Digitale Technologien im Rahmen des Controllings und Implikationen für den Controller ........................................................................................................................................ Dissertation zur Erlangung des Grades eines Doktors der wirtschaftlichen Staatswissenschaften (Dr. rer. Pol.) des Fachbereichs Rechts- und Wirtschaftswissenschaften der Johannes Gutenberg-Universität Mainz vorgelegt von David Dursun, M.Sc. in Mainz ........................................................................................................................................ im Jahre 2022 Abstract „Nichts ist so beständig wie der Wandel.“1 Die Digitalisierung bringt weitreichende Veränderungen mit sich. Geschäftsmodelle, Produkte oder gar Berufsgruppen werden fast über Nacht obsolet. Digitale Technologien wie Big Data, Robotic Process Automation oder maschinelles Lernen prägen Unternehmen und beeinflussen jegliche Unternehmensbereiche ebenso wie das Controlling. Der Wissensstand, in welchem Maße digitale Technologien das Controlling verändern können, steht sowohl in der Forschung als auch in der Praxis noch am Anfang. Ziel der Arbeit ist es, den Wandel des Controllings im Lichte aufkommender digitaler Techno- logien sowie deren Implikationen für den Controller umfassend zu analysieren. Die vorliegende Arbeit umfasst dabei vier Aufsätze. Aufsatz I beschäftigt sich mit den möglichen Auswirkungen von Big Data auf die Informationsversorgung durch das Controlling. In diesem Zuge wird her- ausgearbeitet, dass Big Data über ein enormes Potenzial zur Verbesserung der Entscheidungs- unterstützung verfügt, allerdings das Controlling auch vor neue Herausforderungen, die insbe- sondere mit der Größe und Komplexität von Big Data zusammenhängen, stellt. In Aufsatz II erfolgt eine qualitative Untersuchung auf Basis von Experteninterviews zur Analyse möglicher Nutzenpotenziale durch den Einsatz aufkommender digitaler Technologien für das Forecasting und Reporting. In diesem Zusammenhang zeigen die Ergebnisse, dass es in Abhängigkeit der spezifischen digitalen Technologien zu unterschiedlichen Veränderungen der jeweiligen Pro- zesse kommen kann und die Digitalisierung daher nicht im Allgemeinen betrachtet werden sollte. Auch in Aufsatz III wird eine qualitative Untersuchung auf Grundlage von Expertenin- terviews durchgeführt, allerdings um Thesen hinsichtlich eines digital transformierten Control- ler-Profils zu bilden. Hierbei konnte eine Verschiebung der Aufgabenschwerpunkte sowie ein Wandel der Kompetenzanforderungen durch die Nutzung digitaler Technologien identifiziert werden, was folglich auch mit einer Entwicklung potenzieller Rollenbilder, die der Controller künftig einnehmen kann, einhergeht. Schließlich erfolgt in Aufsatz IV eine quantitative Ana- lyse, inwieweit Unternehmen in Deutschland ein digital transformiertes Controller-Profil nach- fragen. Im Ergebnis lassen sich bereits erste Anzeichen feststellen, die den Beginn des digital transformierten Controllers in der Praxis erkennen lassen. 1 Heraklit von Ephesus, vorsokratischer Philosoph, 535-475 v. Chr., zitiert nach o.V. (o.J.). INHALTSSVERZEICHNIS ABBILDUNGSVERZEICHNIS ............................................................................. IV TABELLENVERZEICHNIS ................................................................................... V ABKÜRZUNGSVERZEICHNIS ............................................................................ VI ANHANGSVERZEICHNIS .................................................................................. VII 1 Problemstellung ..................................................................................................... 1 1.1 Relevanz der Digitalisierung im Controlling ................................................... 1 1.2 Stand der Forschung und Zielsetzungen der Arbeit ......................................... 3 1.3 Gang der Arbeit ................................................................................................ 8 2 Aufsatz I: Wandel der Informationsversorgung durch das Controlling unter besonderer Berücksichtigung von Big Data ...................................................... 12 2.1 Einleitung ....................................................................................................... 12 2.2 Theoretische Grundlagen ................................................................................ 15 2.2.1 Digitalisierung als Megatrend ................................................................. 15 2.2.2 Big Data ................................................................................................... 17 2.2.2.1 Charakteristika ............................................................................... 17 2.2.2.2 Big Data-Technologien .................................................................. 20 2.2.2.3 Big Data Analytics-Methoden ........................................................ 21 2.3 Bedeutung von Big Data für das Controlling vor dem Hintergrund des geänderten Informationsbedarfs im Zuge der Digitalisierung .......................................... 24 2.4 Mögliche Auswirkungen von Big Data auf den Informationsversorgungsprozess im Controlling ...................................................................................................... 30 2.4.1 Einfluss auf die Informationsbeschaffung ............................................... 30 2.4.2 Einfluss auf die Informationsaufbereitung .............................................. 36 2.4.3 Einfluss auf die Informationsübermittlung .............................................. 44 2.4.4 Kritische Würdigung hinsichtlich des Datenschutzes und der Wirtschaftlichkeit 48 2.5 Fazit ................................................................................................................. 51 3 Aufsatz II: Wandel des Forecastings und des Reportings aufgrund aufkommender digitaler Technologien ......................................................................................... 54 3.1 Einleitung ....................................................................................................... 54 3.2 Theoretische Grundlagen zu aufkommenden digitalen Technologien im Controlling ........................................................................................................................ 56 I 3.3 Qualitative Analyse der Nutzenpotenziale für das Forecasting und Reporting durch aufkommende digitale Technologien auf Grundlage von Experteninterviews60 3.3.1 Vorgehensweise und Methodik ............................................................... 60 3.3.2 Ergebnisse ............................................................................................... 64 3.4 Implikationen bezüglich aufkommender digitaler Technologien für das Forecasting und Reporting ................................................................................................. 68 3.4.1 Einfluss auf das Forecasting .................................................................... 68 3.4.2 Einfluss auf das Reporting ...................................................................... 78 3.4.3 Kritische Würdigung im Hinblick auf die Wirtschaftlichkeit und Cloud Computing als Enabler der digitalen Transformation ............................. 90 3.5 Limitationen und Fazit ................................................................................... 93 4 Aufsatz III: Der Controller im Lichte aufkommender digitaler Technologien - Aufgaben, Kompetenzprofil und Rollenbild ..................................................... 97 4.1 Einleitung ....................................................................................................... 97 4.2 Theoretische Grundlagen zu aufkommenden digitalen Technologien im Controlling ........................................................................................................................ 99 4.3 Qualitative Analyse zum Wandel des Controllers auf Grundlage von Experteninterviews ....................................................................................... 103 4.3.1 Vorgehensweise und Methodik ............................................................. 103 4.3.2 Ergebnisse ............................................................................................. 108 4.4 Implikationen bezüglich aufkommender digitaler Technologien für den Controller ...................................................................................................................... 112 4.4.1 Einfluss auf Controlling-Aufgaben ....................................................... 112 4.4.2 Einfluss auf das Kompetenzprofil des Controllers ................................ 122 4.4.2.1 Kategorisierung von Kompetenzen .............................................. 122 4.4.2.2 Fachliches Kompetenzprofil ......................................................... 123 4.4.2.3 Methodisches Kompetenzprofil .................................................... 126 4.4.2.4 Soziales Kompetenzprofil ............................................................. 128 4.4.2.5 Persönliches Kompetenzprofil ...................................................... 130 4.4.2.6 Kritische Würdigung des digital transformierten Kompetenzprofils des Controllers ................................................................................... 132 4.4.3 Einfluss auf das Rollenbild des Controllers .......................................... 134 4.4.3.1 Potenzielle Rollen des Controllers ............................................... 134 4.4.3.2 Rolle als Business Partner ........................................................... 135 II 4.4.3.3 Rolle als Change Agent ................................................................ 138 4.4.3.4 Rolle als Data Scientist ................................................................ 142 4.4.3.5 Kritische Würdigung der Rollenentwicklung des Controllers ..... 146 4.5 Limitationen und Fazit ................................................................................. 148 5 Aufsatz IV: Aufgaben, Kompetenzprofil und Rollenbild des Controllers im digitalen Zeitalter - eine quantitative Analyse ................................................ 152 5.1 Einleitung ..................................................................................................... 152 5.2 Theoretisches Konstrukt eines digital transformierten Controller-Profils ... 154 5.3 Quantitative Analyse zum Wandel des Controllers auf Grundlage von Stellenausschreibungen ................................................................................ 155 5.3.1 Vorgehensweise und Methodik ............................................................. 155 5.3.2 Ergebnisse und Diskussion .................................................................... 161 5.4 Implikationen bezüglich der Rolle des Controllers ...................................... 176 5.5 Limitationen und Fazit ................................................................................. 178 6 Zusammenfassung der Ergebnisse ................................................................... 182 ANHANG ................................................................................................................ 187 LITERATURVERZEICHNIS .............................................................................. 216 III ABBILDUNGSVERZEICHNIS Abbildung 1: Gang der Arbeit und Aufbau der vier Aufsätze .................................. 11 Abbildung 2: Aggregationsprozess der qualitativen Analyse I ................................ 65 Abbildung 3: Datenstruktur aggregierte Dimension „Digitale Transformation des Forecastings“ ...................................................................................... 66 Abbildung 4: Datenstruktur aggregierte Dimension „Digitale Transformation des Reportings“ ......................................................................................... 67 Abbildung 5: Aggregationsprozess der qualitativen Analyse II ............................. 108 Abbildung 6: Datenstruktur aggregierte Dimension „Digital transformiertes Aufgabenfeld“................................................................................... 109 Abbildung 7: Datenstruktur aggregierte Dimension „Digital transformiertes Kompetenzprofil“ ............................................................................. 110 Abbildung 8: Datenstruktur aggregierte Dimension „Digital transformiertes Rollenbild“ .......................................................................................................... 111 Abbildung 9: Potenzielle Effekte digitaler Technologien auf das Aufgabenfeld des Controllers ........................................................................................ 121 Abbildung 10: Potenzielle direkte und indirekte Effekte digitaler Technologien auf das Kompetenzprofil des Controllers ...................................................... 133 Abbildung 11: Ausschnitt möglicher Rollenbilder des Controllers .......................... 135 Abbildung 12: Klassifikation der 213 betrachteten und archivierten Stellenausschreibungen .......................................................................................................... 159 Abbildung 13: Ausschnitt des Datensatzes der empirischen Untersuchung III ........ 160 Abbildung 14: Aufgabenfelder des Controllers ........................................................ 163 Abbildung 15: Fachliche Kompetenzanforderungen an den Controller ................... 167 Abbildung 16: Methodische Kompetenzanforderungen an den Controller .............. 168 Abbildung 17: Soziale Kompetenzanforderungen an den Controller ....................... 171 Abbildung 18: Persönliche Kompetenzanforderungen an den Controller ................ 173 IV TABELLENVERZEICHNIS Tabelle 1: Forschungsüberblick und Forschungslücken zur Digitalisierung im Controlling ................................................................................................................... 4 Tabelle 2: Zugriffs- und Auslesezeit von der Festplatte und dem Hauptspeicher im Vergleich ................................................................................................. 21 Tabelle 3: Forschungsdesign der empirischen Untersuchung I ................................ 63 Tabelle 4: Forschungsdesign der empirischen Untersuchung II ............................ 106 Tabelle 5: Forschungsdesign der empirischen Untersuchung III ........................... 157 V ABKÜRZUNGSVERZEICHNIS App Applikation BI Business Intelligence bspw. beispielsweise CA Controller Akademie CRM Customer Relationship Management d.h. das heißt DSGVO Datenschutz-Grundverordnung ERP Enterprise Resource Planning ETL Extraktion, Transformation, Laden f. folgende ff. fortfolgende IaaS Infrastructure as a Service ICV Internationaler Controller Verein IFRS International Financial Reporting Standards IGC International Group of Controlling IoT Internet of Things IT Informationstechnik KI Künstliche Intelligenz MS Microsoft NoSQL Not only Structured Query Language o.J. ohne Jahresangabe o.V. ohne Verfasser PaaS Platform as a Service RFID Radio Frequency Identification RPA Robotic Process Automation S. Seite SaaS Software as a Service SCM Supply Chain Management vgl. vergleiche z.B. zum Beispiel VI ANHANGSVERZEICHNIS Anhang 1: Big Data für das Management ................................................................ 187 Anhang 2: Leitfaden für die Experteninterviews ..................................................... 193 Anhang 3: Rohdaten der Stellenanzeigen ................................................................ 195 Anhang 3.1: Rohdatenblatt (Spalten A-W) ......................................................... 195 Anhang 3.2: Rohdatenblatt (Spalten X-AL) ........................................................ 199 Anhang 3.3: Rohdatenblatt (Spalten AM-BB) .................................................... 203 Anhang 3.4: Rohdatenblatt (Spalten BC-BV) ..................................................... 207 Anhang 3.5: Rohdatenblatt (Spalten BW-CK) .................................................... 211 VII PROBLEMSTELLUNG 1 Problemstellung 1.1 Relevanz der Digitalisierung im Controlling Im Jahre 1712 erfand der Engländer Thomas Newcomen die erste wirtschaftlich verwendbare Dampfmaschine und stieß damit den Wandel von der Agrarwirtschaft zur Industriegesellschaft an.2 Die Industrie entwickelte sich über die Jahrhunderte stetig weiter und durchlief Ende des 20. Jahrhunderts einen erneuten sektoralen Strukturwandel aufgrund der Digitalisierung. Und auch gegenwärtig treten weiterhin vermehrt digitale Technologien hervor, welche den Wandel vorantreiben.3 „Wir dürfen die digitale Veränderung nicht einfach nur als technologischen Fort- schritt verstehen. Sondern wir reden hier über eine radikale Veränderung von Wirtschaft und Gesellschaft. Das stellt uns vor neue Herausforderungen, die wir noch gar nicht richtig verste- hen.“4 Mit diesen Worten beschreibt Henning Vöpel den Umbruch, den Wirtschaft und Gesell- schaft durch die Digitalisierung erfahren. Dieser Wandel wird auch als vierte industrielle Re- volution bezeichnet, die zu einer fundamentalen Neuausrichtung der Unternehmenswelt führt.5 Viele Unternehmen sind gezwungen, unter dem Einfluss der Digitalisierung Anpassungen vor- zunehmen, um ihre Wettbewerbsfähigkeit zu sichern.6 Dabei werden meist Unternehmensbe- reiche, die direkt an der Wertschöpfung beteiligt sind, wie z.B. die Produktion oder der Ver- trieb, mit einer möglichen digitalen Transformation in Verbindung gebracht.7 Dennoch ist die Digitalisierung auch für administrative Bereiche wie das Controlling ein hochrelevantes The- mengebiet.8 Insbesondere Themen, die sich mit der Wertschöpfung aus Daten beschäftigen, haben im Zuge der Digitalisierung ein öffentliches Interesse auf sich gezogen. Angela Merkel titulierte kurz vor dem Start der CEBIT 2016 Daten „als Rohstoffe des 21. Jahrhunderts“.9 In den Fachmedien werden Daten vielfach bereits als vierter Produktionsfaktor neben Boden, Kapital und Arbeit bezeichnet.10 Hervorzuheben ist, dass das Wachstum der Daten exponentiell erfolgt. Statistiker gehen davon aus, dass sich das weltweit generierte Datenvolumen bis 2025 im Vergleich zum Datenvolumen im Jahre 2016 mehr als verzehnfachen und auf etwa 175 Zettabyte (175 2 Vgl. Sendler (2016), S. 3-4. 3 Vgl. Seufert (2016), S. 40. 4 Henning Vöpel, Direktor des Hamburgischen Weltwirtschaftsinstituts, zitiert nach Kaiser (2015). 5 Vgl. Brynjolfsson/McAfee (2014), S. 137; Lengsfeld (2019), S. 18. 6 Vgl. Keimer/Egle (2020), S. 14. 7 Vgl. Kirchberg/Müller (2016), S. 81-82; Bange/Grosser/Janoschek (2015), S. 17. 8 Vgl. Keimer/Egle (2018), S. 62. 9 Angela Merkel, deutsche Politikerin und Bundeskanzlerin der Bundesrepublik Deutschland von 2005 bis 2021, zitiert nach Merkel, Angela (2016). 10 Vgl. Gadatsch/Landrock (2017), S. 4. 1 PROBLEMSTELLUNG Trillionen Gigabyte) ansteigen wird.11 Big Data stellt in diesem Zusammenhang ein zentrales Schlagwort dar.12 Längst haben auch Forschung und Praxis das Potenzial von Big Data für wirtschaftliche Zwecke erkannt. Unternehmen erhoffen sich z.B. eine neue Grundlage wert- schaffender Informationen über Kunden oder den Wettbewerb.13 In diesem Kontext kommt dem Controlling als Stelle für die Informationsversorgung zu Entscheidungsunterstützungs- und Steuerungszwecken eine Schlüsselfunktion zu.14 Hinsichtlich Big Data wird das Control- ling vor die Herausforderung gestellt, die enormen und stetig wachsenden, polystrukturierten Datenmengen in die Informationssysteme zu integrieren und nutzenschaffend auszuwerten.15 Vor diesem Hintergrund stellt sich die Frage, welche Auswirkungen Big Data, als spezifische digitale Entwicklung, auf die Ausgestaltung des Informationsversorgungsprozesses im Con- trolling, dem Informationsbedarf, der Informationsbeschaffung, -verarbeitung und -übermitt- lung,16 haben kann. Neben Big Data gibt es im Kontext der zunehmenden Digitalisierung bzw. digitalen Transfor- mation noch weitere aufkommende digitale Technologien, die ggf. einen bedeutenden Mehr- wert innerhalb des Controllings bieten könnten. Hier sind insbesondere die digitalen Technolo- gien Robotic Process Automation (RPA), Self-Service-Systeme oder Mobile Lösungen zu nen- nen.17 Eine Studie von KPMG in Kooperation mit der LMU München aus dem Jahr 2020, die über 330 Chief Financial Officer, Chief Accountants und Chief Controller aus dem deutsch- sprachigen Raum befragte, zeigt, dass 77 Prozent der Befragten insbesondere eine Effizienz- steigerung durch den Einsatz von digitalen Technologien im Controlling erwarten.18 Hierbei sind bspw. manuelle, standardisierte Abläufe zu nennen, die durch die Nutzung von RPA auto- matisiert gestaltet werden können.19 Es besteht weitgehend Konsens unter Theoretikern, dass die Digitalisierung das Controlling grundlegend verändern wird.20 Dabei kann sich die Digita- lisierung grundsätzlich auf diverse Felder des Controllings, wie z.B. Bereiche, Prozesse, Instru- mente oder Aufgaben, auswirken und dies in unterschiedlichen Intensitäten oder Ausprägun- gen. Die aktuelle Forschung deutet darauf hin, dass eine Veränderung durch die Digitalisierung 11 Vgl. Reinsel/Gantz/Rydning (2017), S. 3; Statista (2018). 12 Vgl. Gandomi/Haider (2014), S. 137-138; Gärtner/Hiebl (2018), S. 162-163. 13 Vgl. Seufert (2014), S. 420; Gantz/Reinsel (2011), S. 1. 14 Vgl. Horváth/Gleich/Seiter (2015), S. 172; Wall (2008), S. 463-466; Hans/Warschburger (2009), S. 5-6; E- wert/Wagenhofer (2014), S. 6-8. 15 Vgl. Weichel/Herrmann (2016), S. 9. 16 Siehe Näheres zu den Phasen des Informationsversorgungsprozesses in Horváth/Gleich/Seiter (2015). 17 Vgl. Egle/Keimer (2017), S. 9-12. 18 Vgl. Kreher et al. (2020), S. 11-12. 19 Vgl. Reuschenbach/Isensee/Ostrowicz (2019), S. 10-11. 20 Vgl. Michel/Tobias (2017), S. 38; Schäffer/Weber (2016), S. 8. 2 PROBLEMSTELLUNG insbesondere im Forecasting oder Reporting erfolgt.21 So sind im Kontext der Digitalisierung vor allem diese beiden Controlling-Instrumente in den letzten Jahren verstärkt in den Fokus der Forschung und Praxis gerückt. In einer solch dynamischen Welt ist auch das Profil des Controllers22 unbeständig.23 Manche Theoretiker skizzieren ein Zukunftsbild, in welchem die klassischen Aufgaben des Controllers durch digitale Technologien vollständig automatisiert oder auf andere Berufsgruppen ausgela- gert werden. Dadurch verliert der Controller an Bedeutung und wird womöglich sogar obso- let.24 Inwieweit dieses Zukunftsbild tatsächlich Form annehmen wird, ist ungewiss. Allerdings zeigt diese Sichtweise nur eine Seite auf, denn die Digitalisierung kann andererseits auch neue Verantwortungsbereiche für den Controller schaffen, sodass es auch zu einer Aufgabenverla- gerung kommen und die Position des Controllers dadurch sogar gestärkt werden könnte.25 Wo- rin sich jedoch viele Wissenschaftler einig sind, ist, dass die Digitalisierung das Controlling und damit einhergehend das Profil des Controllers, trotz bislang verhältnismäßig hoher Kon- stanz der Aufgabenfelder,26 verändert hat und künftig weiter verändern wird.27 Im folgenden Unterkapitel wird ein Überblick über wesentliche Untersuchungen zu den Auswirkungen digi- taler Technologien im Controlling und den Implikationen auf den Controller sowie die Heraus- stellung der Forschungslücken gegeben. Darauf basierend erfolgt anschließend die Formulie- rung der Zielsetzung dieser Arbeit. 