Obwohl die zunehmende Verfügbarkeit von Daten das Potenzial für enorme Qualitäts- und Effizienzsteigerungen im Controlling birgt, erweist sich die effektive Nutzung dieser Möglichkeiten häufig als schwierig. Der folgende Artikel beleuchtet das Potenzial prädiktiver Analysen im Controlling und schafft die Grundlage für weitere Ausführungen und Blogbeiträge zu diesem Thema.

2006 prägte der Mathematiker Clive Humby den Satz „Daten sind das neue Öl“, der das Potenzial der heute verfügbaren Daten perfekt beschreibt. Doch wenngleich dieser Vergleich von Öl mit Daten in Hinblick auf das Gewinnpotenzial durchaus zutreffen mag, ist es bei Daten ungleich schwieriger, dieses Potenzial nutzbar zu machen. Während die Gewinnung von Wert aus Öl ein linearer Prozess ist, sieht die Lage bei Daten komplexer aus. Die Nutzung des Potenzials von Daten hängt stark von den geschäftlichen Anforderungen, den verfügbaren Tools und den Daten selbst ab.

Wie kann Datenanalytik in den Finanzdaten das „Öl“ finden?

Data Science liefert die Prozess-Leistung, die es braucht, um Daten in Wert zu verwandeln. In den letzten Jahren hat sich der Bereich Data Science rasch weiterentwickelt und dabei bestehende statistische Theorien und Methoden mit den neuesten technologischen Möglichkeiten bereichert und erweitert. Die Implementierung von KI-basierten Algorithmen und Automatisierung erschließt neue Potenziale innerhalb geschäftlicher Funktionsbereiche und verlagert den Schwerpunkt von der reinen Datenverarbeitung auf die Wertgenerierung. Diese Veränderung birgt bei den meisten traditionellen Unternehmensbereichen ein riesiges Potenzial. Dagegen wird sie im Finanzbereich noch immer häufig übersehen, obwohl manche Quellen schätzen, dass ganze 79 Prozent der Arbeit in bestimmten Finanzfunktionen automatisierbar ist (Plaschke, Seth & Whiteman, 2018).

Finanzdaten sind für Analysen wie geschaffen: Sie sind umfangreich und hochgradig strukturiert; ihre Controlling-Funktionen liefern Zahlen, die als Grundlage für Managemententscheidungen dienen, und oft sind die Controller bereits mit analytischen Methoden vertraut. Bestehende Implementierungen von Datenanalytik im Controlling-Zyklus haben begonnen, diese vormals eher reaktive Funktion in eine proaktive, wertschöpfende Einheit zu verwandeln. Immer neue Werkzeuge erhöhen laufend das Potenzial dieser Transformation. Doch wie lässt sich Datenanalytik implementieren, um diese Transformation im Controlling weiter voranzutreiben?

Datenanalytik lässt sich in die folgenden allgemeinen Kategorien einteilen, die eng miteinander verknüpft sind: deskriptive Analyse, diagnostische Analyse, prädiktive Analyse und präskriptive Analyse.

Prädiktive Analyse wird meist nicht als separater Bereich gesehen, sondern als entscheidender Baustein im allgemeinen Ökosystem der Datenanalytik, der meist direkt mit Verbesserungen der Prozesseffizienz, besseren Entscheidungen und quantitativen Optimierungen einhergeht.

Die Datenanalytik bietet eine Vielzahl von Anwendungsfällen, die sich direkt und indirekt auf das Controlling auswirken. Im folgenden Abschnitt werden einige der aussichtsreichsten Anwendungsfälle in diesem Bereich vorgestellt.

  1. Erkennung von Anomalien

Während Menschen Schwierigkeiten haben, Ausreißer innerhalb von Daten mit mehr als zwei Dimensionen zu erkennen, kann die Datenanalytik anormale Strukturen innerhalb großer Datensätze rasch identifizieren. So lassen sich problematische Datenpunkte früh erkennen, die zu unerwarteten Abweichungen bei Monatsberichten führen könnten, oder es können sogar versteckte Betrugsversuche aufgedeckt werden.

