Nutzungspotenziale durch Advanced Data Analytics von Big Data im Controlling. Planung, Forecasting, Simulation und Reporting

Inhaltsverzeichnis

1. Einführung

1.1 Problemstellung und Zielsetzung

1.2 Gang der Untersuchung

2. Controlling Grundlagen

2.1 Begriff und Konzeption

2.1.1 Controllingverständnis in der Wissenschaft

2.1.2 Controllingverständnis in der Praxis

2.2 Informationsversorgung

2.2.1 Externes Rechnungswesen

2.2.2 Kosten-, Erlös-, Ergebnis- und Leistungsrechnung

2.2.3 Kennzahlensysteme

2.2.4 Reporting

2.3 Planung und Kontrolle

2.3.1 Strategische Planung und Kontrolle

2.3.2 Taktische Planung und Kontrolle

2.3.3 Operative Planung und Kontrolle

2.4 Berufsbild Controller

3. Klassische Controllinginformationssysteme

3.1 Anforderungen an IT-Systeme

3.2 Enterprise Resource Planning Systeme

3.3 Tabellenkalkulationsprogramme

3.4 Systemlösungen auf Basis relationaler Datenbanktechniken

4. Business Intelligence-gestützte Controllinginformationssysteme

4.1 Einführung in Business Intelligence

4.2 Datenbereitstellung durch Data Warehouse

4.3 Datenanalyse

4.3.1 Abfrage- und Berichtssysteme

4.3.2 OLAP-Systeme

4.3.3 Tabellenkalkulationssysteme

4.3.4 Dashboards und Management Cockpits

4.3.5 Portalsysteme

4.3.6 Data Mining

4.3.6.1 Data Mining-Prozess

4.3.6.2 Data Mining-Methoden

4.3.6.2.1 Assoziationsanalyse

4.3.6.2.2 Abweichungsanalyse

4.3.6.2.3 Clusteranalyse

4.3.6.2.4 Klassifikation

4.3.6.2.5 Text Mining

4.3.6.2.6 Web Mining

4.3.7 Analytics

4.4 Big Data Technologien

4.4.1 Big Data Begriffserklärung

4.4.2 In-Memory

4.4.3 NoSQL

4.4.3.1 Key-Value Stores

4.4.3.2 Document Stores

4.4.3.3 Column Stores

4.4.3.4 Graph Database

4.4.4 NewSQL

4.4.5 Hadoop

5. Nutzungspotenziale von Big Data im Controlling

5.1 Reporting und Konsolidierung

5.1.1 Integration zusätzlicher Informationen

5.1.2 Beschleunigte Datenbereitstellung

5.1.3 Integrierte Treibermodelle

5.2 Planung und Forecasting

5.2.1 Gesamtplanung

5.2.2 Forecasting

5.2.2.1 Absatzprognose

5.2.2.2 Cashflowprognose

5.2.2.3 Predictive Maintenance

5.2.3 Simulationen

5.2.4 Optimierung

6. Implementierung in der Organisation

6.1 Rolle des Controllers

6.2 Implementierungsstrategie

7. Zukünftiges Berufsbild des Controllers und Data Scientist

7.1 Data Scientist

7.2 Controller

8. Fazit

Zielsetzung und Themen

Das primäre Ziel dieser Arbeit besteht darin, die Nutzungspotenziale von Big Data in klassischen Controlling-Bereichen wie Planung, Forecasting, Simulation und Reporting zu identifizieren und zu bewerten. Die Arbeit analysiert dabei, wie entsprechende IT-Technologien Unternehmen bei der Steuerung unterstützen können und untersucht zudem den Einfluss von Big Data auf das zukünftige Berufsbild des Controllers im Vergleich zum Data Scientist.

• Analyse von Big Data Technologien und deren Anwendbarkeit im Controlling.
• Untersuchung von Nutzungspotenzialen in Reporting, Planung und Forecasting.
• Bewertung der Rolle des Controllers bei der Implementierung von Big Data Lösungen.
• Abgrenzung der Berufsbilder von Controller und Data Scientist.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einführung: Definition der Problemstellung und Vorstellung des methodischen Vorgehens der Masterarbeit.

2. Controlling Grundlagen: Theoretische Konzeptionen des Controllings und Untersuchung des Controllingverständnisses in Wissenschaft und Praxis.

3. Klassische Controllinginformationssysteme: Beschreibung und Analyse gängiger IT-Systeme wie ERP-Systeme, Tabellenkalkulation und relationale Datenbanken.

4. Business Intelligence-gestützte Controllinginformationssysteme: Einführung in BI-Systeme, Data Warehousing und moderne Analysemethoden inklusive Big Data Technologien.

5. Nutzungspotenziale von Big Data im Controlling: Konkrete Analyse von Anwendungsmöglichkeiten für Big Data in den Bereichen Reporting, Planung, Forecasting und Simulation.

6. Implementierung in der Organisation: Erläuterung der Rolle des Controllers und Ableitung einer Strategie zur organisatorischen Einführung von Big Data.

7. Zukünftiges Berufsbild des Controllers und Data Scientist: Vergleich der Rollenprofile und Analyse benötigter Qualifikationen in einer datengetriebenen Umgebung.

8. Fazit: Zusammenfassende Betrachtung der wesentlichen Erkenntnisse über die Potenziale von Big Data im Controlling.

Schlüsselwörter

Big Data, Controlling, Business Intelligence, Data Science, Planung, Reporting, Forecasting, Data Mining, In-Memory, NoSQL, Analytics, Business Partner, Unternehmenssteuerung, Datennutzung, IT-Systeme

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit untersucht die Potenziale und Anwendungsmöglichkeiten von Big Data Technologien für klassische Aufgabenfelder des Controllings.

Welche zentralen Themenfelder werden behandelt?

Neben der technologischen Grundlage (IT-Systeme, Big Data Technologien) stehen die praktischen Anwendungen im Reporting, in der Planung, im Forecasting sowie die organisatorische Implementierung im Fokus.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist es, aufzuzeigen, wie Big Data das Controlling verändern kann und welche Rolle dem Controller in diesem Prozess zukommt.

Welche wissenschaftliche Methode wurde verwendet?

Die Arbeit basiert auf einer fundierten Literaturanalyse bestehender Konzepte und Studien, ergänzt um die Anwendung von Data Mining- und Analytics-Methoden im Controlling-Kontext.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in die theoretischen Controlling-Grundlagen, die Analyse klassischer IT-Systeme, die Einführung in BI-Technologien, die Untersuchung von Big Data Nutzungspotenzialen sowie die organisatorische Implementierung.

Welche Begriffe charakterisieren die Arbeit?

Die Arbeit lässt sich durch Begriffe wie Big Data Analytics, Predictive Analytics, Business Partner, Werttreibermodelle und datengestützte Unternehmenssteuerung charakterisieren.

Wie unterscheidet sich der Data Scientist vom Controller?

Der Data Scientist ist ein methodischer Spezialist der IT-gestützten Datenanalyse, während der Controller als fachlicher Spezialist die betriebswirtschaftliche Interpretation und Beratung sicherstellt.

Warum ist eine Implementierungsstrategie notwendig?

Um die technischen Möglichkeiten von Big Data effizient in die bestehenden Unternehmensstrukturen zu integrieren und die Akzeptanz für neue Steuerungsinstrumente zu erhöhen.