1. Einleitung
1.1 Ausgangspunkt und Problemstellung
1.2 Zielsetzung
1.3 Struktur der Arbeit
2. Theoretische Grundlagen
2.1 Begriffserklärung Controlling
2.2 Begriffserklärung Digitalisierung
2.3. Begriffserklärung Szenario
2.4. Veränderung der Controlling-Hauptprozesse durch die Digitalisierung
2.5. Veränderung der Controlling-Organisation
3. Stand der Forschung
3.1 Reifegradmodell zur Einordnung des Digitalisierungsgrads im Controlling
3.2 Aktuelle Studienergebnisse
3.3 Forschungsfragen
4. Forschungsmethoden
4.1 Übersicht Trend- und Zukunftsforschung
4.2 Methodische Vorgehensweise einer Delphi-Befragung
5. Forschungsergebnisse
5.1 Aufgaben- und Kompetenzprofil des Controllers anhand aktueller Stellenanzeigen
5.2 Durchführung der ersten Befragungswelle
5.3 Durchführung der zweiten Befragungswelle
5.4 Entwicklung eines Zukunftsszenarios anhand der Delphi-Befragung
6. Handlungsempfehlungen und Fazit
6.1 Zusammenfassung der Ergebnisse
6.2 Handlungsempfehlungen
6.3 Kritische Betrachtung der Ergebnisse
6.4 Ausblick
Literaturverzeichnis
BI: Business Intelligence
CFO: Chief Financial Officer
CIO: Chief Information Officer
ERP: Enterprise-Resource-Planning
GuV: Gewinn- und Verlustrechnung
IGC: International Group of Controlling
IuK: Informations- und Kommunikationstechnologie
KI: Künstliche Intelligenz
PwC: PricewaterhouseCoopers
RAND: Research and Development
RPA: Robotic Process Automation
SSC: Shared-Service-Center
WHU: Otto Beisheim School of Manangement
Hinweise
1) Aus Gründen der besseren Lesbarkeit schließt in der folgenden Arbeit die männliche Form die weibliche Form mit ein.
2) Mit dem Erstgutachter wurde abgestimmt, dass das Literaturverzeichnis in folgender Form anzufertigen ist:
Nachname, Anfangsbuchstabe des Vornamen; (Erscheinungsjahr): Titel, [Auflage], Erscheinungsort: Name des Verlags
Beispiel:
Mustermann, M.; (2019): ABC, Stuttgart: Verlag XYZ
3) Mit dem Erstgutachter wurde abgestimmt, dass die Fußnoten in folgender Form anzufertigen sind:
Nachname, Anfangsbuchstabe des Vornamen, Erscheinungsjahr, Seitenzahl.
Beispiel:
Mustermann, M., 2019, S. 1.
Die Digitalisierung ist einer der großen Trends unserer Zeit. Digitalisierungsthemen werden derzeit in Presse, Wissenschaft und Unternehmenspraxis kontrovers diskutiert. Dabei hat die digitale Transformation Auswirkungen auf zahlreiche Bereiche in den Unternehmen. Auch administrative Funktionsbereiche wie das Controlling werden durch die digitalen Technologien maßgeblich beeinflusst.
Die digitalen Technologien werden zur Folge haben, dass sich das Berufsbild des Controllers in den nächsten Jahren stark verändern wird. Dies spiegelt sich auch in diversen Expertenaussagen wieder. Péter Horváth, einer der führenden deutschen Controlling-Experten, ist sich sicher, dass der Controller als der Herr der Zahlen vor der größten Herausforderung seiner bisherigen Existenz steht.1 Einer ähnlichen Meinung sind auch Schäffer und Weber, die davon überzeugt sind, dass die Digitalisierung auch das Controlling grundlegend verändern wird.2 Noch extremer ist die Meinung von Martin Hofmann, dem CIO der Volkswagengruppe. So sagte dieser provokativ im Jahre 2016, er gehe davon aus, dass es in zehn Jahren keine Controller in großen Unternehmen mehr geben werde.3 Demgegenüber stehen allerdings auch Meinungen und Studien, die gegenteilige Standpunkte vertreten. Im Rahmen der dritten WHU-Zukunftsstudie wurde in einer weitreichenden Umfrage herausgefunden, dass bei rund der Hälfte der Unternehmen noch keine Digitalisierungsstrategie für das Controlling vorliegt. Eine zentrale Aussage dieser Studie ist zudem, den Weg zur Digitalisierung als „Marathonlauf“ und nicht als „Sprint“ anzusehen.4
Die zum Teil stark unterschiedlichen Aussagen der Experten und Studien verdeutlichen die hohe Unsicherheit bezüglich der zukünftigen Entwicklung der Digitalisierung im Controlling. In der vorliegenden Masterarbeit soll deshalb analysiert werden, welche Auswirkungen die digitale Transformation auf das Controlling hat.
Anhand der vorliegenden Arbeit soll aufgezeigt werden, inwiefern sich das Controlling durch die Digitalisierung verändert. Der Fokus dieses sehr breit gefächerten Themas liegt dabei darauf, die Veränderung der Rollen- und Kompetenzprofile sowie der Controlling-Hauptprozesse durch die Digitalisierung aufzuzeigen. Ziel dieser Arbeit sollen dann Zukunftsszenarien sein - mithilfe einer Delphi-Befragung entwickelt - die mögliche Szenarien der Digitalisierung im Controlling in fünf Jahren aufzeigen.
Die daraus resultierende Forschungsfrage „Inwiefern verändert sich das Controlling durch die Digitalisierung? – Entwicklung eines Zukunftsszenarios“ soll im Rahmen der vorliegenden Arbeit beantwortet werden. Auf die Beantwortung der Forschungsfrage sollen die nachfolgenden Unterforschungsfragen unterstützend einwirken:
U1: Inwiefern verändern sich die Rollen- und Kompetenzprofile im Controlling durch die Digitalisierung?
U2: Inwiefern verändern sich die Controlling-Hauptprozesse durch die Digitalisierung?
Die erste Unterforschungsfrage bezieht sich auf die Veränderung der Rollen- und Kompetenzprofile im Controlling durch die Digitalisierung. Die zweite Frage beschäftigt sich mit der Veränderung der Controlling-Hauptprozesse. Diese beiden Unterforschungsfragen werden dann in Kapitel 3.3 nochmals unterteilt, um daraus konkrete Fragen für die Delphi-Befragung generieren zu können. Die Antworten dieser Fragen sollen zur Skizzierung der Szenarien herangezogen werden. Die Szenarien sollen dann ebenfalls die Auswirkungen der Digitalisierung auf die Rollen- und Kompetenzprofile sowie auf die Controlling-Hauptprozesse darstellen.
In der Einleitung werden die Ausgangssituation, die Problemstellung sowie die Zielsetzung der Arbeit aufgezeigt. Dabei wird in der Zielsetzung ebenfalls die zentrale Forschungsfrage sowie deren Unterforschungsfragen definiert, die am Ende der Arbeit beantwortet werden können sollen.
Im zweiten Kapitel werden die theoretischen Grundlagen vorgestellt. Zunächst werden hierbei in den Kapiteln 2.1, 2.2 und 2.3 die Begriffe Controlling, Digitalisierung und Szenario definiert und in den Kontext dieser Masterarbeit eingeordnet. Im darauffolgenden Kapitel 2.4 werden die Veränderungen der Controlling-Hauptprozesse durch die Digitalisierung thematisiert. Der Fokus liegt darauf, diejenigen digitalen Technologien darzustellen, deren Auswirkungen auf den jeweiligen Prozess aus aktueller Sicht am signifikantesten sind. Das zweite Kapitel wird abgerundet, indem in Kapitel 2.5 die Auswirkungen der Digitalisierung und die damit verbundenen Veränderungen in der Controlling-Organisation dargestellt werden.
Des Weiteren liegt ein Aspekt in dieser Arbeit auf der Darstellung des aktuellen Forschungsstandes. Im dritten Kapitel wird dieser aufgezeigt. Dabei werden in Kapital 3.1 verschiedene Reifegradmodelle vorgestellt, die zur Bestimmung des Digitalisierungsgrades im Controlling beitragen sollen. Anschließend werden in Kapitel 3.2 aktuelle Studienergebnisse dargestellt. Beachtung finden hierbei ausschließlich Studien, die maximal fünf Jahre alt sind. Dadurch soll eine möglichst hohe Aktualität gewährleistet werden. Abgeschlossen wird das dritte Kapitel, indem in Punkt 3.3 ausführlich auf die Forschungsfrage sowie die beiden Unterforschungsfragen eingegangen wird. Die zwei Unterforschungsfragen werden dabei nochmals weiter aufgeteilt, um daraus konkrete Fragen für die Delphi-Befragung ableiten zu können.
Das vierte Kapitel befasst sich mit der dieser Arbeit zugrunde liegenden Forschungsmethodik. Die wissenschaftliche Erhebung der vorliegenden Arbeit wird mit Experteninterviews in Form einer Delphi-Befragung abgedeckt. Dabei wird im Kapitel 4.1 zunächst eine Übersicht über die Trend- und Zukunftsforschung im Allgemeinen gegeben, bevor dann eine Methodenübersicht und die Auswahl für die Delphi-Methode dargelegt werden. Im Kapital 4.2 wird dann explizit auf die methodische Vorgehensweise und Konzeption einer Delphi-Befragung eingegangen.
