dream car bigdata v25 - icv-controlling.com · management summary ... 1 einleitung: big data -...

of 59 /59
Big Data Potenzial für den Controller Dream Car der Ideenwerkstatt im ICV 2014 Mit Erfahrungen und Beispielen aus zahlreichen Unternehmen, u.a. In Zusammenarbeit mit Internationaler Controller Verein

Author: dangthien

Post on 15-May-2018

217 views

Category:

Documents


1 download

Embed Size (px)

TRANSCRIPT

  • Big Data Potenzial fr den Controller Dream Car der Ideenwerkstatt im ICV 2014

    Mit Erfahrungen und Beispielen aus zahlreichen Unternehmen, u.a.

    In Zusammenarbeit mit

    Internationaler Controller Verein

  • Big Data - Potenzial fr den Controller Seite I

    Inhaltsverzeichnis

    Management Summary ................................................................................................................ III

    Vorwort .......................................................................................................................................... V

    1 Einleitung: Big Data - Mythos und Realitt ........................................................................... 1

    2 Big Data definieren und kategorisieren ................................................................................. 3

    3 Big Data - Einsatz in Wirtschaft und Verwaltung .................................................................. 6

    3.1 Gibt es Branchen, die fr den Big Data-Einsatz prdestiniert sind? .................................... 83.2 Welche Nutzenkategorien des Big Data-Einsatzes lassen sich unterscheiden? ................. 93.3 In welchen Teilen der Wertschpfungskette lsst sich Big Data wie nutzen? ................... 103.4 Wo gibt es Gefahren, Risiken und Barrieren? ................................................................... 153.5 Was ist zu tun? ................................................................................................................. 16

    4 Controller und Big Data ........................................................................................................ 20

    4.1 Entscheidungsfindung auf Grundlage von Daten .............................................................. 204.2 Die Big Data-Aufgaben des Controllers ............................................................................ 214.3 Potenziale von Big Data im Controlling ............................................................................. 254.4 Data Scientist und Business Analyst - Konkurrenten fr den Controller? .......................... 32

    5 Analysetechniken und IT-Technologie ................................................................................ 34

    5.1 Big Data Analytics ............................................................................................................. 345.2 Big Data Management Frameworks Datenbanken ........................................................ 355.3 Einsatz von Big Data ......................................................................................................... 35

    6 Gestaltungsempfehlungen ................................................................................................... 39

    6.1 Thesen zur Nutzung von Big Data im Aufgabenfeld des Controllers ................................ 396.2 Big Data-Roadmap............................................................................................................ 41

    Literaturempfehlungen............................................................................................................... VII

    Glossar ....................................................................................................................................... VIII

    Abbildungsverzeichnis ................................................................................................................ X

    Tabellenverzeichnis .................................................................................................................... XI

    Verwendete Literatur .................................................................................................................. XII

  • Big Data - Potenzial fr den Controller Seite III

    Management Summary In den nchsten 10 Jahren wird das weltweite Datenvolumen voraussicht-lich um mehr als das 50-Fache anwachsen. Ursachen hierfr sind u.a. der zunehmende Einsatz von Sensor-Technologien in Produktion und Logistik oder die flchendeckende Verbreitung und mobile Nutzung des Internets. Diese Entwicklung wird aktuell unter dem Begriff Big Data in Wissenschaft und Praxis kontrovers diskutiert. Auch der Controller muss sich mit der zu-nehmenden Informationsflut durch Big Data auseinandersetzen, schlielich ist die Informationsversorgung der Entscheidungstrger eine seiner Kernaufgaben.

    Der Blick in die Praxis zeigt, dass es bereits einige erfolgreiche Big Data-Projekte in Wirtschaft und Verwaltung gibt. Dabei verspricht der Einsatz von Big Data Potenziale ber die gesamte Wertschpfungskette hinweg, von der Entwicklung ber die Produktion und Logistik bis hin zu Sales und After-sales. Die Chancen von Big Data sind auch branchenbergreifend zu er-kennen. Dabei generieren insbesondere Branchen mit besonders vielen Kundenkontakten groe Datenmengen, die es in den Unternehmenspro-zessen zu nutzen gilt.

    Auf der anderen Seite sehen zahlreiche Unternehmen das Thema Big Da-ta mit Skepsis. Hohe Investitionskosten, fehlendes Fachpersonal und Know-how sowie Datenschutz-Risiken hemmen die Implementierung in den Unternehmen. Der Big Data-Einsatz ist demnach grndlich zu prfen und fordert den Controller als Business Partner, um den realisierbaren Mehr-wert zu identifizieren.

    Die wachsenden Datenvolumina erffnen dem Controller vllig neue Chan-cen. Die mit Big Data verbundene Verfgbarkeit von monetrer und nicht-monetrer Informationen unterschiedlicher Art ermglichen dem Controller eine verbesserte Planung und Kontrolle auf den unterschiedlichen Ebenen der Unternehmenssteuerung. Diese eingeschrnkte Sichtweise wird dem Controller als Business Partner jedoch nicht gerecht. Seine konkreten Auf-gaben rund um das Thema Big Data sollten gem des koordinations-orientierten Ansatzes des Controllings alle Fhrungsteilsysteme umfas-sen. Der Controller sollte die Integration von Big Data in die Teilbereiche der Unternehmensfhrung anstoen und als Projektmanager begleiten. Fr den Controller ergeben sich neben den Chancen auch neue Heraus-forderungen aufgrund des massiven Datenwachstums. Als Business Part-ner des Managements kann der Controller nur dann von Big Data profitieren, wenn er sich aktiv mit diesem Thema auseinandersetzt. Er muss wissen, welche Daten und welche Technologien des Datenmanagements zur Verf-gung stehen. Zudem muss er ber Know-how bezglich der Analysetechni-ken und Visualisierungsmglichkeiten verfgen. Der Controller ist mehr denn je gefordert, sich weiterzuentwickeln und die durch Big Data neu ent-stehenden Kompetenzfelder auszufllen. Zumal mit dem Business Analyst und dem Data Scientist zwei neue Berufsbilder entstanden sind, die ber-schneidungen hinsichtlich ihrer Kompetenzen und Ttigkeitsfelder mit dem Controller aufweisen.

  • Big Data - Potenzial fr den Controller Seite V

    Vorwort Die Ideenwerkstatt im ICV hat die Aufgabe, das Controlling-relevante Um-feld systematisch zu beobachten und wesentliche Trends zu erkennen. Da-raus entwickelt die Ideenwerkstatt die Dream Cars des ICV und leistet einen wesentlichen Beitrag, damit der ICV als Themenfhrer in der Financi-al und Controller Community wahrgenommen wird. Ideen und Ergebnisse werden in ICV-Fachkreisen oder Projektgruppen in konkrete praxistaugliche Produkte berfhrt. Mitglieder der Ideenwerkstatt sind namhafte Vertreter der Controlling-Disziplin aus Unternehmenspraxis und Wissenschaft.

    Die Ideenwerkstatt hat den Ehrgeiz, immer hochrelevante, innovative The-men zu behandeln und so der Controller-Community wichtige Anste zu liefern. In den vergangenen Jahren haben wir mit den Themen Green Con-trolling, Verhaltensorientierung und Volatilitt erste Impulse gesetzt. Auch weiterhin soll es unser Anspruch sein, durch das Aufgreifen neuer Entwick-lungen die Controller auf neue Aspekte aufmerksam zu machen und damit das Controlling weiterzuentwickeln.

    Auch in diesem Jahr haben wir mit Big Data ein Thema gewhlt, dessen Bedeutung in den vergangenen Monaten enorm zugenommen hat. Die Entwicklungen der Informationstechnologie der vergangenen Jahre bieten Unternehmen vllig neue Mglichkeiten der Erfassung, Speicherung und Vernetzung bisher unvorstellbar groer Mengen an Informationen. Fr viele Experten werden diese Entwicklungen grundlegende Vernderungen in der Unternehmensfhrung nach sich ziehen. Von den Auswirkungen wird un-weigerlich auch das Controlling betroffen sein. Das Ziel unseres diesjhri-gen Dream Car-Berichts ist es daher, Ihnen zu vermitteln, welche Chancen und Risiken Big Data fr den Controller und seine tgliche Arbeit bieten.

    Mitwirkende im Kernteam der Ideenwerkstatt sind:

    Prof. Dr. Dr. h.c. mult. Pter Horvth (Horvth AG, Stuttgart, Vorsit-zender des Aufsichtsrats; International Performance Research gGmbH, Stuttgart, stv. Vorsitzender des Aufsichtsrats)

    Dr. Uwe Michel (Horvth & Partners Management Consultants, Stuttgart, Mitglied des Vorstands)

    Siegfried Gnlen (Hansgrohe SE, Schiltach, Vorsitzender des Vor-stands; Internationaler Controller Verein e.V., Gauting, Vorsitzender des Vorstands)

    Prof. Dr. Heimo Losbichler (FH Obersterreich, Steyr; Internationa-ler Controller Verein e.V., Gauting, stv. Vorsitzender des Vorstands; International Controlling Group ICG, Vorsitzender)

    Manfred Blachfellner (Change the Game Initiative, Innsbruck) Dr. Lars Grnert (TRUMPF Werkzeugmaschinen GmbH + Co. KG,

    Ditzingen. Mitglied der Geschftsfhrung) Karl-Heinz Steinke (Internationaler Controller Verein e.V., Gauting,

    Mitglied des Vorstands) Prof. Dr. Dr. h.c. Jrgen Weber (WHU - Otto Beisheim School of

    Management, Vallendar) Andreas Aschenbrcker (International Performance Research

    gGmbH, Stuttgart, Mitglied der Institutsleitung)

  • Big Data - Potenzial fr den Controller Seite VI

    Auch in diesem Jahr haben wir die berlegungen und Beratungen der Mitwirkenden durch Praxiserfahrungen veschiedener Partner ergnzt. Folgende Unternehmen standen uns hierbei zur Seite:

    Deutsche Lufthansa AG

    Hansgrohe SE

    TRUMPF Werkzeugmaschinen GmbH + Co. KG

    IBM Deutschland GmbH

    SAP AG

    Wittenstein AG

    Wir danken den Unternehmen an dieser Stelle nochmals herzlichst fr ihre Bereitschaft, die Arbeit der Ideenwerkstatt im Internationalen Controller Verein zu untersttzen. Ein herzlicher Dank geht an Walid Mehanna (Horvth & Partners Management Consultants, Stuttgart) fr die vielfltige Untersttzung mit informations-technologischem Fachwissen.

    Besonderer Dank gilt auch Herrn Andreas Aschenbrcker, welcher die re-daktionelle Arbeit dieses Berichts und die Koordination des Kernteams bernommen hat.

    Wir wnschen Ihnen eine interessante Lektre und neue Impulse fr die tgliche Controllerarbeit.

    Ihre,

    Siegfried Gnlen Prof. Dr. Heimo Losbichler

    fr den Vorstand des Internationalen Controller Vereins

    Prof. Dr. Dr. h.c. mult. Pter Horvth Dr. Uwe Michel

    fr die Ideenwerkstatt im Internationalen Controller Verein

  • Big Data - Potenzial fr den Controller Seite 1

    Die Kontroverse Big Data: Hype, Big Deal oder Revolu-tion?

    1 Einleitung: Big Data - Mythos und Realitt Go ahead, be sceptical about big data. The author was - at first.

    (Thomas H. Davenport 2014)

    Big Data is just another Big Deal. (Roman Griesfelder 2014)

    Big data: The next frontier for innovation, competi-tion and productivity.

    (Manyika et al. 2011)

    Die wesentliche Aufgabe der ICV Ideenwerkstatt besteht darin, Entwicklun-gen, die fr die Arbeit des Controllers bedeutsam sein knnten, frhzeitig zu erkennen und konstruktiv-kritisch zu analysieren. Entstehen soll dabei ein Dream Car-Bericht mit unserer Einschtzung der Bedeutung und mit kon-kreten Gestaltungsempfehlungen. Dieser Bericht soll als Impulsgeber die-nen und zuknftige Potenziale aufzeigen bzw. durch Anwendungsbeispiele konkretisieren.

    Das Thema Big Data wird derzeit kontrovers diskutiert. Manche sehen einen typischen Hype, andere sind skeptisch positiv eingestellt. Wieder an-dere meinen, Big Data revolutioniere unser Leben (siehe Eingangszitate). Denn den innovativen Analysemglichkeiten stehen hohe Investitionskosten und lngere Implementierungszeiten fr die Technologie gegenber.

