Der Bei­trag stellt die wesent­li­chen Erfah­run­gen der Daim­ler AG dar, die wäh­rend der digi­ta­len Trans­for­ma­ti­on im Bereich Daten und Ana­ly­tics gesam­melt wur­den. Wie vie­le ande­re Unter­neh­men auch, hat sich die Daim­ler AG den Her­aus­for­de­run­gen der digi­ta­len Trans­for­ma­ti­on gestellt und sieht dar­in gro­ßes Poten­zi­al für das bestehen­de und die Erschlie­ßung neu­er Geschäf­te. Anhand von Bei­spie­len wird dar­ge­stellt, was hier­bei zu beach­ten ist und was über den rei­nen Daten­fo­kus hin­aus berück­sich­tigt wer­den muss, um erfolg­reich zu sein. 

Neben dem klas­si­schen Data Wareh­ouse gewin­nen neue Spei­cher­kon­zep­te wie der Data Lake in Unter­neh­men zuneh­mend an Bedeu­tung. Die somit stei­gen­de Kom­ple­xi­tät der unter­neh­mens­in­ter­nen Daten­land­schaft führt zur Sen­kung der Über­sicht­lich­keit und Trans­pa­renz der gespei­cher­ten Daten­be­stän­de. Für den Daten­nut­zer resul­tie­ren dar­aus zeit­in­ten­si­ve Such­pro­zes­se. Ein Tool, das den Nut­zer bei die­ser Auf­ga­be unter­stützt, ist der Data Cata­log, der im Fol­gen­den vor­ge­stellt wird. 

Bedingt durch die vier­te indus­tri­el­le Revo­lu­ti­on unter­liegt auch das Finanz­we­sen einem dis­rup­ti­ven Wan­del. In die­sem Arti­kel soll der Hand­lungs­be­darf von Füh­rungs­kräf­ten zum The­ma Data Sci­ence anhand der Pro­ble­ma­ti­ken im Zuge des damit ver­bun­de­nen Manage­ments auf­ge­zeigt werden. 

Seit mehr als 20 Jah­ren inves­tie­ren Unter­neh­men in IT-Sys­te­me, die ein effi­zi­en­tes Con­trol­ling im Unter­neh­men gewähr­leis­ten sol­len. In die soge­nann­ten Busi­ness-Intel­li­gence-Sys­te­me sind bereits vie­le hun­dert Mil­lio­nen Euro gesteckt wor­den. Kei­nes­wegs unnö­tig, aber den­noch nicht mit wirk­lich befrie­di­gen­dem Erfolg. Die Nut­zung von künst­li­cher Intel­li­genz und mathe­ma­ti­schen Algo­rith­men ver­spricht eine bes­se­re Aus­beu­te und eine Arbeits­wei­se für das Con­trol­ling, in der Krea­ti­vi­tät und der Bei­trag zum geschäft­li­chen Erfolg im Vor­der­grund stehen. 

Advan­ced Ana­ly­tics und Machi­ne Lear­ning wer­den in eini­gen betrieb­li­chen Funk­ti­ons­be­rei­chen (bspw. in der Pro­duk­ti­on und im Mar­ke­ting) schon seit eini­gen Jah­ren häu­fig genutzt. Auch im Finanz­be­reich kann die Anwen­dung die­ser Ver­fah­ren gro­ße Vor­tei­le bie­ten. Der Bei­trag the­ma­ti­siert ers­te aktu­el­le Anwen­dungs­bei­spie­le, wie den Cash Fore­cast oder das Kon­zern­re­por­ting, wel­che in der Umset­zung sehr gute Ergeb­nis­se erzielen. 

Künst­li­che Intel­li­genz (KI) als tech­no­lo­gi­scher Fak­tor ver­än­dert Finan­cial Ana­ly­tics. Um von die­ser Ent­wick­lung nicht „über­rollt“ zu wer­den, soll­ten Finanz­ver­ant­wort­li­che die Initia­ti­ve bei der Aus­ge­stal­tung von KI-Sys­te­men ergrei­fen, damit sie die Poten­zia­le nut­zen kön­nen. Die­ser Bei­trag geht auf das dafür not­wen­di­ge Basis­wis­sen ein und erläu­tert die Hintergründe. 