Im darauffolgenden Kapitel 5 wird ausführlich auf die Forschungsergebnisse eingegangen. Für die nachfolgend vorgestellten Szenarien ist eine Darstellung der Ausgangssituation ebenfalls von Relevanz. Aufgrund dessen werden in Kapitel 5.1 zunächst das Aufgaben- und Kompetenzprofil des Controllers in aktuellen Stellenanzeigen analysiert und dargestellt. Die in Kapitel 4.2 vorgestellte Delphi-Befragung wird in zwei Befragungswellen durchgeführt. Die Durchführung sowie die Darstellung der Ergebnisse der beiden Wellen werden in den Kapiteln 5.2 und 5.3 erläutert. Aufbauend auf den Ergebnissen der beiden Befragungswellen werden dann in Kapitel 5.4 Zukunftsszenarien entwickelt, welche die mögliche Veränderung der Rollen- und Kompetenzprofile sowie der Controlling-Hauptprozesse in fünf Jahren darstellen. Dabei werden insgesamt drei unterschiedliche Szenarien charakterisiert. Hierbei wird zunächst ein Trendszenario, welches die wahrscheinlichste Entwicklung wiedergibt, vorgestellt. Darauf folgen zwei Extremszenarien, die zwei extreme Auswirkungen der Digitalisierung auf das Controlling skizzieren.
Die Arbeit schließt im sechsten Kapitel mit einem Fazit und entsprechenden Handlungsempfehlungen. In Kapitel 6.1 werden die Ergebnisse dieser Arbeit noch einmal zusammengefasst und daraufhin in Kapitel 6.2 die Handlungsempfehlungen dargelegt. Ein wichtiger Bestandteil ist außerdem die in Kapitel 6.3 folgende kritische Betrachtung der Ergebnisse. Mit einem Ausblick wird das sechste Kapitel abgerundet.
„Jeder hat seine eigene Vorstellung darüber, was Controlling bedeutet oder bedeuten soll, nur jeder meint etwas anderes.“5 Dieses bereits aus dem Jahr 1985 stammende Zitat von Preissler beschreibt die Problemsituation hinsichtlich der Begriffsbestimmung des Controllings zutreffend. Der Controlling-Begriff wird in der betriebswirtschaftlichen Literatur häufig verwendet, jedoch konnte sich bisher keine einheitliche Definition durchsetzen. Aufgrund der sprachlichen Nähe wird unter Controlling häufig die Kontrolle verstanden, allerdings ist dies ein Missverständnis. Das englische Verb „to control“ hat vor allem auch die Bedeutung „steuern“.6
Die Tätigkeiten, die heute mit dem Begriff des Controllings assoziiert werden, lassen sich literarisch bis in das 15. Jahrhundert zurückverfolgen.7 Der damalige „Countroller“ zeichnete die aus- und eingehenden Gelder am englischen Königshof auf. Im 18. Jahrhundert wurde der Controller-Begriff dann in den USA aufgegriffen. Der „Comptroller“ hatte für das Gleichgewicht aus Staatsausgaben und -budget zu sorgen.8 Zu Beginn des 19. Jahrhunderts wurde die Leitung der Bankenaufsicht in den USA erstmalig mit dem Begriff „Controlling“ bezeichnet.9
Die Entwicklung des Controllings in Deutschland begann erst in den späten 1970er Jahren. Horváth gehörte zu den Pionieren, die sich mit dieser Thematik in wissenschaftlicher Hinsicht beschäftigten. Seiner Definition zufolge stellt das Controlling eine Funktion dar, welche sich aus der zielorientierten Koordination von Planung und Kontrolle sowie der Informationsversorgung zusammensetzt.10
Heutzutage wird unter Controlling weltweit relativ einheitlich die Führungsunterstützungsfunktion verstanden. Die Kernpunkte des Controllings lassen sich sehr gut mit dem aktuellen Controller-Leitbild der International Group of Controlling (IGC) verdeutlichen. Dieses Leitbild wird auch von dem in Deutschland beheimateten Internationalen Controller Verein e.V. (ICV) vertreten.11
Abbildung 1: Controller-Leitbild der IGC
Abbildung in dieser Leseprobe nicht enthalten
Quelle: In Anlehnung an Horváth, P. et al., 2015, S. 24
Der Digitalisierungsbegriff wird derzeit sowohl in der Forschung als auch in der Praxis kontrovers diskutiert und bisher konnte sich in der betriebswirtschaftlichen Literatur kein einheitliches Begriffsverständnis etablieren.12 Die dabei oftmals anzutreffende Definition beschreibt Digitalisierung als den Vorgang, bei dem analoge Leistungserbringung durch ein digitales, computer-handhabbares Modell ganz oder teilweise ersetzt wird.13 Becker beschreibt Digitalisierung dagegen als „strategisch orientierte Transformation von Prozessen, Produkten, Dienstleistungen bis hin zur Transformation von kompletten Geschäftsmodellen unter Nutzung moderner Informations- und Kommunikationstechnologien (Iuk) mit dem Ziel, nachhaltige Wertschöpfung effektiv und effizient zu gewährleisten.“14
Grundsätzlich kann der Digitalisierungsbegriff auf zwei Arten interpretiert werden.
Einerseits bezeichnet er die Überführung von Informationen von einer analogen in eine digitale Speicherung. Andererseits wird darunter der Prozess verstanden, durch den die Einführung digitaler Technologien bzw. der darauf aufbauenden Anwendungssysteme hervorgerufen wird.15 Zu diesen digitalen Technologien zählen beispielsweise Social Media, Mobility Cloud Computing, Robotic Prozess Automation und Artificial Intelligence.16 Im Rahmen dieser Masterthesis wird explizit auf den zweiten Aspekt eingegangen, die Einführung digitaler Technologien und die erstgenannte Betrachtungsweise, die Überführung von Informationen von einer analogen in eine digitale Speicherung, außer Acht gelassen.
Wenn von der Digitalisierung gesprochen wird, wird oftmals auch der Begriff Industrie 4.0 als Synonym verwendet, wobei diese Begriffe voneinander abzugrenzen sind. Industrie 4.0 bedeutet definitorisch gesehen, die vierte industrielle Revolution.17 Die Digitalisierung ist dagegen ein deutlich älteres Phänomen, das seine Ursprünge bereits im 19. Jahrhundert hat.18 Der Begriff Industrie 4.0 wird in Kapitel 2.4.4 näher beschrieben.
Unabhängig von den unterschiedlichen Definitionen und Auffassungen des Begriffs ist zu konstatieren, dass die Digitalisierung viele Bereiche des sozialen, privaten und öffentlichen Lebens grundlegend verändern wird.19 Aufgrund dessen wird häufig von dem „Megatrend Digitalisierung“ gesprochen.20 Unter einem Megatrend versteht man eine „tiefgreifende und nachhaltige gesellschaftliche, ökonomische und technologische Veränderung, die sich langsam entfaltet und deren Auswirkungen über Jahrzehnte hinweg spürbar bleiben“.21
Szenario ist eine Methode, anhand derer Situationen oder Abfolgen von Ereignissen zusammengefasst werden, die in der Zukunft erfolgen. Primär ist ein Szenario immer zukunftsorientiert und wird deshalb als Konzept der Zukunftsforschung eingeordnet.22
Im Idealfall umfasst ein Szenario eine qualitative (verbale), detaillierte Gesamtdarstellung einer zukünftigen Situation (Zukunftsbild) und stellt darüber hinaus den Entwicklungsweg dar, der zu dieser Situation führt. Szenarien können für unterschiedlichste Sachverhalte erstellt werden. Aufgrund dessen ist es essenziell, das zu erstellende Szenario möglichst exakt zu konkretisieren. Szenarien unterscheiden sich vor allem hinsichtlich ihres Blickwinkels, ihres Ausgangspunktes, ihrer Zeitspanne und ihrer Endpunkte sowie durch die dazwischenliegende Verlaufsdarstellung.23
Abbildung 2: Szenario- Merkmale
Abbildung in dieser Leseprobe nicht enthalten
Quelle: In Anlehnung an Kiesel, J., 2001, S. 38
Ein Szenario lässt sich von zwei alternativen Ausgangspunkten darstellen. Überwiegend werden erforschende Szenarien aus der Gegenwart heraus entwickelt, um alternative Zukunftsentwicklungen zu beschreiben. Demgegenüber stehen antizipative Szenarien, die von einem bestimmten Zukunftszustand ausgehen und verschiedene Wege aufzeigen, um diesen zu erreichen.24 Des Weiteren ist der Zeithorizont zu betrachten, für den Szenarien entwickelt werden. Unterschieden wird zwischen kurz- (bis 2 Jahre), mittel- (ca. 5 Jahre) und langfristigen (ab 5 Jahren) Szenarien. In der Praxis überwiegt dabei der Einsatz der mittel- und langfristigen.25 Bezüglich der Verlaufsdarstellung werden zwei unterschiedliche Vorgehensweisen gezeigt. Wird in den Szenarien explizit auf den Verlauf zwischen Ausgangs- und Endpunkt eingegangen, liegen Pfad- bzw. Prozessszenarien vor. Demgegenüber stehen Situationsszenarien, die ausschließlich eine Zustandsbeschreibung des Zukunftsbildes darstellen und deshalb leichter zu erstellen sind.26
Durch den Einsatz von Szenarien sollen mögliche Zukunftsbilder bewertet und dargestellt werden. „Szenario“ steht für die Idee einer möglichen Zukunft und verweist somit auf das Vorhandensein weiterer, alternativer Zukunftsmöglichkeiten. Somit entsteht ein Raum mehrerer zukünftiger Entwicklungen und nicht nur einer einzigen mögliche Zukunft.27 Die häufigste Darstellungsform ist das Trichter-Modell. Hierbei wird von drei Zukunftsszenarien ausgegangen. Ein positives Extremszenario, ein negatives Extremszenario sowie ein Trendszenario, welches aus der Fortführung des aktuellen Zukunftstrends entwickelt wird. Das Modell kann um beliebig viele Szenarien ergänzt werden, die sich allerdings alle im Radius von Trend bis Extremszenario bewegen.28
Abbildung 3: Szenario als Trichter-Modell
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Welge, M., Eulerich, M., 2007, S. 70
Die digitale Transformation hat Auswirkungen auf alle Unternehmensbereiche. Vor allem die Controlling-Hauptprozesse werden durch die Digitalisierung stark transformiert. Die International Group of Controlling hat die Controlling-Prozesse im Jahr 2017 weiterentwickelt und unter dem Titel „Controlling-Prozessmodell 2.0“ veröffentlicht.29 Als Controlling-Hauptprozesse werden die nachfolgenden Prozesse aufgeführt: strategische Planung, Planung, Budgetierung und Forecast, Management Reporting, Kostenrechnung, Datenmanagement, Business Partnering, Investitionscontrolling, Projektcontrolling, sowie Risikocontrolling.30 Nachfolgend sollen die Controlling-Hauptprozesse betrachtet werden und die jeweiligen Auswirkungen entsprechender Digitalisierungstreiber. Digitalisierungstreiber sind digitale Technologien, die einen signifikanten Wertbeitrag zur Verbesserung (z.B. Automatisierung und Standardisierung) der Controlling-Prozesse leisten.31 Aufgrund der Vielzahl an Digitalisierungstreiber werden in den einzelnen Controlling-Hauptprozessen bewusst lediglich die Technologien thematisiert, deren Auswirkungen aus aktueller Sicht am bedeutendsten sind für den jeweiligen Prozess.