  1. Segmentierung

Um tiefergehende Einblicke zu Kunden, Lieferanten und anderen Beteiligten zu erhalten, ist ein korrektes Clustering unerlässlich. Auf ineffizienten und irreführenden Aggregaten beruhende Controlling-Aktivitäten können zu falschen Rückschlüssen führen. Datenanalytik kann dieses Problem vermindern, indem nicht intuitive Segmente innerhalb der Daten zu den Beteiligten erkannt werden, so dass der Controller aussagekräftigere Messwerte erhält.

  1. Prognosen

Die Anwendung der prädiktive Analyse auf Planungsprozesse liefert die deutlichsten Vorteile. Angesichts der großen Menge verfügbarer Daten wird es immer schwieriger, relevante Informationen zu erkennen und die richtigen Schlüsse daraus zu ziehen. Algorithmen sind besser in der Lage, Daten zu verarbeiten und in einer leicht verständlichen Weise darzustellen. Davon ausgehend, verarbeitet die prädiktive Analyse diese Daten automatisch und stellt Trends, Modelle und exakte Prognosen für den Controller bereit. Dies lässt sich erreichen, indem herkömmliche und altbekannte Algorithmen nicht manuell ausgeführt werden, oder mithilfe von Machine Learning, was tiefgehende, aber nicht intuitive Erkenntnisse liefert.

Die Herausforderung, Wert aus dem „neuen Öl“ zu generieren

Obgleich viele CFOs das Potenzial der Implementierung dieser neuen Analysetools und -verfahren erkannt haben, ist es in der Praxis nicht einfach, etablierte Controlling-Strukturen zu verändern, weil diese Änderungen einen Dominoeffekt haben können, der zu Problemen und nicht exakten Entscheidungsgrundlagen führen kann. Um diese neuen Verfahrensansätze wirksam zu implementieren, müssen verschiedene Herausforderungen gemeistert werden.

Doch trotz der mit der prädiktiven Analyse verbundenen Komplexität und Schwierigkeiten lassen sich ihre Vorteile nicht bestreiten. Datenanalytik liefert ein besseres Verständnis vorhandener Daten und Erkenntnisse über die Anspruchsgruppen in Unternehmen sowie über Anomalien. Darüber hinaus kann die prädiktive Analyse alle Aspekte der Prognoseerstellung verbessern, also deren Effizienz, Exaktheit und Nutzbarkeit, was gerade für das Controlling relevant ist.

Als digitaler Vorreiter mit mehr als 20 Jahren Erfahrung im Daten- und Informationsmanagement besitzt CAMELOT die notwendige Expertise, um Data Science und die damit verbundenen Vorteile erfolgreich in Ihrem Unternehmen zu integrieren. Unsere Erfahrung aus der Durchführung von zehn Machbarkeitsstudien zu den neuesten technologischen Entwicklungen liefert uns das nötige Wissen, um bahnbrechende Projekte im Bereich Data Science durchzuführen und in jedem Unternehmen zu implementieren.

Dieser Artikel ist der zweite Beitrag einer Reihe, die CAMELOT zum Thema Analytik veröffentlicht. In den nächsten Beträgen werden wir die Möglichkeiten von Data Science weiter untersuchen und eingehender auf das Thema der prädiktiven Analyse eingehen. Bleiben Sie dran!

Wir möchten Tizian Schubart für seinen wertvollen Beitrag zu diesem Artikel danken.

DataDrivenLeaders

Die Community für Data Driven Leaders

Die Community für Data Driven Leaders vernetzt Branchenexperten und hält Sie mit exklusiven Einblicken auf dem Laufenden.

Werden Sie Teil der Data Driven Leaders

Empfohlene Artikel

Innovation

SAP S/4HANA-Datenmigration: Erkenntnisse

Der Erfolg eines Transformationsprojekts ist von vielen verschiedenen Faktoren abhängig. Besonders wichtig ist dabei die SAP S/4HANA-Datenmigration.

weiterlesen
Innovation

Blockchain mit SAP – Blockchain-Anwendungen mit Hyperledger Fabric entwickeln (II)

Dieser Blogpost ist ein Artikel in einer Serie von Artikeln zu dem im Dezember 2019 erschienenen Buch „Blockchain mit SAP“ (Rheinwerk Verlag, …

weiterlesen
Innovation

Raus aus der geschützten Zone: Time-to-Value für Data-Projekte senken

Damit sich die Investitionen in Richtung eines Data-Driven Unternehmens lohnen, stehen viele CIOs derzeit vor der Aufgabe, den Wertbeitrag von Data-Projekten …

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns