unterschiedlichen Bereiche aufeinander abzustimmen. Dies sorgt für eine bessere Kontrolle der Interdependenzen, da zuvor nicht gesehene Abhängigkeiten besser erkannt werden können. Gleichzeitig verbessert sich die Koordinationsmöglichkeit der parallel ablaufenden Bereiche im Unternehmen.⁴⁹

Die Überführung der Datenbank in ein Data Warehouse (DWH) gilt u. a. als Voraussetzung für den Einsatz der Möglichkeiten im Controlling, da die Verarbeitung komplexer Daten mit Standard-Datenbanken nicht möglich ist. Das DWH beschreibt eine Plattform zur Speicherung von internen Daten, z. B. Kosten-, Leistungs- und Ergebnisrechnung und externen Daten aus unterschiedlichen Datenquellen, z. B. sozialen Netzwerken. Es stellt die Basis für die Informationsversorgung dar.⁵⁰

Über die Anbindung an die Systeme aus den Unternehmensbereichen findet die Zusammenführung der relevanten Daten zur Entscheidungsunterstützung statt. Einerseits bildet das DWH eine entscheidende Grundlage für die Datenqualität, da eine bessere Identifikation der Abhängigkeiten der Daten erfolgt. Andererseits zielt das DWH auf die Erfüllung von unternehmensweiten Informationsbedürfnissen ab.⁵¹ Insofern stehen jedem Mitarbeiter Informationen für die Entscheidungsfindung des verantwortlichen Bereichs zur Verfügung.

Gleichzeitig entstehen u. a. durch den Einsatz eines DWHs und der Lösungen aus BI und BA neue Rollen im digitalen Umfeld des Controllings. Entweder übernimmt der Controller die Rollen oder es erfolgt eine Zusammenarbeit mit den Rollen (Abb. 5).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Mögliche Rollen im digitalen Umfeld des Controllings⁵²

Vor dem Hintergrund der zunehmenden Komplexität der Daten ist eine strukturierende und standardisierende zentrale Instanz von Bedeutung. Hierfür definiert die Governance & Leadership Rahmenbedingungen und Richtlinien für die Anwendung der Lösungen aus BI und BA.⁵³ Der Einsatz von standardisierten Methoden, Tools und Templates soll die Anwendungen kontinuierlich auf Unternehmensziele ausrichten. Inwiefern der Controller involviert in diese Rolle ist, hängt von den im Unternehmen definierten Bereichen und Funktionen des Controllings ab. Nach Ansicht der Verfasserin ist diese Rolle für Controller mit einer Managementunterstützungsfunktion im strategischen Bereich unabdingbar.

Design & Execution trägt die Verantwortung für eine effiziente Erbringung von standardisierten Prozessen und Leistungen z. B. für Kosten-, Leistungs-, und Ergebnisrechnung; Konzernkonsolidierung; Planung; Forecast und Reporting. Hier werden die Daten zur Erzeugung und Verteilung der Berichte generiert und gesammelt. Die definierte Standardisierung durch die Governance und Automatisierung der Prozesse zielen auf eine Kostensenkung (z. B. für die Berichtserstellung) ab und stärken gleichzeitig den Service der Organisation des Datenmanagements.⁵⁴ Nach Ansicht der Verfasserin dieser Arbeit ist auch diese Rolle für den Controller aufgrund der Abhängigkeiten zwischen den Prozessen und Leistungen von großer Bedeutung. Dadurch kann der Controller überprüfen, ob aufeinander abgestimmte standardisierte Prozesse vorliegen.