1.2 Stand der Forschung und Zielsetzungen der Arbeit Die wissenschaftliche Forschung beschäftigt sich seither intensiv mit der Frage, welchen Ein- fluss die Digitalisierung auf das Controlling hat. Die folgende Tabelle stellt einen Ausschnitt bisheriger wissenschaftlicher Beiträge zur Digitalisierung im Controlling mit den jeweils un- tersuchten inhaltlichen Themenschwerpunkten und die zugehörigen Forschungslücken, die in der vorliegenden Arbeit beleuchtet werden, dar. 21 Vgl. Kirchberg/Müller (2016); Finance CFO Panel (2017); Bange/Grosser/Janoschek (2015), S. 23. 22 Aus Gründen der besseren Lesbarkeit wird in der vorliegenden Arbeit auf die weibliche Form im grammatika- lischen Sinn des Wortes verzichtet. Die Formulierungen sind als geschlechtsneutral anzusehen. 23 Vgl. Werner/Vester (2017), S. 57. 24 Vgl. Schäffer (2017a), S. 52. 25 Vgl. Losbichler/Ablinger (2018), S. 54-55; Nobach (2019), S. 252-253; Schäffer (2017a), S. 52-53. 26 Vgl. Erichsen (2019), S. 2. 27 Vgl. Koch/Storm (2020), S. 38; Erichsen (2019), S. 1; Michel/Tobias (2017), S. 38; Schäffer/Weber (2016), S. 8. 3 PROBLEMSTELLUNG Wissenschaftliche Beiträge zur Digitalisierung im Controlling Themenschwerpunkt Verfasser (Jahr) Handlungsstrategien für den Umgang mit der Digitalisierung Kofler (2018) Auswirkungsanalyse der Unternehmenssituation Lippold (2017) Methodenwandel durch die Digitalisierung Lengsfeld (2019) Konsequenzen steigender Daten für das Controlling Horváth (2011) Methodenkompetenzen zur Nutzung von Big Data Seufert/Oehler (2016) Digitalisierung und der Informationsversorgungsprozess Horváth/Gleich/Seiter (2020) Einfluss von Big Data auf den Informationsversorgungsprozess - Konsequenzen der Digitalisierung für Controlling-Bereiche Nobach (2019) Nutzenpotenziale von RPA für das Controlling Manutiu (2018) Einfluss von Business Analytics auf das Forecasting Mehanna/Tatzel/Vogel (2018) Auswirkungen digitaler Technologien auf das Controlling Langmann (2019) Veränderung des Forecastings und Reporting durch digitale - Technologien Veränderung zentraler Aufgabenfelder durch die Digitalisierung Nobach (2019) Aufgabenwandel des Controllers durch die Digitalisierung Friedl (2019) Aufgabenwandel des Controllers durch die Digitalisierung Schäffer/Weber (2015) Anforderungsprofil des Controllers im Zuge der Digitalisierung Mödritscher/Wall (2017) Rollenentwicklung des Controllers durch die Digitalisierung Wolf/Heidlmayer (2017) Rollenentwicklung des Controllers durch die Digitalisierung Strauß/Reuter (2017) Entwicklung rollenspezifischer Kompetenzprofile des Controllers Schäffer/Brückner (2019) Veränderung des Controller-Profils durch digitale Technologien - Empirische Analyse der Anforderungen an das Beschaffungscon- Jonen (2020) trolling im Zeitalter der Digitalisierung Empirische Analyse des Anforderungsprofil des Controllers bör- Drerup/Suprano/Wömpe- sennotierter Unternehmen im digitalen Zeitalter ner (2018) Empirische Analyse hinsichtlich des Verhältnisses zwischen den Rollen des Data Scientists und des Controllers Freistühler et al. (2019) Empirische Analyse zur Rollenentwicklung in der Schweiz Trachsel/Bitterli (2020) Empirische Analyse hinsichtlich des Controller-Profils im Zuge - der Digitalisierung in Deutschland Tabelle 1: Forschungsüberblick und Forschungslücken zur Digitalisierung im Controlling28 Nach ausführlicher Sichtung der bestehenden Literatur drängen sich einige relevante For- schungsfragen innerhalb der fokussierten Themengebiete auf, die gar nicht oder nur in einem weniger spezifischen Zusammenhang untersucht wurden. Vier wesentliche Forschungslücken werden im Folgenden dargelegt. In der bisherigen Forschung erfolgt die Untersuchung der Di- gitalisierung im Controlling weitestgehend auf einer allgemeinen Ebene. Selten wurden die Einflüsse spezifischer digitaler Technologien auf das Controlling untersucht. Zwar existieren 28 Die Auswahl bezieht sich auf Inhalte zur Auswirkung der Digitalisierung im Allgemeinen sowie digitale Tech- nologien im Speziellen auf Controlling-Prozesse und das Profil des Controllers mit dem Fokus auf die in dieser Arbeit behandelten Themen. Eigene Darstellung. 4 PROBLEMSTELLUNG zahlreiche Veröffentlichungen zum Thema Big Data sowie zu den hierfür benötigten Speicher- und Verarbeitungstechnologien (In-Memory-Technologie oder NoSQL-Datenbanktechnolo- gie) sowie Analysemethoden (Data Mining oder Machine Learning).29 Eine konkrete Einord- nung dieser in die Phasen des Informationsversorgungsprozesses des Controllings und die Un- tersuchung möglicher Einflüsse auf diesen Prozess blieb bisher unberücksichtigt. Vor diesem Hintergrund erscheint es relevant, die Konsequenzen der Digitalisierung im Allgemeinen auf den Informationsbedarf zu enthüllen, um so die Bedeutung von Big Data für das Controlling zu erörtern und anschließend die daraus resultierenden, möglichen Auswirkungen im Hinblick auf die einzelnen, darauffolgenden Phasen des Informationsversorgungsprozesses zu untersuchen. Auch hinsichtlich der wissenschaftlichen Arbeiten, die sich mit der digitalen Transformation des Forecastings und Reporting befassen, ist festzustellen, dass die Digitalisierung weitestge- hend nur im Allgemeinen betrachtet wird. Dadurch können konkrete Wirkungen spezieller, auf- kommender digitaler Technologien weder identifiziert noch Ursachenanalysen möglicher Ver- änderungen vorgenommen werden. In der vorhandenen Literatur lassen sich vereinzelt Unter- suchungen bezüglich konkreter digitaler Technologien im Controlling wiederfinden. In Bezug auf diese ist jedoch anzumerken, dass zum einem auch hier keine trennscharfe Analyse der einzelnen Technologien durchgeführt wurde und zum anderen mögliche Auswirkungen der Technologien nur sehr einseitig – insbesondere positiv, ohne kritische Reflexion möglicher ne- gativer Effekte – betrachtet werden. Darüber hinaus handelt es sich bei dieser Literatur (aus- schließlich) um theoretische Reflexionen ohne Praxisbezug oder empirische Fundierung. Somit fand eine kritische Auseinandersetzung mit der Fragestellung, inwiefern spezifische digitale Technologien eine Veränderung des Forecastings und Reporting in der Praxis bedingen können, bisher nicht statt. Ein weiterer thematischer Schwerpunkt in der Literatur widmet sich der Frage, wie sich die Veränderungen im Zusammenhang mit der Digitalisierung auf das Berufsbild des Controllers auswirken könnten. Dabei wurden zwar das Aufgabenfeld, die Kompetenzen und die Rollen- entwicklung untersucht, jedoch betrachten auch diese Publikationen die Digitalisierung und ih- ren Einfluss auf das Controller-Profil lediglich im Allgemeinen. Dies führt häufig zu strittigen Annahmen der Ursachen oder zu ausschließlich skizzenhaften Beschreibungen des Wandels des Controller-Profils. Zusätzlich führen die rein theoretischen Gebilde der hier aufgezeigten 29 Vgl. Fasel/Meier (2016), S. 3-16; Müller (2016), S. 139-158; Fels/Schinkel (2015), S. 278-307; Lanquillon/Mal- low (2015), S. 55-89; De Mauro/Greco/Grimaldi (2014), S. 8. 5 PROBLEMSTELLUNG Untersuchungen, aufgrund dessen, dass sie auf der bisherigen Literatur basieren, zu eher vagen Vermutungen hinsichtlich des Wandels des Controllers in der Praxis. Des Weiteren wurden in den einzelnen Untersuchungen die einzelnen Aspekte Aufgaben, Kompetenzen und die Rolle des Controllers selten gemeinsam betrachtet, wodurch es an Verknüpfungen, wie z.B. zwischen einem Aufgabenwandel und den daraus resultierenden Kompetenzanforderungen, fehlt. Viele Aspekte der Frage nach der Veränderung der Aufgaben, der Kompetenzen und schließlich der Rolle des Controllers, insbesondere in Bezug auf spezifische digitale Technologien, bleiben nach wie vor unbeantwortet. Eine praxisnahe Analyse versuchten verschiedene Autoren mittels einer empirischen Untersu- chung von Stellenanzeigen zu schaffen. Allerdings fokussierten sich Forscher auf spezielle Controlling-Bereiche, eine spezifische Auswahl von Unternehmen oder betrachteten lediglich einzelne Aspekte eines Controller-Profils. Daneben wurden in den Studien kaum Annahmen bezüglich eines digital transformierten Controller-Profils herangezogen, um einen möglichen Wandel des Controllers durch die Digitalisierung kritisch zu diskutieren. Empirische Untersu- chungen in Hinblick auf die Aufgaben und das Kompetenzprofil des Controllers im Zuge der Digitalisierung für Unternehmen in Deutschland auf der Basis von Stellenausschreibungsana- lysen sind bei der Literaturanalyse nicht in Erscheinung getreten. Vor dem Hintergrund der herausgearbeiteten Forschungsdefizite soll die vorliegende Arbeit einen Beitrag sowohl für die Unternehmenspraxis als auch für die Forschung leisten, indem sie eine umfassendere kritische Analyse hinsichtlich des Wandels des Controllings durch die je- weilige Anwendung spezifischer aufkommender digitaler Technologien liefert sowie deren je- weilige Implikationen für den Controller aufdeckt. Zum Erreichen der Zielsetzung sollen im Wesentlichen die folgenden vier bislang offenen Forschungsfragen in jeweils einem Aufsatz beantwortet werden: 1. Forschungsfrage: Inwiefern birgt die Beschaffung und Verwendung von Big Data im Rah- men des Informationsversorgungsprozess des Controllings positive Potenziale wie auch Herausforderungen und Gefahren? 2. Forschungsfrage: Welche Nutzenpotenziale, Herausforderungen sowie Gefahren bestehen durch den Einsatz spezifischer aufkommender digitaler Technologien jeweils für das Fore- casting und Reporting? 6 PROBLEMSTELLUNG 3. Forschungsfrage: Welchen Einfluss haben spezifische aufkommende digitale Technologien jeweils auf das Aufgabenfeld, das Kompetenzprofil und auf die Rollenentwicklung des Con- trollers? 4. Forschungsfrage: Inwieweit fragen Unternehmen in Deutschland ein digital transformiertes Controller-Profil nach und welche Implikationen lassen sich dadurch bezüglich der Rollen- entwicklung des Controllers ableiten? Zur Beantwortung der ersten Forschungsfrage werden vorerst die Veränderungen des Informa- tionsbedarfs durch die Digitalisierung theoretisch offengelegt, um daraufhin die Bedeutung von Big Data für das Controlling im Allgemeinen sowie für die Phasen der Informationsversorgung im Speziellen systematisch herauszuarbeiten. Hierbei wird die Komplexität, die mit Big Data einhergeht, betrachtet und analysiert, in welchen Situationen und unter welchen Bedingungen die Nutzung von Big Data vorteilhaft sein kann und auch welche Herausforderungen sowie Gefahren auftreten können. In Bezug auf die zweite Forschungsfrage werden Erkenntnisse aus bestehender Literatur hin- sichtlich aufkommender digitaler Technologien und deren Einfluss auf das Forecasting und Re- porting um die Ergebnisse aus einer anhand von Primärdaten durchgeführten empirischen Un- tersuchung ergänzt. Dabei werden bereits bestehende Theorien überprüft und gegebenenfalls neue Thesen abgeleitet. Methodisch erfolgt dies in Form einer qualitativen Inhaltsanalyse auf Basis halbstrukturierter Experteninterviews. Bei den Interviewpartnern handelt es sich um 23 Experten, die mindestens zehn Jahre Berufserfahrung im Bereich Controlling gesammelt haben und in einem nach der EU-Empfehlung 2003/361/EG definierten Großunternehmen beschäftigt sind. Die halbstrukturierten Interviews umfassen Fragen, die tatsächliche und mögliche Aus- wirkungen aufkommender digitaler Technologien auf das Forecasting und Reporting betreffen. Dabei stehen Technologien, wie Big Data, Predictive Analytics-Methoden, Internet der Dinge, RPA, Self-Service-Systeme, Mobile Lösungen und Cloud Computing,30 welche das Controlling bereits geprägt haben sowie die digitale Transformation des Controllings auch in Zukunft wei- ter vorantreiben können, im Fokus. Die durchgeführte empirische Untersuchung stellt, im Ver- gleich zur aufgezeigten Literatur, die bisher erste Untersuchung auf Basis von Experteninter- views, welche sich mit den Einflüssen aufkommender digitaler Technologien auf das Forecas- ting und das Reporting befasst, dar. 30 Vgl. Egle/Keimer (2017), S. 9-12; Langmann (2019), S. 5 ff.; Gärtner/Rockenschaub (2015), S. 709; Kienin- ger/Mehanna/Michel (2015), S. 4-5; Waniczek (2020), S. 6. 7 PROBLEMSTELLUNG Zur Beantwortung der dritten Forschungsfrage werden Erkenntnisse aus bestehender Literatur hinsichtlich der Auswirkungen aufkommender digitaler Technologien auf das Controller-Pro- fil, um die Ergebnisse aus einer anhand von Primärdaten durchgeführten empirischen Untersu- chung ergänzt. Da es sich bei einer Rollendefinition in der von Katz/Kahn (1978) beschriebenen Rollentheorie insbesondere um Erwartungen hinsichtlich der Aufgaben- und Kompetenzerfül- lung handelt,31 wird der Effekt digitaler Technologien auf das Controller-Profil zunächst an- hand der Aufgaben und der Kompetenzanforderungen analysiert und anschließend daraus re- sultierende, mögliche Rollenentwicklungen kritisch beleuchtet. Hierbei werden im Rahmen dieser Untersuchung – analog zur Beantwortung der zweiten Forschungsfrage – dieselbe Ex- pertenstichprobe, dieselbe Auswahl aufkommender Technologien der Digitalisierung sowie dieselbe Methodik angewendet. Diese empirische Untersuchung stellt darüber hinaus, im Ver- gleich zur aufgezeigten Literatur, die bisher erste qualitative Forschung auf Basis von Exper- teninterviews diese Thematik betreffend dar. Hinsichtlich der vierten Forschungsfrage erfolgt eine empirische Untersuchung auf Grundlage von Stellenausschreibungen. Hierbei handelt es sich um eine quantitative Analyse im Hinblick auf die geforderten Aufgaben und Kompetenzen eines Controllers. Die Ergebnisse der quanti- tativen Analyse werden anschließend in Bezug zu den Ergebnissen aus der dritten Forschungs- frage gesetzt, um Aussagen darüber treffen zu können, inwieweit Unternehmen in Deutschland das digitale Controller-Profil gegenwärtig nachfragen und welche Implikationen dies bezüglich der zukünftigen Rolle des Controllers mit sich bringt. 1.3 Gang der Arbeit Zur Erreichung der Zielsetzung und Beantwortung der Forschungsfragen setzt sich diese Arbeit aus vier Aufsätzen zusammen, die jeweils ein eigenes Kapitel bilden (Kapitel 2 bis 5). Abbil- dung 1 illustriert den Gang der Arbeit sowie den Aufbau der einzelnen Aufsätze, welche auch im Folgenden erläutert werden. Aufsatz I (Kapitel 2) beginnt mit der Darstellung der Relevanz der Thematik, dem Aufzeigen der ersten Forschungslücke und des Ziels des Aufsatzes. An- schließend erfolgt in Unterkapitel 2.2 eine Darstellung grundlegender Kenntnisse über den Di- gitalisierungsbegriff und den spezifischen Charakteristiken, Technologien sowie Analyseme- thoden von Big Data. Anschließend kann sich in Unterkapitel 2.3 der Bedeutung von Big Data für das Controlling vor dem Hintergrund der Folgen der Digitalisierung auf den 31 Vgl. Katz/Kahn (1978), S. 43. 8 PROBLEMSTELLUNG Informationsbedarf zugewandt werden. Mithilfe dieser grundlegenden Informationen wird in Unterkapitel 2.4 eine kritische Analyse der Auswirkungen von Big Data auf die einzelnen Pha- sen des Informationsversorgungsprozesses erfolgen. Der Aufsatz schließt letztlich mit einem Fazit ab. Nach den einleitenden Worten in Aufsatz II (Kapitel 3) erfolgt die Darstellung ausgewählter aufkommender Technologien der digitalen Transformation, die einen Einfluss auf das Control- ling haben können, in Unterkapitel 3.2. In Unterkapitel 3.3 wird die Forschungsmethodik vor- gestellt. Dabei werden insbesondere die Vorgehensweise sowie die Analysemethode der Ex- perteninterviews erläutert und anschließend die aus der qualitativen Analyse gewonnenen Er- gebnisse dargelegt. In Unterkapitel 3.4 werden diese empirischen Ergebnisse mit den Erkennt- nissen aus der Literatur im Sinne einer theoretischen Erörterung der Effekte zusammengeführt. Abschließend werden mögliche Limitationen der Untersuchung aufgezeigt sowie ein Fazit ge- geben. Aufsatz III (Kapitel 4) beginnt zunächst mit einer Einleitung und einer grundlegenden Dar- stellung ausgewählter aufkommender digitaler Technologien, die einen Einfluss auf das Con- troller-Profil haben können. Analog zu Unterkapitel 3.3 wird anschließend in Unterkapitel 4.3 zum einen die Vorgehensweise der Forschungsmethodik und zum anderen die gewonnen Er- gebnisse aus der qualitativen Analyse dargelegt. Diese werden danach in Unterkapitel 4.4 mit den Erkenntnissen aus der Literatur zusammengeführt. Dabei werden die möglichen direkten Effekte der beschriebenen aufkommenden digitalen Technologien auf die Aufgaben und die Kompetenzanforderungen des Controllers sowie die möglichen indirekten Effekte durch einen Wandel der Controller-Aufgaben auf dessen Kompetenzprofil herausgearbeitet. Im Anschluss werden daraus die möglichen Rollenentwicklungen des Controllers abgeleitet und kritisch be- trachtet. Beendet wird diese Untersuchung mit dem Aufzeigen möglicher Limitationen sowie einem Fazit. In Aufsatz IV (Kapitel 5) werden nach der Einleitung hinsichtlich des vierten Forschungsthe- mas in Unterkapitel 5.2 fünf Schlüsselannahmen, die ein theoretisches Konstrukt eines digital transformierten Controller-Profils bilden und die auf den Erkenntnissen von Aufsatz III basie- ren, für ein gemeinsames Verständnis dargestellt. Der Ansatz und das Forschungsdesign der empirischen Untersuchung werden in Unterkapitel 5.3 ausführlich erläutert. Auf dieser Basis erfolgt anschließend eine Darstellung und kritische Diskussion der Ergebnisse anhand der fünf 9 PROBLEMSTELLUNG Schlüsselannahmen. Daraufhin werden die Implikationen der Ergebnisse im Hinblick auf in der Literatur und unter Experten postulierten Rollenentwicklungen des Controllers in Unterkapitel 5.4 untersucht. Das Kapitel schließt mit einer Diskussion möglicher Limitationen der empiri- schen Untersuchung sowie einem Fazit. Schließlich erfolgt in Kapitel 6 die Zusammenfassung der zentralen Ergebnisse der Arbeit. 10 PROBLEMSTELLUNG Kapitel 1: Problemstellung • Zur Relevanz der Digitalisierung im Controlling • Stand der Forschung und Zielsetzungen der Arbeit • Gang der Arbeit Kapitel 2: Wandel der In- Kapitel 3: Wandel des Fo- Kapitel 4: Der Controller formationsversorgung recastings und des Report- im Lichte aufkommender durch das Controlling un- ings aufgrund aufkommen- digitaler Technologien ter besonderer Berücksich- der digitaler Technologien • Einleitung tigung von Big Data • Einleitung • Theoretische Grundlagen zu • Einleitung • Theoretische Grundlagen aufkommenden digitalen • Theoretische Grundlagen zu aufkommenden digita- Technologien im Control- zur Digitalisierung und Big len Technologien im Con- ling Data trolling • Empirische qualitative Ana- • Bedeutung von Big Data • Empirische qualitative lyse zum Wandel des Con- für das Controlling vor Analyse der Nutzenpoten- trollers auf Grundlage von dem Hintergrund des geän- ziale für das Forecasting Experteninterviews derten Informationsbedarfs und Reporting aufgrund • Implikationen bezüglich im Zuge der Digitalisie- von aufkommenden digita- aufkommender digitaler rung len Technologien auf der Technologien für den Con- • Mögliche Auswirkungen Grundlage von Expertenin- troller von Big Data auf den In- terviews • Limitationen und Fazit formationsversorgungspro- • Implikationen bezüglich zess im Controlling aufkommender digitaler • Fazit Technologien für das Fore- Kapitel 5: Aufgaben, Kom- casting und Reporting petenzprofil und Rollenbild • Limitationen und Fazit des Controllers im digitalen Zeitalter • Einleitung • Theoretische Grundlagen zu aufkommenden digitalen Technologien im Control- ling • Empirische quantitative Analyse zum Wandel des Controllers auf Grundlage von Stellenausschreibungen • Implikationen bezüglich der Rolle des Controllers • Limitationen und Fazit Kapitel 6: Zusammenfassung der Ergebnisse Abbildung 1: Gang der Arbeit und Aufbau der vier Aufsätze32 32 Eigene Darstellung. 11 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA 2 Aufsatz I: Wandel der Informationsversorgung durch das Controlling unter beson- derer Berücksichtigung von Big Data33 Dursun, David 2.1 Einleitung Die Digitalisierung bringt weitreichende Veränderungen in der Wirtschaft und Gesellschaft mit sich und beeinflusst die Arbeits- und Lebensweise grundlegend.34 Insbesondere die verstärkte gesellschaftliche Veränderung zu einer Informationsgesellschaft durch die Vernetzung über das Internet, führt zur Entstehung riesiger Mengen an Informationen in Form von digitalen Daten und das in einer enormen Geschwindigkeit.35 Während im Jahre 2016 weltweit ca. 16 Zettabyte (1 Zettabyte = 1021 Byte) an Daten generiert wurden, waren es im Jahre 2018 bereits ca. 33 Zettabyte. Darüber hinaus liegt die Prognose für das Jahr 2025 bei ungefähr 175 Zettabyte.36 Für diese digitale Entwicklung hat sich der Begriff Big Data etabliert.37 Längst haben auch die Forschung und die Praxis das Potenzial von Big Data für wirtschaftliche Zwecke erkannt. Un- ternehmen erhoffen sich eine neue Grundlage potenzieller Informationen, wie z.B. neue Er- kenntnisse über Kunden oder bisher unbekannte Zusammenhänge im eigenen Unternehmen.38 Infolgedessen stellen Daten in der heutigen Zeit eine zentrale Ressource für Unternehmen dar und werden häufig als das „Öl des 21. Jahrhunderts“ bezeichnet.39 Ähnlich wie bei Rohöl und dessen Raffinierung ist auch die Art und Weise wie mit Daten und den daraus generierten In- formationen umgegangen wird essenziell für den heutigen Unternehmenserfolg.40 Der Aufbau sogenannter Data Driven Organisations rückt somit immer mehr in den Mittelpunkt des unter- nehmerischen Handelns.41 Überwiegende Einsatzbereiche von Big Data-Lösungen sind bisher der Vertrieb und das Marketing.42 Das Controlling hingegen agiert aufgrund von bspw. Fach- kräftemangel oder fehlendem, technischem Know-How häufig noch sehr zögerlich bei der Im- plementierung von Big Data-Projekten. Bisher hat sich das Controlling vorwiegend auf die Auswertung interner und strukturierter Daten konzentriert. Jedoch rückt Big Data für das Con- trolling, aufgrund dessen Informationsversorgungsfunktion zu Entscheidungsunterstützungs- 33 Dursun, David (2019): Big Data für das Management, in: Controlling & Management Review, Heft 2 2019, S. 46-52. Die veröffentlichte, gekürzte Fassung ist unter Anhang I zu finden. 34 Vgl. Nasca/Munck/Gleich (2018), S. 75; Mödritscher/Wall (2017), S. 419; Isensee (2017), S. 25. 35 Helbing et al. (2015), S. 50-51; Lv et al. (2017), S. 1891-1892; Gandomi/Haider (2014), S. 137-138. 36 Vgl. Reinsel/Gantz/Rydning (2017), S. 3; Statista (2018). 37 Vgl. Gandomi/Haider (2014), S. 137-138; Gärtner/Hiebl (2018), S. 162-163. 38 Vgl. Seufert (2014), S. 420; Gantz/Reinsel (2011), S. 1. 39 Vgl. Friedag (2017), S. 81; Klein/Tran-Gia/Hartmann (2013), S. 319; Weichel/Herrmann (2016), S. 9. 40 Vgl. Knauer (2015), S. 29; Meier/Stormer (2012), S. 278. 41 Vgl. o.V. (2016), S. 14. 42 Vgl. Bange/Grosser/Janoschek (2015), S. 17. 