Integrative Unternehmenssteuerung: Leitfaden zur Gestalt ... / 4.3.2 Datenerhebung und Datenversorgung

Peter Drucker hat Anfang der 1950er Jahre den schon oft zitierten Satz geprägt: "If you can’t measure it, you can’t manage it". Manche Dinge muss man messen (zur Erfüllung von Rechnungslegungspflichten, …), manche Dinge dienen vor allem der internen Steuerung. Alles zusammen kostet viel Zeit und Geld. Deshalb ist immer zu prüfen, welche Messungen sinnvoll sind und welche Aufwendungen besser in Wachstum, Innovation und Kundenbetreuung gesteckt werden könnten. Daraus ergeben sich zwei Fragen:

• Was müssen wir wirklich messen, was ist nur Last?
• Welche Anforderungen ändern sich durch neue (Team-)Organisationen?

Oftmals basiert die Messung von Leistungen auf Tradition. Es war "schon immer" üblich, die Leistung der Mitarbeiter detailliert durch Kennzahlen abzurechnen. Meist werden solche Abrechnungen an Führungskräfte adressiert, die nicht ins Tagesgeschäft eingebunden sind und denen daher die Kenntnis aus unmittelbarem Erleben fehlt.

Wenn es gelingt, diese Abrechnungen auf die wesentlichen Ergebnismessungen zu reduzieren, sind erhebliche Rationalisierungen möglich. Das ermöglicht zugleich, die Breite der Steuerung zu erhöhen, also z. B. auch Kennzahlen für den Zugang zu allen Vermögensarten des Integrierten Reportings zu erfassen, ohne den Gesamtaufwand für Datenerfassung zu erhöhen. Bei ausreichender Konsequenz zur Reduzierung der Messungen für zentralisierte Berichte entstehen außerdem auch Räume für Messungen im Rahmen des Lean Managements zur Leistungsverbesserung der selbstorganisierten Teams.

Eine weitgehende Automatisierung der Datenerfassung reduziert den Aufwand und erhöht die Wirtschaftlichkeit der Datenerfassung weiter.

Datenanalyse und Predictive Analytics

Die analytischen Möglichkeiten sind durch die modernen Formen der Datenverarbeitung enorm gestiegen (s. Abb. 27).

Abb. 27: Übersicht Business-Analytics-Methoden^[1]

Datenbasierte und statistische Zusammenhänge ersetzen zunehmend bisher angenommene qualitative Ursache-Wirkungs-Ketten (z. B. Data Mining, Process Mining). Dabei müssen diese datenbasierten und statistischen Zusammenhänge regelmäßig validiert und bei Bedarf angepasst werden. Aufgrund der hohen verfügbaren Rechenleistung können jedoch Modelle eingesetzt werden, die bisher weder durch Menschen noch durch Computersysteme sinnvoll bewältigt werden konnten.

Um solche verbesserten Modelle zu entwickeln bzw. ihre Auswirkungen auf unternehmerische Entscheidungen zu beurteilen, ist ein tiefes Geschäftsverständnis erforderlich^[2] inkl. ihrer Auswirkungen auf die Vermögensarten des Integrierten Reportings.

Zunehmend werden Datenquellen außerhalb des Unternehmens genutzt, um Management-Entscheidungen zu unterstützen. Zu diesen Quellen zählen

• Service-Apps für Kunden, z. B.

  • Nutzungsstatistik für die eigenen Produkte
  • Kataloge
  • Chat-/Blog-Funktionen inklusive der Nutzung von Chatbots
• Social Media-Applikationen, also Facebook, YouTube, XING etc.

Je mehr Kontaktpunkte ein Unternehmen mit seinen Kunden hat, desto mehr Informationen über seine Verhaltensweisen und über die Nutzung der Produkte kann das Unternehmen erhalten. Für die Controller sind dies wertvolle Informationen, aus denen sie Veränderungen des Kundenverhaltens ablesen und eine Anpassung der Vertriebs- und Fertigungsaktivitäten des Unternehmens initiieren können.

Die vielen Daten aus den verschiedenen Datenquellen kommen weiterhin in einer Art Business Intelligence Software (BI-Software) zusammen. Auf dieser Basis wurden auch bislang Entscheidungen vorbereitet. Diese Steuerungsmethodik wird sich jedoch schrittweise ändern.^[3]

Seit es Business-Intelligence-Software gibt, prüfen Unternehmen die aufbereiteten Daten aus vergangenen Geschäftsperioden und treffen auf dieser Basis Entscheidungen. Dieser Ansatz genügt heute jedoch nicht mehr. Im Folgenden sind fünf wichtige Bausteine für eine flexiblere und effizientere Unternehmenssteuerung der nächsten Generation zusammengestellt:

Prognostische Analyse und Modellierung nutzen

Die prognostische Analyse und die Modellierung stellen mathematische Beziehungen zwischen den unterschiedlichsten Einflussfaktoren her und liefern Erkenntnisse darüber, welche Kombination dieser Wirkkräfte ein gewünschtes Ergebnis beeinflussen kann. Aus einer Vielzahl von Faktoren erzeugen beide ein Bild davon, was am wahrscheinlichsten passieren wird, wie das Best-Case-Szenario aussieht und welche Maßnahmen zum Erfolg führen können. Unternehmen richten den Blick in die Zukunft und erhalten Erkenntnisse über neue Geschäftsansätze.

Mehr externe Daten einbeziehen

Jede Form der prognostischen Analyse und Modellierung ist von der Quantität und Qualität der verfügbaren Daten abhängig. Viele Unternehmen verfügen bislang über keine historischen Informationen außerhalb ihrer eigenen Organisationsgrenzen. Aber gerade solche externen Daten können einen erheblichen Einfluss auf die Prognoseergebnisse haben. Durch die Einbeziehung externer Datenquellen und Informationen (etwa Geo- und Wetterdaten) lassen sich Entscheidungsfindungsprozesse auf eine zuverläs...