Small Data als MVP auf dem Weg zum digitalen Controlling / 1.1 Was bedeutet Small Data?

In den Unternehmen wird heutzutage häufig versucht, durch das teilweise Automatisieren manueller Prozesse die Effizienz im Controlling zu erhöhen. Dafür werden statistische und Machine-Learning-Methoden in die Arbeitsabläufe und Prozesse integriert. Mit deren Hilfe sollen Abläufe verkürzt und wenig inhaltliche Aufgaben des Controllers, wie die Datenakquise und -aufbereitung, durch tiefergreifende Analysen und Managementunterstützung ersetzt werden. Diese Art der Effizienzsteigerung und Fokussierung der Controller durch Automatisierung ist ein Trend, der seit mehreren Jahren zu beobachten ist^[1] und durch Begriffe wie Big Data und Advanced Analytics geprägt wurde.

Diese Begriffe verdeutlichen auch, dass die Grundlagen für die digitale Transformation von Controllingaufgaben häufig historische Daten sind. Unternehmenseigene Zahlen liegen zwar typischerweise über einige Jahre rückwirkend vor, liefern aber nur überschaubare Datenmengen. In diesem Fall sprechen wir nicht von Big Data, sondern von Small Data. Die Arbeit mit kleineren und überschaubaren Datenmengen hat 3 Hauptvorteile:

1. Kleinere Datenmengen lassen sich mit gängigen Tabellenkalkulationswerkzeugen analysieren und darstellen.
2. Benötigtes Prozess- und Domänenwissen zum Verständnis der Daten kann schnell erarbeitet werden.
3. Die Organisation kann mit geringem Aufwand erste Erfahrungen im Umgang mit Data Scientists sowie im Einsatz von künstlicher Intelligenz und Advanced Analytics machen.

Im Vergleich zu Big-Data-Projekten sind die potenziellen positiven Auswirkungen von Small-Data-Projekten auf ein Unternehmen oder eine Abteilung geringer, allerdings sind die Aufwände und Ressourcen auch wesentlich geringer. Liegt eine Digitalstrategie der Finanz- oder Controlling-Abteilung vor, sollten Use Cases von dieser Strategie abgeleitet werden. Damit können Ressourcenallokation und unternehmensweite Effektivität in der digitalen Transformation verbessert werden.

Das Projektbeispiel, anhand dessen wir die Erkenntnisse mit Small-Data-Projekten darstellen, war die prototypische Entwicklung eines automatisierten Liquiditätsforecastings. Das Projekt wurde bei einem multinationalen Automobilkonzern bis Anfang des Jahres 2020 durchgeführt. Bevor das Vorgehensmodell dargestellt wird, soll zuerst auf die Relevanz des Liquiditätsforecastings eingegangen werden.

[1] Vgl. Seethaler/Steitz, 2007, S. 25.