Unter der strategischen Planung wird die Unterstützung des Managements bei der langfristigen Existenzsicherung und Wertsteigerung des Unternehmens verstanden.32 Bestandteile der strategischen Planung sind unter anderem Märkte, Produkte, Portfolio, Wettbewerb, Innovation, Technologie, Ressourcen und Kernkompetenzen.33
Generell lässt sich sagen, dass die strategische Planung als derjenige Prozess erachtet wird, auf den die Digitalisierung die geringste Auswirkung haben wird.34 Nichts desto trotz sind die Auswirkungen der Digitalisierung auch im Bereich der strategischen Planung zu spüren. Big Data stellt hierbei die digitale Technologie dar, welche das signifikanteste Optimierungspotenzial für diesen Controlling-Hauptprozess bietet.35
Unter dem Begriff Big Data versteht man dabei sowohl die riesigen Datenmengen, als auch die Technologien zu ihrer Verarbeitung und Auswertung.36 Big Data unterscheidet sich von den bisher bekannten Datenmengen durch ihre Art (Volumen und Eigenschaften der Daten, Häufigkeit und Schnelllebigkeit) sowie durch die Verarbeitungsweise. Die Daten werden dabei von Internetnutzern, mobilen Endgeräten oder von Maschinen generiert und sind sowohl externer als auch interner Herkunft. Die Daten liegen hierbei häufig in nicht-strukturierter Form vor, beispielsweise als Text. Primäres Ziel ist es, bisher nicht analysierte Daten mit neuen Verfahren und Technologien auszuwerten, um gewinnbringende Erkenntnisse zu erhalten.37 Aufgrund der Vielfältigkeit und Komplexität, die sich hinter Big Data Lösungen verbirgt, wird das tatsächliche Potenzial dieses Trends für viele Einsatzgebiete oftmals noch verkannt.38
Aus Sicht der strategischen Planung kann Big Data wichtige Impulse zur Unternehmenssteuerung und zur Sicherung der Wettbewerbsfähigkeit geben. Durch die Möglichkeiten der automatisierten Gewinnung und Analyse von Informationen aus externen Quellen - wie Websites, Online-Unternehmensregistern, Social-Media-Netzwerken, Mobile Devices wie Smartphones oder Tablets sowie aus Ergebnissen von Suchabfragen - sind vielfältige Optimierungspotenziale für die strategische Planung gegeben.39 Dadurch lassen sich sowohl die Unternehmenssteuerung als auch die Entscheidungsfindung verbessern.40 Es existieren allerdings auch gegenläufige Einschätzungen, die der Auffassung sind, dass Big Data bei der strategischen Planung zukünftig keine Rolle spielen wird. Dies wird dadurch begründet, dass dieser Prozess vom Managementdialog lebt und nicht mit quantitativen Daten überfordert werden sollte. Darüber hinaus wird angeführt, dass dieser Prozess immer in eine Vereinbarung seitens des Managements mündet und deshalb vor allem subjektiv vertreten sein muss.41 Der gezielte Einsatz von Big Data Anwendungen in der strategischen Planung ermöglicht allerdings die Auswertung zahlreicher heterogener Informationen, die nicht ausschließlich auf dem subjektiven Empfinden der Entscheidungsträger beruhen.
Aufgrund dessen lässt sich zusammenfassen, dass sich durch die zusätzlichen Informationen entscheidende strategische Vorteile für diejenigen Unternehmen ergeben können, die diese richtig einsetzen. Voraussetzung hierfür ist, dass die Daten kritisch hinterfragt und richtig analysiert werden.
Die operative Planung und Budgetierung unterstützt das Management bei der Erreichung von kurz- bis mittelfristigen Zielen.42 Gegenstände einer operativen Planung und Budgetierung sind unter anderem Cashflow, Umsatz, Kosten, GuV, Bilanz, Investition, Kapazität und Mitarbeiter.43 Der Forecast wir vor allem dafür eingesetzt, um die kurzfristigen und mittelfristigen Ziele der operativen Planung zu kontrollieren und zu unterstützen.44
Die Auswirkungen der digitalen Transformation auf den Prozess Planung, Budgetierung und Forecast wird als sehr stark prognostiziert.45 Vor allem die digitalen Technologien Predictive Analytics, Big Data sowie Cloud-basierte Spezialsoftware werden diesen Controlling-Hauptprozess verändern.46
Unter Predictive Analytics wird der Einsatz von statistischen Modellen und Methoden verstanden, um aus diversen Datenquellen Erkenntnisse abzuleiten, auf deren Basis sich zukünftige Ereignisse prognostizieren lassen.47 Vereinfacht gesagt, ist die möglichst genaue Prognose der Zukunft das Ziel von Predictive Analytics.48 Prädiktive Modelle greifen dabei auf historische, über den Zeitverlauf akkumulierte Daten zu, um Wahrscheinlichkeitskalkulationen von Zukunftsereignissen zu generieren.49 Beispielsweise kann mithilfe eines Predictive-Analytics-Modells die Entwicklung von Rohstoffpreisen vorhergesagt werden. Hierbei werden verschiedene Marktfaktoren wie Konjunkturbarometer und Wechselkurse berücksichtigt, um daraus einen möglichst exakten Rohstoffpreis zu prognostizieren.50 Insgesamt bieten sich für Unternehmen durch Predictive Analytics im Bereich der operativen Planung enorme Möglichkeiten, da durch die Vorhersage von Trends Ressourcen, Produktion und Absatz entsprechend geplant werden können.51
Die Planung und Budgetierung ist bisher nur marginal durch die Automatisierung und Standardisierung unterstützt worden, weshalb in diesem Bereich erhebliche Potenziale stecken.52 Während der Arbeitsaufwand, welcher in die Planung investiert wird, derzeit zum Teil massiv ist, werden zukünftig viele Zahlen von Algorithmen prognostiziert werden. Der Mitarbeiter ist dann nur noch für die Validierung der Zahlen zuständig.53 Der zeitliche Aufwand zur Erstellung der Vorhersagen kann somit durch den Einsatz Predictive Analytics eminent reduziert werden.54 Darüber hinaus können durch diese proaktive Steuerung verbesserte Aussagen zur zukünftigen Unternehmens- und Marktentwicklung getätigt werden, wodurch zielgerichtete Handlungsempfehlungen für das Management abgeleitet werden können.55
In der Zukunft sollen zunehmend digitale Technologien eingesetzt werden, um den Budgetierungsprozess zu vereinfachen und die Prozessabläufe zu verschlanken.56
Neben Predictive Analytics wird auch Big Data einen bedeutenden Einfluss auf den Planungsprozess haben und diesen weiter digitalisieren. Gerade in der Planung ergeben sich durch den Einsatz von Big Data ganz neue Möglichkeiten, die dazu beitragen, den Planungsprozess effektiver zu machen.57 Vor allem externe Daten können helfen, die Prognosegenauigkeit deutlich zu verbessern.58 Diese externen Daten können beispielsweise Social-Media-Analysen, volkswirtschaftliche Zahlen, wettbewerbliche Untersuchungen sowie demografische und geografische Entwicklungen sein.59 Somit kann die meist auf interne Daten beruhende Planung um externe Faktoren erweitert werden und dadurch schließlich die Prognosequalität erhöht werden.60
Diese Vielzahl an internen und vor allem externen Daten ist allerdings nur wertvoll, wenn aus ihnen diejenigen Informationen gefiltert werden, aus denen die richtigen Schlussfolgerungen und Entscheidungen gezogen werden können, um damit die Planungsqualität zu erhöhen.61 Denn durch die zunehmende Datenmenge nimmt der Grenznutzen tendenziell ab. Deshalb sollte sich der Fokus stärker auf die Datenqualität als ausschließlich auf die Menge richten.62 Durch das Zusammenspiel von Big Data und Predictive Analytics wird es zukünftig möglich sein, aus granularen Daten automatisiert Prognosen zu generieren, die eine höhere Treffsicherheit als traditionell erstellte Vorhersagen haben.63