    Der Begriff Big Data weist zunchst einerseits auf das schier unvorstellbar wachsende Datenvolumen um uns hin (vgl. Abbildung 1), dessen Speiche-rung heute weder technisch noch wirtschaftlich ein Problem darstellt. Ande-rerseits wird immer wieder darauf hingewiesen, dass nur ein geringer Pro-zentsatz (5%) dieser Datenmenge konkret analysiert und genutzt wird.

    Abbildung 1: Entwicklung des weltweiten Datenvolumens (in Anlehnung an Geldner

    2013, S. 15 basierend auf Deutsche Telekom, Experton Group, Aris, BITKOM).

    100 000 000 000 000 000 000 000Zettabyte Exabyte Petabyte Terabyte Gigabyte Megabyte Kilobyte Byte

    11%

    22%

    14%

    53%

    keine Angabe

    Schon mal gehrt ja

    nein

    Buchdruck

    Umfrage: Kennen Sie den Begriff Big Data?Angaben in Prozent

    um 1450

    2022

    Telefon

    1878

    2012

    2006

    1,8 Zettabyte

    Die Maeinheit der Digitaltechnik: Im Jahr 2022 wird das weltweite Datenvolumen voraussichtlich auf 100 Zettabyte angewachsen sein.

    wegweisender Erfindungen

    Datierung

    Seit 2006 hat sich das weltweite Datenvolumen auf 1,8 Zettabyteverzehnfacht.

    100 Zettabyte

    2004

    1998

    1896 19261947

    1969

    1981

    1991

    1993

    Radio FernsehenComputer-Transistor

    Internet

    PC

    Worldwideweb

    SMS

    Google

    Facebook

  • Seite 2 Big Data - Potenzial fr den Controller

    Herausforderungen fr den Controller

    Aufbau des Dream Car-Berichtes

    Wir wollen dieses aktuell hochrelevante Thema aus Controllersicht angehen:

    Was sind Big Data? Welches Potenzial haben Big Data in Unter-nehmen und Organisationen? Wo liegen die Risiken? Ist das alles nur Zukunftsmusik?

    Vor allem die Frage: Welche Bedeutung haben Big Data fr den Controller?

    Wo verndern sie seine Arbeit? Wo und wie kann er Potenziale ent-decken?

    Wo muss er als wirtschaftliches Gewissen Kosten und Risiken kri-tisch hinterfragen?

    Hier ein Beispiel, um die Thematik zu verdeutlichen und zu konkretisieren:

    Ein Blick in die Praxis

    Das System ORION der Firma UPS:

    Fr UPS sind Big Data nicht fremd, da sie bereits in den 1980er Jahren begonnen haben, eine Vielzahl von Paket-Lieferungen und Transaktionen zu verfolgen. Heutzu-tage erfasst das Unternehmen jeden Tag Daten von 16,3 Millionen Paketen von 8,8 Millionen Kunden, die im Durchschnitt 39,5 Millionen Nachverfolgungs-Anfragen fr Pakete pro Tag stellen. []

    Ein Groteil der neuerdings erlangten Big Data wird von Telematik-Sensoren in ber 46.000 Fahrzeugen generiert. Die Daten aus den UPS Paket-Wagen (Lkw) umfassen beispielsweise die Geschwindigkeit, die Richtung, das Bremsverhalten und die An-triebsleistung. Dabei werden die Daten nicht nur verwendet, um die tgliche Leistung zu berwachen, sondern auch um die Routenplanung zu verbessern. Diese Initiative, genannt ORION (on-road integrated optimization and navigation), ist wohl das welt-weit grte operative Forschungsprojekt. [] Das Projekt hat bereits im Jahr 2011 durch die Reduktion der tglichen Routen um 85 Millionen Meilen zu Einsparungen von mehr als 8,4 Millionen Gallonen Kraftstoff gefhrt. UPS schtzt, dass die Vermei-dung lediglich einer Tagesmeile pro Fahrer dem Unternehmen Einsparungen von 30 Millionen US Dollar einbringt, sodass die Gesamteinsparungen erheblich sind. []

    (Davenport 2014, S. 178)

    In diesem Dream Car-Bericht wollen wir die eben gestellten Fragen wie folgt beantworten:

    Zunchst erklren wir, was konkret unter dem catchall term for da-ta (Davenport 2014, S. 1) Big Data zu verstehen ist (Kapitel 2).

    Dann zeigen wir anhand konkreter Beispiele auf, wo und wie Big Data in Unternehmen und in der Verwaltung genutzt werden (kn-nen). In diesem Zusammenhang ist die jeweilige Big Data-Strategie von groer Wichtigkeit (Kapitel 3).

    Wir fragen nach den Potenzialen und Risiken des Big Data-Einsatzes im Controlling und nach den Controlleraufgaben hierbei. Auch klren wir, mit wem der Controller kooperiert (Kapitel 4).

    Wir geben einen berblick ber die Analysewerkzeuge und die IT-Technologie fr Big Data (Kapitel 5).

    Abschlieend stellen wir ein Set von Handlungsempfehlungen fr die Big Data-Readiness des Controllers zusammen (Kapitel 6).

    Der Bericht wird abgerundet durch ein Glossar und durch Literaturempfeh-lungen fr den Einsteiger aber auch fr den fortgeschrittenen Controller.

  • Big Data - Potenzial fr den Controller Seite 3

    2 Big Data definieren und kategorisieren Wie alle plakativen Begriffe ist der Begriff Big Data unprzise und wird von vielen Leuten - speziell von IT-Anbietern und Beratern - inflationr verwen-det. Davenport (2014, S. 8) spricht von einer umbrella term und prophezeit a relatively short life span for this unfortunate term.

    Der Begriff ist einzuordnen in die Entwicklung der Terminologien fr die Auswertung und Analyse von Daten zur Untersttzung der Unternehmens-steuerung. Tabelle 1 zeigt diese Entwicklung auf.

    Tabelle 1: Entwicklung der Terminologie und der Schwerpunkte der Daten-analyse (in Anlehnung an Davenport 2014, S. 10).

    Begriff Zeitraum Spezifische Bedeutung Untersttzung der Entscheidungs-findung (DSS - Decision Support Systems)

    1970-1985 Nutzung von Data Analytics zur Entscheidungsunterstt-zung

    Untersttzung der Fhrungskrfte (MIS - Management Information Systems; EIS - Executive Informa-tion Systems)

    1980-1990 Fokus auf der Fhrungskrf-teuntersttzung

    Online Analytical Processing (OLAP)

    1990-2000 Software zur Analyse multidi-mensionaler Datentabellen

    Business Intelligence (BI) 1989-2005 Reporting-Tools zur Unter-sttzung datengetriebener Entscheidungen

    Analytics 2005-2010 Fokus auf statistischen und mathematischen Analysen

    Big Data 2010-heute Fokus auf groen, unstruktu-rierten und sich rasant vern-dernden Datenmengen

    Die Abgrenzung der Terminologiestufen ist angesichts der Vielfalt der Be-grifflichkeiten in der Literatur nahe zu unmglich. Insbesondere der Begriff Business Intelligence (BI) erhebt den Anspruch, das Gesamtfeld abzude-cken. Kemper et al. (2010, S. 9) definieren Business Intelligence als einen integrierten, unternehmensspezifischen IT-basierten Gesamtansatz zur betrieblichen Entscheidungsuntersttzung. Big Data ist hier Teil von BI.

    Fr die weitere Begriffskonkretisierung bietet es sich an, bestimmte Be-griffsmerkmale zu nennen, die fr Big Data konstitutiv sind. Der Bundesver-band Informationswirtschaft, Telekommunikation und neue Medien e.V. (BITKOM) sieht vier Kernmerkmale (vgl. Abbildung 2).

    Die intensive Auseinandersetzung mit dem Thema Big Data zeigt, dass auch diese Definition aus Sicht des Controllings noch nicht ausreichend ist. Unternehmen knnen erst dann einen Vorteil aus Big Data ziehen, wenn sie ihren Daten vertrauen und einen messbaren Mehrwert aus deren Analyse ziehen knnen. Denn wenn die Qualitt der zugrundeliegenden Informatio-nen mangelhaft ist, verliert das Management sein Vertrauen in die Daten und verlsst sich bei Entscheidungen eher auf die Intuition als auf eine soli-de Datenbasis (vgl. Redman 2013, S. 86).

    Zudem bedarf es Datenspezialisten, die den Wert der Daten erkennen und daraus einen messbaren, wirtschaftlichen Nutzen fr das Unternehmen generieren. Steve ONeill, CFO des US-amerikanischen Hardware- und Software-Unternehmens EMC spricht sogar von einem return on data als Key Performance Indicator fr Big Data in Unternehmen (vgl. Bartram 2013, S. 28).

  • Seite 4 Big Data - Potenzial fr den Controller

    Big Data sind ge-kennzeichnet durch: Volume, Variety, Velocity, Veracity, Data Ana-lytics und Value

    Abbildung 2: Kernmerkmale von Big Data (BITKOM 2012, S. 19).

    Aus diesem Grund mchten wir in der Ideenwerkstatt den grundlegenden Terminus noch um zwei weitere Vs erweitern: Veracity (=Glaubwrdigkeit) und Value (=Wert).

    Damit ergeben sich sechs wesentliche Merkmale:

    1. Volume: Wie der Terminus Big Data bereits impliziert, fallen hie-runter sowohl groe Datenmengen von Terrabytes bis Petabytes, als auch viele kleine Datenmengen, die es gemeinsam zu analysie-ren gilt (vgl. Zacher 2012, S. 2).

    2. Variety: Nicht die groen Datenmengen an sich, sondern die Viel-fltigkeit der Daten sind Chance aber auch Herausforderung von Big Data. Die Daten stammen aus unternehmensinternen und -externen Quellen und liegen strukturiert (relationale Datenbanken etc.), halb-strukturiert (Logfiles) und unstrukturiert (Texte im Internet, aber auch Video-Streams und Audio-Dateien etc.) vor (vgl. Matzer 2013, S. 18).

    3. Velocity: Die sich stndig verndernden und in ihrer Gltigkeit be-grenzten Daten erfordern eine Datengenerierung und -verarbeitung in Echtzeit bzw. nahezu Echtzeit (vgl. Matzer 2013, S. 18).

    4. Veracity: Es muss sichergestellt werden, dass Vertrauen bzgl. der Glaubwrdigkeit der Daten besteht (vgl. Neely 2013; Redman 2013).

    5. Data Analytics: Zum Management, zur Analyse und zur Interpreta-

    tion von Big Data sind Methoden der automatisierten Erkennung und Nutzung von Mustern, Bedeutungen und Zusammenhngen wie statistische Verfahren, Optimierungsmodelle, Data Mining, Text- und Bildanalytik usw. erforderlich (vgl. BITKOM 2012, S. 21).

    6. Value: Der Einsatz von Big Data Analytics kann Unternehmen einen wirtschaftlichen Nutzen liefern, indem diese einen tieferen Einblick in ihr Business erhalten, daraus z.B. neue Produkte und Dienstleis-tungen entwickeln und auf unternehmensrelevante Vernderungen reagieren knnen, bereits whrend diese auftreten (vgl. Davenport et al. 2012, S. 44).

  • Big Data - Potenzial fr den Controller Seite 5

    Die wesentlichen Treiber des Daten-wachstums sind sowohl unterneh-mensinterner als auch -externer Na-tur

    Unser Definitionsversuch lautet daher:

    Big Data beschreibt die Analyse und die Echtzeitverarbeitung groer, unstrukturierter und kontinuierlich flieender Datenmengen aus einer Vielfalt unterschiedlicher Datenquellen zur Schaffung glaubwrdiger In-formationen als Basis von nutzenschaffenden Entscheidungen.

    Velten/Janata (2012) fassen die wesentlichen Treiber des Datenwachstums zusammen und verdeutlichen die unterschiedliche Herkunft und die Hetero-genitt der Daten (vgl. Abbildung 3):

    Abbildung 3: Big Data-Kategorien nach Herkunft (in Anlehnung an Velten/Janata 2012, S.

    5).

    Dank der Verbreitung des Internets generieren Privatanwender mit jedem ihrer Klicks jede Minute Milliarden von Daten. Sie tun dies nicht nur von ihrem stationren PC aus, sondern nutzen mit Mobile Devices die unter-schiedlichsten Mobile Apps und Location-Based Services. Damit ergnzen sie jeden Datenpunkt um weitere Informationen (bspw. Geodaten). So wer-den mit News-Apps Nachrichten in der Bahn gelesen, kommentiert und via Social Media mit dem Netzwerk geteilt. Die Entwicklung des einzelnen Nut-zers vom Konsumenten zum Prosumenten, der nicht nur verbraucht, son-dern auch Inhalte produziert und sogar distribuiert, verstrkt das unterneh-mensexterne Datenwachstum zustzlich.