Ein erfolgreiches Datenmanagement setzt im Rahmen des DWH voraus, dass u. a. qualifizierte Spezialisten verfügbar sind, die Datenauswertungen mithilfe statistischer Methoden erstellen und optimieren können. Der Data Scientist stellt die Schnittstelle zwischen der IT-Abteilung und den Fachabteilungen dar, die u. a. durch Data Mining, Predictive Analytics und Datenerhaltungstechnologien entsteht.⁵⁵ Einerseits besitzt er Informationen bezüglich des Geschäftsmodells, der Prozesse und Ziele des Unternehmens sowie der jeweiligen Fachbereiche. Ferner bringt der Data Scientist ein gutes betriebswirtschaftliches Knowhow mit. Andererseits benötigt er Kenntnisse bezüglich der Möglichkeiten in BI und BA, Datenbankwissen und Kenntnisse der Programmiersprache, damit er die Schnittstelle zwischen der Unternehmensleitung und den Fachbereichen der IT gestalten kann.⁵⁶

Der Data Engineer stellt aufgrund der technisch geprägten Expertenrolle die Grunddatenversorgung des Data Scientist sicher. Die organisatorische Zuordnung ist i. d. R. in der IT zu finden.⁵⁷ Der Data Scientist steht als wichtiger Ansprechpartner zur Verfügung, um die Datengewinnung an die Fragestellungen des Managements anzupassen. Die wesentliche Qualifikation des Data Engineers besteht im Beherrschen von bestehenden und neuen Technologien.⁵⁸ Er gewährleistet die Einrichtung einer passenden Datenarchitektu r für IT-Anwendungen und leitet Maßnahmen zur Überwachung und Verbesserung der Datenqualität ab.

Die Kernkompetenzen des Data Analysten liegen in der Entwicklung von gemeinsamen Anwendungsfällen mit dem Data Scientist. Hierbei ist der Data Analyst der Hauptansprechpartner des Data Scientisten. Er besitzt den Überblick über alle Auswertungen und Anwendungsfälle in seinem Fachbereich. Die dazu notwendigen Qualifikationen sind Kenntnisse und Kompetenzen mit hohem Datenverständnis in BI und BA. Allerdings verfügt der Data Analyst über ein geringeres technologisches Niveau im Vergleich zum Data Scientist.⁵⁹

Basierend auf den unterschiedlichen Bereichen im digitalen Umfeld verstärkt sich die Rolle des Controllers als Business Partner. Hierbei besteht die Möglichkeit, dass der Controller an den modellgestützten Analysen des Data Scientisten aufbaut und die vom Data Analysten erstellten Berichte mit spezifischen Analysen, Kommentaren und Maßnahmen anreichert. Als Herausforderung sollte er ein Verständnis für die Prozesse aufbringen, um mehr mitwirken zu können. Zudem verpflichtet sich der Controller, IT-Kenntnisse anzueignen, damit er Zugriff auf die Daten hat und ein Verständnis erlangt.⁶⁰

Alternativ besteht auch die Möglichkeit, dass der Controller die Rolle des Data Analysten oder teilweise des Data Scientisten einnimmt, um Schnittstellen zu vermeiden, z. B. aufgrund von möglichen Kommunikationsproblemen. Gleichzeitig entstehen weitere Herausforderungen im Hinblick auf die Digitalisierung.

2.3 Herausforderungen der Digitalisierung

Allgemein bietet die Digitalisierung insbesondere in Bezug auf die Maschinen und Systeme immer mehr Steuerungsmöglichkeiten. Dadurch stehen erheblich mehr Daten zur Verfügung, die auch im Controlling genutzt werden können, um managementrelevante Entscheidungen zu unterstützen. Allerdings ist dies mit verschiedenen Herausforderungen verbunden, die sich auch auf das Controlling auswirken (Abb. 6).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Herausforderungen der Digitalisierung⁶¹

Der technische Fortschritt hat an verschiedenen Stellen einen Einfluss auf das Controlling. Beispielsweise erfordern neue Datenbankarchitekturen leistungsfähigere Softwareprodukte. Hierbei wird das mobile Reporting beeinflusst durch die Heterogenität und die neuen Versionen der Hardwareprodukte wie z. B. Tablets oder Smartphones. Es existiert eine Vielzahl an mobilen Endgeräten, die sich untereinander stark in ihrer Leistungsfähigkeit, ihrem Betriebssystem und ihrer Funktionalität unterscheiden. Dadurch ist eine Anpassung an veränderte Darstellungsmöglichkeiten der Hardwareprodukte erforderlich, u. a. auch die Programmierung von neuen Schnittstellen.⁶²