Aufgrund der exponentiell wachsenden Datenmengen und der zunehmenden Möglichkeit, den Planungsprozess mithilfe von Predictive Analytics durchzuführen bzw. zu unterstützen, erkundigen sich immer mehr Unternehmen nach geeigneten neuen Möglichkeiten. Vor allem die dezentrale Verfügbarkeit der Daten wird aufgrund eingeschränkter IT-Ressourcen immer wichtiger.64 Deshalb wird Cloud basierte Spezialsoftware mit integrierten Planungsfunktionalitäten zukünftig an Signifikanz gewinnen.65 Heutzutage sind bereits mehrere günstige und flexible Cloud-Lösungen verfügbar, die den gesamten Planungsprozess abbilden. Die Cloud-Lösungen bieten dabei Anbindungsmöglichkeiten an verschiedene ERP-Systeme sowie erweiterte planungsspezifische Funktionalitäten wie Simulationen und Szenarien.66 Vor allem für kleinere und mittlere Unternehmen (KMUs), die oftmals aus Kostengründen über keine dezidierte Planungslösung verfügen, eröffnen sich durch Cloud-Lösungen neue und kostengünstige Möglichkeiten.67 Neben der Reduktion des Kostenfaktors sprechen vor allem auch die permanente Verfügbarkeit der benötigten Informationen sowie die Effizienzsteigerung für den Einsatz einer Cloud-Lösung zur Abwicklung des Planungsprozesses.68
Dass sich immer mehr Unternehmen mit Cloud-Lösungen beschäftigen, zeigt sich exemplarisch in dem im Finance-Magazin veröffentlichten Bericht, der über die Verlagerung der Planung in die Cloud des Versicherungskonzerns AXA berichtet.69 Dem Konzern ist es gelungen, von der vormals eingesetzten Excel-Planung wegzukommen und die Planung vollständig über Cloud-Lösungen durchzuführen.70
Die aufgeführten digitalen Technologien können den Aufwand des Planungs- und Budgetierungsprozesses durch eine zunehmende Automatisierung stark reduzieren. Das Controlling wird im Bereich der operativen Planung und Forecast-Erstellung zukünftig deutlich entlastet.
Das Management Reporting versorgt die Führungskräfte mit den nötigen Informationen bezüglich der Zielerreichung.71 Das primäre Ziel des Reportings ist es, die Entscheidungsfindung im Management zu unterstützen und ergebnisverbessernde Maßnahmen zu veranlassen.72
Das Management Reporting wird durch die zunehmende digitale Transformation grundlegend verändert werden. Die digitalen Technologien, die hierbei die bedeutendste Auswirkung haben werden, sind voraussichtlich Robotic Process Automation (RPA) sowie Mobile Reporting bzw. Mobile BI.73
Unter dem Begriff RPA versteht man die Automatisierung von Prozessen, die zuvor durch Menschen ausgeübt wurden.74 RPA kann man sich als virtuellen Mitarbeiter oder Software-Reporter vorstellen, der strukturierte Geschäftsprozesse so ausführt, wie es ein Mitarbeiter machen würde.75 Durch den Einsatz von RPA erhält das Controlling einen neuen Ansatz zur Automatisierung von repetitiven, manuellen Aufgaben, um die Kosten zu senken, die Produktivität zu steigen und seine verfügbaren Ressourcen auf wertschöpfende Tätigkeiten zu konzentrieren.76
Neben RPA wird wie bereits oben erwähnt vor allem Mobile Reporting das Management Reporting grundlegend verändern. Generell wird unter Mobile Reporting das Abrufen der Berichte über das Smartphone bzw. mobile Endgeräte verstanden. Der Vorteil liegt darin, dass die Berichte orts- und zeitunabhängig sind und somit schnellere Entscheidungen ermöglichen.77
Analysen des Reporting-Prozesses haben ergeben, dass ca. 70% des gesamten Reporting Aufwandes für die ersten vier Schritte des in Abbildung 4 dargestellten typischen Reporting-Prozesses aufgewendet werden. Somit liegt der überwiegende Aufwand im Reporting-Prozess in den nicht wertschöpfenden Tätigkeiten. Dadurch bedingt bleibt dem Controller nur wenig Zeit für wertschöpfende Tätigkeiten, wie der Ursachenanalyse, Kommentierung und Ableitung von Maßnahmen.78
Abbildung 4: Typische Prozessschritte im Reporting-Prozess
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Langmann, C., 2019, S. 12
RPA hat das Potenzial, den Reporting-Prozess an vielen Stellen grundlegend zu verändern. Mithilfe von RPA-Plattformen können verschiedene Prozessschritte des Reportings wie Datenextraktion und -aggregation über mehrere voneinander unabhängige Systeme durchgeführt werden (z.B. Excel, SAP, E-Mail).79 Besonders zeitintensive, repetitive Aufgaben eigen sich für RPA, sodass sich der Controller tiefer gehenden Analysen widmen kann.80 Darüber hinaus lassen sich durch den Einsatz von RPA Kosteneinsparpotenziale erzielen.81 Eine dazu von Deloitte in Großbritannien durchgeführte Studie hat ergeben, dass die Kosten eines Roboters nur ungefähr 10% der Kosten eines britischen Angestellten betragen. In Deutschland sind vergleichbare Verhältnisse anzunehmen. Selbst gegenüber der Auslagerung des Prozesses in ein Niedriglohnland wie beispielsweise Rumänien oder Indien, erzielt RPA wesentliche Kostenvorteile. Aufgrund dessen kann langfristig wieder mit einer Rückverlagerung von mittels RPA durchgeführten Prozessen gerechnet werden.82
Zusammenfassend lässt sich festhalten, dass heutzutage nur die wenigsten Unternehmen bereits RPA-Lösungen im Reporting-Prozess implementiert haben. Hinsichtlich der optimalen Einbindung innovativer Methoden befinden sich die meisten Unternehmen derzeit eher in einer Findungsphase.83 Das Thema wird aber laut der meisten Experten in den nächsten Jahren signifikant an Bedeutung gewinnen.84 Der stetig steigende Kostendruck und die Tatsache, dass die meisten Reporting-Prozesse derzeit manuell ausgeübt werden und somit eine hohe Fehleranfälligkeit aufweisen, machen RPA unabdingbar.85 Aufgrund der schnelleren Abwicklung sowie der darüber hinaus erzielten Qualitätsverbesserung nicht wertschöpfender Reporting-Prozesse und den damit verbunden frei gewordenen Ressourcen, ist RPA als gewinnbringende Technologie im Reporting-Prozess anzusehen.
Der zweite signifikante Digitalisierungstreiber im Bereich des Management Reportings ist neben RPA die Möglichkeit, die Berichte über mobile Endgeräte abzurufen. Die oberste Prämisse für ein wertschöpfendes Mobile Reporting ist, dass durch Mobile Reporting keine Spiegelung des bereits bestehenden Reportings auf mobile Endgeräte stattfinden soll. Vielmehr sollte man hierbei eine gezielte inhaltliche Fokussierung vornehmen, um die Entscheidungsqualität und -effizienz zu erhöhen.86 Bei der Datenvisualisierung über mobile Endgeräte liegt der Fokus auf Diagrammen, Filtern und Dashboards, so dass dem Nutzer ein intuitives und schnelles Verständnis der relevanten Daten ermöglicht wird.87 Neben der intuitiven Bedienung der Berichte spricht vor allem auch der einfache Zugang zu Informationen für Mobile Reporting.88
Als Resümee ergibt sich daraus, dass sich die Effekte der Digitalisierung sehr intensiv auf das Management Reporting auswirken werden. Vor allem die Technologien RPA und Mobile Reporting sind maßgebliche Treiber für die künftigen Veränderungen. Dies spiegelt sich auch in der Studie des Instituts für Finanzdienstleistungen IFZ wider, wonach im Bereich des Reportings zukünftig vorrangig die Informationsgeschwindigkeit und die Automatisierung verbessert werden.89 Die Automatisierung wird hierbei maßgeblich von RPA getrieben, während die Informationsgeschwindigkeit durch Mobile Reporting erhöht werden kann.
