Aus­ga­be 3/2019 – Busi­ness Ana­ly­tics

REthinking Finance Ausgabe 3/2019 - Business AnalyticsAuch als PDF erhält­lich – Aus­ga­be 3/2019 jetzt bestel­len »

Häu­fig gestell­te Fra­gen



Edi­to­ri­al

Die Digi­ta­li­sie­rung und die damit ein­her­ge­hen­de stei­gen­de Ver­füg­bar­keit von unter­neh­mens­in­ter­nen und ‑exter­nen Daten eröff­nen dem Finanz­be­reich erheb­li­che neue Poten­zia­le. Mit­hil­fe von sta­tis­ti­schen Metho­den las­sen sich aus den gro­ßen Daten­men­gen durch Busi­ness Ana­ly­tics bei­spiels­wei­se Ursa­chen für unter­neh­mens­re­le­van­te Sach­ver­hal­te erken­nen, Vor­her­sa­gen in Bezug auf künf­ti­ge Ent­wick­lun­gen ablei­ten und Emp­feh­lun­gen zur Opti­mie­rung bestehen­der Pro­zes­se ent­wi­ckeln. Dadurch kann das Manage­ment noch effek­ti­ver bei wich­ti­gen Ent­schei­dun­gen unter­stützt wer­den und der Finanz­be­reich damit einen signi­fi­kan­ten Mehr­wert im Rah­men der inter­nen Leis­tungs­er­brin­gung bei­tra­gen. In die­sem Son­der­heft von REthin­king Finan­ce wid­men wir uns daher aus­führ­lich den Fra­gen rund um das Manage­ment und die Ana­ly­se von Daten. Im Leit­ar­ti­kel in der Kate­go­rie Daten­ma­nage­ment zeigt Gui­do Vet­ter Ihnen, wel­che Lern­er­fah­run­gen der Daim­ler-Kon­zern durch eine ver­än­der­te stra­te­gi­sche Daten­ori­en­tie­rung und eine zen­tra­le Daten­ver­füg­bar­keit in den ver­gan­ge­nen Jah­ren gemacht hat. Wie groß der Quan­ten­sprung von klas­si­schen hin zu auto­no­men Busi­ness-Ana­ly­tics-Sys­te­men ist, erfah­ren Sie von Ralf Treitz in unse­rer zwei­ten Rubrik Daten­ana­ly­se. Dank Künst­li­cher Intel­li­genz kön­nen zuneh­mend erwei­ter­te Mög­lich­kei­ten zur Unter­neh­mens­steue­rung genutzt wer­den und Con­trol­ler wer­den end­lich von läs­ti­gen Rou­ti­ne­auf­ga­ben ent­las­tet. Wei­te­re spe­zi­fi­sche Anwen­dungs­fäl­le für die viel­sei­ti­ge­ren Ana­ly­se­fä­hig­kei­ten im Finanz­be­reich durch Busi­ness Ana­ly­tics stellt Cle­mens Frank vor: den auto­ma­ti­sier­ten Cash Fore­cast und die Ano­ma­lie­er­ken­nung im Kon­zern­be­richts­we­sen. In der Kate­go­rie Pla­nungs­un­ter­stüt­zung gibt Frank Rom­ei­ke einen Über­blick über die Ein­satz­mög­lich­kei­ten, aber auch die Her­aus­for­de­run­gen von Busi­ness Ana­ly­tics im Risi­ko­ma­nage­ment und Clau­dia Maron und Anja Bur­ger­meis­ter zei­gen am Bei­spiel der DATEV eG auf, wie ein Den­ken und Ent­schei­den in Band­brei­ten funk­tio­nie­ren kann. „Mana­ger brau­chen kein gel­bes Viel­leicht.“ – Nico­las Bissantz kennt sich mit den Chan­cen und Hür­den der Daten­vi­sua­li­sie­rung aus und bezieht im Inter­view noch wei­te­re kla­re Stand­punk­te. Wie not­wen­dig Stan­dar­di­sie­rung nicht nur im Berichts­we­sen ist und wes­halb dadurch auch kom­ple­xe Ana­ly­sen bes­ser ver­stan­den wer­den kön­nen, davon wird Jür­gen Faisst sicher auch Sie in sei­nem Bei­trag über­zeu­gen. Ein herz­li­ches Dan­ke­schön sagen wir allen Autorin­nen und Autoren, die zu die­sem Son­der­heft bei­getra­gen haben. Ihnen, lie­be Lese­rin­nen und Leser, wün­schen wir eine anre­gen­de Lek­tü­re mit inter­es­san­ten Impul­sen für Ihre täg­li­che Arbeit. Neh­men Sie zu Fra­gen und Anre­gun­gen ger­ne direkt Kon­takt mit uns auf: karsten.oehler@wolterskluwer.com; m.schulze@ems.de. Prof. Dr. Kars­ten Oeh­ler und Prof. Dr. Mike Schul­ze