12 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA und Steuerungszwecken,43 verstärkt in den Fokus. Angesichts der zunehmenden Bedeutung von Big Data steht das Controlling vor der Herausforderung, die enormen und stetig wachsenden, polystrukturierten Datenmengen in die Informationssysteme zu integrieren und nutzenschaf- fend auszuwerten.44 Dementsprechend ist zu erwarten, dass speziell Big Data enorme Auswir- kungen auf die Ausgestaltung des Informationsversorgungsprozesses, dem Informationsbedarf, der Informationsbeschaffung, -verarbeitung und -übermittlung,45 haben kann. Die wissenschaftliche Forschung hat bereits verschiedenste Entwicklungen durch die Digitali- sierung herausgearbeitet, die für Unternehmen zur zentralen Aufgabe werden. So stellt Kofler (2018) in seinem Werk „Das digitale Unternehmen“ mögliche Marktveränderungen durch die Digitalisierung dar und leitet Handlungsstrategien für einen angemessenen Umgang mit sol- chen Veränderungen ab.46 Seine Arbeit betont zwar einen steigenden Bedarf an und die erhöhte Verfügbarkeit von Informationen.47 Allerdings konkretisiert er dabei weder den Bedarf, noch beschäftigt er sich näher mit dem Controlling, dessen Arbeitsroutinen maßgeblich durch den Informationsversorgungsprozess geprägt sind. Vergleichbare Arbeiten wie die von Lippold (2017) oder Lengsfeld (2019) erwähnen ebenfalls Veränderungen hinsichtlich der Informati- onsversorgung in Relation mit den verschiedensten Folgen der Digitalisierung.48 Trotz struktu- rierter Auswirkungsanalyse der externen und internen Unternehmenssituation gehen sie jedoch nicht expliziter auf die Auswirkungen der Informationsversorgung durch das Controlling ein. Nur vereinzelt befassen sich Autoren mit den Herausforderungen, die sich aufgrund des verän- derten Informationsbedarfs für das Controlling ergeben. So stellt beispielsweise der Autor Hor- váth (2011) das „Controlling“ in seinem gleichnamigen Buch in den Fokus seiner Untersuchun- gen. Dabei nimmt er, wie viele seiner Kollegen, den steigenden Informationsbedarf als gegeben an, ohne dessen Ursprung und die daraus entstehenden Konsequenzen für die darauffolgenden Schritte des Informationsversorgungsprozesses im Controlling zu analysieren.49 Darüber hin- aus fehlt in den hier aufgelisteten Werken der klare Big Data-Bezug als digitale Entwicklung. Es wird im Wesentlichen von einer steigenden Daten- oder Informationsmenge ausgegangen, ohne eine Verbindung zu Big Data herzustellen. Daneben lassen sich zwar in der Literatur aus- führliche Erklärungen und Definitionen zu Big Data sowie die für Big Data relevanten 43 Vgl. Horváth/Gleich/Seiter (2015), S. 172; Wall (2008), S. 463-466; Hans/Warschburger (2009), S. 5-6; E- wert/Wagenhofer (2014), S. 6-8. 44 Vgl. Weichel/Herrmann (2016), S. 9. 45 Siehe Näheres zu den Phasen des Informationsversorgungsprozesses in Horváth/Gleich/Seiter (2015). 46 Vgl. Kofler (2018), S. 9. 47 Vgl. Kofler (2018), S. 5. 48 Vgl. Lippold (2017), S.3-4; Lengsfeld (2019), S. 11-13. 49 Vgl. Horváth (2011), S. 296-299. 13 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Technologien und Analysemethoden finden,50 eine konkrete Einordnung dieser in die Phasen des Informationsversorgungsprozesses des Controllings und die Untersuchung möglicher Ein- flüsse auf diesen Prozess blieb bisher jedoch unberücksichtigt. In diesem Zusammenhang zei- gen Seufert/Oehler (2016) indes die erforderlichen Methodenkompetenzen, die sich für die Nut- zung von Big Data im Controlling ergeben, auf51. Allerdings fehlt hier der spezifische Bezug zum Informationsversorgungsprozess und den Veränderungen der einzelnen Phasen durch Big Data. Demgegenüber schaffen Horváth/Gleich/Seiter (2020) in ihrer überarbeiteten Auflage ein detailliertes Verständnis zur Informationsversorgung und gliedern den Prozess in einzelne Pha- sen auf und stellen darüber hinaus relevante Digitalisierungs- und Big Data-Themen dar. Jedoch verzichten sie auf eine detaillierte Beschreibung und Analyse der Zusammenhänge von Big Data und mögliche Lösungen für die jeweilige Phase der Informationsversorgung.52 Vor diesem Hintergrund erscheint es relevant, die Konsequenzen der Digitalisierung im Allgemeinen auf den Informationsbedarf zu enthüllen, um so die Bedeutung von Big Data für das Controlling zu erörtern und anschließend die daraus resultierenden, möglichen Auswirkungen im Hinblick auf die einzelnen, darauffolgenden Phasen des Informationsversorgungsprozesses zu untersuchen. Eben diese Lücke gedenkt die vorliegende Untersuchung zu schließen. Demnach ist das Ziel, die Informationsversorgung durch das Controlling unter besonderer Berücksichtigung von Big Data kritisch zu untersuchen. Diesbezüglich werden im ersten Schritt die Veränderungen des Informationsbedarfs durch die Digitalisierung theoretisch offengelegt, um daraufhin die Bedeu- tung von Big Data für das Controlling im Allgemeinen sowie für die Phasen der Informations- versorgung im Speziellen systematisch herauszuarbeiten. Damit dies gelingt, steht folgende Forschungsfrage im Fokus dieser Untersuchung: Inwiefern birgt die Beschaffung und Ver- wendung von Big Data im Rahmen des Informationsversorgungsprozesses des Controllings positive Potenziale wie auch Herausforderungen und Gefahren? Hierbei wird die Komplexität, die mit Big Data einhergeht, betrachtet und analysiert, in welchen Situationen und unter wel- chen Bedingungen die Nutzung von Big Data vorteilhaft sein kann und auch welche Heraus- forderungen sowie Gefahren auftreten können. Ausgerichtet am Forschungszweck folgt diese Untersuchung einem strukturierten Ablauf, der in Unterkapitel 2.2 mit der Vermittlung der grundlegenden Kenntnisse über den 50 Vgl. Fasel/Meier (2016), S. 3-16; Müller (2016), S. 139-158; Fels/Schinkel (2015), S. 278-307; Lanquillon/Mal- low (2015), S. 55-89. 51 Vgl. Seufert/Oehler (2016), S. 74-81. 52 Vgl. Horváth/Gleich/Seiter (2020). 14 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Digitalisierungsbegriff und dessen Auslegung beginnt. Darauffolgend werden die spezifischen Charakteristika, Technologien sowie Analysemethoden von Big Data vorgestellt. Daraufhin kann sich in Unterkapitel 2.3 der Bedeutung von Big Data für das Controlling vor dem Hinter- grund der Folgen der Digitalisierung auf den Informationsbedarf zugewandt werden. Mithilfe dieser grundlegenden Informationen werden in Unterkapitel 2.4 die möglichen Auswirkungen durch den Einzug von Big Data auf die einzelnen Phasen des Informationsversorgungsprozes- ses herausgearbeitet und kritisch betrachtet. Der Blick wird sowohl auf die Chancen als auch auf die Herausforderungen und Gefahren, die mit Big Data im Rahmen des Informationsver- sorgungsprozesses einhergehen, gerichtet. Im Anschluss daran erfolgt eine kritische Würdigung speziell hinsichtlich der Aspekte des Datenschutzes und der Wirtschaftlichkeit, da sich diese über alle Phasen hinweg erstrecken. Der Aufsatz schließt letztlich mit einem Fazit ab. 2.2 Theoretische Grundlagen 2.2.1 Digitalisierung als Megatrend Aus der heutigen Gesellschaft ist die Digitalisierung nicht mehr wegzudenken.53 Sie wird in Verbindung mit den unterschiedlichsten Themen verwendet: Schlagzeilen über die Digitalisie- rung der Lehre bis hin zur Digitalisierung des Sports konkurrieren um die Aufmerksamkeit der Menschen.54 Auch in der Wissenschaft hat die Digitalisierung in vielen Bereichen einen großen Forschungsbedarf hervorgerufen und die damit verbundene Literaturmenge ist immens.55 Den- noch bleibt der Begriff der Digitalisierung erstaunlich undeutlich und verwässert. In der Fach- literatur hat sich kein einheitliches Verständnis der Bezeichnung etablieren können.56 Der Di- gitalisierungsbegriff ist daher sowohl in der Forschung als auch in der Praxis nach wie vor ein kontroverses Thema.57 Der Begriff Digitalisierung wird vor allem für zwei Interpretationsmöglichkeiten verwendet.58 Dabei bietet die etymologische Herangehensweise eine erste Annäherung an die technische Sicht des Digitalisierungsbegriffes. Der Ursprung des Wortes Digitalisierung ist das lateinische Nomen „digitus“, welches „Finger“ oder „Zeh“ bedeutet.59 Sinnbildlich steht das Wort für das Abzählen der zehn Finger an den Händen. Die Zahl „Zehn“ besteht aus den Ziffern „Null“ und 53 Vgl. Nobach (2019), S. 247; Nasca/Munck/Gleich (2018), S. 75. 54 Vgl. o.V. (2019a); o.V. (2019b). 55 Vgl. Sánchez (2017), S. 37; Krickel (2015), S. 42. 56 Vgl. Krickel (2015), S. 42; Nobach (2019), S. 248. 57 Vgl. Becker et al. (2015), S. 264. 58 Vgl. Bengler/Schmauder (2016), S. 75. 59 Vgl. Müller (2010), S. 130. 15 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA „Eins“. Jene Ziffern, welche die Maßeinheit für digitale Daten, den Bit, ausdrücken und die Kernelemente des Binärcodes, eine Aneinanderreihung von Bits, darstellen.60 Damit wird eine erste Assoziation der Digitalisierung mit dem Binärcode hergestellt.61 Die Bedeutung gemäß der Wortherkunft entspricht der technischen Auffassung des Digitalisierungsbegriffes, nach der die Digitalisierung als Wandel von analogen Werten in ein digitales Datenformat zum Zwecke einer elektronischen Übertragung, Verarbeitung und Speicherung, verstanden wird.62 Bei den analogen Werten kann es sich sowohl um analoge Daten als auch um analoge Informationen, also Daten, die mit einem zusätzlichen Kontext angereichert sind, handeln.63 Andererseits ist das Wort Digitalisierung allgegenwärtig und wird oft als Megatrend bezeich- net.64 Megatrends beschreiben langfristige, substanzielle Veränderungen von realen und virtu- ellen Umgebungen, gesellschaftlichen sowie wirtschaftlichen Strukturen und Prozessen als auch damit verbundenen Werte und Verhaltensmuster.65 Dabei wird die Digitalisierung als ein grundlegender Prozess gesehen, der durch die Einführung digitaler Entwicklungen weitrei- chende Veränderungen in der Lebens- und Arbeitswelt bewirkt.66 Dies zeigt sich z.B. in der Art, in der heutzutage mit Daten und Informationen umgegangen wird. Mit Ausnahme des per- sönlichen Gesprächs stellen digitale Entwicklungen, wie z.B. das Internet oder Smartphones, die Basis fast aller Kommunikations- und Informationswege dar, die wir in der heutigen Zeit nutzen, um Daten wie auch Informationen zu produzieren, zu speichern und zu konsumieren.67 In diesem Zusammenhang umfasst die Digitalisierung aus betriebswirtschaftlicher Sicht die Veränderung von Märkten und Kundenverhalten sowie die Transformation von Geschäftsmo- dellen, Wertschöpfungsketten und Organisationsstrukturen in Unternehmen durch digitale Ent- wicklungen.68 Im Rahmen dieser alternativen Sichtweise der Digitalisierung werden die Be- griffe Digitalisierung und digitale Transformation oft synonym verwendet.69 60 Vgl. Dubrau (1992), S. 57-58; Hippman/Klingner/Leis (2018), S. 9. 61 Vgl. Becker/Ulrich/Botzkowski (2017), S. 12. Unter dem Binärcode ist eine digitale Methode der Informations- verarbeitung zu verstehen, bei der Informationen durch Sequenzen, bestehend aus lediglich zwei Zeichen, darge- stellt werden. Vgl. hierzu Jannidis/Kohle/Rehbein (2017), S. 59-66. 62 Vgl. Loebbecke (2006), S. 360; Bengler/Schmauder (2016), S. 75; Mertens/Barbian/Baier (2017), S. 35; Wolf/Strohschen (2018), S. 58. 63 Siehe näheres zur Unterscheidung von Daten und Informationen in Zehnder (1998). 64 Vgl. Becker/Nolte/Schuhknecht (2020), S. 373-374; Bühler/Maas (2017), S. 46-47; Kieninger/Mehanna/Michel (2015), S. 4-5; Nobach (2019), S. 247-248; Isensee (2017), S. 25; Hamidian/Kraijo (2013), S. 11-12. 65 Vgl. Bühler/Maas (2017), S. 46. 66 Vgl. Bengler/Schmauder (2016), S. 75-76. 67 Vgl. Neugebauer (2018), S. 5. 68 Vgl. Bühler/Maas (2017), S. 46; Berman (2012), S. 16-19; Wolf/Heidlmayer (2019), S. 21. 69 Vgl. Nasca/Munck/Gleich (2018), S. 75; Mödritscher/Wall (2017), S. 419. 16 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Vor dem Hintergrund der Forschungsfrage erscheint die technische Perspektive der Digitalisie- rung nur von begrenztem Nutzen.70 Digitale Entwicklungen beeinflussen die Unternehmenssi- tuation, wie Wettbewerber, Lieferanten, Kunden oder Mitarbeiter, und infolgedessen den In- formationsbedarf des Controllings. Dementsprechend findet in dieser Arbeit das ganzheitliche Verständnis des Digitalisierungsbegriffs Anwendung. Bevor allerdings auf den Wandel des In- formationsbedarfs durch die Digitalisierung eingegangen wird, wird im Folgenden näher auf den Begriff Big Data und dessen charakterisierenden Eigenschaften eingegangen, da diese Be- zeichnung insbesondere mit dem weltweit rasant ansteigenden Datenvolumen aufgrund der Zu- nahme der Digitalisierung, wie z.B. die Vernetzung von Menschen und/oder Maschinen, stetig populärer wird.71 2.2.2 Big Data 2.2.2.1 Charakteristika Zwar eroberte erst der mit der Digitalisierung aufgekommene Terminus Big Data um das Jahr 2011 die Medienlandschaft, allerdings beschäftigte sich die Wissenschaft bereits Jahrzehnte zuvor mit der immer weiter zunehmenden Fülle an vorhandenen Daten.72 Der Ursprung dieses Begriffs reicht bis in das Jahr 1970 zurück, in welchem Big Data in einem Artikel in Zusam- menhang mit ozeanischen und atmosphärischen Wassertiefen verwendet wurde.73 Allgemein bekannt wurde die Begrifflichkeit jedoch erst durch den amerikanischen Geheimdienst, welcher bereits früh mit großen Datenmengen gearbeitet hat. Hierbei wurde erstmals sichtbar, welches Potenzial riesige Datenmengen besitzen.74 Im Jahr 2001 entwickelte das US-amerikanische IT- und Beratungsunternehmen Gartner auf Grundlage der rasant anwachsenden E-Commerce In- dustrie und der damit einhergehenden Datenflut das sogenannte 3-V-Modell. Dieses basiert auf den mit der aus der Datenflut einhergehenden neuen Herausforderungen, welche anhand dreier Dimensionen volume (Volumen), velocity (Geschwindigkeit) und variety (Vielfalt) festge- macht wird.75 Aufbauend auf dem 3-V-Modell entwickelten sich um das Jahr 2011 eine Viel- zahl unterschiedlicher Big Data Definitionen.76 Gartner selbst definierte Big Data im Jahre 2012 wie folgt: „Big Data is high volume, high velocity and/or high variety information assets that demand cost-effective, innovative forms of information processing that enable enhanced 70 Vgl. Hoffmeister (2015), S. 84. 71 Vgl. Horváth/Gleich/Seiter (2020), S. 191. 72 Vgl. Press (2013); Gandomi/Haider (2015), S. 138. 73 Vgl. King (2014), S. 22. 74 Vgl. Faber (2019), S. 21. 75 Vgl. Laney (2001), S. 1; Schroeck et al. (2012), S. 5. 76 Vgl. Klein/Tran-Gia/Hartmann (2013), S. 319-320; Fasel/Meier (2016), S. 3. 17 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA insight, decision making and process automation.”77 Ein ähnliches Verständnis wird von der TechAmercia Foundation geteilt, welche Big Data als „a term that describes large volume of high velocity, complex and variable data that require advanced techniques and technologies to enable the capture, storage, distribution, management and analysis of the information”78 beschreibt. Während sowohl Gartner als auch die TechAmerica Foundation überwiegend die technische und systembasierte Seite von Big Data betrachten, ergänzt IBM die vorherrschenden Definitionen um eine Betrachtung der Datenherkunft: „Big Data is being generated at all times. Every digital process and social media exchange produces it. Systems, sensors and mobile de- vices transmit it.”79 Die dargestellten Definitionen dienen Beispielhaft zur Veranschaulichung, dass es bislang keine allgemein gültige Definition in der Literatur und Praxis zum Thema Big Data gibt. Jedoch besteht weitestgehend Konsens in der wissenschaftlichen Literatur sowie un- ter den Daten- und IT-Spezialisten über die Eigenschaften von Big Data. Ausgangspunkt für die Charakteristika von Big Data und die dadurch entstehenden technischen Herausforderungen für die Informationsversorgung bildet das bereits erwähnte 3-V-Modell.80 Die Eigenschaft Volume steht für die immensen Datenmengen, welche aus internen, aber auch aus externen Quellen stammen können. Während im Jahre 2016 weltweit ca. 16 Zettabyte (1 Zettabyte = 1021 Byte) an digitalen Daten generiert wurden, waren es im Jahre 2018 bereits ca. 33 Zettabyte. Darüber hinaus liegt die Prognose für das Jahr 2025 bei ungefähr 175 Zettabyte.81 Ein allgemeingültiges Datenvolumen zum Erreichen von Big Data gibt es bisher nicht. Aller- dings wird häufig von Big Data gesprochen, wenn sich das Datenvolumen zumindest auf ein Terabyte (= 1012 Byte) beläuft, wobei dem Volumen nach oben keine Grenzen gesetzt sind, da die Datenberge kontinuierlich anwachsen.82 Um sich diese Größenordnung vorstellen zu kön- nen, sei an dieser Stelle gesagt, dass sich auf einer Festplatte mit einem Terabyte Speicherplatz etwa 200.000 Musikstücke mit einer jeweiligen Größe von 5 Megabyte und einer Dauer von etwa je 4 Minuten speichern lassen können.83 Neben der Menge an Daten, die durch die Digi- talisierung ansteigt, entstehen auch Daten mit unterschiedlichen Strukturen. Diese Vielfalt bzw. Heterogenität an möglichen Arten, in denen Daten auftreten können, wird mit der Eigenschaft Variety beschrieben. Daten können sowohl strukturiert, semi-strukturiert als auch 77 O.V. (2012a). 78 O.V. (2013a), S. 10. 79 Ternes/Towers/Kuprella (2016), S. 8. 80 Vgl. Gartner (2011). 81 Vgl. Reinsel/Gantz/Rydning (2017), S. 3; Statista (2018). 82 Vgl. Schroeck et al. (2012), S. 4; Lee (2017), S. 294. 83 Vgl. Fasel/Meier (2016), S. 6. 18 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA unstrukturiert sein.84 Bei strukturierten Daten handelt es sich um Daten, welche eine eindeutig identifizierbare Struktur besitzen. Vereinfachend kann man sich diese Struktur in Form einer Tabelle vorstellen, in der jede Zeile einem Datensatz entspricht. Diese strukturierten Daten kön- nen in klassischen relationalen Datenbanken gespeichert und verarbeitet werden.85 Bei unstruk- turierten Daten handelt es sich um Daten, die keine erkennbare Struktur aufweisen, wie z.B. Bilder, Videos, Audios oder Satellitenaufnahmen.86 Semistrukturierte Daten hingegen sind eine Mischung aus strukturierten und unstrukturierten Daten. Eine E-Mail bspw. zählt zu den semi- strukturierten Daten, da sie sowohl aus einem strukturierten Teil (Absender, Betreff, Empfän- ger) als auch aus einem unstrukturierten Teil (die eigentliche Nachricht, welche einen beliebi- gen Inhalt aufweisen kann) besteht.87 Ursache für die Polyvalenz von Daten sind die verschie- denen Quellen, aus denen Daten heutzutage bezogen werden können.88 Durch die starke Ver- breitung von bspw. sozialen Netzwerken, mobilen Endgeräten oder Applikationen (App) wer- den Daten in verschiedenen Formaten generiert. Eine weitere essentielle Eigenschaft von Big Data ist Velocity. Infolge der steigenden Anzahl an Datenquellen und der zunehmenden Ver- netzung von Menschen, Maschinen und auch ganzer Wertschöpfungsketten steigt zudem die Geschwindigkeit der Datenentstehung. Allerdings impliziert dieses Charakteristikum nicht nur die Geschwindigkeit, mit der Daten entstehen, sondern auch die Schnelllebigkeit dieser, da sich diese in einem stetigen Wandel befinden und ihr Nutzen damit zeitlich begrenzt ist.89 In der Literatur treten gelegentlich weitere charakterisierende „V’s“ auf, wodurch beispiels- weise das 3-V-Modell im Laufe der Zeit durch die Dimensionen Veracity und Value zu einem 5-V-Modell erweitert wurde.90 Die Eigenschaft Veracity steht für die Qualität von Daten, wel- che anhand einer Vielzahl von Kriterien, wie z.B. Korrektheit, Relevanz, Aktualität, Zuverläs- sigkeit usw., beschrieben werden kann.91 Die fünfte Dimension Value zeichnet sich dadurch aus, dass durch die Analysen von Big Data neue Erkenntnisse gewonnen werden sollen, die einen wirtschaftlichen Nutzen generieren.92 Die Speicherung, Verarbeitung, Bereitstellung und Analyse von qualitätsvollen (Veracity) Daten mit dem Ziel, nutzenschaffende (Value) Entschei- dungen abzuleiten, ist dabei keinesfalls neu. Mit Business Intelligence (BI) hat sich bereits ein 84 Vgl. Bartel et al. (2014), S. 21. 85 Vgl. Laudon/Laudon/Schoder (2016), S. 276; Gadatsch/Landrock (2017), S. 6. 86 Vgl. Murdoch/Detsky (2013), S. 1351; Gandomi/Haider (2014), S. 137; Thomsen (2015), S. 45. 87 Vgl. Klein/Tran-Gia/Hartmann (2013), S. 320. 88 Vgl. Fasel/Meier (2016), S. 6. 89 Vgl. Fasel/Meier (2016), S. 6; McAfee/Brynjolfsson (2012), S. 63. 90 Vgl. Meier/Kaufmann (2016), S. 13. 91 Vgl. Schön (2016), S. 304; Schroeck et al. (2012), S. 5. 92 Vgl. Laudon/Laudon/Schoder (2016), S. 286. 19 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Konzept in der Theorie und in der Praxis etabliert, hinter dem sich kein technologisches Ein- zelsystem, sondern eine begriffliche Klammer für eine Vielzahl von unterschiedlichen BI-Tech- nologien verbirgt, die unternehmensinterne, strukturierte Daten, welche eine gewisse Qualität aufweisen sollen, beschaffen und aufbereiten, um einen wirtschaftlichen Nutzen zu schaffen.93 Die beiden zusätzlich eingeführten „V’s“ Veracity und Value werden dementsprechend eher aus Marketinggründen aufgeführt und liefern keinen Beitrag zur Begriffsabgrenzung zwischen Big Data und herkömmlichen Datenmengen. Zusammenfassend lässt sich Big Data als eine große, mit hoher Geschwindigkeit wachsende, vielfältige Datenmenge beschreiben. Zwar ist jede der drei vorgenannten V-Eigenschaften charakteristisch für Big Data. Allerdings stellt die isolierte Betrachtung dieser Eigenschaften nicht den ausschlaggebenden Neuheitsgrad dar. Erst durch das gemeinsame Auftreten dieser drei primär identifizierten Charakteristika ergibt sich das ganzheitliche Konstrukt Big Data. Infolgedessen wird sich im Rahmen dieser Arbeit an die Definition von De Mauro, Greco und Grimaldi (2014) orientiert, welche lautet: „Big Data rep- resents the Information assets characterized by such a High Volume, Velocity and Variety to require specific Technology and Analytical Methods for its transformation into Value.”94 2.2.2.2 Big Data-Technologien Big Data-Technologien beschreiben hochskalierbare Technologien für die Speicherung, Verar- beitung und Bereitstellung von Daten, welche eine Ableitung nutzenschaffender Entscheidun- gen ermöglichen.95 Der Skalierungsanspruch bezieht sich auf ein hohes Datenvolumen (Vo- lume), auf eine Vielfalt unterschiedlicher Datenformate (Variety) sowie auf eine hohe Ge- schwindigkeit der Datensammlung (Velocity).96 Verbreitete Kerntechnologien, die häufig die Basis von Softwares zur Speicherung, Verarbeitung und Bereitstellung von Big Data darstellen, sind z.B. die In-Memory-Technik oder Not only Structured Query Language-Datenbanken (NoSQL-Datenbanken).97 Die In-Memory-Technologie zeichnet sich dadurch aus, dass nicht wie bisher üblich auf ex- terne Speichermedien wie Festplatten zurückgegriffen wird, sondern dass der Arbeitsspeicher bzw. Hauptspeicher des Computers (Random Access Memory) zum Speichern von Daten 93 Siehe Näheres zu BI-Technologien zur Speicherung und Analyse von strukturierten Daten in Gluchowski/Cha- moni (2016); Kemper/Baars/Mehanna (2010). 94 De Mauro/Greco/Grimaldi (2014), S. 8. 95 Vgl. Dorschel (2015), S. 10. 96 Vgl. Faber (2019), S. 21; Chen et al. (2014), S. 3-4; Humm/Wietek (2005), S. 4 und S. 13. 97 Vgl. Bartel et al. (2014), S. 22-24; Eilers (2016) S. 185-186. 