Abbildung 5: Verbesserungen im Reporting durch die Digitalisierung
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Egle, U., Keimer, I., 2018, S. 25
Mittels der Kostenrechnung soll - durch eine verursachungsgerechte Zuordnung der Kosten, Leistungen und Erlöse - mehr Transparenz geschaffen werden.90 Typische Aufgabengebiete der Kostenrechnung sind u.a. Kostenstellenrechnung, Vorkalkulationen, Abweichungsanalysen und Stammdatenpflege. Zentrales Element ist hierbei die Kontrolle, Erfassung, Verteilung sowie die Auswertung von Kosten-, Leistungs-, und Erlöspositionen.91
Die digitale Transformation wird die Kostenrechnung als zentrale Informationsquelle erheblich verändern.92 Wenngleich der Einfluss der digitalen Transformation auf den Prozess Kostenrechnung geringer eingestuft wird als auf andere Controlling-Hauptprozesse, wie beispielsweise das Management Reporting und die operative Planung.93
Der signifikanteste Digitalisierungstreiber im Bereich der Kostenrechnung stellen dabei die mit Industrie 4.0 in Zusammenhang stehenden Technologien dar.94
Die detaillierte Begriffsdefinition von Industrie 4.0 sowie die Darstellung der damit in Zusammenhang stehenden Technologien würde über den verfügbaren Rahmen dieser Masterarbeit hinausgehen, weshalb der Begriff hier kurz erläutert wird: Industrie 4.0 wird als die vierte industrielle Revolution bezeichnet, worunter die zunehmende Digitalisierung und Vernetzung von Menschen und Produkten mit- und untereinander verstanden wird.95 Der Begriff „Industrie 4.0“ wurde dabei erstmals im Jahre 2011 von der Bundesrepublik Deutschland im Rahmen der Hightech Strategie verwendet und der damit verbundenen fortschreitenden Automatisierung und Digitalisierung in (Produktions-)Unternehmen.96 Die zentrale Triebkraft für Industrie 4.0-Anwendungen ist die Möglichkeit der Kostensenkung.97
Industrie 4.0 trägt maßgeblich zur detaillierteren Kostenrechnung bei. Mit an Produkten und Maschinen angebrachten Sensoren werden Daten in Echtzeit erfasst und analysiert. Sie ermöglichen somit eine bessere Kostenzuordnung.98 Dadurch erhöht sich die Transparenz und es kann genau bestimmt werden, wie viel Zeit oder Material eine Maschine für ein bestimmtes Produkt benötigt hat.99 Der aufwendige Prozess der Erfassung und Verteilung der anfallenden Kosten durch den Menschen wird reduziert.
Bisher nur schwer zuordenbare Fixkosten lassen sich mithilfe der angebrachten Sensoren an den Maschinen den Kostenträgern und Bereichsverantwortlichen verursachungsgerecht zuordnen. Auch Maschinenstundensatzkosten, die oftmals undifferenziert auf alle Produkte umgeschlagen werden, können durch die erhöhte Informationsgrundlage genau dem einzelnen Produkt zugerechnet werden.100
Insgesamt lässt sich allerdings auch konstatieren, dass eine detaillierte Kostenrechnung - trotz der automatisierten Datenerfassung - einen erhöhten Analyseaufwand erfordert.101
Zweck des Prozesses Datenmanagement ist es, dem Management die für die Unternehmenssteuerung relevanten Informationen inhaltlich korrekt und in hoher Qualität zur Verfügung zu stellen. Das Controlling sollte dabei für die steuerungsrelevanten Daten die „Single Source of Truth“ darstellen.102
Die digitale Transformation lässt die Datenmengen in exponentieller Geschwindigkeit ansteigen.103 Aktuellen Prognosen zufolge wird die digitale Datenmenge bis zum Jahr 2025 bereits das fünffache Datenvolumen der derzeitigen Datenmenge betragen.104 Aufgrund dessen wird auch angenommen, dass der Prozess Datenmanagement, der Vorgang ist, der durch die Digitalisierung am stärksten beeinflusst wird.105
Demzufolge ist Big Data auch die digitale Technologie, die den bedeutendsten Einfluss auf den Prozess Datenmanagement haben wird.106 Aufgrund der weiter steigenden Komplexitätsanforderungen reichen oftmals interne Daten nicht mehr aus und sollen durch externe Daten ergänzt werden. Durch die neuen, sich durch Big Data bietenden Möglichkeiten, wird es zukünftig möglich sein, im Datenmanagement diese externen Daten und Informationen automatisiert aus diversen Datenquellen herauszufiltern und direkt aufzuarbeiten. Darüber hinaus können die benötigten Daten situationsgerecht und individuell angepasst werden.107 Die exponentiell ansteigende Datenmenge verursacht auch eine zunehmende Anzahl an Informationsanfragen des Managements sowie der entsprechenden Fachabteilungen.108 Aufgrund dessen hat in den letzten Jahren das Self-Controlling an Importanz gewonnen. Self-Controlling beschreibt die Übernahme von Controlleraufgaben durch die Fachbereiche bzw. die Führungskräfte selbst.109 Somit haben Führungskräfte die Möglichkeit über diverse Kanäle (Web-Browser, Online-Tools, Apps) auf die Informationen zuzugreifen und somit mobil und ortsunabhängig zu sein.110 Der Umfang sowie die Ausgestaltung der bereitzustellenden Informations- und Datenmenge obliegt dabei dem Controlling.111 Diese Umgestaltung der Informationsgestaltung sorgt einerseits dafür, dass das Controlling einen Teil seiner Aufgaben verliert (Single Source of Truth), andererseits aber die Entscheidungsfindung schneller und agiler stattfinden kann und somit letztendlich auch die Controlling-Prozesse effizienter werden.112
Der Business-Partner-Ansatz zielt darauf ab, dass Controller Mitverantwortung für die Erreichung der Unternehmensziele übernehmen.113 Hierbei entlastet und ergänzt der Controller den Manager und stellt die Ausrichtung des Unternehmens auf die Unternehmensziele sicher.114 Als „Co-Pilot“ des Managements wirkt der Controller mit, das Geschäft voranzutreiben und bringt außerdem die analytischen und kommunikativen Kenntnisse mit, um Geschäftsmodelle und Entscheidungen kritisch hinterfragen zu können.115
Der Prozess Business Partnering lässt sich nicht auf ein oder zwei digitale Technologien einschränken, die als Digitalisierungstreiber hervorzuheben sind. Vielmehr ist Business Partnering nicht nur ein Controlling-Hauptprozess sondern ein Rollenbild, welches der moderne Controller anstreben sollte. Treiber für diesen Rollenwandel sind ein sich immer schneller änderndes Marktumfeld, Entwicklungen im IT-Bereich und gestiegene Managementanforderungen.116 Um diesen Rollenwandel erfolgreich zu bewältigen, wird ein verstärkter Fokus auf Kenntnisse in Statistik und Informationstechnologie gelegt.117 Diese sind Grundvoraussetzung, um digitale Technologien wie Big Data oder Predictive Analytics gewinnbringend anwenden zu können. Neben den Fachkompetenzen wird auch ein zunehmender Schwerpunkt auf den Ausbau von sozialen Kompetenzen wie Kommunikations- und Kooperationsfähigkeit gelegt.118
Der Prozess Investitionscontrolling unterstützt bei der Identifikation von Investitionsobjekten und trägt maßgeblich zur Investitionsbewertung, -entscheidung und -kontrolle bei.119 Aufgrund des langfristigen Charakters sind Investitionsentscheidungen von besonderer Bedeutung. Die Aufgabe des Controllings sind dabei Planung, Priorisierung, Steuerung sowie die Nachbetrachtung von Investitionsobjekten.120
Nach Meinung der meisten Experten ist die Einflussstärke der Digitalisierung auf den Prozess Investitionscontrolling im Vergleich zu den anderen Prozessen eher geringfügig.121 Dennoch gibt es auch im Investitionscontrolling digitale Technologien, die sich auf den Prozess auswirken. Den bedeutendsten Einfluss haben hierbei Industrie 4.0 sowie Big Data.