Mit der zunehmenden internen und externen Vernetzung des Unternehmens gewinnen die Aspekte IT-Sicherheit und Datenschutz an Bedeutung. Die damit verbundenen Probleme stellen für zahlreiche Unternehmen ein großes Hemmnis für den Einsatz digitaler Lösungen dar. Im Zuge der Digitalisierung ist das Unternehmen anfälliger für Cyberkriminalität. Auch das Controlling ist hinsichtlich der Unternehmenssteuerung betroffen. Gleichzeitig bringt eine digitale Infrastruktur die Gefahr mit sich, über das Internet auf Maschinen und Systeme zuzugreifen und das gesamte IT-System ausfallen zu lassen.⁶³ Des Weiteren besteht das Risiko – insbesondere in Bezug auf die Übertragung an Mobiltelefone und die Nutzung des Internets an öffentlichen Orten – eines Angriffs auf mobile Systeme. Hierfür sollten Sicherheitsmechanismen wie Verschlüsselungen und Verfahren zur Authentifizierung eingerichtet werden, um einen Schutz vor dem Abhören, Ausspionieren und Angreifen der sensiblen Daten zu gewährleisten. Auch im Falle eines Verlustes oder Diebstahls des Endgerätes sollten die Daten unzugänglich sein.⁶⁴

Zur möglichst zeitnahen Erfüllung von ständig sich ändernde Kundenbedürfnisse bieten sich insbesondere neue digitale Geschäftsmodelle an. Gleichzeitig ist dafür eine agile Unternehmenssteuerung notwendig, die die Anpassungsfähigkeit an Veränderungen sicherstellt.⁶⁵ Hierbei reicht es nicht, nur einzelne Prozesse des klassischen Controllings im Unternehmen aufzugreifen. Als Herausforderung gilt es, neue Ansätze und Kennzahlen im Controlling zu entwickeln.⁶⁶ Diese sind regelmäßig daraufhin zu prüfen, ob sie valide sind und für den digitalen Transformationsprozess wichtige Impulse liefern. Allerdings führt dies zur Unvergleichbarkeit der Performance-Messung, da sich die Kennzahlen ständig erneuen. Außerdem ist zu beachten, dass sich auch die Software- und Hardwareprodukte an die neuen Geschäftsmodelle angleichen. Insofern entsteht der Bedarf, die Schnittstellen der Controlling-Software erneut zu programmieren.

Eine Studie belegt, dass 43 Prozent der befragten 300 Manager bei der Initiierung relevanter Digitalisierungsvorhaben, den Fokus auf die Kostenoptimierung legen.⁶⁷ Allerdings lässt sich u. a. aus den bereits dargestellten Herausforderungen erkennen, dass die Digitalisierung sowohl im Unternehmen als auch im Controlling mit einem Kostenaspekt verbunden ist. Beim technologischen Fortschritt entstehen Kosten aufgrund von neuen Erkenntnissen, die zu neuen Investitionen führen z. B. neue Soft- oder Hardware. Hierfür müssen wiederum neue Schnittstellen definiert und dementsprechend programmiert werden. Auch bei dem Thema IT-Sicherheit und Datenschutz können aufgrund von Hackerangriffen auf die Maschinen und Systeme Kosten entstehen.⁶⁸ Der damit verbundene Produktionsausfall kann zu Verzögerungen in der Fertigstellung der Produkte führen. Gegebenenfalls entstehen durch den Stillstand weitere Schäden an nachgelagerte Maschinen, die wiederum Qualitätsmängel aufweisen und Kosten für Reparaturen und Ersatzteile verursachen. Zudem entstehen für die Gewährleistung der IT-Sicherheit und des Datenschutzes, Kosten durch die Entwicklung von Systemen und Lösungen.

Inwieweit die Kosten durch den möglichen Nutzen einer digitalen Lösung gerechtfertigt sind, lässt sich mit einer Effizienzmessung feststellen. Hierfür besteht die Notwendigkeit, deren Wirksamkeit zu messen, um einen Mehrwert durch die Einführung der digitalen Lösung zu ermitteln. Insofern erfolgt im nächsten Kapitel der Aufbau eines Kriteriensystems zur Effizienzmessung.