    Aber auch unternehmensinterne Trends beeinflussen den Anstieg der Da-tenvolumina mageblich. Die Unternehmen setzen zunehmend auf Cloud Computing und Software-as-a-Service Lsungen (SaaS) in ihren Unter-nehmensprozessen. Zudem werden mithilfe modernster Sensor-Technologien und Machine-to-Machine Lsungen (M2M) Produktionsgter, Maschinen und Endgerte miteinander vernetzt, um einen automatisierten Informationsaustausch zwischen diesen zu ermglichen. Die Fachwelt spricht bereits von der vierten industriellen Revolution, der Industrie 4.0 (vgl. Kagermann 2012, S. 68). Zentrale Vision dieser sind digital ver-netzte und dezentral gesteuerte Produktionsanlagen, die flexibel und auto-nom reagieren knnen (vgl. Spath 2013).

    Fr unsere weitere Analyse mssen wir diese abstrakte Definition natrlich mit konkretem Inhalt fllen und mit Beispielen unterfttern.

    Big Data

    Sensoren & M2M

    Cloud Computing & SaaS (Software as a Service)

    Social Media & Real Time

    Mobile Apps & Location-BasedServices

  • Seite 6 Big Data - Potenzial fr den Controller

    Den Blick in die Big Data-Praxis richten

    3 Big Data - Einsatz in Wirtschaft und Verwal-tung

    Der Blick in die Praxis zeigt ein sehr heterogenes Bild. Neben wenigen Un-ternehmen die mit Big Data-Projekten Schlagzeilen machen, lassen sich gegenwrtig viele Organisationen identifizieren, in denen das Thema noch nicht auf der Tagesordnung steht. Auch eine gewisse Skepsis ist nicht zu bersehen. Wir wollen durch folgende Fragen Klarheit schaffen:

    Gibt es Branchen, die fr den Big Data-Einsatz prdestiniert sind?

    Welche Nutzenkategorien des Big Data-Einsatzes lassen sich un-terscheiden?

    In welchen Phasen der Wertschpfungskette lassen sich Big Data wie nutzen?

    Wo liegen Gefahren und Risiken?

    Was ist zu tun?

    Eine weitere Differenzierung ist hierbei erforderlich: Was ist Realitt? Was ist Absichtserklrung? Was ist Zukunftsszenario? In manchen Publikationen bleiben diese Unterschiede unklar.

    Bevor wir in die Beantwortung der gestellten Fragen gehen, hier ein Leuchtturm-Projekt (vgl. Prenninger 2013) zur Demonstration der Big Da-ta-Potenziale: BMW FACTS. Ziel dieses Projektes ist die Verbesserung der Kundenzufriedenheit mittels Nutzung von Informationen der on- & off-board diagnosis im Automotive-Produktlebenszyklus.

    Abbildung 4: Quellen der Diagnoseinformationen (eigene Darstellung in Anlehnung an

    Prenninger 2013, S. 5).

    Unter Nutzung unterschiedlichster Datenquellen soll die Diagnose und Re-paratur von Mngeln und Problemen am Auto verbessert werden. Kunden-impressionen und das Feedback des Kunden schaffen dabei einen wesent-lichen Mehrwert (vgl. Abbildung 4). Um das Ausma an verfgbaren Infor-mationen aus den in Abbildung 4 dargestellten Datenquellen abschtzen zu knnen, sind in Tabelle 2 einige Fakten zusammengetragen.

  • Big Data - Potenzial fr den Controller Seite 7

    Tabelle 2: BMW FACTS - BMW hat ein System zur on- & off - board dia-gnosis entwickelt (eigene Darstellung in Anlehnung an

    Prenninger 2013, S. 7).

    Menge Kfz-Diagnosedaten ~17 Mio. Fahrzeuge im Einsatz ~4.000 Verkaufsvertretungen in 90 Lndern ~50.000 Personen im Kundendienst bis zu 65 elektronische Kontrolleinheiten in einem einzigen BMW 1.000 individuell auswhlbare Optionen je Auto >1GB funktionsfhige Software je Auto 15GB Onboard Daten je Auto ~2.000 kundenrelevante Softwarefunktionen ~12.000 Fehlercode-relevante Daten implementiert in Onboard Di-

    agnose ~3.000 metrische Werte in allen elektronischen Kontrolleinheiten

    pro Auto im Durchschnitt ~10.500 Prfmodule fr alle BMW Reihen ~34.000 schematische Dokumente bis zu 60.000 Diagnose-Sessions pro Tag weltweit ~170 regulre Befundrckmeldungsprotokolle pro Tag

    Ziel von BMW FACTS ist es, diese Masse an Informationen ber den ge-samten Produktlebenszyklus eines Automobils zu nutzen. Die dabei zu l-senden Aufgaben sind in Abbildung 5 dargestellt.

    Abbildung 5: Analytische Nutzung der Diagnoseinformationen im Automotive-

    Produktlebenszyklus (eigene Darstellung in Anlehnung an Prenninger 2013, S. 9).

    Mittels Predictive Analytics, u.a. Methoden des Data-Minings und sequenti-ellen Analysen, sollen die verfgbaren Daten genutzt werden, um Ursachen von Problemen am Fahrzeug zu verstehen. Anschlieend knnen Vorher-sagen getroffen werden, welche Fahrzeugtypen und -klassen von hnlichen Problemen betroffen sein knnen. Auch sollen sowohl ad hoc Korrekturen als auch Verbesserungsvorschlge fr die Entwicklung abgeleitet werden.

  • Seite 8 Big Data - Potenzial fr den Controller

    Der Gesamtpoten-zial-Index als Ma-stab fr die Rele-vanz von Big Data in einer Brache

    Branchen mit direk-tem Kundenkontakt eignen sich beson-ders fr den Big Data-Einsatz

    3.1 Gibt es Branchen, die fr den Big Data-Einsatz prdestiniert sind?

    Bezogen auf die unterschiedlichen Branchen lsst sich die Relevanz des Big Data-Einsatzes mit einem Gesamtpotenzial-Index aufzeigen. Dabei setzt sich der Gesamtpotenzial-Index aus den Kriterien Datenmenge je Un-ternehmen, Leistungs-Variabilitt, Kunden- und Lieferanten-Strke, Intensi-tt der Transaktionen und Turbulenzen zusammen (vgl. Manyika et al. 2011, S. 123).

    Abbildung 6: Einschtzung der Big Data-Potenziale je Branche (eigene Darstellung in

    Anlehnung an Manyika et al. 2011, S. 114).

    Nach Davenport (2014, S. 32) kommen fr den Big Data-Einsatz alle Bran-chen in Frage, die

    etwas bewegen, etwas an den Endnutzer verkaufen, maschinengetrieben sind, Inhalte nutzen oder verkaufen, Dienstleistungen anbieten, physische Anlagen haben, Geld bewegen.

    Dabei sind diejenigen privaten und ffentlichen Branchen vorne, die kon-sumenten- und service-orientiert besonders viele Kundenkontakte aufzu-weisen haben (z.B. Reiseunternehmen, Handel etc., vgl. Abbildung 6).

    Kategorie Sektor Gesamtpotenzial Index

    War

    enProduktion

    Bausektor

    Natrliche Ressourcen

    Computer und Elektro-Produkte

    Immobilien, Miete und Leasing

    Grohandel

    Information

    Die

    nstle

    istu

    ngen

    Transport und Lagerung

    Einzelhandel

    Verwaltung, Untersttzung, Abfallwirtschaft, Sanierung

    Unterkunft und Verpflegung

    Andere Dienstleistungen (auer ffentliche Verwaltung)

    Kunst, Unterhaltung und Freizeit

    Finanzen und Versicherung

    Professionelle, wissenschaftliche und technische Dienstleistungen

    Unternehmensfhrung

    ffe

    ntlic

    h re

    gulie

    rt

    Verwaltung

    Bildung

    Gesundheits- und Sozialhilfe

    Versorgungsdienste

    sehr hohes Potenzialhohes Potenzial

    durchschnittliches Potenzialniedriges Potenzial

    sehr niedriges Potenzial

  • Big Data - Potenzial fr den Controller Seite 9

    3.2 Welche Nutzenkategorien des Big Data-Einsatzes lassen sich unterscheiden?

    Die Potenziale der Big Data-Nutzung sind vielfltig und zum Teil sehr indivi-duell. Dies macht eine Systematisierung hinsichtlich der Nutzen-Dimension sehr schwierig. Davenport (2014), Wrobel (o.J.) und Parmar et al. (2014) liefern drei mgliche Anstze, um den Nutzen des Big Data-Einsatzes zu kategorisieren.

    1.) Davenport (2014, S. 73 ff.) unterscheidet vier verschiedene Nutzenka-tegorien. Diese Nutzenkategorien ergeben sich durch die Ziele, welche durch Big Data erreicht werden knnen:

    Kostensenkungen,

    schnelle Entscheidungen,

    bessere Entscheidungen,

    Produkt- und Serviceinnovationen.

    2.) Auf einer abstrakteren Ebene differenziert Wrobel (o.J., S. 42) die Nut-zenkategorien nach allgemeinen Chancen, die der Einsatz von Big Da-ta birgt:

    effizienteres Unternehmensmanagement,

    Massenindividualisierung von Diensten,

    intelligente Produkte.

    Durch die Realtime-Abfrage groer, aktueller Datenmengen ergeben sich Chancen fr ein effizienteres Unternehmensmanagement. So plant die Drogeriemarktkette dm seine Mitarbeiterkapazitten auf Basis per-snlicher Prferenzen der Mitarbeiter, Lieferprognosen und Tagesum-stze je Drogeriemarkt (vgl. Wrobel o.J., S. 45).

    Durch die Sammlung konsumentenbezogener Daten knnen Massen-dienste individualisiert werden. Dies bietet insbesondere im Marketing ganz neue Chancen. Hier entstehen neue und strkere Formen der Kundenbindung sowie eine individuelle und zielgerichtete Interaktion mit dem Kunden (vgl. Wrobel o.J., S. 46).

    Mit der Nutzung komplexer Sensor-Technologien erhalten Produkte ei-ne gewisse Eigenintelligenz. Dadurch haben die Thermostate des amerikanischen Herstellers Nest, der erst krzlich von Google ber-nommen wurde, die Mglichkeit, das Verhalten der Bewohner zu stu-dieren und die zuknftige Nutzung zu prognostizieren (vgl. Wrobel o.J., S. 49).

    3.) Im Ansatz von Parmar et al. (2014) liegt der Fokus auf grundlegenden Nutzenpotenzialen, um eine Kategorisierung aufzustellen. Dabei sind fnf Bereiche zu beachten, die strategische Potenziale fr die Nutzung von Big Data offenbaren. Um diese Potenziale zu identifizieren, muss sich ein Unternehmen die richtigen Fragen in Bezug auf seine Daten(-nutzung) stellen. Abbildung 7 gibt einen berblick ber die Potenziale und die Fragen, die ein Unternehmen zu klren hat.

    Ziel der Beantwortung dieser Fragen ist die Aufdeckung mglicher Po-tenziale und die Generierung von Ideen zur Nutzung von Big Data im Unternehmen (vgl. Parmar et al. 2014, S. 95). Diese gilt es anschlie-end zu priorisieren, die fr relevant erachteten Ideen zu konkretisieren und in Szenarien zu beschreiben, um abschlieend ihren Wert fr das Unternehmen zu beurteilen.

    Nutzenkategorien von Big Data nach Zielen

    Nutzenkategorien von Big Data nach Chancen

    Fragenkatalog zur Identifikation von Nutzenkategorien

  • Seite 10 Big Data - Potenzial fr den Controller

    Wir betrachten Big Data ber die ge-samte Wertschp-fungskette hin-weg.

    Abbildung 7: Strategische Potenziale von Big Data (eigene Darstellung in Anlehnung an

    Parmar et al. 2014).

    3.3 In welchen Teilen der Wertschpfungskette lsst sich Big Data wie nutzen?

    Das Potenzial von Big Data wird insbesondere deutlich, wenn die gesamte Wertschpfungskette analysiert wird. Um es mit den Worten von Mattias Ulbrich, CIO Audi AG, zu sagen: Wir betrachten Big Data ber die gesamte Wertschpfungskette hinweg (vgl. Bretting/Dunker 2013, S. 6 und Abbil-dung 8).