Im Bereich der Industrie 4.0 wirken sich vor allem Echtzeitinformationen auf die Investitionsentscheidung aus. Anhand derer kann die Steuerung und Nachbetrachtung von Investitionen deutlich verbessert werden, da hierdurch die Informationsgrundlagen erhöht werden. Beispielsweise lässt sich der Wartungsaufwand und -bedarf durch Echtzeitinformationen ermitteln und kann zur Verbesserung künftiger Investitionsentscheidungen beitragen.122
Daneben lassen sich Investitionsentscheidungen vor allem auch durch Big Data verbessern. Durch die Einbeziehung neuer Informationsquellen von Websites oder Social-Media-Netzwerken erhöht sich die Datengrundlage für die Investitionsentscheidung. Je mehr relevante Daten zur Verfügung stehen, desto stärker kann das finanzielle Risiko minimiert werden.123 Des Weiteren können die Daten für Sensitivitätsanalysen herangezogen werden. Durch die Vielzahl an zur Verfügung stehenden Daten lassen sich zusätzliche Parameter definieren. Dadurch kann dargestellt werden, inwiefern sich kleine Änderungen auf die Investitionsentscheidungen auswirken.124
Die zentrale Aufgabe des Prozesses Projektcontrolling ist die Überwachung und Steuerung von Projekten. Hierbei konzentriert sich das Projektcontrolling auf die Überwachung der Zeitpläne, die Prüfung und Planung der einzusetzenden Ressourcen sowie die Feststellung der Fertigstellungsgrade.125 Das Projektcontrolling muss dafür sorgen, Transparenz in die zum Teil sehr komplexen Projekte in Bezug auf Effektivität und Effizienz zu bringen.126
Neben dem Investitionscontrolling ist im Projektcontrolling die Einflussstärke der Digitalisierung im Vergleich zu den anderen Prozessen eher geringfügig. Dennoch gibt es auch im Projektcontrolling digitale Technologien, die sich bedeutend auf den Prozess auswirken. Am stärksten wird mutmaßlich Mobile BI das Projektcontrolling beeinflussen.127
Die im Projekt tätigen Personen sind aufgrund von Mobile BI in der Lage, zeit- und ortsunabhängig auf die Projektdaten zugreifen zu können. So kann beispielsweise ein Dashboard konzipiert werden, das als Sammelpunkt für alle projektbezogenen Daten dient.128 Alle Projektmitglieder können sich dadurch ständig einen aktuellen Überblick bezüglich der Kosten, Termineinhaltung, Fortschritt und Risiken des Projekts verschaffen. Aufgrund der Tatsache, dass die Mitarbeiter nicht mehr von einer lokalen Systemumgebung abhängig sind, sondern immer die Möglichkeit haben die Projekte nachzuverfolgen und zu steuern, wird eine Flexibilisierung und Beschleunigung des Projektcontrollings erreicht.129 So erhöht sich auch die Reaktionsgeschwindigkeit auf Planabweichungen. Die Projektleiter können diese Ereignisse in Echtzeit über das Smartphone einsehen und die Ursachen dafür erkennen und Gegenmaßnahmen einleiten.130
Das primäre Ziel des Risikocontrollings ist die langfristige Sicherung des Unternehmensbestands durch den kontrollierten und bewussten Umgang mit Chancen und Risiken. Die Aufgabe des Risikocontrollings liegt in der Identifikation, Erfassung, Analyse, Bewertung, Kontrolle und dem Reporting von Risiken sowie die Ableitung und Verfolgung geeigneter Risikoabwehrmaßnahmen.131
Die digitale Transformation wird sich stark auf das Risikocontrolling auswirken.132 Big Data stellt hierbei die Technologie dar, die die Transformation in diesem Controlling-Hauptprozess am stärksten vorantreibt.
Big Data Technologien bieten die Möglichkeit, eine Vielzahl an relevanten Daten in die Früherkennung von Risiken zu integrieren. Mithilfe von Szenarien oder Prognosen können damit zukünftige Entwicklungen besser antizipiert werden. Die Qualität der Risikoanalyse steigt vor allem durch die Integration der externen Daten an. Beispielsweise lassen sich negative Trendbewegungen in sozialen Netzwerken erfassen und frühzeitige Gegenmaßnahmen können eingeleitet werden.133 Ohne die Nutzung derartiger Daten werden Unternehmen oftmals erst nachgelagert, z.B. aufgrund sinkender Umsätze, auf die negativen Entwicklungen aufmerksam. In Verbindung mit der Verfügbarkeit der Daten in Echtzeit können Risiken früher erkannt und bewertet werden. Die Unternehmen profitieren von der Echtzeitverarbeitung riesiger Datenmengen, die durch Big Data ermöglicht wird. Der Rechenaufwand lässt sich von mehreren Stunden auf wenige Sekunden verringern. Die schnelle Verarbeitungszeit ermöglicht eine Vielzahl an Analysen, um möglichst alle Risikoaspekte zu berücksichtigen und das Risiko zu minimieren.134
Betrachtet man abschließend nochmals die Auswirkungen der digitalen Transformation auf die Controlling-Hauptprozesse, lässt sich konstatieren, dass jeder Controlling-Hauptprozess durch bestimmte digitale Technologien transformiert wird. Besonders stark betroffen sind nach Expertenmeinung die Prozesse Datenmanagement, Management Reporting sowie Planung, Budgetierung und Forecast.
Abbildung 6: Digitale Transformation – Einfluss auf Controlling-Hauptprozesse
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Vgl. Nasca, D. et al., 2018, S. 79
Die thematisierten Technologien wie z.B. Big Data, Predictive Analytics, mobile BI, Echtzeitsteuerung in Folge von Industrie 4.0, haben das Potenzial die Prozesse auf eine neue Ebene der Effizienz zu heben und außerdem die Qualität, Geschwindigkeit und die Informationsversorgung deutlich zu verbessern.135 Daraus resultieren beschleunigte Entscheidungsverfahren und die Agilität der Unternehmen steigt. Die Aufgaben innerhalb der Controlling-Hauptprozesse verändern sich nachhaltig, da die Datensammlung und -aufbereitung zukünftig von intelligenten Systemen übernommen werden kann.136 Die neu gewonnene Datenflut birgt allerdings auch die Gefahr der Überforderung. Aufgrund dessen werden hier vor allem das Business Partnering und Datenmanagement gefordert sein.
In Folge des seit Jahren steigenden Kosten- und Effizienzdruckes finden zunehmend auch im Controlling Organisationsveränderungen statt, beispielsweise durch das Bündeln von Controllingaufgaben.137 Hierfür eignen sich vor allem standardisierte Prozesse, die sich oftmals wiederholen und stark strukturiert sind. Der Trend geht in den letzten Jahren dahin, diese repetitiven Aufgaben zunehmend auszulagern, dass sich die Controlling-Abteilung verstärkt wertschöpfenden Aufgaben widmen kann.138 Für die Auslagerung der Aufgaben haben sich verstärkt Shared-Service-Center-Strukturen etabliert. Die Grundidee eines Shared-Service-Centers (SSC) ist es, Aktivitäten und Prozesse zentral zu bündeln, um einen höheren Grad an Standardisierung und Automatisierung zu erzielen und dadurch Skaleneffekte, Synergien und Effizienzgewinne zu erreichen. Spezialisten in den einzelnen Prozessen übernehmen somit Aufgaben über alle Unternehmensgesellschaften hinweg, wodurch eine Bündelung des Know-hows an einem zentralen Ort geschaffen werden kann.139
In Bezug auf die ausgelagerten Tätigkeiten, lässt sich zwischen Controlling-Factories und Controlling-Hubs differenzieren.140 Alternativ können geeignete Controllingtätigkeiten auch an einen Drittanbieter übertragen werden. Einfache und repetitive Aufgaben lassen sich in Controlling-Factories bündeln. Dadurch wird eine Entlastung von Routineaufgaben erzielt und damit die Schaffung von Kapazitäten für wertschöpfende Analysetätigkeiten. Insgesamt bietet die Verlagerung der Tätigkeiten eine effiziente Möglichkeit zur Bewältigung der Herausforderungen im Controlling.141 Für eine Verlagerung sprechen vor allem die Bündelung von Wissen sowie der Zugang zu Spezialwissen.142 Demgegenüber stehen Controlling Hubs, in denen interdisziplinäres Wissen gebündelt wird. In diesen wird das Wissen von IT-Experten, Statistikern, Data Scientists und Controllern zusammengebracht, um komplexe Probleme im Controlling zu lösen. Die Experten aus den verschiedenen Fachbereichen werden über digitale Plattformen miteinander vernetzt. Oftmals entstehen durch Controlling-Hubs neue Innovationen und Geschäftsmodelle.143
Neben der Auslagerung von Aufgaben in den verschiedenen Formen von Shared-Service-Centern gehört zur Neuausrichtung der Controlling-Organisation insbesondere auch die Ausweitung von Self-Service-Angeboten.144 Dadurch können Entscheidungsträger standardisierte Berichte und Kennzahlen eigenständig erzeugen und abrufen. Durch das Self-Service könnte das Controlling maßgeblich entlastet werden.145