3 Kriteriensystem zur Effizienzmessung digitaler Controlling-Lösungen

3.1 Prozess zur Softwareauswahl

Die Vielfalt der am Markt erhältlichen Softwareprodukte erschwert die Auswahl für Unternehmen.⁶⁹ Es bietet sich an, die Software mithilfe eines standardisierten Prozesses auszuwählen. Eine Möglichkeit stellt der Prozess in Abb. 7 dar.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Prozess zur Softwareauswahl⁷⁰

Allgemein weisen Unternehmen individuelle und branchenbezogene Besonderheiten auf und stellen deshalb in bestimmten Bereichen unterschiedliche Anforderungen an das Controlling.⁷¹ Es sollten konkrete Anforderungskataloge in gemeinsamen Gesprächen mit den fachlichen Verantwortlichen festgelegt werden. Mithilfe von Bedarfsanalysen sind hierzu konkrete Probleme aus den jeweiligen Bereichen zu erheben und für die Softwareauswahl zu berücksichtigen.

Eine zusätzliche Konkretisierung ergibt sich durch die Festlegung des Anwendungsbereichs im Unternehmen. Die Software kann in einer einzelnen Unternehmensfunktion oder funktionsübergreifend zum Einsatz kommen. Hierzu zählen u. a. Warenwirtschaftssysteme, Kundenbeziehungsmanagementsysteme oder Management-Informationssysteme.⁷²

Die Einsatzmöglichkeiten gelten als Bestandteil der Fragestellung nach der Nutzungsintensität der Software. Zudem empfiehlt es sich, innerhalb einer Funktion die Tragweite zu bestimmen (z. B. für das Controlling, ob strategisch oder operativ). Der festgelegte Anwendungsbereich hat u. a. einen Einfluss auf die Art der zur Auswahl stehenden Softwareprodukte.⁷³

Eine Möglichkeit stellen weltweit agierende Hersteller mit standardisierten Lösungen dar. Sie versprechen aufgrund ihrer hohen Anwenderanzahl eine zukunftssichere Lösung. Dabei erfolgt die Einführung der Standardsoftware in relativ kurzer Zeit, da sie bereits entwickelt und getestet wurde. Zudem besteht oftmals die Möglichkeit, aus verschiedenen Lösungen die individuell notwendigen Funktionalitäten bedarfsgerecht zusammenzustellen. Die Kernfunktionalitäten lassen sich jedoch nicht (oder nur in einem begrenzten Ausmaß) verändern.⁷⁴

Alternativ bieten spezialisierte Einzelanbieter optimal an die individuellen Anforderungen angepasste Lösungen an. Allerdings nimmt die Einführung einer Speziallösung im Vergleich zur Standardsoftware mehr Zeit in Anspruch. Die Aufnahme und Modellierung der abzubildenden Prozesse, die Programmierung der Software auf die Schnittstellen sowie regelmäßige Funktionstests bis zum Erreichen der Einführungsreife sind langwierige Prozesse.⁷⁵

Für mehr Flexibilität stehen die Open-Source-Softwareprodukte zur Verfügung, da hier die Möglichkeit besteht, die Software bezüglich der eigenen Wünsche abzuändern und weiterzuentwickeln. Die OSS kann durch den Nutzer selbst an die eigenen Bedarfe angepasst werden, ohne den Hersteller damit beauftragen zu müssen. Diese Variante empfiehlt sich für Unternehmen, die zwar die Vorzüge einer standardisierten Software nutzen möchten, selbst aber auch über Mitarbeiter mit ausreichenden IT-Kenntnissen zur Software-Programmierung verfügen.⁷⁶

Als Ergebnis der zweiten Phase folgt für die Feinauswahl der Softwareprodukte, die Erstellung eines Kriterienkatalogs. Der Kriterienkatalog listet objektiv und nachvollziehbar die relevanten Merkmale für die Beschreibung eines Softwaresystems auf und stellt somit die Grundlage für eine Bewertung dar.⁷⁷ Die Basis für die Erstellung eines Kriterienkatalogs – im Rahmen einer Softwarelösung – können unterschiedlich priorisierte Kriterien sein. Mögliche Kategorien für die Kriterien sind:⁷⁸