20 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA verwendet wird.98 Im Gegensatz zu Festplatten erfolgt das Zugreifen auf den Hauptspeicher und das Auslesen der darin enthaltenen Daten in einer wesentlich höheren Geschwindigkeit (siehe Tabelle 2). Aktivität Zeit (ns) Zugriff auf dem Festplattenspeicher 5.000.000 Sequentielles Lesen von 1 MB aus dem Festplattenspeicher 30.000.000 Zugriff auf dem Hauptspeicher 100 Sequentielles Lesen von 1 MB aus dem Hauptspeicher 250.000 Tabelle 2: Zugriffs- und Auslesezeit von der Festplatte und dem Hauptspeicher im Vergleich99 Neben des Geschwindigkeitsvorteil, birgt die In-Memory-Technik allerdings auch eine große Gefahr, die es zu beachten gilt. Daten, die auf dem Hauptspeicher abgelegt sind, sind volatil.100 Das bedeutet, dass beim Beenden eines Programms oder wenn das System nicht mehr mit Strom versorgt wird, wie z.B. bei einem Stromausfall, die auf dem Arbeitsspeicher gesammelten Da- ten verloren gehen. Eine weitere Technologie, welche im Rahmen von Big Data verstärkt aufgekommen ist, stellen nicht-relationale Datenbanken, auch bekannt als NoSQL-Datenbanken, dar. Wie der Name „Not only Structured Query Language“ bereits vermuten lässt, sind NoSQL-Datenbanken in der Lage, neben strukturierten Daten auch semi- und unstrukturierte Daten zu speichern, da im Gegensatz zu relationalen Datenbanken die Datenspeicherung in NoSQL-Datenbanken kein zuvor festgelegtes Schema erfordert.101 2.2.2.3 Big Data Analytics-Methoden Erst wenn aus Ressourcen Wettbewerbsvorteile erzielt werden, erlangen sie an Bedeutung für Unternehmen.102 Dieser Grundsatz gilt auch für Daten. Das bloße Integrieren von Big Data mittels Big Data-Technologien generiert für Unternehmen noch keinen Nutzen. Erst durch eine Analyse ist es möglich, ein vertieftes Verständnis in die Zusammenhänge und Abhängigkeiten von Daten zu gewinnen und nutzenschaffende Informationen abzuleiten.103 Eine Analyse auf 98 Vgl. Laudon/Laudon/Schoder (2016), S. 293-294. 99 Eigene Darstellung in Anlehnung an Plattner/Zeier (2011), S. 14. 100 Vgl. Schön (2016), S. 304. 101 Vgl. Schön (2016), S. 306. 102 Vgl. Rindova/Fombrun (1999), S. 695-696. 103 Vgl. Gandomi/Haider (2014), S. 140; Verhoef/Kooge/Walk (2016), S. 9-10, Wierse/Riedel (2017), S. 14, 31- 32. 21 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Basis von Big Data verfolgt im Wesentlichen das Ziel, Muster und Beziehungen aufzudecken, um Prognosen künftiger Entwicklungen, die bspw. als Orientierungshilfe zur Entscheidungs- findung herangezogen werden können, zu verbessern.104 In diesem Zusammenhang wird häufig die Bezeichnung Big Data Analytics, welche eine prädiktive Analyse auf Grundlage von Big Data impliziert,105 verwendet. Allerdings ist das Erkennen von Mustern und kausalen Zusam- menhängen innerhalb einer Datenmenge nicht neu. Schon in den 90er-Jahren wurden mathe- matische Analysemethoden entwickelt, die mithilfe von Daten Vorhersagemodelle erstellen, welche Verknüpfungen zwischen Eingabedaten und Zieldaten extrahieren.106 Jedoch erhalten insbesondere im Zuge von Big Data prädiktive Analysemethoden sowohl in der Literatur als auch in der Praxis wieder mehr Aufmerksamkeit.107 Eine wesentliche Diskrepanz zwischen zu- kunftsgerichteten Analyseverfahren aus der damaligen und denen aus der heutigen Zeit ist, dass, während klassische prädiktive Analysemethoden lediglich strukturierte Daten auswerten, Big Data Analytics-Methoden strukturierte Daten um semi- und unstrukturierte Daten als Grund- lage ergänzen.108 Dadurch können Analysen z.B. auf Bereiche angewendet werden, die sich zuvor hauptsächlich auf die menschliche Beurteilung und Expertise stützten, wie z.B. das Käu- ferverhalten, die Instandhaltungsplanung oder auch die Betrugserkennung im Finanzbereich.109 Verbreitete Big Data Analytics-Methoden sind das Data Mining und das Machine Learning.110 Das Data Mining umfasst die Anwendung statistischer Modelle, wie bspw. Regressionsanaly- sen, zur automatisierten Erkennung von Mustern oder Beziehungen auf Basis einer bestehenden Datengrundlage.111 Anhand der gewonnenen Erkenntnisse können Regeln aufgestellt werden, die zur Vorhersage künftiger Ereignisse dienen und anschließend z.B. als Orientierungshilfe zur Entscheidungsfindung herangezogen werden können.112 Der Fokus liegt dementsprechend auf der explorativen Analyse bestehender Daten. Hinsichtlich der Erkennung zukünftiger Trends stehen für viele Unternehmen nicht mehr nur interne und strukturierte Daten im Fokus. Unternehmensexterne Daten, insbesondere aus sozialen Netzwerken oder Foren, gewinnen im- mer mehr an Bedeutung.113 Im Zuge dessen wurden in den letzten Jahren verschiedene Formen 104 Vgl. Satzger/Holtmann/Peter (2015), S. 229 ff.; Eckerson (2007), S. 5. 105 Vgl. Brühl (2019), S. 4; Bischof/Wilfinger (2018), S. 164. 106 Vgl. Zipf (2017). 107 Vgl. Gronau/Thim/Fohrholz (2016), S. 472; Durmus (2017a), S. 1-3; Döbel et al. (2018), S. 9. 108 Vgl. Strohmeier (2015), S. 14. 109 Vgl. Christ/Ebert (2016), S. 301. 110 Vgl. Gualtieri (2013), S. 2; Felden/Koschtial/Buder (2012), S. 523; Gluchowski (2016), S. 274. 111 Vgl. Abts/Mülder (2017), S. 285; Fayyad/Uthurusamy (2002), S. 28; Kuß/Wildner/Kreis (2014), S. 33; Berry/Linoff (1997), S. 5. 112 Vgl. Gandomi/Murtaza (2015), S. 143; Rentzmann et al. (2011), S. 134-135; Abts/Mülder (2017), S. 287. 113 Vgl. Gluchowski (2016), S. 277. 22 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA des Data Minings in Abhängigkeit der Struktur und der Quelle der zu analysierenden Daten entwickelt. Das Text Mining ermöglicht unter Anwendung linguistischer Verfahren, Muster und Beziehungen aus reinen Textdateien, wie bspw. E-Mails oder Word-Dokumenten, aufzu- decken.114 So können z.B. Aufzeichnungen von Anrufen im Kundenservice analysiert werden, um Defizite bei Service und Kundenbetreuung zu identifizieren.115 Wohingegen das Web Mi- ning verwendet wird, um Daten aus dem World Wide Web zu analysieren.116 Dabei kann es sich z.B. um die Wissensgenerierung aus dem Inhalt oder um die Analyse des Verhaltens von einzelnen Nutzern einer Website handeln.117 Das Web Mining kann zu einem besseren Ver- ständnis des Kundenverhaltens oder der Bewertung der Effektivität von Marketingkampagnen auf einer Website dienen. Im Gegensatz zum Data Mining handelt es sich beim maschinellen Lernen bzw. Machine Learning um ein Teilgebiet der künstlichen Intelligenz (KI).118 Es trägt zur Analyse bei, indem es Algorithmen auf eine Datengrundlage anwendet, um Zusammenhänge zu erkennen und an- hand dieser Erkenntnisse ein automatisiertes Modell konstruiert. Dieses Modell soll nicht nur in der Lage sein, selbstständig neue Daten einzupflegen, diese zu klassifizieren und auf Basis der veränderten Datengrundlage neue Prognosen für das Eintreten von zukünftigen Ereignissen zu erstellen. Es soll auch eigenständig die Informationen der tatsächlich eingetretenen Ereig- nisse aufnehmen und Rückschlüsse bezüglich der Diskrepanz zu den zuvor erstellten Vorher- sagen ziehen, um fortlaufend „zu lernen“ und die Genauigkeit der künftigen Prognosen zu ver- bessern.119 Allerdings demonstriert bereits eine einfache Sentiment-Analyse die Dimensionen des zu lösenden Problems mittels Machine Learning. Das Modell muss nämlich erkennen kön- nen, ob bspw. ein Social Media Post ernst oder ironisch gemeint ist. Eine simple Analyse von Textstrukturen reicht keinesfalls aus, denn auch die Intention des Urhebers und der Kontext des Sprechaktes müssen einbezogen werden. Um solch ein Problem lösen zu können, wird her- kömmlicherweise das Supervised Learning, ein Verfahren des maschinellen Lernens, ange- wendet. Hierbei lässt man zunächst möglichst vielen Daten in das Modell einfließen, um es damit zu trainieren. Diese Lerndaten sollten möglichst viele Iterationen des Modells durchlau- fen, um Zusammenhänge festzustellen und Vorhersagen treffen zu können.120 Die erstellten 114 Vgl. Abts/Mülder (2017), S. 291; Laudon/Laudon/Schoder (2016), S. 300. 115 Vgl. Bensberg (2012), S. 192-193. 116 Vgl. Laudon/Laudon/Schoder (2016), S. 300-301. 117 Vgl. Saini/Pandey (2015), S. 33; Laudon/Laudon/Schoder (2016), S. 301. 118 Vgl. Aunkofer (2017), S. 2. 119 Vgl. Kropp/Töbel (o.J.), S. 1; Durmus (2017b), S. 2; Endres/Helm (2015), S. 59; Setnicka (2016), S. 630-631. 120 Vgl. Paluv (2018), S. 1-3. 23 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Prognosen werden anschließend einer Auswahl von bereits existierenden Ausgabedaten bzw. tatsächlich gemessenen Ergebnissen gegenübergestellt, um die Genauigkeit des Modells zu be- werten und dieses gegebenenfalls zu konfigurieren.121 Ist die Trainingsphase abgeschlossen und das konstruierte Modell wurde als valide evaluiert, so kann es auf neue Datensätze, für die noch keine Ergebnisse vorhanden sind, angewendet werden. Problematischer wird die herkömmliche Verfahrensweise allerdings, wenn lediglich Inputdaten und noch keine existierenden Ausgabe- daten zur Verfügung stehen. In diesem Fall wird das Unsupervised Learning angewendet. Hierbei wird ein Modell konstruiert, welches in einer neu gesammelten Datenmenge bisher unbekannte Strukturen erkennen soll und darauf basierend Prognosen erstellt.122 Die anfängli- che Anwendung des Modells erfolgt ohne Verifizierung der Ergebnisse sowie ohne Möglichkeit einer direkten Kalibrierung des Modells. Sowohl das anfängliche Lernen als auch die Validie- rung des Modells finden dementsprechend erst im Laufe der tatsächlichen Anwendung statt. 2.3 Bedeutung von Big Data für das Controlling vor dem Hintergrund des geänderten Informationsbedarfs im Zuge der Digitalisierung Die Grundlage zur Erfüllung der Entscheidungsunterstützungs- und der Steuerungsfunktion bil- det die Informationsversorgung durch das Controlling. So bedarf es in Qualität und Quantität suffizienter Informationen, um diese Hauptfunktionen erfüllen zu können.123 Hierbei gilt es zu berücksichtigen, dass das Controlling für die jeweiligen Aufgaben und spezifischen Situationen unterschiedliche Informationen benötigt.124 Grundsätzlich ist der Informationsbedarf von der allgemeinen Unternehmenssituation abhängig. Verändern sich das Kundenverhalten, die Wett- bewerbssituation, die Lieferantenbeziehung etc., kann dies mittelbar zur Folge haben, dass sich der Informationsbedarf im Controlling anpassen muss, um dessen Funktionen erfüllen zu kön- nen.125 Das Verhalten sowohl vorhandener als auch potenzieller Kunden wird infolge der zunehmen- den Vernetzung über das Internet maßgeblich geprägt. Im Jahr 2016 hatten allein in Deutsch- land rund 53 Millionen der über 14-Jährigen einen Internetzugang. Das entspricht einem Anteil von 76,34 Prozent aller Deutschen jener Altersgruppe. Weitere 37,81 Millionen derselben 121 Vgl. Durmus (2017b), S. 3; Döbel et al. (2018), S. 24. 122 Vgl Kropp/Töbel (o.J.), S. 16; Döbel et al. (2018), S. 25-27. 123 Vgl. Schulte (2019), S. 353-358; Chenhall/Morris (1986), S. 30-31; Weber/Malz/Lührmann (2008), S. 26; Taschner 2013, S. 30 124 Vgl. Krcmar (2010), S. 236; Bea/Haas (2017), S. 285-288; Ehlbeck/Schosser/Wind (2017), S. 370. 125 Vgl. Schön (2016), S. 157; Chenhall/Morris (1986), S. 30-31; Weber/Malz/Lührmann (2008), S. 26; Küpper et al. (2013), S. 222-225. 24 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Gruppe verfügten zudem über mobilen Internetzugriff.126 Diejenigen Personen hatten daher in nahezu jeder Lebenssituation die Möglichkeit mit anderen Internetnutzern in Kontakt zu treten, Informationen zu senden, zu teilen, zu erhalten oder abzurufen.127 Ihnen wird die Möglichkeit der digitalen Meinungsäußerung gegeben, weshalb Kunden immer häufiger als kritische Kon- sumenten auftreten. Die persönlichen Bewertungen sind öffentlich zugänglich und gewinnen an Wertschätzung. Daher wird dem Kunden verstärkt eine entscheidende Rolle für den Erfolg oder Misserfolg von Produkten und Dienstleistungen zugeschrieben.128 In diesem Zusammen- hang rückt die Bedeutung der von Kunden vertretenen Werte in den Vordergrund. Es ist von Relevanz, dass Kunden keine Bedrohung ihrer Werte durch die Einführung eines Produktes sehen.129 Ein Beispiel hierfür ist Google Glass. Dabei handelt es sich um eine Brille, die mittels einer integrierten Kamera Gesichter erkennen und spezifische Informationen abrufen kann. Da Zielkunden einen starken Eingriff in ihre Privatsphäre befürchteten, setzte sich die Brille bis- lang nicht durch.130 Darüber hinaus führt das Internet dazu, dass Kunden vereinfacht an Infor- mationen und Bewertungen über das Angebot der Konkurrenz gelangen können.131 Zusätzlich besteht durch die geringen Umstellungskosten, da für den Wechsel zu Wettbewerbern lediglich eine andere Website aufgerufen werden muss, die erhöhte Gefahr einer steigenden Abwande- rungsquote.132 Die Ausführungen zeigen, dass die Digitalisierung maßgeblich die Verhand- lungsmacht von Kunden erhöht. Infolgedessen sollten Unternehmen verstärkt die Werte von Kunden identifizieren und auf diese eingehen, um der Gunst der Kunden zu entsprechen und z.B. um positive Empfehlungen zu erhalten oder um psychologische Barrieren aufzubauen, die einen Anbieterwechsel erschweren. Dementsprechend sind die vertretenen Werte sowohl der bestehenden als auch potenziellen Kunden in den Informationsbedarf einzubeziehen, um Miss- erfolge, wie Google Glass, zu vermeiden. Hierbei ist darauf zu verweisen, dass einige Werte durch die Digitalisierung stärker in die öffentliche Diskussion geraten sind. Privatsphäre oder Datenschutz sind Themen bezüglich derer die Einstellungen der Kunden an Bedeutung gewin- nen. Daher kann es hilfreich sein, entsprechende Werte in der Informationsbedarfsermittlung vorrangig zu betrachten. 126 Vgl. Lippold (2017), S. 229. 127 Vgl. Lippold (2017), S. 141-142. 128 Vgl. Zöller (2019), S. 20-21. 129 Vgl. Russel-Walling (2011), S. 85. 130 Vgl. Lutz et al. (2018), S. 39-41. 131 Vgl. Busch (2004), S. 133. 132 Vgl. Dholakia et al. (2001), S. 66; Fritz (2000), S. 223-224; Shapiro/Varian (1999b), S. 24. 25 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Des Weiteren erfahren Kunden unmittelbare Einflüsse infolge digitaler Technologien, die sich z.B. in der Erfindung von Produkten bzw. Dienstleistungen oder in der Weiterentwicklung be- reits bestehender Konsumgüter zeigen. Als visualisierendes Beispiel zur Weiterentwicklung bestehender Produkte oder Dienstleistungen durch digitale Entwicklungen können Smart Ser- vices herangezogen werden. Hierbei nehmen intelligente Produkte über Sensoren Daten auf, verarbeiten diese mittels integrierter Software und leiten diese schließlich über das Internet weiter, um so einen Nutzen bzw. Mehrwert für den Konsumenten zu generieren.133 Das Laut- sprechersystem Echo mit dem Sprachassistenten Alexa, kann als Beispiel aufgeführt werden. Es stellt eine KI-basierte, sprachgesteuerte Bedienung für den Onlinehandel Amazon dar. Es sieht den Menschen selbst in seinen privatesten Momenten als einen potenziellen Konsumenten des Onlinehandels. Der Anwender akzeptiert solche tiefgreifenden Eingriffe, da die KI ihn in seinem Alltag unterstützt und bei Veränderungen seiner Lebensweise neue Vorgehensweisen adaptiert.134 Das Beispiel verdeutlicht das Eindringen digitaler Entwicklungen in den Alltag und wie diese den Wandel des Kundeninteresses zu digitalen Äquivalenten bedingen. Daraus leitet sich die veränderte Wahrnehmung des Produktbegriffs und der Kundenbedürfnisse ab.135 Kunden identifizieren ihren Nutzen weniger durch den Erhalt eines physischen Produktes, als in der Art der Leistungserfüllung.136 Insofern verstehen sich unter den zu ermittelnden Bedürf- nissen insbesondere die damit verbundene Customer-Experience.137 Unternehmen müssen her- ausfinden, welche Bedürfnisse die Kunden haben, um ihr Angebot bestmöglich darauf ausrich- ten zu können. Daraus ergibt sich, dass die explizite Beachtung der Kundenbedürfnisse im In- formationsbedarf an Bedeutung gewinnt. Zudem liefert die Digitalisierung die technologischen Grundvoraussetzungen, sodass inzwi- schen etliche digitale Geschäftsmodelle bzw. Substitute existieren, die eine Bedrohung für alt- eingesessene Unternehmen darstellen.138 Solche Geschäftsmodelle drängen auf den Markt und kommunizieren deutlich den Mehrwert, den der Kunde mit dem Konsum derer Produkte erfährt. Ihnen gelingt es häufig, dem Kunden bisher unbekannte Bedürfnisse zu offenbaren und einen Bedarf danach zu kreieren. Hier sind beispielhaft Unternehmen wie Airbnb oder Uber zu nen- nen. Beide Geschäftsmodelle verkaufen den Grundgedanken des Teilens und stellen diesen 133 Vgl. Schuster (2018), S. 123; Borgmeier/Grohmann/Gross (2017), S. 15-17. 134 Vgl. Lengsfeld (2019), S. 27-31. 135 Vgl. Lippold (2017), S. 4. 136 Vgl. Lindemann (2017), S. 5. 137 Customer-Experience beschreibt das Erlebnis das ein Kunde mit dem Konsum oder Kontakt zu einem Pro- dukt oder Dienstleistung erfährt. Vgl. hierzu Jacob (2017), S. 23-24. 138 Vgl. Deeken/Fuchs (2018), S. 5-7; Bendel (2019), S. 64-65; Schupp/Rehm (2018), S. 125-127. 26 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA zusätzlichen Nutzen im Vergleich zu üblichen Hotels oder Taxiunternehmen in den Vorder- grund.139 Ebenso können vermehrt aufkommende Geschäftsmodelle wie Car- oder Bikesharing genannt werden, die ebenfalls als Geschäftsstrategie die Idee des Teilens kommunizieren.140 Aus solchen Entwicklungen, welche eine Unternehmenssituation stark beeinflussen können, ist wiederum ein Bedarf an Informationen abzuleiten. Das Controlling sollte im Rahmen der In- formationsbedarfsermittlung nicht nur bestehende Kundenbedürfnisse, sondern auch Aspekte integrieren, die mögliche Tendenzen der Bedürfnisentwicklung von Kunden berücksichtigen. Dies stellt ein Element des Informationsbedarfs her, das gewährleisten soll, keine wesentlichen Trends oder Veränderungen der Kundenbedürfnisse zu verpassen. Daran anknüpfend ist zu er- gänzen, dass besonders solche Entwicklungen im Informationsbedarf Beachtung finden sollten, die mit geringen Umstellungskosten einhergehen. Der wachsende Markt für Apps auf mobilen Endgeräten kann hier als Beispiel angebracht werden. Der durchschlagende Erfolg vieler neuer Apps basiert zu einem wesentlichen Teil auf dem niedrigen Kostenaufwand, den Kunden für deren Anwendung erbringen müssen, da häufig das Herunterladen einer kostenlosen App auf ein internetfähiges Smartphone zur Nutzung genügt.141 Daneben können digitale Technologien auch Auswirkungen auf unterschiedliche Stufen der Wertschöpfungskette haben. Durch neue Methoden wie dem Fused Deposition Modelling142 oder dem Digital Light Processing143 wird das additive Fertigungsverfahren des 3D-Drucks er- möglicht. Hierbei gelingt die Konstruktion und Fertigung komplizierter Formen aus ver- schiedensten Materialien mittels computergestützter Software.144 Inzwischen findet diese Art der Produkterstellung nicht nur im Rapid Prototyping145, sondern auch im Rapid Manufac- turing146 Anwendung. Auf den ersten Blick unscheinbar wirkend, hat jene Innovation beachtli- che Konsequenzen für den Produktions- und Lieferbereich. So wird der 3D-Druck nicht nur von innovativen Start-ups verwendet. Etablierte Traditionsunternehmen setzen ebenfalls auf die Technologie. Der Sportartikelhersteller Adidas verfolgt das Ziel unter Anwendung des 3D- Drucks Sportschuhe nach den individuellen Kundenwünschen herstellen zu können. Die Idee 139 Vgl. Reinharth (2018), S. 13. 140 Vgl. Deckert (2019), S. 12. 141 Vgl. Möller/Bogaschewsky (2019), S. 352. 142 Fused Deposition Modelling bezeichnet die Bildung von Materialschichten durch das Auftragen einer flüssigen Thermoplaste. Vgl. hierzu Fastermann (2016), S. 33. 143 Das Digital Light Processing ist ein Verfahren, bei dem flüssiges Photopolymerharz mittels Dunkelkammer- leuchte verfestigt wird. Vgl. hierzu Fastermann (2016), S. 40. 144 Vgl. Möller/Bogaschewsky (2019), S. 353. 145 Unter Rapid Prototyping ist die schnelle Fertigung von Prototypen zu verstehen. Vgl. OECD (2016), S. 989. 146 Rapid Manufacturing beschreibt die schnelle Herstellung einzelner Produktbestandteile mittels 3D-Druck. Vgl. OECD (2016), S. 989. 27 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA von Adidas geht so weit, dass die Produktion vor Ort in einer Filiale des Sportwarenherstellers durchgeführt wird.147 Das Beispiel veranschaulicht inwieweit die Digitalisierung sich negativ auf die Verhandlungsmacht von Lieferanten auswirken kann, indem ein Unternehmen mittels digitaler Neuerungen gewisse Fertigungsschritte eigenständig übernimmt und der Lieferant als Produzent überflüssig wird. Dementsprechend sollten potenzielle digitale Neuerungen auf vor- und nachgelagerten Wertschöpfungsstufen stets beobachtet werden. Dazu bedarf es fundierter Informationen über digitale Innovationen, weil darin sowohl Chancen als auch Risiken für Un- ternehmen bestehen. Durch die Digitalisierung kann auch eine Beeinflussung des Wettbewerbs stattfinden, die den Informationsbedarf im Controlling verändern kann. Potenzielle Wettbewerber müssen grund- sätzlich, bevor sie auf einem Markt aktiv werden, Markteintrittsbarrieren überwinden.148 Die Digitalisierung kann jedoch in weitem Umfang zur Verringerung von Markteintrittsbarrieren führen. Die Möglichkeit, ein Unternehmen allein über eine online verfügbare Seite zu betreiben, kann in vielen Branchen traditionelle, physische Markteintrittsbarrieren senken. Den anfängli- chen Kosten für die Installation und Programmierung einer Onlineseite folgen im weiteren Be- trieb herkömmlicherweise niedrige laufende Kosten für die Pflege und Instandhaltung.149 Die im Vergleich zur Etablierung eines stationären Handels meist geringeren Investitionskosten, erleichtern den Wettbewerbseintritt. Bei Produkten, welche digitalisiert werden können, wie z.B. Softwares oder Bücher, können weitere Kosten, wie Lagerhaltungskosten, wegfallen. Dar- über hinaus kann eine Internetseite meist allein durch sprachliche Anpassungen in unterschied- lichsten Ländern genutzt werden,150 wodurch geografische Eintrittsbarrieren verringert werden können. Aber auch in nicht internetbasierten Geschäftsmodellen lassen sich Folgen der Digita- lisierung ableiten, die einen Einfluss auf die Wettbewerbsintensität haben können. Die Eröff- nung neuer Werbekanäle, wie soziale Medien, ermöglichen einen unkomplizierten Zugang zu einem breiten Spektrum potenzieller Kunden. Hierbei erlauben z.B. Kooperationen mit In- fluencern spezielle Kundensegmente explizit zu adressieren.151 Die vereinfachte Kontaktauf- nahme zu potenziellen Kunden kann als eine Erleichterung des Markteintritts für neue Wettbe- werber aber auch zur Vergrößerung des Kundenstamms bestehender Wettbewerber ausgemacht 147 Vgl. Zöller (2019), S. 17. 148 Vgl. Kolbe (1991), S.51-54. 149 Vgl. Holtforth (2017), S. 21-22. 150 Vgl. Reinharth (2018), S. 6. 151 Bei Influencern handelt es sich um eine Personengruppe, die ihren Lebensunterhalt durch das Betreiben von Profilen in sozialen Netzwerken finanziert. Auf diesen empfehlen und präsentieren sie Produkte und Dienstleis- tungen. Bei den 18- bis 25-Jährigen, die laut einer Studie von DEFACTO zu 80% Influencern folgen, ist jene Art der Werbung weit verbreitet. Siehe hierzu Nähere in Cornelsen (2017). 