Neben der thematisierten Struktur der Controlling-Organisation ist vor allem auch die Personalintensität ein wesentliches Gestaltungselement. Ob sich durch die Bündelung der Tätigkeiten in Form von Controlling-Factories oder Controlling-Hubs eine Erhöhung oder eine Verringerung der Personalintensität für die Controlling-Prozesse ergeben wird, ist an dieser Stelle noch nicht vollständig prognostizierbar.146 Sicher ist allerdings, dass der Aufgabenumfang im Controlling durch die Vielzahl an verfügbaren Daten zunehmen wird. Auch wenn Shared-Service-Center zunehmend in der Controllingabteilung Anwendung findet und damit Teile der Tätigkeiten abgegeben werden, bleiben noch ausreichend Aufgaben für die derzeit angestellten Controller übrig. Lediglich deren Aufgabenspektrum wird sich mehr in Richtung Business Partner verschieben.147
Ein Reifegradmodell umfasst eine Folge von Reifegraden für eine Klasse von Objekten und beschreibt dadurch einen antizipierten, gewünschten oder typischen Entwicklungspfad dieser Objekte in aufeinander folgenden Rangstufen, beginnend mit einem Anfangsstadium bis hin zur vollständigen Reife.148 Die jeweiligen Reifegrade werden durch vorab definierte Merkmale festgelegt, wobei bestimmte Merkmalsausprägungen zur Erreichung eines Reifegrads erforderlich sind.149 Im Regelfall bauen die Reifegrade aufeinander auf, sodass ein hoher Reifegrad alle Anforderungen der niedrigeren Grade umfasst. Der Zweck von Reifegradmodellen ist in erster Linie die Bestimmung der Ist-Situation.150 Sie werden eingesetzt, um beispielsweise den Entwicklungsprozess eines Geschäftsprozesses, eines Produktes oder einer Organisation abzubilden.151
Für eine Einordung, wo sich der Digitalisierungsgrad des Controllings derzeit befindet, eignet sich ebenfalls ein Reifegradmodell zur Darstellung.152
In der Literatur gibt es mehrere unterschiedliche Reifegradmodelle, die zur Bestimmung des Digitalisierungsgrades im Controlling entwickelt wurden. In aktuellen Literaturquellen werden drei verschiedene Reifegradmodelle erläutert. Das erste ist das von dem Beratungsunternehmen Camelot entwickelte Camelot-Reifegradmodell.153 Darüber hinaus hat die Wirtschaftsprüfungs- und Beratungsgesellschaft PricewaterhouseCoopers (PwC) mit dem Vier-Phasen-Modell ein Reifegradmodell ausgearbeitet.154 Auch in dem von Langmann veröffentlichten Werk „Digitalisierung im Controlling“ stellt dieser ein Reifegradmodell zur Einordnung des Digitalisierungsgrades im Controlling dar.155
Während PwC in seinem Vier-Phasen-Modell, wie bereits dem Namen zu entnehmen ist, den Reifegradprozess in vier Phasen (Insellösungen, Integriertes System, digitale Identität, digitales Ökosystem) unterteilt156, weist das von Camelot entwickelte Modell fünf Phasen (Datenverwaltung, Datenanalyse, Business Partner, strategisches Frühwarnsystem, vernetztes Wertschöpfungssystem) auf.157 Langmann untereilt in drei Phasen: Digital Newbie, Digital Mainstream, Digital Pioneer.158
Im Rahmen dieser Masterarbeit soll dabei näher auf das Vier-Phasen-Modell eingegangen werden, da dieses aus Sicht des Autors in der Literatur am umfassendsten und detailliertesten ausgeführt wird. Das von PwC erstellte Vier-Phasen-Modell wird in vier Wellen unterteilt. Jede der vier Wellen quantifiziert einen bestimmten Digitalisierungsgrad. Das Ziel des Modelles ist es, Unternehmen in eine der vier Wellen einzuordnen. Anhand dessen können Unternehmen ihren Status quo im Prozess der Digitalisierung ermitteln und Optimierungspotenziale identifizieren.159
Abbildung 7: Vier-Phasen-Modell digitales Controlling
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Koß, R., 2016, S. 37
In der ersten Welle beschäftigt sich das Controlling mit der Sammlung von Daten, um das Management mit entsprechenden Daten versorgen zu können. In der zweiten Welle liegt der Fokus primär auf der Datenanalyse. In der nächsten Welle erweitert sich die Rolle des Controllers auf die eines Beraters bzw. Business Partners. Für die vierte Welle ist die nahezu symbiotische Beziehung zwischen dem Management und dem Controlling kennzeichnend, in dem das Controlling in den strategischen Entscheidungsfindungsprozess einbezogen wird.160
In jeder der vier Wellen ist eine gewisse Form der Softwareunterstützung gegeben.
Während in der ersten Welle häufig verschiedene Insellösungen vorliegen, die oftmals keine Schnittstellen aufweisen, steigt in den beiden folgenden Phasen der Grad der Vernetzung der Software an, wodurch sich einheitliche Strukturen bilden. Vor allem in der ersten Phase ist die Fehleranfälligkeit sehr hoch. In dieser Phase fungiert der Controller als Datensammler.161 In der zweiten Welle liegen bereits grundsätzliche Schnittstellen vor, die dann in der dritten Welle voll automatisiert sind. Darüber hinaus kann in der dritten Phase ortsunabhängig auf die Daten zugegriffen werden, wodurch vor allem auch die Bedeutung von Mobile BI steigt.162 In der dritten Phase entwickelt sich der Controller schon zum Business Partner des Managements. Kennzeichnend für die ersten drei Wellen ist, dass sie sich ausschließlich auf unternehmensinterne Daten beschränken. Aufgrund der vollautomatisierten Schnittstelle zu externen Daten können in der vierten Welle auch externe Daten in die Analysen miteinbezogen werden.163 Außerdem werden in dieser Phase modernste digitale Technologien wie z.B. Predicitve Analytics genutzt, wodurch sich die Effizienz erhöht, der Controller seine Fokussierung stärker auf strategische Themen ausrichten kann und das Management als Business Partner bei relevanten Themen unterstützt.164
Die drei im vorherigen Kapitel thematisierten Reifegradmodelle bieten die Möglichkeit, den Digitalisierungsgrad für ein spezifisches Unternehmen darzustellen. Allerdings spricht keines der Modelle den unternehmensübergreifenden Reifegrad im Controlling an. Aufgrund dessen kann die Frage, in welcher Reifephase sich das Controlling derzeit befindet, nicht abschließend beantwortet werden. Dazu müssten unternehmensspezifische Befragungen durchgeführt werden, anhand derer dann letztendlich ein gesamtheitliches Bild entworfen werden könnte. Da der Fokus dieser Masterthesis allerdings auf der Entwicklung von Zukunftsszenarios liegt, wird diese Frage nicht weiter untersucht und wäre stattdessen ein Ansatzpunkt für weitere Forschungen, die auf diese Masterthesis aufbauen können.
Es existieren mehrere Studien, die sich damit befassen, inwiefern sich das Controlling durch die Digitalisierung verändert. Anhand der nachfolgend vorgestellten Studienergebnisse sollen jeweils die zentralen Aussagen dieser Befragungen dargestellt werden. Der Fokus liegt hierbei auf sehr aktuellen Studien, um somit eine möglichst hohe Relevanz zu gewährleisten. Aufgrund dessen werden lediglich Studien berücksichtigt, die maximal fünf Jahre alt sind (Stand: Oktober 2019).
Der durch die Digitalisierung angetriebene technologische Wandel wird auch im Controlling zu weitreichenden Veränderungen führen. Es hat sich in den letzten Jahren vermehrt gezeigt, dass die verschiedenen Facetten des Themas Digitalisierung die Liste der Zukunftsthemen dominieren und der wahrgenommene Veränderungsdruck im Controlling groß ist. Einzig die tatsächliche Veränderung hält sich in den meisten Unternehmen noch in Grenzen.165 Die dritte WHU (Otto Beisheim School of Management)-Zukunftsstudie aus dem Jahr 2017 stellte fest, dass die Hälfte aller befragten Unternehmen noch keine Digitalisierungsstrategie im Controlling entwickelt hat bzw. bei weiteren 30% der befragten Personen lediglich eine Digitalisierungsstrategie im Anfangsstadium für das Controlling vorliegt. An der Befragung beteiligten sich 454 Controller und CFO’s von Unternehmen verschiedener Größen.166
Abbildung 8: Digitalisierungsstrategie im Controlling und Unternehmen
Abbildung in dieser Leseprobe nicht enthalten
Quelle: Schäffer, U., Weber, J., 2018a, S. 45
In der von Egle und Keimer durchgeführten Studie „Digitaler Wandel im Controlling“ kamen die Befragten zu einem ähnlichen Bild wie die dritte WHU-Zukunftsstudie.167
[...]