- Allgemeine Kriterien (z. B. Kosten, Umstellungsaufwand oder Datensicherheit und Erweiterbarkeit u. a. zur Anpassung von Veränderungen)
- Funktionale Kriterien (z. B. Möglichkeiten für die Datenverarbeitung, Kompatibilität zu vorhandener und zukünftiger Software oder Schnittstellenverfügbarkeit)
- Technische Kriterien (z. B. Speicherplatzmöglichkeiten, Rechenleistung oder Arbeitsspeicher)
- Herstellerbezogene Kriterien (z. B. Herstellerunterstützung, Forum für den Informationenaustausch oder Umfang des Unterstützungsmaterials)

Auf Basis des Kriterienkatalogs findet die Evaluierung statt. Bei diesem Schritt werden die Softwarealternativen den Zielkriterien gegenübergestellt, verglichen und bewertet. Am Ende der Evaluierung steht die Entscheidung bezüglich der gewählten Software oder Software-Applikationen fest.⁷⁹

Da die Entscheidung für eine Software auf dem verwendeten Kriterienkatalog beruht, ist dessen Zusammenstellung von besonderer Bedeutung. Hierbei spielt insbesondere die Anzahl der verwendeten Kriterien eine wichtige Rolle. Einerseits sollten genügend Kriterien zum Einsatz kommen, die den gesamten Umfang der gestellten Anforderungen erfüllen und den Sachverhalt umfassend abbilden. Andererseits sollten nicht zu viele Kriterien verwendet werden, um die Transparenz nicht zu verlieren sowie die Bewertung und Auswahl der Software zu erschweren.⁸⁰

Ein zusätzliches Problem stellt die Heterogenität der zur Auswahl stehenden Software-Applikationen dar, da sich diese bezüglich des Anwendungsbereichs und der Softwareart unterscheiden. In diesem Zusammenhang ist die objektive Kriterienfestlegung relativ herausfordernd. Einerseits sollen konkrete Kriterien für die Softwareauswahl bestimmt werden und andererseits wird aufgrund von unterschiedlichen Betrachtungsobjekten Wert auf eine allgemeine Formulierung gelegt. Dieser Sachverhalt widerspricht allerdings dem Thema ´Objektivität der Kriterienfestlegung´.⁸¹

Der verwendete Kriterienkatalog besitzt auch eine große Bedeutung im Rahmen der zu beurteilenden Softwareeffizienz. Allgemein lässt sich die Effizienz durch den Quotienten aus Output und Input definieren.⁸² Der Grundgedanke des Kosten-Nutzen-Vergleichs findet auch Anwendung für die Beurteilung der Software statt. Allerdings verfolgt die Software – inklusive Auswahl und Nutzung – einer Vielzahl von Zielsetzungen mit monetären und nicht-monetären Einflussgrößen.⁸³ Deshalb ist für die Softwareeffizienz von unterschiedlichen multidimensionalen Input- und Outputgrößen mit verschiedenen Maßeinheiten auszugehen.

3.2 Auswahl der Kriterien auf der Inputseite

Zu den Kriterien auf der Inputseite gehören insbesondere die Kosten. Bei der Definition der Softwarekosten hilft z. B. der Total-Cost-of-Ownership-Ansatz, da er die Kosten über die gesamte Lebensdauer hinweg berücksichtigt.⁸⁴ Hier besteht die Möglichkeit, die Kosten in ´sichtbare´ und ´weniger sichtbare´ Kosten zu unterteilen (Abb. 8).

[...]

---

¹ Vgl. Springer Professional (2017): Das Reporting muss schneller werden.

² Hierbei beschreibt die Datenqualität die Konsistenz, Relevanz und Verlässlichkeit von Daten.

³ Vgl. Camelot Management Consultants (2017): Digitalisierung als Treiber der Controlling Transformation.

⁴ Vgl. Gleich; Losbichler; Zierhofer (2016): Unternehmenssteuerung im Zeitalter von Industrie 4.0, S. 36

⁵ Vgl. Behringer (2018): Controlling, S. 111

⁶ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 7

⁷ Vgl. Samulat (2017): Die Digitalisierung der Welt, S. VII

⁸ Vgl. Camelot Management Consultants (2017): Digitalisierung als Treiber der Controlling Transformation.

⁹ Vgl. Cole (2017): Digitale Transformation, S. 214

¹⁰ Vgl. Gleich (2016): Unternehmenssteuerung im Zeitalter von Industrie 4.0, S. 24 ff.

¹¹ Vgl. Petzold; Westerkamp (2018): Informationssysteme im wertorientierten Controlling, S. 90

¹² Vgl. Hubert (2018): Controlling-Konzeptionen, S. 14 ff.; Vgl. Behringer (2018): Controlling, S. 9

¹³ Vgl. Anhang Nr. 1- Vergleich Controlling-Prozessmodell (2011) und Controlling-Prozessmodell 2.0 (2017)

¹⁴ Vgl. Eigene Darstellung in Anlehnung an IGC (2011) und IGC (2017): Controlling-Prozessmodell

¹⁵ Vgl. Waniczek; Feichter; Schwarzl; Eisl (2017): Management Reporting, S. 54

¹⁶ Vgl. Möller (2017): Controlling Prozessmodel 2.0, S. 29

¹⁷ Vgl. Amann; Petzold (2014): Management und Controlling, S. 51

¹⁸ Vgl. Buchholz (2013): Strategisches Controlling, S. 42

¹⁹ Vgl. Friedl; Hofmann; Pedell (2017): Kostenrechnung, S. 516

²⁰ Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 34

²¹ Vgl. Amann; Petzold (2014): Management und Controlling, S. 119

²² Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 36

²³ Vgl. Möller (2017): Controlling Prozessmodell 2.0, S. 54

²⁴ Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 52

²⁵ Vgl. Hubert (2018): Controlling-Konzeptionen, S. 35 - 38

²⁶ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 17 ff.

²⁷ Vgl. Känel (2018): Betriebswirtschaftslehre, S. 411

²⁸ Vgl. Hubert (2018): Controlling-Konzeptionen, S. 2

²⁹ Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 68

³⁰ Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 49

³¹ Die Weiterentwicklung bezieht sich auch auf die Organisation, Prozesse, Instrumente und Systeme.

³² Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 6

³³ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 413 ff

³⁴ Vgl. Mertens; Bodendorf; König u. a. (2017): Grundzüge der Wirtschaftsinformatik, S. 58

³⁵ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 6 ff.

³⁶ Vgl. Seiter (2017): Business Analytics, S. 17

³⁷ Vgl. Eigene Darstellung in Anlehnung an Gartner (2014): Advanced Analytics Is a Top Business Priority

³⁸ Vgl. Gleich; Klein (2018): Produktionscontrolling und Industrie 4.0, S. 113

³⁹ Vgl. Runkler (2015): Data Mining, S. 2 ff.

⁴⁰ Vgl. Urbach; Ahlemann (2016): IT-Management im Zeitalter der Digitalisierung, S. 8 ff.

⁴¹ Vgl. Möller (2017): Controlling-Prozessmodell 2.0, S. 29

⁴² Vgl. Gleich; Losbichler; Zierhofer (2016): Controlling und Industrie 4.0, S. 74

⁴³ Vgl. Gluchowski; Chamoni (2016): Analytische Informationssysteme, S. 58

⁴⁴ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 179 ff.

⁴⁵ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 180

⁴⁶ Vgl. Gluchowski; Chamoni (2016): Analytische Informationssysteme, S. 112

⁴⁷ Vgl. Bär; Purtschert (2014): Lean-Reporting, S. 95

⁴⁸ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 243

⁴⁹ Eigene Einschätzung der Verfasserin dieser Arbeit, da bislang keine Aussagen in der Literatur zu finden ist.

⁵⁰ Vgl. Linden (2016): Geschäftsmodellbasierte Unternehmenssteuerung mit BI-Technologien, S. 136 ff.

⁵¹ Vgl. Petzold; Westerkamp (2018): Informationssysteme im wertorientierten Controlling, S. 75

⁵² Eigene Darstellung in Anlehnung an Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 130; Vgl. Controller Akademie (2018): Die Controller-Rolle in der digitalisierten Welt.

⁵³ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 241; Il:i Vgl. Gluchowski; Chamoni (2016): Analytische Informationssysteme, S. 43 ff.

⁵⁴ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 131 ff.

⁵⁵ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 248

⁵⁶ Vgl. Controller Akademie (2018): Die Controller-Rolle in der digitalisierten Welt

⁵⁷ Vgl. Computerwoche (2016): Vier neue Berufsbilder. Big Data Jobs: Wer macht was?

⁵⁸ Vgl. Pierson (2016): Data Science für Dummies, S. 62

⁵⁹ Vgl. Controller Akademie (2018): Die Controller-Rolle in der digitalisierten Welt

⁶⁰ Vgl. Kieninger (2017): Digitalisierung der Unternehmenssteuerung, S. 132 ff.

⁶¹ Eigene Darstellung unter Berücksichtigung von Schön (2018); Hildebrandt und Landhäußer (2017); Kreutzer, iii Neugebauer, Pattloch (2017); Hänel (2017)

⁶² Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 456

⁶³ Vgl. Hildebrandt; Landhäußer (2017): CSR und Digitalisierung, S. 17 ff.

⁶⁴ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 456

⁶⁵ Vgl. Hänel (2017): Operational BI im Kontext der Analyse und Steuerung von Geschäftsprozessen, S. 100

⁶⁶ Vgl. Kreutzer; Neugebauer; Pattloch (2017): Digital Business Leadership, S. 206

⁶⁷ Vgl. Roland Berger (2015): Die digitale Transformation der Industrie.

⁶⁸ Vgl. Schöttner (2017): Umsatz gut, Rendite mangelhaft, S. 48

⁶⁹ Vgl. Petzold; Westerkamp (2018): Informationssysteme im wertorientierten Controlling, S. 395

⁷⁰ Eigene Darstellung in Anlehnung an Buxmann; Diefenbach; Hess (2015): Die Softwareindustrie, S. 10 ff.

⁷¹ Vgl. Schön (2018): Planung und Reporting im BI-gestützten Controlling, S. 3

⁷² Vgl. Becker, Ulrich, Botzkowski (2016): Data Analytics im Mittelstand, S. 87

⁷³ Vgl. Martensen (2014): Einsatz von Social Software durch Unternehmensberater, S. 230

⁷⁴ Vgl. Harnisch (2015): Einkauf und Einsatz von Unternehmenssoftware, S. 11

⁷⁵ Vgl. Krcmar (2015): Informationsmanagement, S. 211

⁷⁶ Vgl. Demant (2018): Software Due Diligence: Softwareentwicklung als Asset bewertet, S. 62

⁷⁷ Vgl. Gluchowski; Chamoni (2016): Analytische Informationssysteme, S. 49 ff.

⁷⁸ Vgl. Harnisch (2015): Einkauf und Einsatz von Unternehmenssoftware, S. 29 ff.

⁷⁹ Hierbei sind der Aufbau und die Kompatibilität der Softwareprodukte zu berücksichtigen. Gegebenenfalls iiiimüssen die Schnittstellen aufeinander abgestimmt werden.

⁸⁰ Vgl. Groß; Pfenning (2017): Professionelle Softwareauswahl und -einführung in der Logistik, S. 117

⁸¹ Vgl. Buxmann; Diefenbach; Hess (2015): Die Softwareindustrie, S. 14

⁸² Vgl. Alt (2018): Mathematik: Eine Einführung für Wirtschaftswissenschaftler, S. 139

⁸³ Vgl. Schwarz (2012): Messung und Steuerung der Kommunikations-Effizienz, S. 9 ff.

⁸⁴ Vgl. Reichmann; Kißler; Baumöl (2017): Controlling mit Kennzahlen, S. 80

• Publication Year: 2020
• Pages: 92
• Catalog Number: V542565
• ISBN (eBook): 9783964872579
• ISBN (Book): 9783964872586
• Language: German
• Tags: Knime, rapidminer, powerbi, controlling, herausforderungen, möglichkeiten, software, digitalisierung, Effizienzmessung, KPI, Corporate Planning Suite