    Entwicklung: In der Fahrzeugentwicklung vervielfachen digitale Fahrzeug-simulationen die Datenbestnde von Tag zu Tag. Diese Daten werden zu-sammen mit den Marktdaten der Vorgngermodelle, Beobachtungen des Wettbewerbs, aber auch gesellschaftlichen (Lifestyle)-Trends und Kunden-Feedback kombiniert und analysiert. Der japanische Motorradhersteller Ya-maha hat zu diesem Zweck das Yamaha Design Caf aufgesetzt. Auf die-sem Online-Portal bietet Yamaha seinen (potenziellen) Kunden aktuelle News rund um die eigenen Motorrder. Zugleich werden die Nutzer regel-mig zur Teilnahme an Umfragen gebeten, um Consumer Insights zur Marke, den eigenen Produkten sowie zum generellen Fahrverhalten zu er-halten. Das Kunden-Feedback fliet direkt in die Produktentwicklung und prgt die Entwicklung und insbesondere das Design neuer Fahrzeuge und Produkte bis kurz vor deren Fertigstellung. Denn Fahrzeuge in der Entwick-lung sind heutzutage in all ihren Eigenschaften digital beschrieben, sodass der Zeitraum bis zum sogenannten Design Freeze verlngert werden kann (vgl. Fromme 2013, S. 13). Dadurch knnen Fahrzeughersteller quasi in Echtzeit auf aktuelle Trends reagieren.

    Produktion: Experten gehen davon aus, dass der Einsatz von Sensor-Technologien und Machine-to-Machine Lsungen in Fertigung und Produk-tion in den kommenden Jahren rapide ansteigen wird. Dadurch wird die Vision von der Industrie 4.0 mit ihren intelligenten Produktionssystemen durch digitale Vernetzung und dezentrale Steuerung immer realer. Erste Anwendungsbeispiele verdeutlichen die Potenziale fr die Produktion be-reits: In der Gieerei eines groen Automobilherstellers wird mithilfe der Auswertung von Sensordaten das Qualittsmanagement deutlich verbessert.

    Digitalisierte VermgenswerteWelche der Daten betreffen unsere Produkte und deren Verwendung?

    Welche Erkenntnisse knnten aus den Daten nutzbar gemacht werden?

    Wie knnten diese Erkenntnisse fr uns, unseren Kunden, unseren Zulieferern und unseren Wettbewerbern einen neuen Wert hervorbringen?

    Erweitertes ProduktspektrumWelche unserer Vermgenswerte sind entweder ganz oder im Wesentlichen digital?

    Wie knnen wir die digitale Eigenschaft verwenden, um deren Wert zu argumentieren und zu verbessern?

    Haben wir materielle Werte, die in digitalen Vermgenswerte dargestellt werden knnten?

    Wie knnten unsere Daten mit den Daten von anderen Akteuren kombiniert werden, um einen neuen Wert zu schaffen?

    Wer wrde von dieser Integration profitieren und welches Geschftsmodell wrde fr uns und unseren Mitarbeitern interessant werden?

    Datenverknpfung

    Geschftsdaten

    Wie knnten unsere Daten strukturiert und analysiert werden, um hherwertige Informationen hervorzubringen?

    Gibt es fr uns intern, fr unsere bestehenden Kunden, fr potenzielle neue Kunden oder fr eine andere Branche einen Wert dieser Daten?

    Kodifizieren einer Fhigkeit

    Besitzen wir eine unverkennbare Fhigkeit, die Gegenspieler wertschtzen wrden?

    Gibt es eine Mglichkeit, diese Fhigkeit zu standardisieren?

    Knnen wir diese Fhigkeit als digitalen Service bermitteln?

  • Big Data - Potenzial fr den Controller Seite 11

    Durch die Verknpfung von 600 Variablen der Produktions- und Qualittssi-cherungsprozesse knnen Fehlerquellen tagesaktuell identifiziert und zeit-nah behoben werden. So konnte die Ausschussrate innerhalb von zwlf Wochen um 80 Prozent reduziert und die Qualittssicherungskosten um 50 Prozent gesenkt werden (Quelle: Gesprche mit Unternehmensvertretern).

    Logistik: Die Wittenstein AG, Hersteller fr Antriebssysteme, erprobt erste Szenarien fr den Einsatz vernetzter Technologien. Mithilfe dieser soll die Steuerung der Produktionslogistik von einem festen Zeitplan auf eine be-darfsorientierte Logistiksteuerung umgestellt werden. Damit knnen aktuelle Bedarfe schneller bedient und flexibler auf nderungen in den Produktions-auftrgen reagiert werden. Die Anwendungsbeispiele zeigen, dass die Pro-duktionsprozesse durch die digitale Vernetzung deutlich flexibler und wand-lungsfhiger sind und auf aktuelle Vernderungen der Rahmenbedingungen angepasst werden knnen (Quelle: Gesprche mit Unternehmensvertretern).

    Abbildung 8: Big Data ber die gesamte Wertschpfungskette.

    Sales: Der britische Versicherer Aviva gewhrt seinen Kunden einen Rabatt von 20 Prozent auf deren Kfz-Versicherung, sofern diese der Versicherung die Aufzeichnung des individuellen Fahrverhaltens gestatten. Somit wird der erste Schritt zu detaillierten und kundenspezifischen Beitragsstzen umge-setzt (Business Intelligence Magazine 2/2013, S. 15). Zuknftig sollen die Kunden noch strker davon profitieren. Wer ein permanentes Monitoring seines Fahrverhaltens zulsst, wird in Risikoprofile eingeteilt und erhlt indi-viduell ausgestaltete Tarife (vgl. Mller et al. 2013, S. 67).

    Aftersales: Eine detaillierte Analyse des Nutzungsverhaltens birgt weitere Vorteile, um in der Automobilbranche zu bleiben: Die Bestimmung von War-tungsintervallen fr Fahrzeuge kann genauer bestimmt werden, was insbe-sondere fr Logistik-Unternehmen von groer Bedeutung sein kann. Werk-stattbesuche knnen bedarfsgerechter geplant und durch bereits bestehen-de Datenbanken zwischen Werksttten knnen Ursachen und Lsungen fr Defekte auf Basis hnlicher Flle je Modell schneller identifiziert und beho-ben werden. Die Automobilhersteller und deren Vertragswerksttten knnen ihre Kundenbetreuung proaktiv und individuell gestalten und sparen somit Zeit und Geld. Aber auch der Kunde kann die Werkstatttermine besser pla-nen und seine Wartezeiten verkrzen sich (vgl. Fromme 2013, S. 13).

    Entwicklung Produktion Logistik Sales Aftersales

    neue Produkte und Produkt-Innovationen liegen digital beschrieben vor

    Ergebnisse von Big Data-Analysen flieen in die Produkt-entwicklung

    Einsatz von Sensor-Technologien und Machine-to-MachineLsungen in der Produktion

    intelligente Produktions-systeme und dezentrale Steuerung durch digitale Vernetzung

    Bedarfs-orientierte Logistik-steuerung durch digitale Vernetzung

    schnelle und flexible Reaktion auf nderungen in den Produktions-auftrgen

    Analyse des Nutzungs-verhaltensindividuelle Preis- und Tarifgestaltung am Point ofSale

    Analyse des Nutzungs-verhaltensindividuelle und proaktive Gestaltung des Aftersales-Management

  • Seite 12 Big Data - Potenzial fr den Controller

    Ein Blick in die Praxis

    Als Beispiel fr den Einsatz von Big Data sei die Automotive-Branche genannt (EMC Deutschland GmbH 2013):

    ZF hat das Thema Big Data seit letztem Jahr auf dem Radar. Nach dem ersten Wir-bel am Markt werden wir in der zweiten Jahreshlfte 2013 in unserem IT-Innovationsmanagement ernsthafte Anwendungsflle in der ZF untersuchen und anschauen. Vorstellbar sind zum Beispiel Auswertungen von Massendaten aus dem Produktionsprozess und den Produkten im Feld im Sinne der kontinuierlichen Quali-ttssicherung und -verbesserung.

    Peter Kraus, Leiter des Bereichs Informatik ZF-Konzern, Friedrichshafen

    Big Data ist ein Schlagwort mit wortwrtlich durchschlagender Wirkung. Gleichzeitig passt es zum Kern unserer Entwicklung: Informationsmanagement ist es, was zum Beispiel die Continental-Division Interior ausmacht. So, wie wir heute im Fahrzeug neue Funktionen nur durch die Vernetzung bislang getrennter Systeme realisieren knnen, so wird die Nutzung von vielfltigen Datenquellen aus der Verkehrsinfrastruk-tur zu ganz neuen Funktionen und am Ende zu einer ganz neuen Qualitt des Auto-fahrens fhren.

    Helmut Matschi, Mitglied des Vorstands der Continental AG, Division Interior, Hanno-ver

    In den neuen Fahrzeuggenerationen von BMW stecken heute rund zwei Gigabyte Softwarecode und Anwenderdaten - in wenigen Jahren wird es zehnmal so viel sein. Bentigen Modelle dann ein Update, mssen unsere Servicepartner weltweit dazu in der Lage sein, sehr groe fahrzeugspezifische und betriebskritische Datenmengen schnell abzurufen und in die Autos einzuspielen. Das ist eine datenlogistische Her-ausforderung, der wir uns stellen mssen.

    Karl-Erich Probst, Leiter Zentrale Informationstechnologie, BMW Group, Mnchen

    Acht Whrungen, groe Produktfamilien mit zahlreichen Unterkategorien, sehr unter-schiedliche Kunden mit lokalen Anforderungen - die Randbedingungen, die unsere Teilepreise in der Region APAC beeinflussen, sind komplex. Deshalb wollen wir knf-tig eine Big-Data-Lsung nutzen, die unsere Analysten bei der Preisbildung mit auto-matisch generierten Kennzahlen aus unterschiedlichen Datenquellen untersttzt. Wir haben uns die Serviceangebote zum Vorbild genommen, mit denen die Automobilin-dustrie erfolgreich Kunden bindet. Raymond L. Osgood, Leiter des Teilegeschfts von Fiat Industrial in der Region Asi-en-Pazifik

    Ein Blick in die Praxis

    Industrie 4.0 im Zeitalter von Big Data bei der WITTENSTEIN bastian GmbH

    Die Kernidee von Industrie 4.0 ist es, ber das Internet der Dinge und Dienste den Medienbruch zwischen dinglicher und virtueller Welt in der Produktion zu schlieen und das Anbieten von Mehrwertdiensten zu ermglichen. Die Suche nach Anwen-dungsfllen beschreibt demnach die Identifikation von Medienbrchen im industriellen Alltag. Dabei ist Industrie 4.0 keineswegs ein vorrangig technologisch motiviertes Thema, dessen konkrete Anwendungsbeispiele notwendigerweise eine noch nie dagewesene technische Komplexitt beinhalten oder ein technologisch hohes Innova-tionspotenzial aufweisen. Die Innovation ergibt sich vielmehr aus der Vernetzung von mehreren bislang getrennten Informationsquellen und dem Optimieren technischer oder organisatorischer Prozesse.

    In der konkreten Umsetzung entstehen das intelligente Produkt, die intelligente Ma-schine und der assistierte Bediener als sogenannte Technologieparadigmen. Physi-sche Gegenstnde in der Produktion werden mit passiven Identifikationstechnologien oder aktiven Sensoren und Rechenkernen ausgestattet, sodass sie Informationen ber sich selbst und ihre Umgebung an andere IT-Systeme in Echtzeit weitergeben knnen. Intelligente Objekte und Maschinen liefern dabei eine Flut an Informationen, die eine riesige Datenmenge sogenannte Big Data bilden. Diese Datenflut gilt es unter wirtschaftlichen Gesichtspunkten so aufzubereiten, dass dem Bediener im in-dustriellen Umfeld die fr ihn relevanten Informationen nutzungsgerecht, zeitpunktge-recht und aufgabengerecht zur Verfgung stehen.

    Anwendungsberei-che von Big Data in der Automotive-Branche

  • Big Data - Potenzial fr den Controller Seite 13

    Anwendungsbeispiele in der Urbanen Produktion

    Im Rahmen des vom Bundesministerium fr Bildung und Forschung gefrderten For-schungsprojekts CyProS Cyber-Physische Produktionssysteme wurden die beiden Usecases Intralogistik sowie Produktionsplanung und Eskalationsmanagement umge-setzt. Die technische Realisierung und organisatorische Einbettung Cyber-Physischer Systeme in reale Produktions- und Supportprozesse erfolgt in der Urbanen Produkti-on der WITTENSTEIN bastian GmbH am Standort Fellbach, welche als Schaufens-terfabrik dient.