Der Finanz­be­reich kann durch den Ein­satz neu­er Busi­ness­Ana­ly­tics-Werk­zeu­ge Mehr­wer­te für das Manage­ment gene­rie­ren, die im Ergeb­nis die Ent­schei­dungs- und Steue­rungs­fä­hig­keit von Unter­neh­men ver­bes­sern. Der Bei­trag beleuch­tet die Hin­ter­grün­de der aktu­ell vor­herr­schen­den Unzu­frie­den­heit von Mana­gern und skiz­ziert Ansatz­punk­te, wie „moder­ne“ Steue­rung aus­ge­stal­tet wer­den kann. 

Um Unsi­cher­hei­ten, Chan­cen und Risi­ken in die Ent­schei­dungs­fin­dung zu inte­grie­ren, bedarf es eines radi­ka­len Umden­kens – weg von punkt­ge­nau­en Ergeb­nis­sen, hin zu einem Den­ken und Ent­schei­den in Band­brei­ten. Wie dies gelingt, zeigt ein Mus­ter­bei­spiel zur Monte-Carlo-Simulation. 

Zukunfts­pro­gno­sen sind so alt wie die Mensch­heit und haben auch heu­te nichts von ihrer Fas­zi­na­ti­on ver­lo­ren. Wenn bei­spiels­wei­se in der Anti­ke die Römer, Grie­chen, Chi­ne­sen oder Ägyp­ter eine Vor­her­sa­ge über poten­zi­el­le Ereig­nis­se oder Sze­na­ri­en von mor­gen such­ten, berie­ten sie sich nicht mit ihrem Risi­ko­ma­na­ger, son­dern wand­ten sich an ihre Ora­kel. Die moder­nen Ora­kel unse­rer digi­ta­len und ver­netz­ten Zeit hei­ßen Arti­fi­cial Intel­li­gence (AI), Big Data, Daten­ana­ly­sen und Pre­dic­ti­ve Ana­ly­tics. Hel­fen uns die­se Werk­zeu­ge, in einem Heu­hau­fen aus unstruk­tu­rier­ten Daten rele­van­te Steck­na­deln – etwa poten­zi­el­le Chan­cen und Risi­ken – zu finden? 

Berich­te über den erfolg­rei­chen Ein­satz von Künst­li­cher Intel­li­genz (KI) in unter­schied­li­chen Unter­neh­mens­be­rei­chen gibt es zahl­rei­che. Sol­che Anwen­dungs­fäl­le kön­nen dabei hel­fen, das Ein­satz­po­ten­zi­al abzu­schät­zen und Anre­gun­gen für unter­neh­mens­in­di­vi­du­el­le Lösun­gen zu fin­den. In die­sem Bei­trag sol­len eini­ge wich­ti­ge Anknüp­fungs­punk­te für das Con­trol­ling iden­ti­fi­ziert werden. 

Trei­ber­ba­sier­ten Simu­la­ti­ons­mo­del­len geht der Ruf vor­aus, dass mit ihrer Hil­fe die Pla­nung und Steue­rung von Unter­neh­men deut­lich fle­xi­bler wer­den kann. Hohe Erwar­tun­gen und die Hoff­nung auf Quick-Wins bei der Ein­füh­rung set­zen die noch neue Metho­dik jedoch stark unter Druck. Ziel des Bei­trags ist es, Metho­dik, Mög­lich­kei­ten und Gren­zen des Ein­sat­zes trei­ber­ba­sier­ter Model­le sowie die häu­figs­ten Stol­per­fal­len aus Erfah­run­gen bei der Umset­zung aufzuzeigen. 

Ein Inter­view mit Dr. Nico­las Bissantz zu Moden und Metho­den in der Busi­ness Intelligence 

Advan­ced-Ana­ly­tics-Metho­den und ‑Werk­zeu­ge zur bes­se­ren Vor­her­sa­ge zukünf­ti­ger Ent­wick­lun­gen wer­den zum fes­ten Bestand­teil des Con­trol­lings. Jetzt wäre der rich­ti­ge Zeit­punkt, das Ver­ste­hen die­ser Vor­her­sa­gen durch ein­heit­li­che Gestal­tungs­re­geln zu unter­stüt­zen. Für Berich­te, Prä­sen­ta­tio­nen und Dash­boards gibt es sol­che Gestal­tungs­re­geln bereits in Form der SUC­CESS-For­mel der Inter­na­tio­nal Busi­ness Com­mu­ni­ca­ti­on Stan­dards (IBCS). Der Bei­trag geht der Fra­ge­stel­lung nach, inwie­weit die Anwen­dung der SUC­CESS-For­mel auch bei Advan­ced Ana­ly­tics Nut­zen stif­ten kann.