1 Vgl. Horváth, P., 2017a, S. 1.
2 Vgl. Schäffer, U., Weber, J., 2016, S. 9.
3 Vgl. Gentsch, P., 2018, S. 74.
4 Vgl. Schäffer, U., Weber, J., 2018a, S. 7-9.
5 Buchholz, L., 2013, S. 6.
6 Vgl. Behringer, S., 2018, S. 2-3.
7 Vgl. Hubert, B., 2018, S. 1.
8 Vgl. Weber, J., Schäffer, U., 2016, S. 3-4.
9 Vgl. Hubert, B., 2018, S. 1.
10 Vgl. Horváth, P. et al., 2015, S. 17 ff.
11 Vgl. Horváth, P. et al., 2015, S. 24.
12 Vgl. Becker, W. et al., 2019, S. 24.
13 Vgl. Langmann, C., 2019, S. 5.
14 Becker, W. et al., 2019, S. 6.
15 Vgl. Bengler, K., Schmauder, M., 2019, S.75.
16 Vgl. Schawel, C., Billing, F., 2018, S. 75 ff.
17 Vgl. Becker, W. et al., 2019, S. 6.
18 Vgl. Becker, W. et al., 2019, S. 6.
19 Vgl. Kieninger, M. et al., 2016, S. 241.
20 Vgl. Botzkowski, T., 2018, S. 9.
21 Botzkowski, T., 2018, S. 24.
22 Vgl. Steinmüller, K., 1997, S. 47.
23 Vgl. Kiesel, J., 2001, S. 38.
24 Vgl. Kiesel, J., 2001, S. 39.
25 Vgl. Kiesel, J., 2001, S. 39.
26 Vgl. Kiesel, J., 2001, S. 40.
27 Vgl. Kosow, H., Gaßner, R., 2008, S. 13.
28 Vgl. Welge, M., Eulerich, M., 2007, S. 70.
29 Vgl. Möller, K., Illich-Edinger, S., 2018, S. 55.
30 Vgl. Möller, K., Illich-Edinger, S., 2018, S. 56.
31 Vgl. Keimer, I., Egle, U., 2018, S. 63.
32 Vgl. Möller, K., Illich-Edinger, S., 2018, S. 56-57.
33 Vgl. Baumüller, J. et al., 2018, S. 197.
34 Vgl. Langmann, C., 2019, S. 11.
35 Vgl. Gentsch, P., Kulpa, A., 2016, S. 33.
36 Vgl. Weichel, P., Herrmann, J., 2016, S. 9.
37 Vgl. Weichel, P., Herrmann, J., 2016, S. 9.
38 Vgl. Willmes, C. et al., 2015, S. 261.
39 Vgl. Gentsch, P., Kulpa, A., 2016, S. 33.
40 Vgl. Grönke, K., Heimel, 2015, S. 247.
41 Vgl. Leyk, J., 2014, S. 72.
42 Vgl. Lehmann, G., 2011, S. 25.
43 Vgl. Möller, K., Gackstatter, T., 2017, S. 61 ff.
44 Vgl. Möller, K., Gackstatter, T., 2017, S. 62.
45 Vgl. Nasca, D. et al., 2018, S. 79.
46 Vgl. Dillerup, R. et al., 2019, S. 52.
47 Vgl. Kirchberg, A., Müller, D., 2016, S. 96.
48 Vgl. Iffert, L., 2016, S. 16 ff.
49 Vgl. Heimpel, J., Müller, M., 2019, S. 406.
50 Vgl. Langmann, C., 2019, S. 6.
51 Vgl. Faber, O., 2019, S. 23.
52 Vgl. Nasca, D. et al., 2018, S. 85.
53 Vgl. Kirchberg, A., Müller, D., 2016, S. 92.
54 Vgl. Schäffer, U., 2017, S. 38.
55 Vgl. Möller, K., Pieper, 2015, S. 45.
56 Vgl. Nasca, D, et al., 2018, S. 85.
57 Vgl. Schäffer, U., Weber, J., 2016, S. 10.
58 Vgl. Schäffer, U., Weber, J., 2016, S. 34.
59 Vgl. Willmes, C., 2015, o. S.
60 Vgl. Burow, L., 2017, S. 56.
61 Vgl. Schön, D., 2016, S. 298.
62 Vgl. Rieg, R., 2018, S. 25.
63 Vgl. Mehanna, W. et al., 2015, S. 29.
64 Vgl. Heimpel, J., Müller, M., 2019, S. 402.
65 Vgl. Langmann, C., 2019, S. 23.
66 Vgl. Langmann, C., 2019, S. 24.
67 Vgl. Langmann, C., 2019, S. 24.
68 Vgl. Gärtner, B., Rockenschaub, T., 2015, S. 711.
69 Vgl. Reifenberger, S., 2018, o. S.
70 Vgl. Reifenberger, S., 2018, o. S.
71 Vgl. Langmann, C., 2019, S. 34.
72 Vgl. Nasca, D. et al., 2018, S. 85.
73 Vgl. Manutiu, S., 2018, S. 4.
74 Vgl. Heimpel, J., Müler, M., 2019, S. 423.
75 Vgl. Manutiu, S., 2018, S. 5.
76 Vgl. Manutiu, S., 2018, S. 4.
77 Vgl. Schön, D., 2018, S. 463.
78 Vgl. Langmann, C., 2019, S. 12.
79 Vgl. Langmann, C., 2019, S. 17.
80 Vgl. Manutiu, S., 2018, S. 4.
81 Vgl. Smeets, M. et al., 2019, S. 31.
82 Vgl. Hermann, K., 2018, S. 29-30.
83 Vgl. Svatopluk, A. et al., 2019, S. 40.
84 Vgl. Manutiu, S., 2018, S. 4 ff.
85 Vgl. Manutiu, S., 2018, S. 9.
86 Vgl. Wehrum, K., Heinrich, T., 2013, S. 325.
87 Vgl. Simbeck, K. et al., 2018, S. 73.
88 Vgl. Scheffner, J., Pham Duc, K-M., 2015, S. 160-161.
89 Vgl. Egle, U., Keimer, I., 2018, S. 25.
90 Vgl. Möller, K., Gackstatter, T., 2017, S. 62.
91 Vgl. Weber, J., Schäffer, U., 2016, S. 140-141.
92 Vgl. Pedell, B., Prüße, S., 2019, S. 81.
93 Vgl. Nasca, D. et al., 2018, S. 79.
94 Vgl. Internationaler Controller Verein, 2015, S. 28.
95 Vgl. Sauter, R. et al., 2016, S. 143.
96 Vgl. Tschandl, M., Mallaschitz, C., 2016, S. 87.
97 Vgl. Sauter, R. et al., 2016, S. 144.
98 Vgl. Losbichler, H., Gänßlen, S., 2018, S. 36.
99 Vgl. Internationaler Controller Verein, 2015, S. 28-32.
100 Vgl. Seiter, M., et al., 2015, S. 470-471.
101 Vgl. Lingnau, V., Brenning, M., 2015, S. 459.
102 Vgl. Weber, J., Schäffer, U., 2016, S. 213-214.
103 Vgl. Nasca, D. et al., 2018, S. 81.
104 Vgl. Statista.com, 2019, o. S.
105 Vgl. Nasca, D. et al., 2018, S. 79.
106 Vgl. Kieninger, M. et al., 2016, S. 242.
107 Vgl. Arns, M-A., Heupel, T., 2019, S. 62.
108 Vgl. Schmitting, J., Hoffjan, A., 2016, S. 376.
109 Vgl. Hönnige, P., 2019, S. 82.
110 Vgl. Erichsen, J., 2019, S. 9.
111 Vgl. Hönnige, P., 2019, S. 82.
112 Vgl. Nasca, D. et al., 2018, S. 81.
113 Vgl. Nobach, K., Immel, C., 2017, S. 79.
114 Vgl. Gänßlen, S. et al., 2014, S. 29.
115 Vgl. Drerup, B. et al., 2018, S. 61 ff.
116 Vgl. Wiegmann, L. et al., 2014, S. 197.
117 Vgl. Kirschmann, D., Fehrling, N., 2018, S. 37.
118 Vgl. Burns, J. et al., 2014, S. 39-40.
119 Vgl. Müller, D., 2014, S. 547.
120 Vgl. Tondock, R., 2012, S. 86-89.
121 Vgl. Langmann, C., 2019, S. 11.
122 Vgl. Hoffjan, A. et al., 2017, S. 32-33.
123 Vgl. Wehrum, K., Heinrich, T., 2013, S. 321.
124 Vgl. Langmann, C., 2019, S. 11.
125 Vgl. Schmid, A., 2019, S. 47.
126 Vgl. Zirkler, B. et al., 2019, S. 26.
127 Vgl. Langmann, C., 2019, S. 11.
128 Vgl. Buschbacher, F., 2016, S. 42 ff.
129 Vgl. Gärtner, B., Rockenschaub, T., 2015, S. 710.
130 Vgl. Wehrum, K., Heinrich, T., 2013, S. 321.
131 Vgl. Möller, K., Illich-Edinger, S., 2018, S. 57.
132 Vgl. Nasca, D. et al., 2018, S. 79.
133 Vgl. Gentsch, P., Kulpa, A., 2016, S. 36.
134 Vgl. Kieninger, M. et al., 2016, S. 245.
135 Vgl. Kieninger, M. et al., 2016, S. 245.
136 Vgl. Schäffer U., Weber, J., 2016, S. 10.
137 Vgl. Kirchberg, A., Müller, D., 2016, S. 94 ff.
138 Vgl. Heimpel, J., Müller, M., 2019, S. 419.
139 Vgl. Steuer, R., Westeppe, S., 2015, S. 9.
140 Vgl. Keimer, I. et al., 2017, S. 829.
141 Vgl. Ströbele, A., 2018, S. 60.
142 Vgl. Ströbele, A., 2018, S. 57.
143 Vgl. Kirchberg, A., Müller, D., 2016, S. 86.
144 Vgl. Egle, U., Keimer, I., 2018, S. 30.
145 Vgl. Schäffer, U., Weber, J., 2017, S. 57.
146 Vgl. Heimpel. J., Müller, M., 2019, S. 420.
147 Vgl. Egle, U., Keimer, I., 2018, S. 27.
148 Vgl. Altuntas, M., Uhl, P., 2016, S. 127.
149 Vgl. Hecht, S., 2013, S. 31.
150 Vgl. Altuntas, M., Uhl, P., 2016, S. 127.
151 Vgl. Hecht, S., 2013, S. 28.
152 Vgl. Langmann, C., 2019, S. 49.
153 Vgl. Spieler, S., Classen, S., 2018, S. 53.
154 Vgl. Koß, R., 2016, S. 32 ff.
155 Vgl. Langmann, C., 2019, S. 49 ff.
156 Vgl. PricewaterhouseCoopers AG, 2015, S. 7.
157 Vgl. Spieler, S., Classen, S., 2018, S. 53.
158 Vgl. Langmann, C., 2019, S. 50.
159 Vgl . Koß, R., 2016, S. 36.
160 Vgl. PricewaterhouseCoopers AG, 2015, S. 7.
161 Vgl. Koß, R., 2016, S. 37.
162 Vgl. PricewaterhouseCoopers AG, 2015, S. 7.
163 Vgl. Koß, R., 2016, S. 37.
164 Vgl. Koß, R., 2016, S. 38.
165 Vgl. Schäffer, U., Weber, J., 2018a, S. 42-43.
166 Vgl. Schäffer, U., Weber, J., 2018a, S. 43-45.
167 Vgl. Egle, U., Keimer, I., 2018, S. 8.