Daten­ma­nage­ment
Digi­ta­le Trans­for­ma­ti­on im Bereich Daten und Ana­ly­tics erfolg­reich umset­zen – Les­sons lear­ned im Daim­ler-Kon­zern
Gui­do Vet­ter

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.

REF vom 28.6.2019, Heft 03, Sei­te 4 ‑ 10, REF1307887


Reak­ti­ons­fä­hig in stür­mi­schen Zei­ten
Prof. Dr. Peter Gluchow­ski / Erik Gon­scho­rek

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.

REF vom 28.6.2019, Heft 03, Sei­te 11 ‑ 14, REF1307892


Data Sci­ence Manage­ment: Pla­nung, Steue­rung und Kon­trol­le von Data Sci­ence
Tho­mas Nei­fer / Andre­as Schmidt / Paul Bos­sau­er / Prof. Dr. Andre­as Gadatsch

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.

REF vom 28.6.2019, Heft 03, Sei­te 15 ‑ 18, REF1307896


Daten­ana­ly­se
Robot Ana­ly­tics – Ein­bli­cke in die Pra­xis
Ralph Treitz

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.

REF vom 28.6.2019, Heft 03, Sei­te 19 ‑ 24, REF1307899


Ana­ly­se­fä­hig­kei­ten im Finanz­be­reich mit Advan­ced Ana­ly­tics und Machi­ne Lear­ning ver­bes­sern
Cle­mens Frank

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.

REF vom 28.6.2019, Heft 03, Sei­te 25 ‑ 28, REF1307903


Aus­wir­kun­gen der Künst­li­chen Intel­li­genz auf Finan­cial Ana­ly­tics
Prof. Dr. Kars­ten Oeh­ler

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.

REF vom 28.6.2019, Heft 03, Sei­te 29 ‑ 35, REF1307905


Pla­nungs­un­ter­stüt­zung
Pla­nungs­ver­bes­se­rung durch Busi­ness Ana­ly­tics
Dirk Böck­mann

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.

REF vom 28.6.2019, Heft 03, Sei­te 36 ‑ 40, REF1307908


Den­ken in Band­brei­ten – neu­es Bewusst­sein zur Ent­schei­dungs­fin­dung
Mag. Clau­dia Maron / Anja Bur­ger­meis­ter

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.

REF vom 28.6.2019, Heft 03, Sei­te 41 ‑ 44, REF1307915


Risk Ana­ly­tics und Arti­fi­cial Intel­li­gence im Risi­ko­ma­nage­ment
Frank Rom­ei­ke

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?

REF vom 28.6.2019, Heft 03, Sei­te 45 ‑ 52, REF1307921


Ein­satz von Künst­li­cher Intel­li­genz in Con­trol­ling-Pro­zes­sen
Prof. Dr. Kars­ten Oeh­ler

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.

REF vom 28.6.2019, Heft 03, Sei­te 53 ‑ 57, REF1307925


Finan­zi­el­le Steue­rung mit Dyna­mic Busi­ness Simu­la­ti­on
Dr. Felix Isbruch / Prof. Dr. Klaus Möl­ler

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.

REF vom 28.6.2019, Heft 03, Sei­te 58 ‑ 63, REF1307927


Daten­vi­sua­li­sie­rung