    Usecase Intralogistik

    In der variantenreichen Produktion von Antriebssystemen der WITTENSTEIN bastian GmbH ist eine vollstndige Taktung der Produktions- und Transportprozesse kaum mglich. Eine bisher auf dem Kanban-Prinzip basierende Materialbereitstellung fhrt derzeit noch zu unntigem Aufwand durch suboptimale Auslastung. Durch eine intelli-gente Vernetzung einzelner Produktionsressourcen kann in der Produktion eine In-formationstransparenz geschaffen werden, welche eine bedarfsorientierte Steuerung der Versorgungsfahrt ermglicht. Das konkrete Verbesserungspotenzial dieses Usecases besteht in der bedarfsorientieren Materialversorgung, sodass es an einer Maschine zu keinem Zeitpunkt zu einem Stillstand aufgrund eines nicht rechtzeitig angelieferten Produktionsauftrags kommt. Dazu muss der Medienbruch zwischen der Belegung von Anliefer- und Abholflchen und der voraussichtlichen (Rest-) Bearbei-tungszeit der Fertigungsauftrge geschlossen werden.

    Die Umsetzung erfolgt in mehreren Schritten. Zunchst sollen die herkmmlichen Werkstcktrger und der stndliche Rhythmus erhalten bleiben. Der transportierte Fertigungsauftrag und die Anliefer- und Abholflchen werden durch Barcodes auto-matisiert identifizierbar. Auf einem Tablet-PC werden den Mitarbeitern die aktuellen Bedarfe angezeigt. Auf Basis der Informationstransparenz sind somit im ersten Schritt die Anliefer- und Abholbedarfe bekannt. Darauf aufbauend wird in einem nchsten Schritt eine Software zur Berechnung der Abfahrtszeitpunkte eingesetzt. Die manuelle Datenaufnahme kann im letzten Schritt durch intelligente Werkstcktrger eingesetzt werden, um die erforderliche Informationstransparenz automatisch sowie prozess- und ortsunabhngig zu schaffen.

    Durch die schrittweise Implementierung einer intelligenten Vernetzung zur bedarfsori-entierten Materialversorgung in der Fertigung werden die Mitarbeiter sukzessive an die Vernderungen herangefhrt, damit der IT- und Technik-Einsatz als Untersttzung fr die tgliche Arbeit Akzeptanz findet.

    Usecase Produktionsplanung und Eskalationsmanagement

    Whrend in der WITTENSTEIN bastian GmbH die Bearbeitung von Produktionsauf-trgen auf Planungsebene bereits mittels moderner Produktionsplanungssysteme erfolgt, kommen hierfr auf Shop-Floor-Level noch steckkartenbasierte Plantafelsys-teme zum Einsatz. Es kommt zu einem Medienbruch zwischen IT-gesttzter, mittel-fristiger und papiergesttzter, operativer Planung. Zum Nachteil aller Beteiligten resul-tieren daraus eine kontinuierliche Abweichung der digitalen Planungswelt zur realen Auftragsabarbeitung und folglich eigentlich vermeidbare organisatorische Verluste. Die Bewertung und Behebung von Eskalationen im Produktionsumfeld der WITTENSTEIN bastian GmbH wird heute ebenfalls durch Medienbrche erschwert. Diese entstehen dadurch, dass bislang Informationen bezglich der Ursache einer Eskalation nur unzureichend dokumentiert werden. Informationen zur Problemursache erreichen Entscheidungstrger erst versptet und hufig unvollstndig, was eine statistische Auswertung und damit eine Wissensrckfhrung erschwert.

    Der Nutzen dieses Usecases liegt in der Optimierung des organisatorischen Prozes-ses zur Auftragsbearbeitung. Kurz- und mittelfristig steht die schnellere und einfache-re Eskalation von Problemen im Vordergrund. Mittelfristig kann die erhobene Daten-basis zur schnelleren Diagnose der Problemursache herangezogen werden. Langfris-tig kann diese Datenbasis zudem grundlegende Zusammenhnge hinsichtlich Para-metern wie Material, Werkzeug, Rstteile, Fertigungsmaschinen und Zulieferern auf-decken.

    Im ersten Schritt erfolgt die Implementierung einer digitalen Plantafel, welche die Grundursache des Medienbruchs beseitigt. Fr Mitarbeiter der Planungsebene be-steht ebenfalls die Mglichkeit auf den aktuellen Informationsstand des digitalen Plan-tafelsystems per Tablet-PC zuzugreifen. Der einfache Zugriff auf unterschiedliche Informationssichten und -inhalte erfolgt dabei entweder durch taktile Interaktion oder ber optische Marker (Barcode, QR-Code, Datamatrix-Code) an den Maschinen so-wie auf den Auftragspapieren. Im zweiten Schritt wird eine Anwendung geschaffen,

  • Seite 14 Big Data - Potenzial fr den Controller

    mit der der Werker direkt die Bearbeitung von Fertigungsauftrgen dokumentieren und ggf. Probleme eskalieren kann. Die Eingabe von Auftrags- und Maschinen-stammdaten kann auch hier durch Scan optischer Marker auf Auftragspapieren oder an Bearbeitungsmaschinen erfolgen. In einem dritten, lngerfristig angelegten Schritt werden die erhobenen Informationen in einen kontinuierlichen Verbesserungsprozess berfhrt.

    Bewertung und Ausblick

    Das bewusste Kanalisieren und Nutzbarmachen des Informationsflusses, welcher die Warenbewegung begleitet, wird angesichts bestehender Megatrends wie zunehmen-der Produktindividualisierung (Losgre 1), steigender Volatilitt der Mrkte sowie einer Produktion in globalisierten Wertschpfungsnetzen immer mehr zur Vorausset-zung fr hocheffektive Prozessketten. Die Umsetzung von Industrie 4.0 durch Auto-ID-Technologien, eingebettete Systeme, IT-Systeme der Produktion und deren Ver-netzung in einem Fabrik-Internet stellt produzierende Unternehmen im Hinblick auf die anwachsende Menge von Daten zuknftig vor weitere Herausforderungen.

    Dabei werden sich jene Unternehmen Wettbewerbsvorteile sichern, die es zu verste-hen wissen, die fr eine realistische Prognose ber zeitnah eintretende Nachfrage- und Produktionsszenarien relevanten Informationen aus Big Data herauszufiltern. Jeder Mitarbeiter wird somit in die Lage des informierten Entscheiders versetzt, dem es gelingt, Informationen zielgerichtet und situationsadquat in optimierte Prozesse umzusetzen. Bercksichtigt man allerdings den Implementierungsaufwand, der fr die Umsetzung der Gestaltungsanstze und -konzepte oben beschriebener Anwendungs-flle erforderlich ist, so lsst sich beim Blick durch die Kosten-Nutzen-Brille feststellen, dass die Einfhrung von konsequenten Big Data-Anstzen in der Produktion sich mit einer heutigen IT-Landschaft nur schwer rechtfertigen lsst. Vielmehr sind es die auf langfristige Sicht erfolgsversprechenden Geschftsmodelle und Servicedienstleistun-gen, die sich durch Big Data-Anwendungen realisieren lassen und sowohl den Kun-den als auch den Unternehmen einen deutlichen Mehrwert bieten knnen.

    Big-Data-Merkmale

    Durch die Ausstattung von Maschinen und Produkten mit Identifikationstechnologien und Sensoren knnen diese groe Datenmengen in Echtzeit generieren. Hierzu zh-len Informationen ber Bewegungen, Wartungsbedarfe, Materialbedarfe, aktuelle Fertigungszustnde und viele weitere Variablen je Produkt und Maschine.

    Controllers Lead

    Kritischer Counterpart whrend der Validierung der Daten zur Sicherstellung hoher Datenqualitt.

    Kritischer Counterpart bei der Implementierung der Daten in die Anwendun-gen der Berichterstattung.

    Business Partner und Prozessgestalter zur Optimierung der Prozesse in Intralogistik und Produktionsplanung.

    Lessons learned

    Durch die berbrckung des Medienbruchs zwischen virtueller und dingli-cher Welt ist der erste Schritt zur Optimierung von Prozessen in Produktion und Logistik gemacht.

    Usecase Intralogistik: Die geschaffene Informationstransparenz ermglicht eine bedarfsorientierte Materialversorgung, sodass es an einer Maschine zu keinem Zeitpunkt zu einem Stillstand aufgrund eines nicht rechtzeitig ange-lieferten Produktionsauftrags kommt.

    Usecase Produktionsplanung und Eskalationsmanagement: Die Schaffung einer Dokumentations-Plattform in der Produktionsplanung ermglicht den Anwendern kurzfristige und zeitnahe Reaktionen auf identifizierte Probleme sowie die Gestaltung eines langfristigen Verbesserungsprozesses.

    Aus Kosten-Nutzen-Perspektive ist die Einfhrung von Big Data-Anstzen in der Pro-duktionsplanung aufgrund des hohen Gestaltungs- und Implementierungsaufwandes nur sehr schwer zu rechtfertigen.

  • Big Data - Potenzial fr den Controller Seite 15

    3.4 Wo gibt es Gefahren, Risiken und Barrieren? Big Data weisen drei groe Gefahrenzonen auf:

    Big Data & Big Costs: Implementierung ist mit hohen Investitions-kosten fr leistungsstarke IT-Systeme verbunden.

    Big Data & Big Brother: Datenschutz ist kaum zu realisieren, der glserne Mensch ist da.

    Big Data & Big Crime: Verbrechen und Sabotage sind hohe Gefah-ren.

    Die Auswertung von sozialen Daten durch Unternehmen und ffentliche Verwaltungen beseitigt jegliche gewnschte Anonymitt des Individuums. Die ra von Privatsphre ist vorbei, erklrte Facebook-Grnder Mark Zu-ckerberg. Die Enthllungen des ehemaligen US-Geheimdienstmitarbeiters Edward Snowden scheinen dies zu besttigen.

    Ein Beispiel aus Holland zeigt, wie vielfltig die Mglichkeiten des Daten-missbrauchs sein knnen:

    Ein Blick in die Praxis

    TomTom fr die Polizei: Das Navigationsgert wurde gegen die Autofahrer ein-gesetzt.

    Der niederlndische Navi-Hersteller TomTom hatte seine Daten an die niederlndi-sche Regierung verkauft. Die gab das Material an die Polizei weiter, die es nutzte um ihre Radarfallen mglichst gewinnbringend aufzustellen - an Orten, an denen beson-ders viele TomTom-Nutzer zu schnell unterwegs gewesen waren. Der TomTom-Chef entschuldigte sich ffentlich. Man habe geglaubt, der Regierung sei an mehr Ver-kehrssicherheit und Stauvermeidung gelegen gewesen. Die Radarfallen-Anwendung habe TomTom nicht vorhergesehen.

    (Mller et al. 2013, S. 74)

    Nur wenn es gelingt, die Gefahren unter Kontrolle zu bekommen, kann das Vertrauen der Anwender in Big Data gewonnen werden (vgl. Rose et al. 2013).

    Die empirischen Untersuchungen ber den Big Data-Einsatz sind noch er-nchternd. Nach einer Studie des Instituts fr Business Intelligence (2013) setzt die Mehrheit der Unternehmen Big Data noch nicht ein (vgl. Abbildung 9).

    Abbildung 9: Einsatz von Big Data (vgl. Institut fr Business Intelligence 2013, S. 38).

    Lediglich rund 24 Prozent der befragten Unternehmen nutzen Big Data be-reits. Weitere 40 Prozent planen die Integration von Big Data in die Unter-

    ~ 24 %

    ~ 40 %

    Gefahren, Risiken und Barrieren von Big Data: Big Costs, Big Brother, Big Crime

    Die Unternehmen halten sich zurck beim Thema Big Data

  • Seite 16 Big Data - Potenzial fr den Controller

    nehmensprozesse. Mehr als ein Drittel der Unternehmen widmen sich der Thematik jedoch berhaupt nicht.