28 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA werden.152 Dementsprechend steigt zwar die Relevanz, dass das Controlling eine gefestigte In- formationsgrundlage über vorhandene und potenzielle Wettbewerber aufbaut. Allerdings soll- ten auch Informationen hinsichtlich der Potenziale durch digitale Entwicklungen, die sich für das eigene Unternehmen erschließen lassen können, ein Bestandteil davon sein. So ist bspw. die Kenntnis über die digitalen Möglichkeiten der Kontaktaufnahme zu gewünschten Kunden- gruppen förderliches Wissen zur Planung und Steuerung der Kundenakquise. Nicht zuletzt soll darauf hingewiesen werden, dass die Digitalisierung auch Mitarbeiter, wie den Controller, beeinflusst. Durch die Anwendung digitaler Technologien, wie z.B. RPA, gel- ten Merkmale wie die Effektivität als potenzielle Wettbewerbsvorteile eines Unternehmens.153 Die Anforderung zur Realisierung solcher Potenziale muss auch auf die Mitarbeiter des Unter- nehmens übertragen werden. Ihre Bereitschaft zur Verwendung digitaler Technologien sowie der kompetente Umgang mit diesen legt den Grundstein des Erfolgs der digitalen Transforma- tion in Unternehmen. Der Informationsbedarf ist dementsprechend um Informationen, wie z.B. über die technischen Fähigkeiten der Mitarbeiter, deren Offenheit oder Motivation, zu ergän- zen. Die Darstellungen zeigen, dass sich durch die Digitalisierung eine Unternehmenssituation lau- fend verändern kann. Im Hinblick auf den Informationsbedarf resultieren Digitalisierungsef- fekte im Wesentlichen in der steigenden Notwendigkeit von Informationen bezüglich unter- schiedlicher Aspekte, wie z.B. Kunden, Wettbewerbern, Mitarbeitern oder digitalen Entwick- lungen, da solche Informationen ein grundlegendes Element für den künftigen Erfolg eines Un- ternehmens darstellen können. Außerdem belegen die Darstellungen, dass mögliche Auswir- kungen durch die Digitalisierung fortlaufend zu beobachten sind, um Risiken und Chancen frühzeitig antizipieren zu können. Wollen Unternehmen auf künftige Entwicklungen möglichst gut vorbereitet sein, sind sie bei ständig wechselnden Rahmenbedingungen gezwungen, den Informationsbedarf laufend zu aktualisieren. Demzufolge kann entnommen werden, dass Infor- mationen zunehmend zum erfolgskritischen Faktor für den Unternehmenserfolg werden und die Bedeutung der Informationsversorgung durch das Controlling zu Entscheidungsunterstüt- zungs- und Steuerungszwecke zunimmt. Betrachtet man die Auswirkungen der Digitalisierung auf den Informationsbedarf aus einer technischen Perspektive, münden die möglichen Effekte schließlich in einer signifikanten Vergrößerung des Datenbedarfs vor allem aus polyvalenten 152 Vgl. Schuster (2018), S. 111; Zöller (2019), S. 20-21. 153 Vgl. Reuschenbach/Isensee/Ostrowicz (2019), S. 10-11. 29 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Daten. Der Grund für die Vielfältigkeit der benötigten Daten ist, dass insbesondere semi- und unstrukturierte Daten aus externen Quellen Hinweise auf eine Veränderung der Unternehmens- situation geben können.154 Dabei ist zu beachten, dass solche Daten zwar in einer hohen Ge- schwindigkeit entstehen, da Menschen heutzutage in nahezu jeder Lebenssituation die Mög- lichkeit haben mit anderen Internetnutzern in Kontakt zu treten und dabei eine Masse an digi- talen Fußabdrücken zu hinterlassen. Diese allerdings verlieren aufgrund ihrer Kurzlebigkeit auch schnell an Bedeutung und demensprechend laufend zu aktualisieren sind. Zusammenfas- send bedeutet dies, dass aufgrund der Digitalisierung das Controlling zur Erfüllung der Infor- mationsversorgungsfunktionen auf eine große, polyvalente Datenmenge, die mit einer hohen Geschwindigkeit weiter ansteigt, angewiesen ist. Diese drei Eigenschaften sind die primär iden- tifizierten Charakteristika von Big Data, was verdeutlicht, dass sich Big Data im digitalen Zeit- alter zu einem unausweichlichen Bestandteil für das Controlling entwickelt. Zu wissen, welche Informationen notwendig sind und aus welchen Daten diese bestehen, ist allerdings nur der erste Schritt, um die Herausforderungen durch die Digitalisierung bewältigen und die Nutzen- potenziale ausschöpfen zu können. Darüber hinaus ist das Controlling gefragt, diese neue, po- tenzielle Datengrundlage zu beschaffen, nutzenstiftende Informationen aus ihr zu ziehen und diese schließlich an die Entscheidungsträger zu übermitteln. Mit Beginn des nachfolgenden Unterkapitels wird infolgedessen die Frage untersucht, inwiefern Big Data die darauffolgenden Phasen des herkömmlichen Informationsversorgungsprozesses im Controlling beeinflussen kann und welche Konsequenzen sich daraus ergeben können. Dabei sollte der Informationsver- sorgungsprozess als Kreislauf gesehen werden, da durch die in der letzten Phase des Informa- tionsversorgungsprozesses übermittelten Informationen wieder neue Informationsbedarfe ent- stehen können.155 2.4 Mögliche Auswirkungen von Big Data auf den Informationsversorgungsprozess im Controlling 2.4.1 Einfluss auf die Informationsbeschaffung Ein wesentlicher Prozessschritt, der unmittelbar an die Ermittlung des Informationsbedarfs an- knüpft, ist die Informationsbeschaffung. In dieser Phase gilt es, die in Abhängigkeit zum Infor- mationsbedarf notwendigen Informationsquellen zu erschließen, die darin enthaltenen Informa- tionen in Form von Daten zu extrahieren wie auch zu speichern und einen einheitlichen Zugriff auf diese für die Informationsaufbereitung in der anschließenden Phase zu ermöglichen.156 Die 154 Vgl. Zöller (2019), S. 16. 155 Vgl. Knack (2009), S. 381; Wölfl et al. (2019), S. 219; King (2014), S. 148. 156 Vgl. Horváth (2008), S. 17-18; Seufert/Oehler (2016), S. 75-76. 30 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA klassische Informationsbeschaffung folgt weitestgehend dem ETL-Prozess (Extraktions-, Transformations- und Ladeprozess).157 Bevor also das Controlling die für die Informationsauf- bereitung benötigten Informationen beziehen kann, bspw. zur Erstellung von Reports mit Ta- bellenkalkulationsprogrammen wie Microsoft (MS) Excel,158 werden zunächst im Rahmen der klassischen Informationsbeschaffung diese in Form von Rohdaten aus den Datenquellen extra- hiert. Hierbei handelt es sich weitestgehend um unternehmensinterne Quellen, wie das Enter- prise Resource Planning-System (ERP), das Customer Relationship Management-System (CRM) oder das Supply Chain Management-System (SCM).159 Die Rohdaten werden während der Extraktion sowohl von syntaktischen als auch von semantischen Mängeln bereinigt, um die Datenqualität zu erhöhen. Anschließend werden die bereinigten Rohdaten das erste Mal in Form einer Transformation verarbeitet. Hierbei werden die Daten z.B. aggregiert oder angerei- chert sowie im Hinblick auf das Schema der Zieldatenbank angepasst.160 Zum einen ist dieser Prozessschritt aufgrund der begrenzten Leistung von herkömmlichen Datenbanken in Hinsicht auf große Datenmengen bei Anwendungen jeglicher Art von Relevanz.161 Allein das Auslesen der für die Auswertung relevanten Daten kann bei großen Datenmengen mehrere Minuten oder sogar Stunden andauern.162 Mittels Aggregation, z.B. von Umsatzzahlen, kann die Menge an Daten in der Zieldatenbank deutlich reduziert werden.163 Zum anderen sind relationale Daten- banken ausschließlich in der Lage, Daten in tabellarischer Form zu speichern,164 weshalb klas- sische Datenbanken, wie z.B. ein Data Warehouse oder Data Mart,165 relativ unflexibel sind und die Transformation der Daten im Rahmen der Informationsbeschaffung unerlässlich macht. Lediglich strukturierte Daten besitzen einen eindeutig identifizierbaren Aufbau, welcher es er- möglicht, diese durch eine Transformation so anzupassen, dass ein Datensatz eine Zeile ent- spricht und durch eine Aneinanderreihung von Datensätzen eine Tabelle entsteht.166 Daraus lässt sich schließen, dass eine Integration in die IT-Landschaft von externen Daten, welche im Wesentlichen heterogene Strukturen aufweisen,167 durch eine klassische Informationsbeschaf- fung nicht möglich ist. Im letzten Schritt des ETL-Prozesses, werden die transformierten Daten 157 Vgl. Kemper/Baars/Mehanna (2010), S. 27. 158 Vgl. Chamoni/Gluchowski/Hahne (2004), S. 12 ff. 159 Vgl. Gadatsch (2016), S. 63; Seufert/Oehler (2016), S. 75-76; Kemper/Baars/Mehanna. (2010), S. 8; Küpper et al. (2013), S. 185; Schön (2016), S. 200. 160 Vgl. Kemper/Baars/Mehanna (2010), S. 28; Siehe näheres zur Extraktion und Transformation von Daten in Gluchowski/Chamoni (2016), S. 131-142. 161 Vgl. Gluchowski/Chamoni (2016), S. 188. 162 Vgl. Plattner/Zeier (2011), S. 14; Gluchowski/Chamoni (2016), S. 188. 163 Vgl. Gluchowski/Chamoni (2016), S. 134-136. 164 Vgl. Meier/Kaufmann (2016), S. 6-8; Schön (2016), S. 237-238. 165 Das Data Warehouse stellt eine zentrale Datensammlung des Unternehmens dar, wohingegen Data Marts meh- rere isolierte, zweckspezifische Datensammlungen verkörpern. Vgl. hierzu Schön (2016), S. 235-243. 166 Vgl. Laudon/Laudon/Schoder (2016), S. 276. 167 Vgl. Schroeck et al. (2012), S. 4; Kudyba (2014), S. 2-3. 31 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA in ein klassisches Datenbanksystem als Zieldatenbank geladen und zum Zwecke der Informa- tionsaufbereitung auf den Festplatten innerhalb der Zieldatenbank zwischengespeichert und be- reitgestellt.168 Die klassische Vorgehensweise der Informationsbeschaffung stößt nicht bloß durch die Polyvalenz von Big Data an ihre Grenzen. Der sich aus dem Informationsbedarf im digitalen Zeitalter ergebende Anspruch, eine große Datenmenge, die mit hoher Geschwindig- keit fortwährend ansteigt, zu beschaffen, stellt neue technische Voraussetzungen an die Infor- mationsbeschaffung dar, welche die Leistungsfähigkeit konventioneller Datenbanken überstei- gen können. Große Datenmengen benötigen nicht nur Unmengen an Speicherkapazitäten, son- dern beeinflussen die Antwortzeit der klassischerweise verwendeten Systeme sowohl in Bezug auf die Speicherung als auch auf die Verarbeitung von Daten negativ.169 Vor diesem Hinter- grund ist die klassische Informationsbeschaffung nicht in der Lage, dem Informationsbedarf im digitalen Zeitalter gerecht zu werden. Dementsprechend ist eine Weiterentwicklung der bishe- rigen Informationsbeschaffung erforderlich, um den Ansprüchen gerecht zu werden und das Erschließen der Potenziale von Big Data zu ermöglichen. Grundsätzlich ist bei der Beschaffung der benötigten Daten zunächst zwischen internen und externen Daten zu unterscheiden. Die Wahl der entsprechenden Quelle variiert in Abhängigkeit der verfolgten Ziele.170 Allein ein solcher Auswahlprozess kann sich bereits als problematisch erweisen, da häufig auch eine Kombination an Daten aus verschiedenen Quellen die optimale Lösung darstellen kann.171 Hinsichtlich einer modernen Informationsbeschaffung im Zuge der Digitalisierung sollten sowohl die bereits bekannten internen Datenquellen ausgeschöpft als auch neue interne und externe Daten implementiert werden, um den veränderten Informations- bedarf zu decken.172 Bezüglich interner Daten existiert insbesondere durch das Internet of Things (IoT) die Möglichkeit, dass unzählige Daten quasi automatisch abgeworfen werden. Das IoT beschreibt die Verknüpfung von Prozessschritten entlang der Supply Chain oder die Ver- netzung von Maschinen über das Internet, sodass cyberphysische Systeme entstehen und neue, verwertbare Daten erzeugt werden.173 Diese Daten können wertvolle Erkenntnisse, wie z.B. über den Entwicklungs- oder Lieferstand von Produkten, enthalten und zu einer Verbesserung der Koordination vom Lieferanten bis hin zum Kunden beitragen.174 Bei dieser Form der 168 Vgl. Kemper/Baars/Mehanna (2010), S. 28; Laudon/Laudon/Schoder (2016), S. 293-294. 169 Vgl. Merv (2011), S. 3; Gluchowski/Chamoni (2016), S. 188. 170 Vgl. Raab/Unger/Unger (2018), S. 31. 171 Vgl. Pfaff (2015), S. 50. 172 Vgl. Weichel/Hermann (2016), S. 9. 173 Vgl. Andelfinger/Hänisch (2017), S. 242; Kellner/Lienland/Lukesch (2018), S. 290-293; Deckert (2019), S. 15; Brühl (2015), S. 205-207; Dahm/Walther (2019), S. 14-15. 174 Vgl. Schupp/Wöhner (2018), S. 4. 32 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Informationsbeschaffung besteht jedoch die Notwendigkeit einer Position im Unternehmen, welche über die entstehenden Daten detailgenaue Kenntnisse besitzt und über ausreichend hohe Befugnisse verfügt, um die Verwertung der anfallenden Daten anordnen können. Daraus ergibt sich eine Herausforderung, die in der praktischen Umsetzung, aufgrund ihrer Planungs-, Koor- dinations- und Kontrollbedürftigkeit, dem Aufgabenfeld des Controllings zugeordnet werden kann.175 Im Gegensatz zu den unmittelbar verfügbaren internen Datenquellen, müssen externe Daten- quellen erst noch erschlossen werden. Externe Daten gewinnen insbesondere durch den verän- derten Informationsbedarf im Zuge der Digitalisierung ungemein an Bedeutung.176 Daher wird die Sammlung externer Daten zum Fokus der modernen Informationsbeschaffung im Control- ling. Unter der Beschaffung von externen Daten fällt z.B. das Integrieren der Datenspuren von Konsumenten, die meist unbewusst von ihnen im Internet hinterlassen werden.177 So können beispielsweise aus den Benutzerkonten von Kunden oder deren Aktivitäten in sozialen Medien sowie Foren hilfreiche Daten gesammelt werden. Hinsichtlich der Beschaffung externer Daten gehen vielfältige Herausforderungen einher. Hierbei hat insbesondere der Begriff des Daten- schutzes in den letzten Jahren an Bedeutung gewonnen. So wurde im Jahr 2018 die Daten- schutz-Grundverordnung (DSGVO) eingeführt, die den Schutz personenbezogener Daten na- türlicher Personen in den Fokus stellt.178 Daraus ergeben sich für Unternehmen und speziell dem Controlling eine Reihe zu beachtenden Vorschriften, die organisatorische Umsetzungsher- ausforderungen mit sich bringen können. Gemäß der DSGVO werden Dokumentationspflich- ten für die Speicherung und die Verarbeitung von Daten erforderlich. Damit rückt ein zusätzli- cher Aspekt in die Aufmerksamkeit der Unternehmen hinsichtlich des Umgangs mit Daten.179 Daneben bestehen bezüglich der Implementierung externer Daten technologische Herausforde- rungen. Externe Daten weisen herkömmlicherweise einen semi- oder unstrukturierten Aufbau auf, welche mittels klassischer Datenbanksysteme aufgrund der Verwendung relationaler Da- tenbanktechnologie nicht gespeichert und somit auch nicht für Analysen bereitgestellt werden können. Eine Voraussetzung, die Big Data an die technischen Systeme im Rahmen einer mo- dernen Informationsbeschaffung stellt, ist dementsprechend das Speichern von heterogenen Datenstrukturen. Da NoSQL-Datenbanken einen nicht-relationalen Ansatz verfolgen und keine 175 Vgl. Mertens/Meier (2009), S. 20. 176 Vgl. Kümpel/Schlenkrich/Heupel (2019), S. 140. 177 Vgl. Raab/Unger/Unger (2018), S. 33-34; Meier/Stormer (2012), S. 214. 178 Vgl. Eckhardt/Kramer (2013), S. 290. 179 Vgl. Voß (2018). 33 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA festgelegten Tabellenschemata existieren,180 können mit Hilfe von diesen Datenbanken struk- turierte, semistrukturierte und auch unstrukturierte Daten gespeichert werden. Dadurch erlaubt diese Big Data-Technologie den Einbezug neuer Daten in die Informationsbeschaffung und ermöglicht eine vielfältige Datenbasis. Wie bereits dargestellt ist es durch Anpassungen der klassischen Informationsbeschaffung möglich, dem Controlling unzählige, interne und externe Daten mit heterogenen Strukturen zur Verfügung zu stellen. Allerdings sollten die technologischen Komponenten einer modernen In- formationsbeschaffung nicht nur in der Lage sein, polyvalente Daten zu speichern, sondern auch akzeptable Antwortzeiten bezüglich der Datenverwendung zu gewährleisten. Von Rele- vanz ist diese Fähigkeit, da die Dauer jeglicher Art von Anwendung bezüglich Daten mit der Steigerung der Datenmenge für gewöhnlich zunimmt.181 Die Größe von Big Data sowie dessen stetiges Wachstum erschwert dieses Unterfangen, da besonders bei komplexen Auswertungen großer Datenmengen längere Antwortzeiten keine Seltenheit darstellen. Allein das Auslesen relevanter Daten für eine Auswertung kann mehrere Minuten oder sogar Stunden andauern.182 Dieser Problematik kann mit der In-Memory-Technologie begegnet werden. Der Einsatz der In-Memory-Technik kann dafür sorgen, dass trotz deutlich größerer Datenmengen, weiterhin akzeptable Antwortzeiten erreicht werden, da die volle Ausrichtung am Direktarbeitsspeicher dazu führt, dass der Zugriff auf eine Datenmenge und das Lesen dieser in einer wesentlich höheren Geschwindigkeit von statten geht, als es bei der klassischen Informationsbeschaffung, welche bei der Datenspeicherung auf externe Speichermedien wie Festplatten zurückgreifen, möglich ist.183 Dadurch kann das Auslesen von großen Datenmengen in wenigen Sekunden erfolgen, wodurch diese nahezu in Echtzeit zur Verfügung gestellt werden können und eine Echtzeitverarbeitung möglich ist. Zahlungsverzögerungen bei Kunden, technische Schwierig- keiten in der Produktion oder andere Problematiken können dadurch zeitnah identifiziert und analysiert werden, um umgehend sachbezogene Handlungsempfehlungen abzuleiten.184 Folg- lich können Entscheidungen durch eine beschleunigte Bereitstellung von Erkenntnissen früh- zeitiger getroffen werden.185 Dennoch sollte bei einer Ausrichtung auf die In-Memory-Techno- logie bedacht werden, dass aufgrund der Volatilität des Arbeitsspeichers die gesammelten 180 Vgl. Schön (2016), S. 306. 181 Vgl. Gluchowski/Chamoni (2016), S. 188. 182 Vgl. Plattner/Zeier (2011), S. 14; Gluchowski/Chamoni (2016), S. 188. 183 Vgl. Plattner/Zeier (2011), S. 14; Laudon/Laudon/Schoder (2016), S. 293-294. 184 Vgl. Oehler/Schmidt/Seufert (2016), S. 62. 185 Vgl. Gröber et al. (2018), S. 50-51. 34 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Daten nicht abgesichert sind.186 Um dieser Problematik entgegen zu wirken, wäre z.B. ein pa- rallellaufendes System, welches auf Festplattenspeicher zurückgreift und als modifizierter Me- tadatenspeicher dient, denkbar. Der modifizierte Metadatenspeicher sollte neben der Dokumen- tationsfunktion auch die Funktion der Datensicherung erfüllen. Hierbei sollten neben den her- kömmlichen Metadaten, d.h. technisch strukturelle als auch betriebswirtschaftlich semantische Angaben von Daten, wie z.B. der Aktualisierungszeitpunkt, die Datenherkunft, deren Transfor- mationsregeln oder deren Definition, auch die sich innerhalb einer Zieldatenbank befindenden Daten selbst auf den Festplatten des modifizierten Metadatenspeichers gespeichert werden.187 Dadurch kann sichergestellt werden, dass auch beim Beenden eines Programms oder bei feh- lender Stromversorgung die beschafften Daten der Zieldatenbank nicht verloren gehen. Damit im Controlling Big Data-Technologien nutzenbringend eingesetzt werden können, ist eine Kombination verschiedener Technologien nicht obligatorisch. Solche Technologien sind durchaus auch einzeln in der Lage, einen Mehrwert für das Controlling zu schaffen. Allerdings ist eine Kombination solcher Technologien sinnvoll, um die Potenziale von Big Data voll aus- zuschöpfen. Dies wird zum Beispiel anhand der Verwendung einer reinen NoSQL-Datenbank, also ohne Kombination mit anderen Big Data-Technologien, deutlich. NoSQL-Datenbanken ermöglichen zwar Daten aus verschiedenen Quellen mit unterschiedlichen Strukturen zu bezie- hen, allerdings handelt es sich bei polyvaltene Daten aus externen Quellen vorwiegend um sehr große Datenmengen, die mit einer extrem hohen Geschwindigkeit erzeugt werden und auch kurzlebig sind. Auf YouTube entstehen z.B. pro Minute im Schnitt ca. 72 Stunden neues Vi- deomaterial, wobei eine Videominute in Abhängigkeit der Auflösung mehr Daten enthalten kann als ein Text mit 1.000 Seiten.188 Demzufolge sollten insbesondere solche Daten unverzüg- lich gespeichert, verarbeitet und für Auswertungen bereitgestellt werden, um möglichst zeitnah auf wirtschaftlich relevante Ereignisse reagieren zu können. NoSQL-Datenbanken begünstigen jedoch nicht die Speicher-, Zugriffs- oder Lesegeschwindigkeit von Daten und sind demzu- folge, isoliert betrachtet, nicht in der Lage z.B. eine Datenmenge im Terabyte-Bereich in einer angemessenen Zeit zu verarbeiten oder für Analysen bereitzustellen. Dementsprechend ist es erst durch die Kombination von Big Data-Technologien möglich, Big Data zu beschaffen und auch angemessen damit zu arbeiten. Die mit einer Kombination unterschiedlicher Big Data- Technologien, im Vergleich zur klassischen Informationsbeschaffung, einhergehende 186 Vgl. Schön (2016), S. 304. 187 Siehe Näheres zum klassischen Metadatenspeicher und dessen Funktionen in Chamoni/Gluchowski/Hahne (2004), S. 33; Gluchowski/ Gabriel/Dittmar (2008), S. 131; Gluchwoski/Chamoni (2016), S. 230; Melchert (2004), S. 7; Auth (2004), S. 33; Melchert/Auth/Herrmann (2002), S. 3; Bauer (2013), S. 80. 188 Vgl. Reimer et al. (2013), S. 7. 35 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Steigerung der Leistungsfähigkeit sowie der Flexibilität hinsichtlich der Datenstrukturen er- möglicht zudem, Daten aus unterschiedlichen Quellen in ihrem Originalzustand zu speichern. Hierdurch können Daten ihren vollen Informationsgehalt beibehalten, da sie bspw. nicht aggre- giert oder an das Schema der Datenbank angepasst werden müssen. Für die extrahierten Roh- daten bedeutet dies, dass diese zunächst von syntaktischen wie auch von semantischen Mängeln bereinigt, aber ohne Transformation in die Zieldatenbanken geladen sowie gespeichert werden und erst bei einer zweckgebundenen Verwendung der Daten im Zuge der Informationsaufbe- reitung verarbeitet werden.189 Die Analyse zeigt, dass die klassische Informationsbeschaffung konfiguriert werden sollte, um eine Speicherung, Verarbeitung und Bereitstellung von Big Data zu erlauben. Allerdings er- langt diese neue Ressource an Daten erst an Bedeutung, wenn dadurch ein Mehrwert geschaffen wird. Dazu muss Big Data zweckgebunden aufbereitet werden, um nutzenschaffende Informa- tionen abzuleiten. Inwiefern sich die Informationsaufbereitung durch Big Data verändert und welche Wertschöpfungspotenziale durch diese neue Ressource entstehen können, wird im fol- genden Abschnitt kritisch analysiert. 2.4.2 Einfluss auf die Informationsaufbereitung Erst aus Daten abgeleitete Kenntnisse stellen Informationen dar, von denen wiederrum eine Teilmenge zweckorientiertes Wissen vermittelt und eine Erhöhung des Wissenstands beim Empfänger bewirken kann.190 Aufgrund dessen erfahren die gesammelten Daten im Zuge der Informationsaufbereitung eine zweckgerichtete Verarbeitung durch das Controlling, z.B. in Form einer Aggregation, Selektion, Analyse, etc., sodass sie den spezifischen Informationsbe- darf des Empfängers bestmöglich abdecken.191 Im Rahmen der Informationsaufbereitung kann aufgrund der riesigen Datenmenge, die mit Big Data zur Verfügung steht, und dessen stetigen Wachstums ein Data Lake entstehen. Daher wird insbesondere der Selektion zweckspezifischer Daten eine starke Bedeutung zugeschrieben.192 Dabei wird das Controlling verstärkt in die Pflicht genommen, Daten auf ihren Nutzen hin zu überprüfen. Weitestgehend eignen sich lediglich eine Teilmenge aus der Gesamtheit einer Da- tenmenge für eine Informationsversorgung durch das Controlling zur 189 Vgl. Schreib (2013), S. 41-45; Schnider (2015); Schön (2016), S. 244. 