    Die Barrieren des Big Data-Einsatzes sind vielfltig, wie die Studie zeigt (vgl. Abbildung 10). Die strkste Barriere ist das fehlende Fachpersonal. Damit einher gehen auch die Einschtzungen, dass fehlendes Know-how bzgl. Advanced Analytics (48 Prozent) und neuer Datengrundlagen (44 Prozent) eine hohe Hrde sind. Weiterhin werden die unklare organisationale Ver-antwortlichkeit und die Kosten fr die Erschlieung neuer Datengrundlagen und Advanced Analytics als Schwierigkeiten gesehen. Den in den vorange-gangenen Abschnitten vorgestellten Nutzen von Big Data scheinen die Un-ternehmen hingegen grtenteils zu erkennen. So bewerten lediglich 27 Prozent der Unternehmen einen fehlenden Big Data-Nutzen als starkes Hemmnis.

    Abbildung 10: Barrieren fr die Nutzung von Big Data (vgl. Institut fr Business

    Intelligence 2013, S. 39).

    3.5 Was ist zu tun? Nach den vorangegangenen Ausfhrungen stellt sich die Frage, wie die Unternehmensfhrung in ihrer Strategie mit Big Data umgehen soll.

    Investitionen in leistungsstarke IT-Systeme zur Umsetzung von Big Data mssen gut begrndet sein. Nur eine strategische Kosten-Nutzen-Analyse und eine daraus entwickelte Roadmap helfen an dieser Stelle weiter. Hier ist der Controller als Business Partner gefragt, um den realisierbaren Mehr-wert zu identifizieren. Abgeleitet aus den bereits eingefhrten Nutzenkate-gorien stellen sich in diesem Zusammenhang drei wesentliche Fragen, die beantwortet werden mssen:

    Welche Kostensenkungsmglichkeiten sind zu entdecken?

    Wo kann durch schnellere und bessere Entscheidungen das Ergeb-nis verbessert werden?

    Welche neuen erfolgstrchtigen Produkte und Services knnen ge-neriert werden?

    Grnde fr unter-nehmerische Zu-rckhaltung beim Thema Big Data

    Beim Thema Big Data ist der Con-troller als Business Partner gefragt

  • Big Data - Potenzial fr den Controller Seite 17

    Davenport (2014, S. 80) gibt Guidelines fr die richtige Adaption von Big Data vor:

    Adaptionshinweise zur richtigen Adaption von Big Data

    Sie sollten vorsichtig sein, wenn: Technologie industrielle Vernderungen in der Vergangenheit nicht angetrie-

    ben hat. Sie nicht viele Daten ber Kunden oder wichtige Geschftsbereiche haben. Ihre Firma blicherweise kein Pionierunternehmen bei industriellen Innovati-

    onen ist.

    Sie sollten gemigt aggressiv sein, wenn: Ihre Branche bereits aktiv mit Big Data oder Analytik umgeht. Sie ihren Konkurrenten voraus sein wollen. Ihr Unternehmen erfahren im Umgang mit Technologie und Daten ist. Sie zumindest ein paar Personen haben, die mit Big Data umgehen knnen.

    Sie sollten sehr aggressiv sein, wenn: Jemand in ihrer Branche bereits sehr aggressiv ist. Sie bereits in der Vergangenheit ein Konkurrent im Bereich Analyse waren. Sie in der Vergangenheit Technologien verwendet haben, um ihre Branche

    zu verndern.

  • Seite 18 Big Data - Potenzial fr den Controller

    Ein Blick in die Praxis

    Standortplanung mit Big Data bei der Hansgrohe SE

    Auch die Hansgrohe SE beschftigt sich seit nunmehr anderthalb Jahren mit diesem Thema.

    Fr den Armaturen- und Brausenhersteller steht ein groes Erweiterungsprojekt des Logistikzentrums in Offenburg an. Vor der finalen Freigabe des Projektes sollte die Investition in die Erweiterung geprft und validiert werden.

    Geprft wurden folgende Punkte:

    Ist Offenburg der richtige Standort fr ein Logistikzentrum?

    Kann das erweiterte Logistikzentrum einen Volumenanstieg um 35 Prozent abdecken?

    Welches Kostenpotenzial birgt die Automatisierung der Prozesse?

    Welche Kosten verursachen die europischen Tochtergesellschaften und wie hoch wren die Logistikkosten bei Direkttransporten in die jeweiligen Lnder?

    In einem durch das Controlling koordinierten Projektteam, bestehend aus Logistikab-teilung und Corporate Business Development, wurden alle relevanten Daten gesam-melt und aufbereitet. Neben den Stammdaten (Standorte, externe Lager usw.) wurde auf verschiedene Datentpfe in SAP zugegriffen. Es wurden alle Bewegungsdaten (intern wie extern) genutzt. Auerdem wurden Daten wie Benzinpreise, Zollbestim-mungen, Service Levels oder Transportzeiten einbezogen.

    Die Daten wurden alle in die Software eingespielt und daraus die aktuelle Situation als Base Scenario angelegt. In mehreren Schleifen wurde dieses erste Szenario vom Projektteam validiert. In dieser Projektphase hat das Controlling die Rolle des kriti-schen Counterparts im Projektteam, zur Sicherstellung einer korrekten Datenbasis, eingenommen.

    Abbildung 11: Warenflsse in Europa.

    Im Gesamtprojektverlauf nahmen die Punkte Datensammlung und Validierung die meiste Zeit in Anspruch. Die beiden Schaubilder zeigen das Base Scenario.

    Nun war die Basis geschaffen, um innerhalb weniger Minuten verschiedenste vorab definierte Szenarien zu berechnen. Die Ergebnisse wurden analysiert und Hand-lungsempfehlungen abgeleitet. Hierbei hat das Controlling als Business Partner und Prozessgestalter wesentlich bei der Analyse und Ausarbeitung der Handlungsoptio-nen Einfluss genommen.

  • Big Data - Potenzial fr den Controller Seite 19

    Abbildung 12: Base Szenario Logistik Set-Up.

    Rein aus Transportkostensicht wre ein anderer Standort fr ein Logistikzentrum zu empfehlen. Betrachtet man die Gesamtkosten, erweist sich Offenburg als optimal fr die Hansgrohe SE. Auch ein Volumenanstieg um 35 Prozent kann mit dem erweiter-ten Logistikzentrum abgedeckt werden. Durch die Optimierung der Prozesse knnen erheblich Kosten gespart werden und der ROI liegt im niedrigen einstelligen Bereich.

    Bei der Frage, inwieweit das Unternehmen auf weitere Lager in Europa angewiesen ist, wurden einige Lagerstandorte identifiziert, die unter Bercksichtigung von Service Level, Transport- und Handlungskosten geschlossen werden knnten. Allerdings bedarf es hier einer genaueren Analyse, um beispielsweise Mietvertrge und Eigen-tumsverhltnisse zu klren.

    Das validierte Base Scenario kann nun als Grundlage fr zuknftige Netzwerkanaly-sen verwendet werden.

    Big-Data-Merkmale

    Fr die Simulation wurden 15 Millionen Datenstze eingespielt und ausgewertet. Neben den Stammdaten (Standorte, externe Lager usw.) wurde auf verschiedene Datentpfe in SAP zugegriffen. Es wurden alle Bewegungsdaten (intern wie extern) geliefert. Auerdem wurden Daten wie Benzinpreise, Zollbestimmungen, Service Levels oder Transportzeiten einbezogen.

    Controllers Lead

    Koordination des Projektteams.

    Kritischer Counterpart whrend der Validierung der Daten zur Sicherstellung hoher Datenqualitt.

    Business Partner und Prozessgestalter bei der Ausarbeitung von Hand-lungsempfehlungen.

    Lessons learned

    Durch den Einsatz geeigneter Software konnten verschiedenste Szenarien innerhalb krzester Zeit berechnet und analysiert werden. Dadurch wurden fundierte ROI Berechnungen fr die Standorterweiterung mglich.

    Im Gesamtprojektverlauf nahmen die Punkte Datensammlung und Validie-rung die meiste Zeit in Anspruch.

    Ein nchster Schritt wre das einbeziehen von Live-Daten, um beispielswei-se Routen zu optimieren.

  • Seite 20 Big Data - Potenzial fr den Controller

    4 Controller und Big Data 4.1 Entscheidungsfindung auf Grundlage von Daten Die Bereitstellung von Informationen zur Entscheidungsfindung in Unter-nehmen ist eine grundlegende Determinante von Big Data. Zudem ist es die Schnittstelle von Big Data und Controller, da Informationsversorgung von Entscheidungstrgern eine der Kernaufgaben des Controllers ist. Um aus einer groen Datenmenge verwertbare Informationen zur Entscheidungsun-tersttzung zu generieren, knnen analytische Verfahren der Datenanalyse eingesetzt werden. LaValle et al. (2011, S. 22-23) unterscheiden hierbei drei Entwicklungsstufen des Einsatzes analytischer Verfahren: aspirational, experienced und transformed.

    Auf der ersten Stufe, aspirational, werden analytische Methoden zur Be-sttigung bereits getroffener Entscheidungen verwendet. Daten dienen im Wesentlichen der Dokumentation des Vergangenen. Entscheidungen wer-den retrospektiv betrachtet und es wird ggf. analysiert, warum Entscheidun-gen falsch waren.

    Erst auf der zweiten Stufe, experienced, kommen die Potenziale von Big Data zum Einsatz. Verschiedene Entscheidungsalternativen werden auf Basis der Analyse unternehmensinterner- und externen Daten bewertet und ausgewhlt. Allerdings steht auf dieser Stufe immer noch ein konkretes Problem im Vordergrund, welches es zu lsen gilt. Welche ist die beste Vertriebsstrategie fr ein spezifisches Produkt oder welche Produktkonfigu-rationen versprechen den hchsten Umsatz? Fr viele Fragestellungen und Funktionen im Unternehmen ist dieses Level absolut ausreichend und die Nutzung von Daten fhrt zu einem erheblichen Mehrwert. Weitere Potenziale bieten Daten, wenn es gelingt, Entscheidungsalternati-ven auf Grundlage von Daten zu generieren. Hierbei befinden wir uns auf dem Level transformed. Analytische Verfahren werden eingesetzt, um die Produktivitt zu steigern oder neue Impulse fr die Produktentwicklung zu erzielen. Es geht nicht nur um das Treffen der richtigen Entscheidungen, sondern um die Identifikation von grundlegenden Zusammenhngen: Was beeinflusst die Qualitt einzelner Produktionsschritte? Was sind die wesent-lichen Erfolgstreiber meiner Produkte? Was sind die entscheidenden Kos-tentreiber in Produktion und Logistik? Sind die Ursache-Wirkungstreiber erkannt, knnen Entscheidungen abgeleitet werden, um zuknftige Produk-te, Dienstleistungen oder die Gestaltung interner Prozesse zu verbessern.

    Die Identifikation von Ursache-Wirkungsketten im Unternehmen ist dabei ein wesentliches Potenzial von Big Data zur Verbesserung der Entschei-dungsfindung im Unternehmen.

    Entscheidungsfindung auf Basis von Daten ist jedoch nur dann von Erfolg gekrnt, wenn die Informationen - wie in der einleitenden Definition von Big Data formuliert - richtig sind (=Veracity). Darber hinaus sind stabile, richtig definierte und ausgefhrte Geschftsprozesse eine Grundvoraussetzung fr die Datenqualitt.

    Denn Schwchen in der Datenqualitt knnen extreme Auswirkungen durch darauf basierende Entscheidungen des Managements haben. Ungenaue Produktspezifikationen knnen zustzliche Herstellungskosten in Millionen-hhe verursachen (vgl. Redman 2013, S. 86). Damit einher gehen schwer-wiegende Folgen fr die Reputation eines Unternehmens. Das Vertrauen des Managers in die ihm vorgelegten Informationen sinkt und er verlsst sich zuknftig wieder auf die eigene Intuition (vgl. ebd.).

    Die Informations-versorgung von Entscheidungstr-gern als Schnitt-stelle zwischen Controller und Big Data

    Die Datenqualitt als entscheidender Erfolgsfaktor von Big Data

  • Big Data - Potenzial fr den Controller Seite 21

    Redman (2013) schlgt drei Mglichkeiten zur Lsung dieses Problems vor:

    1. Schaffe Verbindungen zwischen Datenproduzenten und -nutzern.

    2. Versuche nicht, bestehende Daten zu korrigieren, sondern stelle die Qualitt neuer Daten sicher.

    3. Lege die Verantwortung fr die Datenqualitt in die Hnde der Fh-rungskrfte in den Unternehmensabteilungen.

    Dass es bei allen Potenzialen, welche der Einsatz von Big Data fr den Controller bringen kann, noch groe Zurckhaltung in der CFO-Praxis gibt, zeigt das Beispiel der Robert Bosch GmbH.

    Ein Blick in die Praxis

    Finanzbereich Robert Bosch GmbH und Big Data:

    Antwort auf unsere Fragen gab uns Dr. Stefan Asenkerschbaumer, stellvertretender Vorsitzender der Geschftsfhrung der Robert Bosch GmbH und verantwortlich fr den Finanzbereich.

    1. Welche Bedeutung hat Big Data aus Ihrer Sicht fr die Unternehmenssteue-rung?

    Big Data liefert u.a. aus Social Media Monitoring oder aus der Felddatenerfassung Einblick in das Verhalten von Kunden und lsst Rckschlsse zur Nutzung und Quali-tt der Bosch Produkte zu. Aussagen zu Trends, zuknftigen Entwicklungen und Wnschen bzw. Erwartungen werden ermglicht. Diese bilden die Grundlagen zur Generierung neuer Geschftsmodelle. Damit hilft Big Data bei der strategischen Aus-richtung des Unternehmens auf zuknftige Mrkte und Kunden. In diesem Sinne kann Big Data wichtige Impulse zur Unternehmenssteuerung geben.

    2. Wie nutzen Sie bereits heute die Mglichkeiten von Big Data im Finanzbe-reich von Bosch?

    Im Gegensatz zur Analyse unstrukturierter Daten, setzt der Bosch Finanzbereich heute auf die Analyse strukturierter Daten. Es findet keine Nutzung von Big Data im Finanzbereich statt.

    3. Wie mchte Bosch Big Data in Zukunft im Finanzbereich einsetzen?

    Der Finanzbereich von Bosch sieht ausreichende Steuerungsmglichkeiten durch den Einsatz klassischer Instrumente, vorstellbar sind jedoch weitergehende Analysen bezglich In-Plausibilitten bzw. Risiken.

    Die im Augenblick als unsicher zu betrachtende Qualitt der auf unstrukturierten Da-ten basierenden Vorhersagen erschwert hier einen Paradigmenwechsel.

    4.2 Die Big Data-Aufgaben des Controllers Die Aufgaben der Controller rund um das Thema Big Data lassen sich umfassend mithilfe des koordinationsorientierten Ansatzes des Controllings systematisieren. Er betrachtet die Gestaltung und Koordination unterschied-licher Teilbereiche der Fhrung, speziell des Informations-, Planungs-, Kont-roll-, Organisations-, Personalfhrungs- und Wertesystems. Diese Fh-rungsteilsysteme sind der Ort, in dem Big Data Eingang in die Unterneh-mensfhrung finden muss. Controller sollten dabei helfen, indem sie diesen Prozess anstoen und ihm Struktur und Konsistenz geben.

    Auf das Informationssystem hat Big Data einen unmittelbaren Einfluss. Insbesondere wird damit die schon seit langem zu beobachtende Entwick-lung untersttzt und beschleunigt, der zufolge nicht-monetre Informationen zur Steuerung des Unternehmens an die Seite monetrer Informationen treten. Diese neuen nicht-monetren Informationen sind durch Big Data

    Interview: Big Data im Finanzbereich der Robert Bosch GmbH

    Der Controller soll-te die Integration von Big Data in die Unternehmensfh-rung anregen und untersttzen

  • Seite 22 Big Data - Potenzial fr den Controller

    deutlich komplexer und hinsichtlich ihrer Herkunft und ihrer Art heterogener geworden. Die Aufgaben der Controller sind hier zweigeteilt. Zum einen mssen sie analysieren, welche neuen Informationen fr ihr eigenes Bild vom Unternehmen potenziell generiert werden knnen und ob bzw. wie sich diese mit den bisherigen Informationen verbinden lassen. Zum anderen mssen die Controller herausarbeiten, welche Informationen davon fr die Steuerung des Unternehmens durch die Manager relevant und diesen dementsprechend bereitzustellen sind. Hierbei ist eine gewohnte Attitude der Controller hilfreich, den Verheiungen neuer Lsungen gegenber kri-tisch zu sein. Auch bei Big Data sollte man nicht kritiklos Mglichkeiten auf-sitzen, die von der IT-Industrie offeriert werden, deren praktische Relevanz jedoch umstritten ist (vgl. Abschnitt 3.4).

    Auch fr das Planungs- und Kontrollsystem sind potenzielle Anwen-dungsbereiche von Big Data zu analysieren. Naheliegend sind Themen wie Forecasting, Szenarien und Frherkennung. Das Spektrum reicht aber wei-ter. So kann man z.B. Daten zur Imageentwicklung fr Impairmenttests nut-zen oder neue Entwicklungen im Bereich Social Media (z.B. Shitstorms) fr Risikoberlegungen heranziehen. Wieder erfordert die Aufgabe hohe Krea-tivitt und kritische Offenheit der Controller gegenber den neuen Mglich-keiten.

    Eine zentrale Frage innerhalb des Organisationssystems betrifft die Con-troller selbst: Sind sie wirklich die Richtigen, Big Data wie hier beschrie-ben in der Fhrung des Unternehmens zu verankern oder sind die Anfor-derungen der neuen Informationswelt so spezifisch, dass das Know-how der Controller nicht ausreicht? Mgliche andere Trger der Aufgabe knn-ten in der IT-Abteilung verortet werden. Allerdings hat sich die IT-Abteilung schon lnger ohne groen Erfolg als Business Partner zu profilieren ver-sucht. Eine andere Mglichkeit wre die Bildung neuer Stellen (Data Analysts) in der Linie. Hier besteht die Gefahr, dass es diesen an einer Gesamtperspektive mangelt.

    Beim Personalfhrungssystem bedeutet eine Verankerung von Big Data die Beantwortung der Frage, ob und wie Incentives gestaltet werden ms-sen, um eine erhhte Transparenz der Big Data-Aktivitten ber die Unter-nehmensbereiche hinweg zu erreichen und die verstrkte Nutzung von Big Data zu frdern. Finanzielle Anreize fr Big Data-Projekte zhlen hierzu, ebenso wie Prmien fr eine erfolgreiche Diffusion von neuen Lsungen in andere Unternehmensbereiche.

    Schlielich stellt sich auch die Frage, ob die Umsetzung der Chancen von Big Data auch einen Einfluss auf grundstzliche Werte und Normen im Un-ternehmen ausbt (Wertesystem) und ob es einer Verankerung in der Un-ternehmenskultur bedarf. Die Frage resultiert nicht nur aus der Systematik der Fhrungsteilsysteme, sondern hat sptestens mit der NSA-Affre eine zunehmende Sichtbarkeit erlangt. Das Thema Eindringen in die Privatsph-re ist lngst nicht mehr allein ein Thema von Nachrichtendiensten. Auch Unternehmen mssen sich hier Fragen von Ethik und gesellschaftlicher Legitimitt stellen und einen verantwortungsvollen Umgang mit Informatio-nen gewhrleisten.

    Welche Rolle Controller bei der Wahrnehmung dieses angedeuteten Aufga-benspektrums spielen, hngt auch von ihrem Selbstverstndnis ab. Control-ler, die sich primr als Herren der Zahlen verstehen und die Schaffung betriebswirtschaftlicher Transparenz in den Vordergrund stellen, werden eine Chance darin sehen, in die Rolle von Business Analysten hineinzu-wachsen (vgl. Kapitel 4.4) und ihre Informationsversorgungsaufgabe ber den Bereich der klassischen Finanzsysteme hinaus auszudehnen. Sie tref-fen hier wie bereits angesprochen auf Mitarbeiter der IT und der Linie und mssen beweisen, dass ihnen ihre Erfahrungen bei den klassischen

    Die Rolle des Con-trollers beim The-ma Big Data hngt von seinem Selbst-verstndnis ab

  • Big Data - Potenzial fr den Controller Seite 23

    finanziellen Systemen im Feld von Big Data einen wichtigen Beitrag zum gemeinsamen Vorhaben zu leisten. Big Data alleine fr sich zu reklamieren, machte wenig Sinn.

    Controller, die sich als Navigatoren verstehen, werden Big Data vorrangig fr ihre eigenen Zwecke nutzen wollen und daher die Potenziale fr eine verbesserte Planung und Kontrolle auf den unterschiedlichen Ebenen der Unternehmenssteuerung im Blick haben. Hier besteht die Gefahr, dass das Potenzial von Big Data damit nur unzureichend erkannt und genutzt wird. Dieser Gefahr zu begegnen erfordert es, die Rolle eines Business Partners einzunehmen. Fr einen solchen ist der Blick auf alle angesprochenen Fh-rungsbereiche ein gewohnter. Lngst zhlen z.B. Organisationsprojekte und Anreizgestaltung zu den Aufgaben von Controllern. Die Gesamtperspektive, das berschauen aller Fhrungsbereiche, ist fr die angemessene Veran-kerung von Big Data von groem Vorteil. Fr einen Controller in der Rolle eines Business Partners ist die Aufgabe auch nicht gnzlich neu: Die Ver-ankerung des Themas Nachhaltigkeit (Green Controlling) erforderte z.B. ein vergleichbar breites, umfassendes Vorgehen.

    Business Partner sind es gewohnt, mehrere Rollen parallel zu spielen. Der Innovator und der Architekt sind ebenso gefordert wie der kritische Coun-terpart und wenn ntig der Bremser. Als Business Partner zu fungieren erfordert ein breites Spektrum an Fhigkeiten und Kenntnissen, nicht nur in den traditionellen finanziellen Themen, sondern insbesondere auch in Ge-schftsmodellen und im Geschft selbst. Viele von diesen Controllern gibt es noch nicht sie werden jedoch dringend fr Big Data gebraucht.

    Ein Blick in die Praxis

    Social Media und die #neulandkarte - Von Social Big Data zu Social Business Controlling

    Die Ausbreitung der ffentlichen digitalen Kommunikation kann mittlerweile als grund-legende Umfeldvernderung verstanden werden. Viele potenzielle Kunden, relevante Talente, kritische Aktivisten und andere Protagonisten informieren sich online ber Unternehmen oder verfassen eigene Beitrge.

    Dadurch sind Datenmengen entstanden, die Big Data-Eigenschaften haben: Das Vo-lumen ist gro, die Daten sind unstrukturiert, vielschichtig und werden laufend ergnzt. Die Glaubwrdigkeit in diesen Foren ist in der Regel hoch. Zudem sind diese Daten fr Unternehmen wertvoll, wenn sie entsprechend analysiert werden.

    In der Praxis nehmen sich viele Fachbereiche diesem neuartigen Datenbereich an: zunchst oft durch Komplexittsreduktion. So wird die Variett der Formate hufig auf das populre, allerdings an inhaltlichen Diskussionen arme Facebook reduziert und auf schlichte Kenngren wie Fan- oder Beitragszahlen fokussiert. Es zeigt sich, dass noch hufig die einfache Messbarkeit und nicht der generierbare Nutzen die Auswahl und analytische Verdichtung der Daten bestimmt. Im Vergleich hiee das, eingegan-gene Rechnungsbelege zu zhlen, statt auf den (betragsmigen) Inhalt zu achten.

    So soll hier ein Beispiel illustriert werden, in dem (durch computerlinguistische) Daten-analyse groe Mengen unstrukturierter Textbeitrge inhaltlich erschlossen werden. Zielsetzung kann etwa sein, die Position der eigenen Marke zu messen, die eigene Kommunikation passgenauer auszurichten, schwache Signale aus dem Rauschen zu fischen oder passende Einstiegspunkte fr eigenes Engagement zu identifizieren.

    Abbildung 13 zeigt ein solches semantisches Themennetz. Die unterliegenden Algo-rithmen erkennen Begriffe, die hufiger als blich - semantisch signifikant - auftau-chen und ziehen Verbindungen bei einem hufig gemeinsamen Kontext. Datengrund-lage sind in diesem Beispiel verschiedene Foren, in denen BWL-Studenten ber die Berufswahl diskutieren.

  • Seite 24 Big Data - Potenzial fr den Controller

    Abbildung 13: Semantisches Mapping verteilter Online-Diskussion (Tool: complexium galaxy).

    Die Farben stehen fr automatisch unterschiedene Inhaltscluster. Es wird in nahezu Echtzeit transparent, welche Fragen, Themen und Einschtzungen diese Recruiting-Zielgruppe online aufwirft. So erschliet diese Datenanalyse hypothesenfrei auch die unknown Unknowns der Datenmenge. Dies mag Resonanz zur eigenen Position und Hinweise fr die Kommunikation geben.