190 Vgl. Weber/Schäfer (2014), S. 82; Knauer (2015), S. 5; Wittmann (1959), S. 14. 191 Vgl. Weber/Schäffer (2016), S. 96; Taschner (2013), S. 97 und 99. 192 Vgl. Luber/Litzel (2018); Gadatsch (2016), S. 64. 36 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Entscheidungsunterstützung oder Steuerung.193 Damit das Controlling auf die tatsächlich rele- vanten Daten schließen kann, braucht dieses ein Verständnis für die alten sowie neuen Daten- quellen.194 So kann das Controlling deren Beitrag, bspw. zu einem eventuell erhöhten Erklä- rungsgehalt wichtiger Steuerungsgrößen, angemessen beurteilen.195 Dieser Aspekt ist darüber hinaus hinsichtlich der Abstimmung zwischen dem Informationsbedarf der Entscheidungsträ- ger und dem Informationsangebot des Controllings wichtig, um auch bei wachsenden Daten- mengen eine Informationsüberlastung der Adressaten zu vermeiden.196 Darüber hinaus kann das Controlling durch eine Analyse auf Basis von Daten neue Informati- onen gewinnen. Daten werden, sobald sie in einen Bedeutungskontext gesetzt werden, z.B. zur Beantwortung einer konkreten Fragestellung, zu Informationen und verfügen über eine Aussa- gekraft.197 Ziel einer Datenanalyse kann es sein, Regelmäßigkeiten, Sondereffekte oder Ursa- chen- und Wirkungszusammenhänge zu erkennen und diese möglichst genau zu erklären.198 Durch den Prozessschritt, aus Daten ein vertieftes Verständnis von Zusammenhängen und Ab- hängigkeiten zu gewinnen, können neue Erkenntnisse bzw. Wissen entstehen, aus denen bspw. Handlungs- und Entscheidungsempfehlungen abgeleitet werden können.199 Dabei bietet Big Data als Grundlage für die Datenanalyse dem Controlling enorme Potenziale, die das Erschlie- ßen zum Teil völlig neuer Perspektiven erlauben.200 Das Controlling ist durch den Einsatz von Big Data-Technologien in der Lage, auf vielfältige Daten aus verschiedensten Quellen im Ori- ginalzustand zuzugreifen und so den Erklärungsgehalt von Analysen zu steigern. Die Möglich- keit z.B. Mitarbeiter- und/oder Kundendaten in einem beliebigen Detailgrad bezüglich spezifi- scher Geschäftsvorfälle heranzuziehen, kann bspw. für einen beschleunigten Erkenntnisgewinn hinsichtlich einer Abweichung von einzelnen Kennzahlen sorgen. Die detaillierten Einsichten in die Datensätze können allerdings auch kontraproduktive Konsequenzen nach sich ziehen. Mitarbeiter fühlen sich womöglich zunehmend überwacht, wodurch bei diesen Unbehagen und Verunsicherung hervorgerufen werden kann, was sich wiederum negativ auf die Arbeitsqualität auswirken kann. Mit dem Einbezug neuer, detaillierter Daten, egal, ob über Kunden oder 193 Vgl. Knauer (2015), S. 5. 194 Vgl. ICV (2014), S. 22. 195 Vgl. Schulte/Bülchmann (2016), S. 57. 196 Vgl. Kajüter/Schaumann/Schirmacher (2019), S. 144. 197 Vgl. Petzold/Westerkamp (2018), S. 40-41. 198 Siehe näheres zum Prozess zur Analyse von Daten in Zehnder (1998); Schön (2016), S. 184-185. 199 Voß/Gutenschwager (2001), S. 13-14. 200 Vgl. Provost/Fawcett (2013), S. 53-54. 37 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Mitarbeiter, ergibt sich für das Controlling entsprechend auch immer die Verantwortung, einen angemessenen Grad an Anonymität zu bewahren.201 Des Weiteren begünstigt die Analyse von Big Data eine frühzeitige Erkennung von Chancen und Risiken aus der Unternehmensumwelt. Dies ist vor allem aufgrund der Dynamik im Zuge der Digitalisierung notwendig, um schneller auf Veränderungen reagieren zu können. Hierbei werden insbesondere die Möglichkeiten genutzt, externe Quellen, wie bspw. Social-Media-Ka- näle, Blogs oder Foren, systematisch nach schwachen Signalen zu durchleuchten.202 Schwache Signale definieren sich dabei als Äußerungen qualitativer Natur, die Anzeichen auf bevorste- hende Diskontinuitäten geben.203 Beispiele für solche schwachen Signale sind Äußerungen von Politikern, Vorstandsvorsitzenden eines Konkurrenten oder Kunden via Twitter, Facebook oder auch YouTube. Die Berücksichtigung solcher Signale kann dem Controlling z.B. dabei helfen, Markttrends frühzeitig zu erkennen, die eigene Wettbewerbsposition besser einzuschätzen so- wie Handlungsmöglichkeiten zu entwickeln.204 Im Hinblick auf die Nutzung solcher Signale stellt Da Grasso, eine bekanntes Pizzarestaurant in Polen, ein Beispiel dar. Da Grasso hat in diversen Social-Media-Kanälen nach Kommentaren gesucht, die Keywords wie „Ich habe Lust auf Pizza“ oder „Ich will Pizza“ enthielten. Nachdem solche Aussagen entdeckt wurden, lieferte das Unternehmen allen Kommentatoren mithilfe von Geolocation-Parametern im Umkreis von einer Stunde eine Pizza aus. Dies führte dazu, dass die Kunden ihr Erlebnis auf Facebook, Twit- ter und Instagram teilten und die Kampagne eine Online-Diskussion über Da Grasso auslösten, wodurch dessen Bekanntheitsgrad stark zunahm.205 Der mit Big Data einhergehende Einbezug neuer Datenquellen in die Analysemodelle und de- ren Vernetzung untereinander kann außerdem dafür sorgen, dass vermehrt bereichsübergrei- fende Interdependenzen berücksichtigt werden.206 Hierbei können mithilfe von Big Data Ana- lytics-Methoden, wie das Data Mining, z.B. Einflussfaktoren aus Bereichen aufgedeckt werden, deren Einwirkung auf bestimmte Steuerungsgrößen zuvor nicht bekannt waren. Dadurch ist das Controlling in der Lage Urachsenanalysen durchzuführen und Abweichungen bzw. bestimmte Wertausprägungen auf völlig neue Faktoren zurückzuführen. Dabei ist allerdings davor zu war- nen, dass eine zu ehrgeizige Suche nach neuen Zusammenhängen innerhalb der Datensätze 201 Vgl. Bange/Grosser/Janoschek (2015), S. 7. 202 Vgl. Bea/Haas (2017), S. 314-318; Mehanna/Tatzel/Vogel (2016), S. 506. 203 Vgl. Ansoff (1976), S. 133. 204 Vgl. Weichel/Herrmann (2016), S. 10. 205 Vgl. Hieß (2017). 206 Vgl. Kieninger/Mehanna/Michel (2015), S. 7. 38 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA dazu führen kann, dass Korrelationen zur Erklärung von Steuerungsgrößen herangezogen wer- den, die keine allgemeine, über den speziellen Datensatz hinausgehende Gültigkeit besitzen. Dadurch können schnell Fehlinterpretationen entstehen, weshalb von einem zu voreiligen Zie- hen neuer Schlüsse abzuraten ist. Überdies bietet die Verwendung von Big Data Analytics-Methoden dem Controlling die Gele- genheit nicht nur Ursachenanalysen, sondern auch zukunftsorientierte Analysen durchzufüh- ren.207 Durch das Einbeziehen von externen, qualitativen Informationen in eine Analyse, wie z.B. Social Media-Einträge, ist das Controlling in der Lage zukünftige Szenarien sowie deren Auswirkungen auf relevante Steuerungsgrößen, wie Absatzmengen, darzustellen und infolge- dessen verschiedene Entscheidungsalternativen abzuwägen.208 Mittels Data Mining können bspw. Kundeneinträge aus Foren analysiert sowie miteinander verknüpft werden und in die Absatzprognosen integriert werden, um bislang ungenutzte Absatzpotenziale aufzudecken.209 Dadurch können Kundensignale proaktiv aufgegriffen werden und dazu beitragen, das Kauf- verhalten der Kunden sowie die Kundenbindung und -zufriedenheit zu analysieren, um z.B. Prognosen über Abwanderungswahrscheinlichkeiten zu Wettbewerbern zu erstellen.210 Dadurch können wiederum entsprechende Handlungsmaßnahmen, wie z.B. In- bzw. Desinves- titionen in bestimmte Geschäftsfelder, frühzeitig eingeleitet werden.211 Darüber hinaus können neben der Analyse von externen Daten durch den Einsatz von Big Data Analytics auch interne Daten analysiert und neue Informationen bereitgestellt werden. Es können bspw. die durch das IoT generierten Sensordaten von miteinander vernetzen Maschinen Nutzungsintensitäten er- fasst und ausstehende Wartungen prognostiziert werden.212 Allerdings ist zu erwähnen, dass es sich bei zukunftsorientierten Analysen lediglich um Vorhersagen oder mögliche Trends han- delt. Das heißt, die daraus abgeleiteten Erkenntnisse liefern Hinweise und keine Garantien über zukünftige Entwicklungen. Dementsprechend können sich die Ergebnisse, bedingt durch eine unstetige, komplexe und dynamische Unternehmensumwelt, rapide ändern und sind stets auf ihre Validität und Relevanz zu prüfen.213 207 Vgl. Morato/Weber (2016), S. 26-27. 208 Vgl. Satzger/Holtmann/Peter (2015), S. 231; Mehanna/Müller/Tunco (2015), S. 31. 209 Vgl. Weichel/Herrmann (2016), S. 13. 210 Vgl. Gentsch (2003), S. 16-18. 211 Vgl. Mehanna/Tatzel/Vogel (2016), S. 506. 212 Vgl. Seufert/Oehler (2016), S. 79. 213 Vgl. Bea/Haas (2017), S.314-318; Davenport (2013), S. 8; Abée/Andrae/Schlemminger (2020), S. 25-26; Jung (2014), S. 6. 39 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Gegebenenfalls kann durch die Nutzung von Big Data als Datengrundlage die Verlässlichkeit einer prädiktiven Analyse verbessert werden. Die Verlässlichkeit einer zukunftsorientierten Analyse hängt unmittelbar mit dessen Genauigkeit zusammen. Diese ist wiederum von der Menge und dem Inhalt der Datenbasis abhängig.214 Allein die Einbeziehung externer Daten und die damit einhergehende Vergrößerung der Datengrundlage kann bereits zu einer signifikanten Steigerung der Genauigkeit und somit der Analysegüte beitragen.215 Der positive Effekt von wachsenden Datenmengen auf die Analysegenauigkeit wurde von einer im Jahr 2013 erschie- nenen Studie, die diesen Zusammenhang untersucht hat, festgestellt.216 Gegebenenfalls können durch die größere Datenbasis zusätzliche relevante Faktoren berücksichtigt werden und so Problematiken, wie Ungenauigkeiten oder Fehler, reduzieren. Dies führt zu einer steigenden Verlässlichkeit der Ergebnisse. Hierbei ist allerdings der theoretisch abnehmende Grenznutzen in Bezug auf die Datenanalyse zu berücksichtigen. Dieser besagt, dass der Nutzen aus der Ana- lyse einer zusätzlich marginalen Dateneinheit mit steigender Datengrundlage abnimmt.217 Dementsprechend sollte das Verhältnis zwischen Nutzen und Aufwand bezüglich der Analyse steigender Datenmengen trotz potenzieller Zunahme der Verlässlichkeit vom Controlling beo- bachtet werden. In diesem Zusammenhang gewinnt auch die Qualitätssicherung der Daten, wel- che bereits seit einiger Zeit zu den Aufgaben des Controllings zählt, verstärkt an Bedeutung, da zunehmend neue Datenquellen für die Informationsversorgung an Relevanz gewinnen.218 So muss das Controlling sicherstellen, dass die Daten konsistent über unterschiedliche Quellen hinweg dauerhaft, vollständig, aktuell und fehlerfrei verfügbar sind.219 Nur so kann eine aus- reichend gute Datenqualität gewährleistet und somit die Grundlage für eine hohe Verlässlich- keit der Analyseergebnisse geschaffen werden.220 Gemäß des Garbage In, Garbage Out-Prin- zips führen Analysen von Daten in geringer Qualität eher zu schlechten Ergebnissen.221 Neben dem Umfang wandelt sich auch der Schwerpunkt der Qualitätssicherung durch die Integration neuer Datenquellen. Während die Daten bislang meist verstärkt auf Vollständigkeit und Dupli- kate geprüft wurden, verschiebt sich der Fokus bei externen Quellen auf die Prüfung von Plau- sibilität und Manipulationsfreiheit, da insbesondere bei Daten aus externen Quellen ein erhöh- tes Risiko besteht, dass Falschmeldungen, sogenannte „Fake News“, vorliegen.222 214 Vgl. Raden (2010), S. 4-5. 215 Vgl. Grönke/Kirchmann/Leyk (2014), S. 75. 216 Vgl. Junqué de Fortuny/Martens/Provost (2013), S. 219-220. 217 Vgl. Gügi/Zimmermann (2016): S. 304-305; Koltay (2017), S. 199 f. 218 Vgl. Schäffer/Weber (2017), S. 57. 219 Vgl. Keimer/Egle (2020), S. 8. 220 Vgl. Kieninger/Mehanna/Michel (2015), S. 8; Langmann (2019), S. 32. 221 Vgl. Cleve/Lämmel (2020), S. 214. 222 Vgl. Zimmer et al. (2019), S. 211-212; Buschbacher et al. (2014), S. 101. 40 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Daneben kann nicht nur Big Data als Datenbasis, sondern auch die richtige Handhabung der neuen Datengrundlage zu einer Verbesserung der Analysegüte führen. Grundsätzlich erlauben Big Data Analytics-Methoden, wie das Machine Learning, zur prädiktiven Datenanalyse nicht nur die Berücksichtigung neuer Variablen, sondern auch eine große Anzahl an Ausprägungen der einzelnen Variablen. So ist es z.B. möglich die komplette Historie von bestimmten Variab- len in die Berechnungen einfließen zu lassen, was zu stabileren Prognoseergebnissen führen kann.223 Darüber hinaus fließen bei der Nutzung von Machine Learning zur Erstellung von Prognosen sowohl die im Laufe der Anwendung gewonnen Erkenntnisse als auch die tatsäch- lich eingetretenen Ereignisse in Form von Daten automatisch in das Modell ein.224 Dadurch ist es nicht nur möglich das Prognoseergebnis zu überprüfen, sondern auch das gewonnene Wissen in einem stetigen Lernkreislauf zurückzuführen, sodass sich die Modelle permanent weiterent- wickeln.225 Dabei passen sich die gewichteten Korrelationen der Modellvariablen nach jeder Berechnung und dem Vorliegen der Ist-Werte selbstständig neu an, um die Genauigkeit von zukünftigen Prognosen zu erhöhen.226 Allerdings ist zu beachten, dass die Aussagekraft eines Machine Learning-Modells insbesondere anfangs sehr stark von der Größe der Trainingsdaten- mengen abhängt.227 Überdies hängt die potenzielle Qualitätssteigerung durch die richtige Hand- habung von Big Data sowohl mit der Auswahl der Big Data Analytics-Methode als auch mit dem verwendeten Algorithmus zusammen. Die Algorithmen besitzen keine Allgemeingültig- keit und sollten stets für den spezifischen Anwendungsfall modelliert werden.228 Denn die Ver- wendung von unterschiedlichen Algorithmen kann zu abweichenden Ergebnissen führen.229 Dabei hängt die Auswahl des Algorithmus insbesondere von den zugrunde liegenden Daten, dem Zeithorizont und dem Ziel der Analyse ab.230 Ein weiteres Potenzial im Rahmen der Informationsaufbereitung, dass sich durch Big Data- Technologien und Analytics-Methoden für das Controlling erschließen lassen kann, ist eine Echtzeitverarbeitung von Daten, wodurch die Aktualität der Informationsversorgung erhöht werden kann. Die Anwendung der In-Memory-Technologie kann im Vergleich zur Nutzung 223 Vgl. Buschbacher (2016), S. 41; Larose/Larose (2014), S. 8; Willmes/Hess/Gschmack (2015), S. 259. 224 Vgl. Nann/Eichenberger (2018), S. 6-9. 225 Vgl. Fahner/Bastert (2012), S. 31. 226 Vgl. Kieninger/Mehanna/Michel (2015), S. 6; Satzger/Holtmann/Peter (2015), S. 231-232; Fahner/Bastert (2012), S. 32. 227 Vgl. Döbel et al. (2018), S. 24. 228 Vgl. Tischler/Fuchs/Engel (2018), S. 9. 229 Vgl. Deipenbrock/Landewee/Sälzer (2019), S. 49. 230 Vgl. Horstenkamp/Göbel (2019), S. 13. 41 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA von herkömmlichen Datenbank- und Speichertechnologien auf Basis von Festplatten durch die geringe Zugriffs- und Auslesezeit von Daten zu einer Senkung der Gesamtdauer der Informa- tionsaufbereitung führen.231 Daneben kann ein weiterer Geschwindigkeitsvorteil im Rahmen der Informationsaufbereitung durch die Automatisierung von Analyseschritten durch Methoden wie Data Mining oder Machine Learning entstehen.232 Infolgedessen können die daraus abge- leiteten Erkenntnisse einem Entscheidungsträger frühzeitiger zu Verfügung gestellt werden. Solch ein Geschwindigkeitsvorteil begünstigt zudem auch verkürzte Analysefrequenzen, wodurch wiederum die Aktualität der aus den Analysen abgeleiteten Informationen erhöht wer- den kann.233 Der Aspekt der Aktualität ist vor allem aufgrund des stetigen Wandels der Unter- nehmenssituation und der damit einhergehenden Schnelllebigkeit von Informationen für das Controlling von großer Relevanz, um z.B. die Planung laufend an die gegenwärtigen Umstände anzupassen oder unmittelbar Strategien sowie Maßnahmen zu entwickeln.234 Die Integration von Big Data schafft die Grundlage, dass eine subjektive Informationsversor- gung zunehmend durch eine datengetriebene und objektive Informationsversorgung abgelöst wird.235 Die Anwendung von Big Data Analytics-Methoden kann dazu führen, dass immer we- niger subjektive Experteneinschätzungen in eine Analyse miteinfließen.236 Zum einen kann die Analysegüte durch Big Data, wie bereits beschrieben, auch ohne Experteneinschätzungen zu- nehmen. Zum anderen erschweren insbesondere Echtzeitanalysen das Einbringen von Exper- tenmeinungen, da diese meist viel Zeit in Anspruch nehmen und kaum in Echtzeit zu bewerk- stelligen sind, ohne dass dadurch die Aktualität der Informationsversorgung negativ beeinflusst wird.237 Eine Objektivierung der Informationsaufbereitung soll die Anfälligkeit im Hinblick auf Manipulationen, unternehmenspolitisch motiviertem Handeln oder menschlichen Fehleinschät- zungen, z.B. aufgrund möglicher Fehlanreize von Experten, reduzieren und so zu einer fakten- basierten Informationsversorgung beitragen. Dies soll dafür sorgen, dass Entscheidungen nicht auf Basis von Intuitionen sowie subjektiver Annahmen getroffen werden und interessensneutral gesteuert wird.238 Darüber hinaus kann durch die Objektivierung eine Prognose auch 231 Vgl. Plattner/Zeier (2011), S. 14; Grönke/Kirchmann/Leyk (2014), S. 75; Kemper/Baars/Mehanna (2010), S. 28; Laudon/Laudon/Schoder (2016), S. 293-294. 232 Vgl. Nann/Eichenberger (2018), S. 7. 233 Vgl. Buschbacher (2016), S. 42-43. 234 Vgl. Mehanna/Müller/Tunco (2015), S. 30. 235 Vgl. von Daacke (2016), S. 57. 236 Vgl. Setnicka (2016), S. 629; Nann/Eichenberger (2018), S. 7-8. 237 Vgl. Urban (2017), S. 22; Metz (2010), S. 1054; Satzger/Holtmann/Peter (2015), S. 231. 238 Vgl. King (2014), S. 21; Kohavi et al. (2008), S 178; Jarchow/Estermann (2015), S. 16; Weber/Schäffer (2020), S. 99. 42 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA nachvollziehbarer und überprüfbarer gestaltet werden.239 Dies kann wiederum dazu führen, dass das Vertrauen aus Sicht der Empfänger in die Ergebnisse steigt, da keine unrealistischen oder subjektiven Wünsche, sondern zukünftige Entwicklungen objektiv und transparent abge- bildet werden. Allerdings sollte das Ignorieren subjektiver Einschätzungen auch kritisch be- trachtet werden. Big Data Analytics-Methoden erstellen auf Basis einer vorhandenen Daten- grundlage Prognosen für das Eintreten von zukünftigen Ereignissen.240 Individuelle Erfahrun- gen von Experten sind dabei selten Bestandteil der verwendeten Datengrundlage. Die Einschät- zung von erfahrenen Experten könnte jedoch insbesondere die Prognosegüte in wirtschaftlichen Sondersituationen, z.B. aufgrund einer Pandemie, für die noch keine oder wenige Daten vor- handen sind, erhöhen. Des Weiteren ist es möglich, dass trotz einer datengetriebenen Analyse, lediglich eine Art Scheinobjektivität herrschen kann. Dies ist der Fall, wenn die Datenbasis, auf welcher eine Analyse durchgeführt wird, bereits subjektiv zusammengesellt wurde. Amazon verwendete bspw. jahrelang ein Machine Learning gestütztes Tool, welches das Unternehmen zur Bewertung von Bewerbern nutzte.241 Der Algorithmus hatte allerdings sexistische Tenden- zen und bewertete Männer grundsätzlich mit einer höheren Punktzahl als Frauen, was schließ- lich dazu führte, dass Amazon das Tool verwarf. Der Grund für die ungleiche und somit nicht objektive Bewertung des Geschlechts war, dass Amazon hauptsächlich zehn Jahre alte Bewer- bungen, die überwiegend von Männern stammten, als Datengrundlage verwendete, um das Ma- chine Learning-Modell zu trainieren. Daraus zog das Modell den Entschluss, das weibliche Geschlecht geringfügiger zu bewerten und negativ in die Endwertung einfließen zu lassen. Schließlich sollte im Rahmen der Informationsaufbereitung eine stetige Plausibilisierung hin- sichtlich der aus den Daten gewonnenen Erkenntnisse durch das Controlling erfolgen. Die Er- kenntnisse werden dabei auf Unstimmigkeiten, Fehler und anderen Qualitätsmängel hin unter- sucht.242 An dieser Stelle ist der Controller gefordert, z.B. mithilfe von Kontrollsummen, Über- leitungsrechnungen, aber auch der eigenen Erfahrung sowie Kompetenzen, die Informations- qualität sicherzustellen, indem Informationen dahingehend geprüft werden, sodass tatsächlich relevantes Wissen für den Adressaten entsteht.243 Durch die Integration von Big Data und der mit ihr steigenden Datenmenge nehmen die Anforderungen an den Controller bezüglich der 239 Vgl. Nann/Eichenberger (2018), S. 9. 240 Vgl. Kropp/Töbel (o.J.), S. 1; Durmus (2017b), S. 2. 241 Vgl. Nickel (2018). 242 Typische Anforderungen an die Qualität von Informationen sind Vollständigkeit, Korrektheit, Konsistenz, Ver- ständlichkeit, Nachvollziehbarkeit, Aktualität und Relevanz. Vgl. hierzu Rohweder et al. (2018), S. 26-27; Hor- váth/Gleich/Seiter (2020), S. 199; Schön (2018), S. 291. 243 Vgl. Schön (2016), S. 183-184; Gentsch (2003), S. 21-22. 43 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Plausibilisierung der Informationen deutlich zu. Insbesondere Informationen aus neuen Quellen bedürfen einer sorgfältigen Qualitätsprüfung und Validierung.244 Überdies sollte das Control- ling grundsätzlich auch die Ergebnisse von modernen Analysemethoden, wie z.B. automatisier- ten Modellen, die mit lernenden Komponenten arbeiten, kritisch betrachten und hinsichtlich der Plausibilität stetig prüfen. Denn Ausreißer, also Vorfälle, die nicht dem regulären Geschäfts- vorgang entsprechen, können Fehladjustierungen im Modell bewirken. Die lernenden Kompo- nenten benötigen Zeit und Input, um Geschäftsabläufe richtig lesen zu können. Das Controlling ist somit gefordert, Auswirkungen von Sonderfällen, wie sie bspw. durch Übernahmen oder den Verkauf einzelner Geschäftsbereiche entstehen können, manuell zu berücksichtigen und die verwendeten Modelle dahingehend anzupassen.245 Gerade durch die rasant wachsende Da- tenmenge wird es für das Controlling jedoch schwieriger zwischen regelmäßigen Entwicklun- gen und wesentlichen Veränderungen zu unterscheiden.246 Entsprechend intensiviert sich die Plausibilisierung durch das Controlling im Rahmen der Informationsaufbereitungsphase im Zuge von Big Data. Insgesamt verdeutlich die Analyse. Dass es sich bei Big Data um eine wertvolle Ressource für das Controlling zur Informationsversorgung handeln kann. Allerdings stellt die Umstellung der Informationsaufbereitung eine Veränderung dar, die insbesondere die Akzeptanz des Control- lings bedarf, da die Anwendung neuer Technologien und Methoden auch meistens neue Fähig- keiten, wie z.B. IT-Kenntnisse oder statistisches Fachwissen, voraussetzt und häufig eine ge- wisse Zeit zur Eingewöhnung benötigen. Eine fehlende Bereitschaft des Controllings, sich auf digitale Veränderungen einzulassen, kann eine unternehmenskulturelle Herausforderung dar- stellen. Der Veränderungsprozess könnte dadurch aufgehalten und Ressourcen verschwendet werden.247 Überdies stellt sich zwangsläufig die Frage, wie die neu gewonnenen Erkenntnisse durch Big Data an das Management übermittelt werden können ohne aufgrund der großen Menge an ableitbaren Informationen die Übersichtlichkeit oder auch die Verständlichkeit zu gefährden. Diese Frage wird im nächsten Abschnitt genauer untersucht. 2.4.3 Einfluss auf die Informationsübermittlung In der Phase der Informationsübermittlung hat das Controlling dafür zu sorgen, dass Informa- tionen zum richtigen Zeitpunkt am richtigen Ort zweckgerichtet vorliegen, sodass eine 244 Vgl. Grönke/Heimel (2015), S. 244; von Daacke (2016), S. 57. 