    Per Klick auf einen Bubble werden die dahinter stehenden Beitrge aufgelistet. Bei-spielhaft hier zum signifikanten - aber natrlich wenig berraschenden - Stichwort Controlling (vgl. Abbildung 14).

    Abbildung 14: Konkordanzanalyse zu einem identifizierten Begriff (Tool: complexium.galaxy).

    Angehende Berufseinsteiger informieren sich online in diesen Foren ber Funktionen und Unternehmen. Mchte ein Unternehmen Controller rekrutieren, dann verspricht ein entsprechendes Social Engagement eine hohe Reichweite in der Zielgruppe.

    So sei hier nur angedeutet, dass Social Big Data nicht nur werthaltige Erkenntnisse bergen, sondern auch unmittelbar eigene Aktivitten in diesem Datenraum nahe legen knnen. Eine integrierte Betrachtung der entsprechenden KPI (z.B. Marken-Signifikanz, Engagement-Geschwindigkeit) mit den zugehrigen Kostendaten aus dem ERP-System ist Aufgabe des entstehenden Social Business Controlling.

  • Big Data - Potenzial fr den Controller Seite 25

    4.3 Potenziale von Big Data im Controlling Im Folgenden haben wir einige Fragen erarbeitet, die sich vor dem Hinter-grund von Big Data an die Controlling-Hauptprozesse stellen. Diese wollen wir anhand der Hauptprozesse Strategische Planung (vgl. Tabelle 3), Ope-rative Planung und Budgetierung (vgl. Tabelle 4) sowie Betriebswirtschaftli-che Beratung und Fhrung (vgl. Tabelle 5) errtern.

    Mit dieser Zusammenstellung wollen wir keine unumstlichen Aufgaben festlegen, welche der Controller mithilfe von Big Data bewltigen muss und kann. Vielmehr geht es uns darum, Potenziale fr einen mglichen Einsatz von Big Data im Controlling aufzuzeigen.

    Die Strategische Planung als erster Controlling-Hauptprozess fokussiert die Untersttzung des Managements bei der langfristigen Existenzsicherung und Wertsteigerung des Unternehmens (International Group of Controlling 2011, S. 23). Sie definiert den Orientierungsrahmen fr zentrale Unterneh-mensentscheidungen und legt Ziele und Manahmen fest (vgl. ebd.).

    Tabelle 3 zeigt die Zusammenstellung der Analyse 3.0-Fragen an Big Data und die Strategische Planung.

    Tabelle 3: Big Data in Controlling-Hauptprozessen - Strategische Planung.

    Controlling-Aufgabe Analyse-Fragen Big-Data Untersttzung

    Strategische Analysen

    Mrkte Produkte Portfolio Wettbewerb Innovationen Technologie Kernkompetenzen Ressourcen

    Lassen sich Annahmen der strategischen Pla-nung besttigen?

    Gibt es Anlass, Annah-men sofort zu ndern?

    Nehmen Signale der Vernderung zu?

    Transparenz in Dynamik und Komplexitt von Nach-frage- und Beschaffungs-mrkten bringen

    Langfristprognosen Segmentierung und

    Klassifizierung von Nachfragesegmen-ten

    AbsatzPrognose Social Media-Analysen

    Vordefinierte The-menfelder automati-siert beobachten

    Kundenwnsche, Stimmungen, Trends erkennen

    Preisvergleiche Empfehlungen Erfahrungen,

    Kritiken Online Verkauf

    Vision, Mission, Werte und strategische Zielpositionen berprfen und ggf. anpas-sen

    Sind aus den Ergebnis-sen der strategischen Analyse Konsequenzen zu ziehen?

    berprfbarkeit vernderter Annahmen durch Anpas-sen des Analyseplans vorbereiten

    Geschftsmodell berprfen und anpassen

    Strategische Storichtung ableiten bzw. aktualisieren

    Welche Erwartungen gibt es fr die Entwicklung des Geschftsmodells?

    Informationen zur Validie-rung der erwarteten Ge-schfts-feldentwicklung sammeln

    Konkrete strategische Ziele und Manahmen zur Zieler-reichung festlegen sowie Kennzahlen zur Bewertung definieren

    Woraus leitet sich die Stimmigkeit ab? Kann der Kennzahlenka-talog durch Big Data erweitert werden?

    Erfassbarkeit der Messgr-en berprfen und ggf. vorbereiten, neue Kenn-zahlen definieren.

    Big Data in den Controlling-Hauptprozessen: Strategische Pla-nung

  • Seite 26 Big Data - Potenzial fr den Controller

    Strategie finanziell bewerten finanziellen Mehrjahresplan erstellen

    Enthalten die Analysen Hinweise auf finanzielle Auswirkungen von Ver-nderungen?

    Informationsgrundlage der Strategie-Bewertung erwei-tern

    Strategie mit relevanten Stakeholdern abstimmen, vorstellen und verabschieden

    Lassen sich zu Grunde liegende Annahmen durch direkte Kommuni-kation besttigen?

    Ggf. anpassen der Big Data-Anwendungen

    Strategie ber verschiedene Fhrungsebenen kommuni-zieren

    Untersttzen Big Data-Analysen das Verstnd-nis fr strategische Rich-tungen?

    Anregungen fr weitere Beobachtungsfelder auf-nehmen, operativen Ebe-nen Annahmen der Pla-nung transparent darstellen

    Monitoring Strategieumset-zung

    Werden aktuelle Anpas-sungen an vernderte Signale ermglicht?

    Strategisches Zielsystem inkl. vernderter oder neuer Big Data-Anwendungen einrichten

    Ziel der operativen Planung und Budgetierung ist es hingegen, die aktive und systematische Auseinandersetzung mit den im Rahmen der strategi-schen Planung definierten Zielen, Manahmen und Budgets zu frdern. Sie soll ein Orientierungsgerst fr Aktivitten und Entscheidungen in kurz- bis mittelfristigem Zeithorizont schaffen (vgl. International Group of Controlling 2011, S. 25). Es geht um die Festlegung von Zielen und Manahmen, die Zuordnung von Ressourcen sowie die finanzielle Quantifizierung fr das Unternehmen als Ganzes sowie fr seine einzelnen Einheiten (ebd.).

    Die Fragen, die sich bzgl. der Operativen Planung und Budgetierung stellen, sind in Tabelle 4 dargestellt.

    Tabelle 4: Big Data in Controlling-Hauptprozessen - Operative Planung und Budgetie-

    rung.

    Controlling-Aufgabe Analyse-Fragen Big-Data Untersttzung

    Planungsprmissen und Top-down Ziele festlegen und kommunizieren

    Ist die Operationalisierung von Zielen aus der strategi-schen Planung gewhrleis-tet?

    Eignung der Big Data-Applikationen fr operative Steuerung absichern

    Einzelplne und Budgets erstellen

    Knnen die Aktualisierung der Planungsprmissen und die Ergebnisse der Planung durch Big Data Anwendun-gen verbessert werden?

    Kapazittsplanung fr neue Lagerstandorte

    Bewertung von Lagerhal-tungsstrategien

    Absatz-/Umsatzplan pro Filiale und Produkt, Vorbe-reitung Zusatzangebote

    Vorbereitung des Feed-back-Kreislaufes

    Planung Lieferantenmix und Lieferkette

    Planung Marketingaktio-nen

    Ressourcenplanung Vorbereitung der Flexibili-sierung

    Big Data in den Controlling-Hauptprozessen: Operative Planung

  • Big Data - Potenzial fr den Controller Seite 27

    Einzelplne zusammenfas-sen und konsolidieren

    Findet Plausibilisierung, Auflsung von Zielkonflikten und berschneidungen strukturiert statt?

    Simulationen

    Vorbereitung der ange-passten, aktualisierten Forecast-Systeme

    Ergebnisse der Planung prfen und Plne bedarfs-weise anpassen

    Sind Last-Minute-nderungen und Planungs-schleifen mglich?

    Realisierung integrierter Planungsrechnungen fr rollierende Planung

    Planung prsentieren und verabschieden

    Wird zwischen Running Business und Vernde-rungs-/Entwicklungs-manahmen unterschie-den?

    Kombination von flexibler Planung des laufenden Geschftes mit Projekt-budgets

    Abschlieend soll noch der Controlling-Hauptprozess der Betriebswirt-schaftlichen Beratung und Fhrung vor dem Hintergrund von Big Data be-trachtet werden (vgl. Tabelle 5).

    Dessen vorrangiges Ziel ist die bereichsbergreifende Koordination und die Rationalittssicherung von Entscheidungen innerhalb des Management-Prozesses durch den Controller (International Group of Controlling 2011, S. 45).

    Der Controller untersttzt die Fhrungsebene mit geeigneten Instrumenten und der relevanten Informationsgrundlage fr Entscheidungen. Als das wirtschaftliche Gewissen bewertet er die Auswirkungen mglicher Hand-lungsalternativen und schafft Transparenz bzgl. Strategie, Ergebnis, Finan-zen und Prozesse (vgl. ebd.).

    Tabelle 5: Big Data in Controlling-Hauptprozessen - Betriebswirtschaftliche Beratung und

    Fhrung.

    Controlling-Aufgabe Analyse-Fragen Big-Data Untersttzung

    Fachliche Vorbereitung des Controllers

    Eigenes Know-how zu Business Intelligence und Big Data bereits erwor-ben?

    Eigene bestndige Weiter-entwicklung konsequent und systematisch verfolgt?

    Kenntnisse ber Applika-tionen, Analysearten, Mobile Lsungen, Daten-banken & Technologie, Cloud Lsungen erwer-ben

    Eigene ffnung zur 360 Beobachtung aller rele-vanten Beziehungsebe-nen (Stakeholder) des Unternehmens realisieren

    Wissen ber geeignete Bewertungs- und Mess-kriterien sowie adquate Messmethoden erwerben

    Entscheidungsprozesse begleiten und moderieren

    Kann die Rolle des Mode-rators fr die Weiterent-wicklung der Informations-systeme inkl. Big Data-Analysen bereinstim-mend mit der strategischen Ausrichtung des Unter-nehmens wahrgenommen werden?

    Integration der klassi-schen Transaktions-Verarbeitung mit Big Data-Anwendungen/ -Analysen in Realtime

    Absichern der Relevanz der erhobenen Daten

    Big Data in den Controlling-Hauptprozessen: Betriebswirtschaft-liche Beratung und Fhrung

  • Seite 28 Big Data - Potenzial fr den Controller

    Aktiv Manahmen zum Ergebnis-/ Kostenmana-gement initiieren und be-gleiten

    Wurde das Geschftsmo-dell verndert?

    Wurden Voraussetzungen fr Big Data-Analysen bereits geschaffen oder wren sie grundstzlich gegeben?

    Erkunden mglicher attraktiver Geschftsfel-der

    Konzipieren von BigData-Analysen

    Absichern der Datenqua-litt

    Verifizieren von Annah-men anhand von Unter-suchungsergebnissen

    Prozessanalysen und Pro-zessoptimierung initiieren und mitarbeiten

    Relevanz von Online-Vertrieb und -Beschaffung, automatischer Produkti-ons-, Lager- und Logistik-steuerung, usw. geprft?

    Weg zur durchgehenden Echtzeit-Prozesssteuerung eingeschlagen?

    Prozessverantwortung des Controllers in der Organisation verankern

    Wirkungsstufen-Modell mit klarer Erfassung von Input, Output, Outcome und Outflow zur stufen-weisen Beurteilung der Prozessergebnisse instal-lieren

    In Projekten (Organisation, Restrukturierung, usw.) mitarbeiten

    Kapazitt fr Projektarbeit und Know-how in Organi-sations-entwicklung im Controllerdienst vorhan-den?

    Voraussetzungen fr Big Data-Anwendungen auf Projektebene oder als Teil der Projektziele gegeben?

    Big Data-Analysen pro-jektbezogen bereits mg-lich oder vorhanden?

    Projektziele und/oder Projektarbeit von Big Data-Analysen sollte unter dem Lead des Controllers stehen

    Integration und Interakti-on mit Informationssys-tem des Unternehmens sicherstellen

    Strategische Relevanz, Sicherheit und Qualitt des Datenmaterials ge-whrleisten

    Betriebswirtschaftliches Know-how aktiv frdern

    Controllerdienst auf Wis-sensvermittlung inhaltlich und didaktisch vorbereitet?

    Big Data spezifische Wis-sensgebiete strategiekon-form berlegt?

    Technologieabhngige Datenerfassungs- und Analyseformen festgelegt?

    Konzepte fr BigData-Anwendungen im Rah-men des Geschftsmo-delles und auf Ebene der Ges