245 Vgl. Satzger/Holtmann/Peter (2015), S. 231. 246 Vgl. Engelbergs (2016), S. 6-7. 247 Vgl. Schäfer et al. (2012), S. 11. 44 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Erhöhung des Wissensstands beim Empfänger bewirkt wird und diesen bspw. bei seinen ergeb- niszielorientierten Entscheidungen unterstützt.248 Hierbei spielt auch die Visualisierung bzw. Darstellung der übermittelten Informationen eine wichtige Rolle, sodass die Informationen ohne jegliche Verzerrungen vom Empfänger aufgenommen werden können.249 Wie in Abschnitt 2.4.1 und 2.4.2 aufgezeigt, bieten Big Data-Technologien die Möglichkeit Daten im Originalzustand zu speichern und Big Data Analytics-Methoden neue Erkenntnisse aus den gesammelten Daten abzuleiten. Dies versetzt das Controlling in die Lage eine große Informationsmenge an Adressaten übermitteln zu können. Jedoch stellt vor allem die Übermitt- lung großer Informationsmengen eine neue Herausforderung für das Controlling dar. Ein Über- maß an übermittelten und dargestellten Informationen und kann zu einem vermeidlichen Infor- mation Overload des Empfängers führen. Dabei gestaltet es dem Empfänger besonders schwer, alle Inhalte zu erfassen, geschweige denn alle möglichen Schlüsse daraus zu ziehen, da ab ei- nem gewissen Punkt des Informations-Inputs die Entscheidungsqualität des Managements auf- grund der kognitiven Kapazitätsbegrenzungen und der persönlichen, emotionalen Situation ab- nehmen kann.250 Dies kann zur Folge haben, dass der Fokus womöglich auf unwichtige Details gelegt wird und wichtige Inhalte nicht berücksichtigt werden können,251 was wiederum zu Fehl- entscheidungen des Empfängers resultieren kann. Daneben kann es dem Empfänger durch die Informationsüberflutung schwerfallen, die entscheidungsrelevanten Informationen zeitnah zu entnehmen, was zu einer zeitlichen Verzögerung führen kann. Die zeitliche Verzögerung kann unter anderem für Investitionsentscheidungen eine große Gefahr bilden. Damit einhergehend muss sich das Controlling verstärkt mit der Abstimmung zwischen dem Informationsbedarf der Entscheidungsträger und dem Informationsangebot des Controllings auseinandersetzen, um auch bei wachsenden Datenmengen eine Informationsüberlastung der Adressaten zu vermei- den.252 Zudem wird es notwendig sein, die Darstellungsformen von Informationen anzupassen, sollte das Controlling trotz der bestehenden Gefahr beabsichtigen, eine größere Menge an In- formationen weiterleiten. Wenn große Informationsmengen übersichtlich und für den Informa- tionsempfänger zugänglich dargestellt werden sollen, werden gängige, allgemeine Darstel- lungsformen, wie Säulendiagramme oder Tabellen mittels MS Excel, schon bald an ihre Gren- zen gelangen.253 Hierbei können Formen zur Visualisierung von Informationen, die vor allem 248 Vgl. Paefgen (2008), S. 81-82; Horváth/Gleich/Seiter (2020), S. 329. 249 Vgl. Taschner (2013), S. 43. 250 Vgl. Volnhals/Hirsch (2008), S. 51-54; Eppler/Mengis (2004), S. 276. 251 Vgl. Becker/Ulrich/Botzkowski (2016), S. 17. 252 Vgl. Kajüter/Schaumann/Schirmacher (2019), S. 144. 253 Vgl. Grönke et al. (2017), S. 97 ff. 45 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA in spezifischen Situationen von Vorteil sind, Abhilfe schaffen. Treemaps eignen sich zum Bei- spiel besonders gut, um hierarchische Strukturen aufzuzeigen und Größenverhältnisse darzu- stellen. Innerhalb einer Treemap wird eine Einheit gewählt und einzelne Komponenten je nach ihrem Anteil in ein passendes Größenverhältnis gesetzt.254 Neben der Treemap als beispielhafte Darstellungsform gibt es heutzutage zahlreiche weitere Möglichkeiten, wie das Sankey-Dia- gramm oder die Heatmap, welche in der Lage sind, komplexe Sachverhalte verständlich darzu- stellen.255 Grundsätzlich sollte allerdings bedacht werden, dass zu verspielte Grafiken auch schnell von der Kernaussage ablenken können und damit der eigentliche Informationszweck verloren geht.256 Diesbezüglich ist die tatsächliche Vorteilhaftigkeit neuer Darstellungsformen stets situationsspezifisch kritisch zu hinterfragen, da sich die neuen Formen gegenüber klassi- schen Diagrammen und Tabellen in der Praxis erst noch bewähren müssen.257 Solange dies nicht der Fall ist, wird vermutlich weiterhin auf die Vorteile von gängigen Darstellungsformen mit Hilfe von MS Excel zurückgegriffen. In diesem Fall sollten die auf Basis von Big Data aufbereiteten Informationen, welche übermittelt werden sollen, bspw. in Form einer Verdich- tung, reduziert werden. Solch eine Vorgehensweise ist zur Schaffung der Übersichtlichkeit und zur Reduktion der Komplexität unerlässlich. Allerdings kann hierdurch ein Teilverlust des Aus- sagegehalts der ursprünglichen Informationen einhergehen. Neben der potenziellen Überflutung an Informationen, besteht auch die Möglichkeit, dass eine zyklisch, vom Controlling ausgehend initiierte Informationsübermittlung, die herkömmlicher- weise aus dem allgemeingültigen Informationsbedarf der Unternehmensführung abgleitet wird, für eine tiefergehende Informationsversorgung eines spezifischen Adressaten nicht ausreicht.258 Diese Problematik verschärft sich vor allem durch Big Data, da die Komplexität zunimmt, aus einer riesigen Datenmenge, die mit hoher Geschwindigkeit weiterhin ansteigt, die zweckspezi- fisch relevanten Informationen zu selektieren und an den Adressaten zu übermitteln. Infolge- dessen besteht die Gefahr, dass ein Empfänger den Wunsch nach weiteren Informationen ad hoc äußert, um dessen Informationsbedarf zu decken. Die Übermittlung von spontan verlangten Informationen ist sowohl mit einem hohen Arbeits- als auch Zeitaufwand verbunden.259 Über- dies verdeutlichen die Ausführungen in Unterkapitel 2.3, dass sich der Informationsbedarf 254 Vgl. Losbichler/Eisl/Plank (2016), S. 47-48. 255 Siehe Näheres zum Sankey-Diagramm oder zur Heatmap in Losbichler/Eisl/Plank (2016), S. 47 und 53; Beri- nato (2016), S. 230; Hofer/Perkhofer/Mayr (2020), S. 174 und 181-183; Horváth/Gleich/Seiter (2020), S. 342- 344; Freiknecht/Papp (2018), S. 337. 256 Vgl. Gladen (2003), S. 150. 257 Vgl. Losbichler/Eisl/Plank (2016), S. 53. 258 Vgl. Horváth/Gleich/Seiter (2015), S. 312. 259 Vgl. Morato/Weber (2016), S. 29. 46 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA potenzieller Empfänger insbesondere in der heutigen Zeit aufgrund der hohen Dynamik durch die Digitalisierung stetig verändern kann, weshalb auch davon ausgegangen werden kann, dass künftig die Anzahl an ad hoc geäußerten Informationsnachfragen zunehmen wird. In diesem Zusammenhang würde auch der Aufwand für das Controlling zunehmen, da das Controlling dabei stets den situativen Informationsbedarf des Adressaten verstehen, die zweckspezifischen Informationen aufbereiten und übermitteln muss sowie in der Lage sein sollte, die Informa- tionsinhalte dem Adressaten erläutern zu können. Dies hätte zur Folge, dass sich die Kapazitä- ten für andere Controlling-Aufgaben verringern. Zur Entgegenwirkung solcher Herausforde- rungen werden immer häufiger aufkommende digitale Technologien, wie Self-Service-Sys- teme, zur Unterstützung des Controllings diskutiert.260 Diese ermöglichen einem Anwender, bspw. dem Management, ohne weitreichende IT-Kenntnisse einen direkten Zugriff auf Quell- systeme für eine selbstständige Informationsbeschaffung.261 So werden nicht mehr isolierte In- formationen, sondern das komplette Netzwerk an Informationen weitergegeben, um dem Nut- zer ein ganzheitliches Bild zu liefern. Dies versetzt den Anwender in die Lage bei Bedarf gra- nular feinerer Informationen, als es herkömmlicherweise bei einer Informationsübermittlung der Fall ist, einzusehen.262 Der Einblick in detaillierte Kunden-, Lieferanten- oder Materialdaten und auch in aktuelle Geschäftsabläufe können bspw. das Verständnis für das Zustandekommen von aggregierten Kennzahlen vereinfachen. Somit besteht das Nutzenpotenzial für einen An- wender den eigenen Informationsbedarf selbstständig zu decken, wodurch wiederum die An- zahl an ad hoc geforderten Informationen verringert werden kann. Zudem ermöglicht der durch- gängige Zugriff auf die Quellsysteme dem Anwender die Beschaffung von Informationen quasi ohne zeitliche Verzögerungen, da diese nicht erst von Dritten angefordert werden müssen.263 Besondere Relevanz hat dies bspw. für Entscheidungen, die in deutlich kürzerer Zeit getroffen werden müssen. Entsprechend kann sich auch die Reaktionsgeschwindigkeit auf sprunghafte Veränderungen der Wettbewerber oder der Kunden verbessern. Dennoch ist hervorzuheben, dass die Anwendung von Self-Service-Systemen zur Informationsübermittelung dazu führen kann, dass zyklisch durch das Controlling übermittelte Informationen von Adressaten weniger beachtet werden. Horváth/Gleich/Seiter (2020) gehen sogar von einer vollständigen Ablösung zyklischer Informationsübermittlungen durch die Möglichkeiten von Self-Service-Systemen aus.264 Solch mögliche Entwicklungen sollten allerdings kritisch betrachtet werden. Hierbei 260 Vgl. Egle/Keimer (2017), S. 9-12; Langmann (2019), S. 5 ff.; Gärtner/Rockenschaub (2015), S. 709; Kienin- ger/Mehanna/Michel (2015), S. 4-5; Waniczek (2020), S. 6. 261 Vgl. Gärtner/Rockenschaub (2015), S. 710. 262 Vgl. Gentsch/Kulpa (2016), S. 34; Morato/Weber (2016), S. 26. 263 Vgl. Morato/Weber (2016), S. 26-27. 264 Vgl. Horváth/Gleich/Seiter (2020), S. 193. 47 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA besteht nämlich das Risiko, dass sich der Fokus auf Informationen, die lediglich für einen Ad- ressaten individuell von Bedeutung sind, legt und relevante Informationen für das Unternehmen im Gesamten unberücksichtigt bleiben. Daneben muss bei der Bereitstellung der gesamten In- formationsgrundlage der Anwender die relevanten Informationen eigenständig selektieren, was ein hohes Maß an Erfahrung bedarf und gegebenenfalls dazu führen kann, dass nicht alle rele- vanten Informationen berücksichtigt werden.265 Aufgrund solcher Gefahren wäre es denkbar, dass Fehlbeurteilungen entstehen sowie Fehlentscheidungen getroffen werden. Vom Empfän- ger angeforderte Informationen und Entwicklungen wie Self-Service-Systeme sollten dement- sprechend in erster Linie als Ergänzung zur Entscheidungsunterstützung dienen. Aus diesem Grund ist es zu empfehlen, weiterhin zyklische vom Controlling initiierte Informationsüber- mittlungen durchzuführen, da diese vor allem der Steuerung dienen. Die Bedeutung, z.B. ein- zelne Bereiche auf die übergeordneten Unternehmensziele hin zu koordinieren, hat weiterhin Bestand und Informationen diesbezüglich sollten weiterhin in regelmäßigen Abständen auch ohne spezifische Nachfrage eines Adressaten übermittelt werden.266 2.4.4 Kritische Würdigung hinsichtlich des Datenschutzes und der Wirtschaftlichkeit Wie im Verlauf dieser Untersuchung aufgezeigt wurde, kann der Einbezug von Big Data ein erhebliches Nutzenpotenzial zur Verbesserung der Informationsversorgung zur Entscheidungs- unterstützung und Steuerung bieten. An dieser Stelle muss jedoch berücksichtigt werden, dass das Ausschöpfen der Potenziale auch mit vielen Hürden verbunden ist, welche weitestgehend einzelne Prozessschritte der Informationsversorgung betreffen und an den geeigneten Stellen in dieser Untersuchung vertieft wurde. Es gibt allerdings auch Herausforderungen, die nicht den einzelnen Phasen der Informationsversorgung zugeordnet werden können, sondern im Allge- meinen bewältigt werden müssen, um Big Data dem Controlling zur Realisierung der Nutzen- potenziale zur Verfügung zu stellen. Häufig gelten der Datenschutz und die Datensicherheit als ein erhebliches Hindernis für den Einsatz von Big Data.267 Datenschutzrechtliche Risiken können in allen Phasen der Informati- onsversorgung entstehen. Dies beginnt, wie in Abschnitt 2.4.1 erwähnt, bereits mit der Erhe- bung von Daten und wird mit der Aufbereitung wie auch der Übermittlung von Informationen fortgeführt.268 Es besteht die Gefahr des Datenmissbrauchs. So können Mitarbeiter oder Dritte 265 Vgl. Alpar/Schulz (2016), S. 152–153; Weißenberger/Bauch (2017), S. 212. 266 Vgl. Küpper et al. (2013), S. 233-235; Schön (2016), S. 192. 267 Vgl. o.V. (2012b), S. 47-48. 268 Vgl. Buschbacher et al. (2014), S. 99. 48 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA sich unrechtmäßigerweise Zugang zu den Daten verschaffen und diese bspw. bewusst manipu- lieren.269 Diesbezüglich haben in den letzten Jahren die gesetzlichen Vorgaben hinsichtlich des Datenschutzes eine große Herausforderung zur Nutzung von Big Data dargestellt.270 Internati- onal agierende Unternehmen müssen nicht nur die nationalen Regelungen des Hauptsitzes be- rücksichtigen, sondern haben zusätzlich auch die jeweiligen Vorschriften der Staaten, in denen sie tätig sind, einzuhalten.271 Auf europäischer Ebene konnte durch das Inkrafttreten der DSGVO, welche u.a. eine Vereinheitlichung von nationalen Datenschutzgesetzen zum Schutz von personenbezogenen Daten zur Folge hat, ein Meilenstein gesetzt werden.272 Die DSGVO gibt klare Richtlinien für die Speicherung, Verarbeitung und Übermittlung von personenbezo- genen Daten vor. Dadurch schützt sie natürliche Personen und erhöht die Transparenz des Um- gangs mit diesen Daten.273 Neben der DSGVO findet zum Schutz personenbezogener Daten das Bundesdatenschutzgesetz in Deutschland Anwendung.274 Big Data kann in Unternehmen und somit auch in der Informationsversorgung erst einen Mehrwert erzeugen, wenn die entspre- chenden Anwendungen mit den datenschutzrechtlichen Vorschriften konform sind und damit auch den behördlichen Kontrollen standhalten. Wird dies nicht eingehalten, drohen Unterneh- men hohe Geldstrafen, Reputationsschäden bis hin zum Verbot des datenbasierten Geschäfts- modells.275 Damit Big Data sicher und im Einklang mit den rechtlichen Vorschriften in Unter- nehmen implementiert und etabliert werden kann ist z.B. die Einführung von Data Governance- Richtlinien, welche die Sicherheit der Daten nach regulativen Anforderungen sowie eine ange- messene Datenqualität gewährleisten sollen, vorstellbar.276 In diesem Zusammenhand sollte das Controlling bezüglich der Einhaltung datenschutzrechtlicher Bestimmungen geschult werden, um den rechtlichen Anforderungen jederzeit nachzukommen.277 Aber auch im Falle dessen, dass die rechtlichen Anforderungen stets erfüllt sind, sollte das Controlling auch im Umgang mit persönlichen Daten sensibilisiert werden. Zwar war das in Abschnitt 2.4.2 angeführte Bei- spiel, in dem Da Grasso Standortdaten von Personen aus sozialen Netzwerken nutzte, rechtlich nicht zu beanstanden. Allerdings kann die Verwendung solcher Daten auch negativ, z.B. in Form eines Eingriffs in die Privatsphäre, wahrgenommen werden. 269 Vgl. Jarchow/Estermann (2015), S. 14-15. 270 Vgl. Buschbacher et al. (2014), S. 99. 271 Vgl. Buschbacher et al. (2014), S. 99. 272 Vgl. Graschitz (2018), S. 18; Ploier/Mayr (2019), S. 201. 273 Vgl. Ploier/Mayr (2019), S. 201. 274 Vgl. Knorre/Müller-Peters/Wagner (2020), S. 30. 275 Vgl. Werkmeister/Brandt (2016), S. 233. 276 Vgl. Freiknecht/Papp (2018), S. 486. 277 Vgl. Schaffner/Mayer-Uellner (2010), S. 615. 49 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Darüber hinaus muss zur Beschaffung und Nutzung von Big Data eine IT-Landschaft, die le- diglich auf klassischen Technologien bzw. Tools, wie z.B. relationalen Datenbanken oder MS Excel, basiert, umgestaltet werden und was einen hohen Aufwand zur Folge haben kann. Durch technologische Fortschritte sind die Preise für fortgeschrittene Speicher- und Verarbeitungs- technologien, wie die In-Memory-Technik, im Laufe der Zeit gesunken.278 Daneben sind auch moderne Tools zur Datenanalyse mittlerweile kostengünstig erwerbbar.279 Neben den reinen Kosten für Hardware und Software entstehen allerdings weitere Kosten, wie z.B. Implementie- rungs- sowie Personalkosten im Rahmen des Aufbaus einer neuen Infrastruktur, die nicht zu unterschätzen sind.280 Für gewöhnlich ist es erforderlich, neue Technologien in die bestehende Infrastruktur einzugliedern und mit den bereits existierenden Anwendungen zu harmonisie- ren.281 Außerdem erfordert die Akzeptanz neuer Technologien und Analysemethoden sowie das technische Verständnis für eine korrekte Bedienung dieser z.B. Schulungen oder Weiterbildun- gen des bestehenden Personals oder gar die Einstellung von neuem Personal, wodurch weitere Kosten entstehen.282 Darüber hinaus muss bedacht werden, dass viele Unternehmen die Poten- ziale von Big Data zwar bereits erkannt haben, aber von einer breitflächigen Realisierung dieser jedoch noch weit entfernt sind.283 So planen zwar die meisten Unternehmen bereits umfangrei- che Big Data-Initiativen. Die Wahrscheinlichkeit ist allerdings hoch, dass der anfänglichen Eu- phorie – ähnlich der anfänglichen Hype-Phase des Internets – zunächst eine Phase der Enttäu- schung folgen wird, bevor sich realistische Erwartungen einstellen werden.284 Bisher können meist nur diejenigen Unternehmen vom erfolgreichen Einsatz berichten, die sich bereits seit längerer Zeit mit datenbasierten Geschäftsmodellen beschäftigen.285 Aufgrund der Komplexität im Umgang mit Big Data und der komplizierten Umsetzung inner- halb eines Unternehmens ist es eine große Herausforderung für Unternehmen Big Data richtig zu nutzen. Dies kann zur Konsequenz haben, dass einige Unternehmen an der Umsetzung schei- tern, ihr Vorhaben Big Data zu nutzen aufgeben oder sich lediglich an Teilaspekten von Big Data erproben. Unter diesem Aspekt ist es notwendig, dass Unternehmen Big Data einer adä- quaten Kosten-Nutzen-Analyse unterziehen. Es muss bedacht werden, dass sich auch 278 Vgl. Gluchowski/Chanonin (2016), S. 189-190; Plattner/Zeier (2011), S. 15. 279 Vgl. Wrobel et al. (2015), S. 374. 280 Vgl. Jarchow/Estermann (2015), S. 16; Mayr (2019), S. 155; Nann/Eichenberger (2018), S. 7-8; Derwisch/Iffert (2018), S. 13; Schön (2018), S. 438. 281 Vgl. Buhl et al. (2013), S. 65. 282 Vgl. Bange/Grosser/Janoschek (2015), S. 7; Ebner/Bühnen/Urbach (2014), S. 3754; Mayr (2019), S. 155. 283 Vgl. Bange/Janoschek (2014), S. 14. 284 Vgl. Birkhofer (2001), S. 83; Verhoef/Kooge/Walk (2016), S. 8. 285 Vgl. Bange/Janoschek (2014), S. 14. 50 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Investitionen in Big Data nicht zwangsweise amortisieren und es einer angemessenen Strategie zur Implementierung bedarf.286 Diesbezüglich ist es notwendig, dass sich Unternehmen darüber bewusst sind, welches Ziel sie mit dem Einsatz von Big Data verfolgen möchten.287 Die For- mulierung eines klaren Ziels und einer klaren Strategie erhöht die Chance, Big Data erfolgreich etablieren und wertschöpfend einsetzen zu können. Zwar gehören vor allem das Marketing und der Vertrieb zu den prädestinierten Teilbereichen in Unternehmen im Hinblick auf die Nutzung von Big Data.288 Allerdings offenbart diese Untersuchung, trotz der wenig erprobten Nutzung von Big Data innerhalb des Controllings, einen enormen potenziellen Mehrwert für die Infor- mationsversorgung. Ob sich der Einzug von Big Data in das Controlling allerdings etablieren kann, wird sich erst in Zukunft zeigen. Die Potenziale und technischen Voraussetzungen sind, wie in dieser Arbeit aufgeführt wurden, vorhanden. 2.5 Fazit Ziel der vorliegenden Untersuchung war es, den Wandel der Informationsversorgung als zent- ralen Controlling-Prozess zur Entscheidungsunterstützung und Steuerung unter besonderer Be- rücksichtigung von Big Data kritisch zu analysieren. Zu diesem Zweck wurden potenzielle Auswirkungen der Digitalisierung auf den Informationsbedarf herausgearbeitet und in diesem Kontext die Relevanz von Big Data für das Controlling aufgedeckt. Anschließend wurde der Einfluss von Big Data auf die darauffolgenden Phasen des Informationsversorgungsprozesses erörtert und die Nutzung von Big Data vor dem Hintergrund des Datenschutzes und der Wirt- schaftlichkeit kritisch gewürdigt. Dem Zweck der Untersuchung dienend, wurde der Prozess der Informationsversorgung in vier Teilschritte zerlegt: die Ermittlung des Informationsbedarfs, die Informationsbeschaffung, die Informationsaufbereitung sowie die Informationsübermittlung. Es konnte festgestellt werden, dass sich die genannten Phasen bedingen und deren Ergebnisse einen Einfluss auf die folgenden Phasen haben. Für den Informationsbedarf konnte festgestellt werden, dass die Digitalisie- rung im Allgemeinen zahlreiche Auswirkungen auf Unternehmen haben kann. Aus der Gesamt- heit der potenziellen Effekte, z.B. auf Kunden, die Wettbewerbsintensität oder Mitarbeiter, konnte eine Ausweitung des Informationsbedarfs herausgearbeitet werden. Diese Ausdehnung rückt das stetig wachsende Volumen polyvalenter Daten, auch genannt Big Data, in den Fokus des Controllings. Für die Informationsbeschaffung lässt sich aufzeigen, dass klassische 286 Vgl. Birkhofer (2001), S. 83. 287 Vgl. Davenport (2014), S. 58-60. 288 Vgl. Bange/Grosser/Janoschek (2015), S. 6. 51 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Technologien und Vorgehensweisen für die Erschließung von Big Data nicht ausreichend ge- eignet sind und deswegen ein Wandel notwendig ist. Allerdings hat sich herausgestellt, dass die technischen Möglichkeiten, um den Anforderungen des neuen Informationsbedarfs gerecht zu werden, bereits vorhanden sind. Big Data-Technologien, wie die beispielhaft aufgeführten In- Memory-Technik oder NoSQL-Datenbanken, stellen vor allem in Kombination angemessene Instrumente zur Erschließung neuer Datenquellen wie auch zur Optimierung der Verarbeitung und Bereitstellung von großen Datenmengen dar. Mit Überwindung der technischen Restrikti- onen zeigt sich innerhalb der Phase der Informationsaufbereitung, dass das Controlling zur Abdeckung des Informationsbedarfs eines Adressaten in der Lage sein muss, aus der anwach- senden Datenflut weiterhin die wesentlichen Daten selektieren zu können. Neben dieser Her- ausforderung bietet Big Data allerdings enorme Potenziale im Rahmen der Datenanalyse zur Generierung entscheidungsunterstützender oder steuerungsrelevanter Informationen. Big Data Analytics-Methoden, wie Machine Learning oder Data Mining, begünstigen bspw. eine früh- zeitige Erkennung von Chancen und Risiken aus der Unternehmensumwelt sowie von bisher unbekannten Ursachen-Wirkungszusammenhängen, was vor allem aufgrund der Dynamik im Zuge der Digitalisierung notwendig ist, um schneller auf Veränderungen reagieren zu können. Darüber hinaus können mittels Big Data Analytics-Methoden gewisse Faktoren, wie z.B. die Genauigkeit, Aktualität oder Objektivität von Vorhersagen, positiv beeinflusst werden. Aller- dings sollten hierbei stets Risiken, wie bspw. eine mögliche Scheinobjektivität oder das feh- lende technische Verständnis zur korrekten Bedienung der Big Data-Technologien und Analy- tics-Methoden, bedacht werden. Für die letzte Phase – der Informationsübermittlung – stellte sich vor allem die Frage nach einer geeigneten Form, wie die neu gewonnen Erkenntnisse aus Big Data an die Adressaten weiterzugeben sind, ohne dass diese aufgrund eines Information Overload von wichtigen Informationsinhalten abgelenkt werden. Dabei kann sich die Einfüh- rung von Self-Service-Systemen als probates Mittel zur Bewältigung dieser Herausforderungen erweisen. Im Gegensatz zur zyklisch, vom Controlling ausgehend initiierten Informationsüber- mittlung, erlauben diese Systeme dem Anwender bei Bedarf eine selbstständige Informations- beschaffung. Allerdings ist hierbei zu beachten, dass bei der Nutzung solcher Entwicklungen zu beachten ist, dass anlässlich verschiedener Ursachen, wie z.B. von Fehlanreizen oder feh- lenden Kompetenzen, der Fokus auf Informationen gelegt werden kann, die lediglich für den Nutzer individuell von Bedeutung sind und dadurch relevante Informationen für das Unterneh- men im Gesamten unberücksichtigt bleiben. 52 WANDEL DER INFORMATIONSVERSORGUNG DURCH DAS CONTROLLING UN- TER BESONDERER BERÜCKSICHTIGUNG VON BIG DATA Die Erkenntnisse aus dieser Untersuchung zeigen, dass sich mit Big Data in der Theorie durch- aus ein bedeutsames Potenzial für die Informationsversorgung durch das Controlling ergibt. Allerdings wurde auch eine kritische Perspektive eingenommen. So steigt beispielsweise mit der Implementierung von Big Data auch die Bedeutung des Datenschutzes, der nicht nur in der Informationsbeschaffung, sondern auch in den darauffolgenden Phasen zu berücksichtigen ist. Insgesamt konnte gezeigt werden, dass Big Data nicht zwangsläufig einen Erfolgsgaranten für Unternehmen darstellt. Unternehmen stehen vor Umstrukturierungen, die hohe Kosten nach sich ziehen können. Dementsprechend ist die Einführung von Big Data als ein Projekt zu be- trachten und sollte daher einer sorgfältigen Kosten-Nutzen-Analyse unterzogen werden. In wel- chem Ausmaß Big Data in die Unternehmensprozesse einfließen sollte, kann dadurch für die Unternehmen höchst unterschiedlich ausfallen. Unternehmen sind dementsprechend gefordert, sich stärker mit datenbasierten Prozessen auseinanderzusetzen und dabei sowohl die Heraus- forderungen als auch die Chancen, die sich ihnen durch Big Data ergeben, sorgfältig zu analy- sieren. Viele Erkenntnisse, die innerhalb dieser Untersuchung herausgearbeitet wurden, basieren auf Hypothesen, die aufgrund mangelnder empirischer Grundlage noch nicht ausgiebig geprüft worden sind. Dies zeigt den weiteren Forschungsbedarf auf, der hinsichtlich der Erschließung von Big Data noch besteht. Weitere kritische Auseinandersetzungen mit Fragestellungen, die sich durch den Einfluss von Big Data ergeben, sollten frühzeitig erfolgen. Denn, wie in dieser Untersuchung verdeutlich wurde, entwickelt sich die Umwelt stetig weiter und Unternehmen, die sich zu spät mit den Herausforderungen und Chancen, die mit Big Data einhergehen, aus- einandersetzen, können ihren Rückstand innerhalb des Wettbewerbs womöglich nur schwer aufholen. Entsprechend sollte sich auch in Zukunft weiterhin mit dem Phänomen Big Data be- schäftigt werden. 53 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN 3 Aufsatz II: Wandel des Forecastings und des Reportings aufgrund aufkommender digitaler Technologien Dursun, David 3.1 Einleitung „Digitale Der Wandel ist in vollem Gange. Die technologischen Entwicklungen sind rasant und verändern die Art, wie wir uns informieren, wie wir kommunizieren, wie wir konsumieren – kurz: wie wir leben.“289 Sowohl in der Theorie als auch in der Praxis wird die Digitalisierung aktuell als maßgebendes Zukunftsthema diskutiert.290 Zum einen ist die Digitalisierung mittler- weile in allen Lebensbereichen angekommen, zum anderen führt diese zu tiefgreifenden Ver- änderungen von ganzen Unternehmen und Branchen.291 Aber nicht nur die Gesellschaft und die Wirtschaft im Allgemeinen sind von diesem Wandel betroffen, sondern ebenso eine Vielzahl von Bereichen innerhalb der Wertschöpfungskette eines Unternehmens. Neben der Produktion, der Beschaffung oder dem Vertrieb, sind zugleich auch administrative Bereiche, wie das Con- trolling, von tiefgreifenden Veränderungen durch aufkommende digitale Technologien betrof- fen.292 Der Einsatz von digitalen Technologien, wie Big Data, Machine Learning, RPA oder Self-Services, kann dabei einen bedeutenden Mehrwert innerhalb des Controllings bieten. Eine Studie von KPMG in Kooperation mit der LMU München aus dem Jahr 2020, die über 330 Chief Financial Officer, Chief Accountants und Chief Controller aus dem deutschsprachigen Raum zur Nutzung digitaler Technologien im Controlling befragte, bestätigt dies. 77 Prozent der Befragten gaben beispielsweise an, dass digitale Technologien im Controlling auf vielen Ebenen insbesondere zur Steigerung der Effizienz genutzt werden können.293 Hierbei sind bspw. repetitive und standardisierte Abläufe zu nennen, die durch die Nutzung digitaler Tech- nologien, wie RPA, effizienter gestaltet werden können.294 Nicht unbegründet sind Theoretiker davon überzeugt, dass die Digitalisierung das Controlling grundlegend verändern wird.295 Mi- chel und Tobias (2017) „sehen das Controlling durch die Digitalisierung vor einem radikalen Wandel, dem vielleicht radikalsten, den es je gesehen hat.“296 Dabei kann sich die Digitalisie- rung grundsätzlich auf diverse Felder des Controllings auswirken und sich sowohl in der Inten- sität als auch in der Ausprägung individuell unterscheiden. Die aktuelle Forschung deutet da- rauf hin, dass eine Veränderung durch die Digitalisierung insbesondere im Forecasting oder 289 Bundesministerium für Wirtschaft und Energie (o.J.). 290 Vgl. Nobach (2019), S. 247; Wolf/Strohschen (2018), S. 56. 291 Vgl. Bundesministerium für Wirtschaft und Energie (2016); Seufert/Treitz/von Daacke (2017), S. 48. 292 Vgl. Nasca/Munck/Gleich (2018), S. 75; Langmann (2019), S. 1. 293 Vgl. Kreher et al. (2020), S. 11-12. 294 Vgl. Reuschenbach/Isensee/Ostrowicz (2019), S. 10-11. 295 Vgl. Michel/Tobias (2017), S. 38; Schäffer/Weber (2016), S. 8. 296 Michel/Tobias (2017), S. 38. 54 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Reporting erfolgt.297 Darüber hinaus handelt es sich beim Forecasting und Reporting um sehr ressourcenintensive Instrumente, weshalb digitale Einflüsse, die eine positive Wirkung auf den Ressourceneinsatz haben können, von besonderem Interesse sind.298 So sind im Kontext der Digitalisierung vor allem diese beiden verbreiteten Controlling-Instrumente in den letzten Jah- ren verstärkt in den Fokus der Forschung und Praxis gerückt. Autoren, wie z.B. Nobach (2019) beleuchteten bereits im Einzelnen, welche Konsequenzen die Digitalisierung für die Gestaltung der IT-Systeme, die Konzeption der Steuerungslogik, die Planung oder für das Berichtswesen mit sich bringt.299 Hierbei besteht allerdings die Problema- tik, dass die Digitalisierung weitestgehend im Allgemeinen betrachtet wurde und nicht konkret die Wirkung spezieller digitaler Technologien untersucht wurde, um die tatsächlichen Ursachen möglicher Veränderungen aufzuzeigen. Jedoch werden in der vorhandenen Literatur auch ein- zelne Technologien in den Fokus der Betrachtung gestellt, um den Einsatzbereich innerhalb des Controllings zu identifizieren und explizite Auswirkungen auf diesen feststellen zu können. Manutiu (2018) untersucht zum Beispiel inwiefern durch RPA ein Mehrwert im Controlling geschaffen werden kann.300 Wohingegen sich Mehanna/Tatzel/Vogel (2018) speziell mit Busi- ness Analytics und dem Einfluss dieser Technologie auf das Forecasting beschäftigen.301 Diese wissenschaftlichen Beiträge konzentrieren sich allerdings auf lediglich eine aufkommende di- gitale Technologie, wohingegen Langmann (2019) mehrere digitale Entwicklungen, wie Big Data, Business Analytics, Machine Learning sowie RPA, parallel behandelte und deren Aus- wirkungen auf Controlling-Bereiche, wie das Reporting, die Planung oder die Gestaltung der IT-Systeme des Controllings, untersucht.302 Allerdings ist in der Arbeit von Langmann (2019) zu erwähnen, dass keine trennscharfe Analyse der einzelnen Technologien durchgeführt wurde. Damit im Controlling digitale Entwicklungen nutzenbringend eingesetzt werden können, ist eine Kombination verschiedener Technologien nicht obligatorisch. Solche Technologien sind durchaus auch einzeln in der Lage, einen Mehrwert für das Controlling zu schaffen. Zusätzlich ist anzumerken, dass, im Rahmen der hier ausschnittweise dargelegten Forschungen, die mög- lichen Auswirkungen der Technologien nur sehr einseitig – nämlich weitestgehend positiv – betrachtet werden. Eine kritische Reflexion möglicher negativer Effekte, kommt dementspre- chend zu kurz. Zusätzlich handelt es sich bei dieser Literatur (ausschließlich) um theoretische 297 Vgl. Kirchberg/Müller (2016); Finance CFO Panel (2017); Bange/Grosser/Janoschek (2015), S. 23. 298 Vgl. Esser/Müller (2007). 299 Vgl. Nobach (2019), S. 247-269. 300 Vgl. Manutiu (2018), S. 4-10. 301 Vgl. Mehanna/Tatzel/Vogel (2018), S. 39-45. 302 Vgl. Langmann (2019). 55 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Reflexionen. Eine Betrachtung der jeweiligen Thematik aus praktischer Sicht rückt an dieser Stelle in den Hintergrund. Somit blieb eine kritische Auseinandersetzung mit der Fragestellung, inwiefern spezifische digitale Technologien eine Veränderung des Forecastings und Reporting in der Praxis bedingen können, bisher offen. In Anbetracht der theoretischen und praktischen Relevanz dieser Thematik besteht das Ziel der vorliegenden Untersuchung darin diese Forschungslücke zu schließen. Konkret werden Er- kenntnisse aus bestehender Literatur hinsichtlich aufkommender digitaler Technologien und deren Einfluss auf das Forecasting und Reporting um die Ergebnisse aus einer anhand von Ex- perteninterviews durchgeführten empirischen Untersuchung ergänzt. Dabei werden bereits be- stehende Theorien überprüft und gegebenenfalls neue Thesen abgeleitet. Hierbei steht folgende Forschungsfrage im Fokus: Welche Nutzenpotenziale, Herausforderungen sowie Gefahren be- stehen durch den Einsatz spezifischer aufkommender digitaler Technologien jeweils für das Forecasting und Reporting? Um der Beantwortung der Forschungsfrage nachzukommen, dient das Unterkapitel 3.2 zur Dar- stellung von aufkommenden digitalen Technologien, die einen Einfluss auf das Controlling ha- ben können. Im Anschluss folgt in Unterkapitel 3.3 die Vorstellung der Forschungsmethodik. Dabei werden insbesondere die Vorgehensweise sowie die Analysemethode der Experteninter- views erläutert und anschließend die aus der qualitativen Analyse gewonnenen Ergebnisse dar- gelegt. Die empirischen Ergebnisse werden im darauffolgenden Unterkapitel mit den Erkennt- nissen aus der Literatur zusammengeführt. Hierbei werden vorerst in Abschnitt 3.4.1 sowie 3.4.2 jeweils der herkömmliche Ablauf des Forecastings bzw. Reporting ohne Einfluss aufkom- mender digitaler Technologien dargestellt als auch deren Schwächen aufgezeigt, um im direk- ten Anschluss eine theoretische Erörterung der Effekte auf das Forecasting bzw. Reporting durch die Anwendung aufkommender digitaler Technologien erfolgen zu lassen. Beendet wird Unterkapitel 3.4 mit einer kritischen Würdigung im Hinblick auf die Wirtschaftlichkeit auf- kommender digitaler Technologien. Abschließend werden mögliche Limitationen der Untersu- chung aufgezeigt sowie ein Fazit gegeben. 3.2 Theoretische Grundlagen zu aufkommenden digitalen Technologien im Controlling Der digitale Wandel im Controlling ist geprägt durch disruptive Technologien. Bestehende Technologien könnten durch neue digitale Entwicklungen abgelöst werden, da sie neue Per- spektiven für das Controlling bieten. Ausgehend von der Literaturrecherche sowie unter 56 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Berücksichtigung der Aussagen aus den geführten Experteninterviews gehören zu den aufkom- menden Technologien der Digitalisierung, welche das Controlling bereits geprägt haben und die digitale Transformation des Controllings wahrscheinlich auch in Zukunft weiter vorantrei- ben werden: Big Data - inklusive Big Data-Technologien sowie Analytics-Methoden -, IoT, RPA, Self-Service-Systeme, mobile Lösungen und Cloud Computing.303 Insbesondere anhand einer Studie von Egle/Keimer (2017), in der 223 Unternehmen befragt wurden, welche aufkom- menden digitalen Entwicklungen das Controlling beeinflussen und wie stark dieser Einfluss ist, wird die Bedeutung der genannten Technologien für das Controlling deutlich, weshalb diese den Fokus dieser Untersuchung darstellen. Bekräftigt wird diese Auswahl darüber hinaus durch eine Umfrage von Ernst & Young unter Controlling-Führungskräften aus dem Jahr 2018 zum Thema Digitalisierung im Controlling, welche in 280 Unternehmen aus dem deutschsprachigen Raum durchgeführt wurde.304 Im Fokus der Umfrage stand u.a. der Einsatz digitaler Technolo- gien im Controlling. Dabei wurde neben der aktuellen Anwendung von aufkommenden digita- len Technologien auch eine Erwartung der Führungskräfte an dieser für den Zeitraum 2020/2021 abgefragt. Zum grundlegenden Verständnis und um die Auswirkungen der hier als relevant erachteten, digitalen Technologien auf das Controlling untersuchen zu können, werden diese im Folgenden erläutert. Sucht man in der Literatur nach einer Definition von Big Data, findet man eine Vielzahl unter- schiedlicher Definitionen. Worüber sich allerdings ein Großteil der Wissenschaft und der Praxis einig ist, ist dass es sich bei Big Data um eine Datenmenge handelt, die durch die so genannten „3 V’s“ Volume (Volumen), Variety (Vielfalt) und Velocity (Geschwindigkeit) gekennzeichnet ist.305 Volume steht hier für eine große Datenmenge, die teilweise sogar im Tera- bis Zetta- bytebereich liegen kann.306 Unter Variety wird eine Vielfalt von Daten verstanden, die dadurch entsteht, dass Daten in strukturierter, in semi-strukturierter und in unstrukturierter Form aus einer Vielzahl interner und externer Quellen generiert werden können.307 Das dritte „V“, Ve- locity, beschreibt die Geschwindigkeit der Daten. Hiermit ist sowohl die Echtzeitgenerierung von Daten gemeint als auch deren Kurzlebigkeit.308 Um Big Data zu beschaffen, sind Big Data- 303 Vgl. Egle/Keimer (2017), S. 9-12; Langmann (2019), S. 5 ff.; Gärtner/Rockenschaub (2015), S. 709; Kienin- ger/Mehanna/Michel (2015), S. 4-5; Waniczek (2020), S. 6. 304 Um ein möglichst allgemeingültiges Bild zu schaffen, wurde eine Streuung der Unternehmen hinsichtlich Bran- che, Unternehmensgröße und -struktur vorgenommen. Vgl. hierzu Waniczek (2020), S. 2. 305 Vgl. Fasel/Meier (2016), S. 6; Laney (2001), S. 1; Schroeck et al. (2012), S. 5; o.V. (2012a); o.V. (2013a), S. 10. 306 Vgl. Fasel/Meier (2016), S. 6. 307 Vgl. Bitkom (2012), S. 21; Fasel/Meier (2016), S. 6. 308 Vgl. Fasel/Meier (2016), S. 6. 57 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Technologien notwendig. Kerntechnologien zur Speicherung, Verarbeitung und Bereitstellung von Big Data sind z.B. NoSQL-Datenbanken sowie die In-Memory-Technik.309 Für die Spei- cherung in NoSQL-Datenbanken müssen Daten nicht zwangsweise in Beziehung zueinander- stehen. Dies bedeutet, dass die Datenspeicherung weder ein festgelegtes Schema noch eine Struktur erfordert.310 Dadurch sind NoSQL-Datenbanken in der Lageneben strukturierten Daten auch semi- und unstrukturierte Daten, wie z.B. Fotos, Videos und Kommentare, zu speichern. Daneben zeichnet sich die In-Memory-Technik dadurch aus, dass nicht auf externe Speicher- medien wie Festplatten zurückgegriffen wird, sondern dass der Arbeitsspeicher des Computers zum Speichern von Daten genutzt wird.311 Im Gegensatz zu Festplatten, welche für den Zugriff oder das Auslesen von Daten einige Millisekunden benötigen, bedarf das Zugreifen auf den Hauptspeicher und das Auslesen der darin enthaltenen Daten lediglich einiger Nanosekun- den.312 Big Data Analytics bezeichnet die Analyse, die Big Data als Datenbasis zugrunde legt.313 Allerdings haben in der Literatur als auch in der Praxis insbesondere prädiktive Analy- semethoden wie Data Mining oder Machine Learning aufgrund des Einzugs von Big Data sowie hocheffizienter Speicher- und Verarbeitungstechnologien, für das Controlling stark an Bedeu- tung gewonnen.314 Ziel des Data Mining ist es, automatisch innerhalb einer Datenmenge, die auch aus unterschiedlichen Strukturen bestehen kann, bisher unbekannte Muster und Beziehun- gen zu erkennen.315 Anschließend werden anhand der gewonnenen Erkenntnisse Regeln aufge- stellt, die zur Vorhersage künftiger Ereignisse dienen.316 Beim Machine Learning handelt es sich um selbstlernende Algorithmen.317 Dabei lernt das System aus Beispielen und Erfahrungs- werten, um gesetzmäßige Zusammenhänge abzuleiten, die dazu beitragen sollen, Prognosen auf Basis neuer Datenmengen treffen zu können.318 Unter IoT bzw. Internet der Dinge ver- steht man Systeme, die es ermöglichen die virtuelle mit der physischen Welt zu verschmelzen. Sie bestehen aus informationstechnischen, softwaretechnischen und physischen Komponenten, die über ein Netzwerk in Form des Internets miteinander verbunden sind und interagieren kön- nen.319 Bei den physischen Komponenten kann es sich z.B. um Maschinen, Werkzeuge, Pro- dukte etc. handeln, die mittels der sogenannten Radio Frequency Identification (RFID), einer 309 Vgl. Bartel et al. (2014), S. 22-24. 310 Vgl. Schön (2016), S. 306. 311 Vgl. Laudon/Laudon/Schoder (2016), S. 293-294. 312 Vgl. Plattner/Zeier (2011), S. 14. 313 Vgl. Delen/Demirkan (2013), S. 361; Gartner (2016), S. 10; Dorschel (2015), S. 56. 314 Vgl. Durmus (2017a), S. 1-3; Egle/Keimer (2017), S. 10-11; Langmann (2019), S. 7; Waniczek (2020), S. 6. 315 Vgl. Kuß/Wildner/Kreis (2014), S. 33; Berry/Linoff (1997), S. 5; Laudon/Laudon/Schoder (2016), S. 300-301. 316 Vgl. Abts/Mülder (2017), S. 285; Fayyad/Uthurusamy (2002), S. 28; Rentzmann et al. (2011), S. 134-135. 317 Vgl. Aunkofer (2017), S. 2. 318 Vgl. Endres/Helm (2015), S. 59; Setnicka (2016), S. 630-631; Kropp/Töbel (o.J.), S. 1; Durmus (2017b), S. 2; Langmann (2019), S. 7. 319 Vgl. Andelfinger/Hänisch (2017), S. 242. 58 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Sensortechnologie, ausgestattet sind. Diese Sensoren erheben dabei Rohdaten aus der physi- schen Welt und leiten diese über das Netzwerk an eingebettete Softwares weiter, welche die gesammelten Sensordaten verarbeiten können.320 Ausgangspunkt der Entwicklung von RPA war die Beobachtung, dass trotz des Einsatzes verbreiteter klassischer Anwendungssystem (wie z.B. ERP- oder CRM-Systemen) weiterhin manuelle Tätigkeiten, wie die Dateneingabe an ver- schiedenen Schnittstellen, notwendig sind.321 Der Roboter hat hierbei keinen physischen Kör- per, wie z.B. ein Industrieroboter bei der Automatisierung von Produktionsprozessen, sondern basiert ausschließlich auf Softwarelösungen, die mit den unterschiedlichsten Systemen wie Ta- bellenkalkulationsprogrammen, ERP-Systemen oder dem E-Mail-Konto interagieren kön- nen.322 Im RPA-Ansatz findet keine Programmierung der Roboter statt, sondern lediglich eine Konfiguration von Regeln, durch welche es möglich ist, sich wiederholende, standardisierte Prozessschritte automatisiert auszuführen zu können.323 Der Roboter trifft dementsprechend re- gelbasierte und keine selbstständigen Entscheidungen, weshalb der Begriff RPA nicht im Zu- sammenhang mit KI verwendet werden sollte.324 Self-Service-Systeme ermöglichen einem An- wender eigenständig ohne weitreichende IT-Kenntnisse einen direkten Zugriff auf ver- schiedenste Quellsysteme.325 Dabei wird dem Anwender in Abhängigkeit der Zugriffserlaubnis z.B. der Zugriff auf die Rohdaten der ERP-Systeme oder auf die bereits verarbeiteten Daten eines Data Warehouses erlaubt. Auch die Anwendungsmöglichkeiten im Self-Service können sich unternehmens- und mitarbeiterspezifisch unterscheiden. Auf einer niedrigen Anwendungs- stufe besteht bspw. die Möglichkeit lediglich Informationen z.B. in Form eines bereits vorbe- reiteten Reports einzusehen. Wohingegen auf höheren Anwendungsstufen Informationen ei- genständig beschafft bzw. Reports selbstständig erstellt oder sogar neue Datenquellen selbstän- dig eingebunden werden können.326 Der Begriff mobile Lösungen umfasst „die Gesamtheit von Geräten, Systemen und Anwendungen, die einen mobilen Benutzer mit den auf seinen Standort und seine Situation bezogenen sinnvollen Informationen und Diensten versorgt.“327 Der Faktor Mobilität steht dabei im Zentrum und bezieht sich auf unterschiedliche Aspekte. Einerseits sind die Geräte an sich beweglich, da Smartphones, Tablets und Notebooks überall mitgeführt werden können und durch Kommunikationsstandards weiterhin vernetzt sind. 320 Vgl. Roy (2017), S. 50-51. 321 Vgl. Bensberg/Schirm (2018), S. 61; Kirchberg/Müller (2016), S. 85. 322 Vgl. Grönke et al. (2017), S. 97 ff. 323 Vgl. Czarnecki/Auth (2018), S. 117; Allweyer (2016), S. 2. 324 Vgl. Manutiu (2018), S. 5; Smeets/Erhard/Kaußler (2019), S. 8. 325 Vgl. Schäffer/Weber (2016), S. 10; Kajüter/Schaumann/Schirmacher (2019), S. 144; Weber/Strauß/Spittler (2012), S. 106. 326 Vgl. Alpar/Schulz (2016), S. 152-153. 327 Bollmann/Zeppenfeld (2015), S. 2. 59 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Andererseits ist der Nutzer durch Authentifizierungsverfahren in der Lage, flexibel zwischen unterschiedlichen mobilen Endgeräten zu wechseln und die gewünschten Dienste je nach Situ- ation zu nutzen.328 Bei Cloud Computing handelt es sich um ein Konzept, bei welchem der Server sich nicht zentral im Rechenzentrum eines Unternehmens befindet, sondern im Netz- werk eingebunden ist, in welchem Softwareleistungen erbracht werden.329 Bei den Leistungen kann es sich neben infrastrukturellen Systemen, wie Datenbanken (Infrastructure as a Service, IaaS), auch um Entwicklungsplattformen für unternehmenseigene Software (Platform as a Ser- vice, PaaS) oder gänzlich vom Anbieter bereitgestellte Softwares (Software as a Service, SaaS) handeln.330 Unabhängig von der Art des Services existieren drei Formen einer Cloud. Im Rah- men einer Public Cloud nutzt eine Vielzahl von Anwendern über das öffentliche Internet die- selbe Infrastruktur.331 Eine Private Cloud stellt eine interne, organisationsbezogene Cloud dar, die ihre Anwendungen nur autorisierten Usern zur Verfügung stellt.332 Bei der Hybrid Cloud handelt es sich um eine Mischform der beiden Cloud-Konzepte. 3.3 Qualitative Analyse der Nutzenpotenziale für das Forecasting und Reporting durch aufkommende digitale Technologien auf Grundlage von Experteninterviews 3.3.1 Vorgehensweise und Methodik Im Hinblick auf die Forschungsfrage erfolgte die Datenerhebung dieser Untersuchung anhand von Experteninterviews. Da unter anderem Aufschlüsse über Perspektiven, Einstellungen und Annahmen zu den Auswirkungen digitaler Technologien im Hinblick auf das Forecasting und Reporting gewonnen werden sollen, bietet es sich an, mithilfe von spezifischem Expertenwis- sen, eine wissenschaftliche Erklärung zu liefern.333 Die individuelle Person als solche rückt dabei in den Hintergrund und fungiert vielmehr als Funktions- bzw. Wissensvertreter.334 Bei der mündlichen Befragung der Experten handelt es sich um leitfadengestützte bzw. halbstan- dardisierte Interviews. Der im Vorfeld konzipierte Leitfaden enthält die wichtigsten Kernfra- gen und fungiert als Gedankenstütze während des Interviews.335 Dieser kann durch weitere Fra- gen, die sich im Laufe des Gesprächs entwickeln, ergänzt werden.336 Dies ermöglicht eine freie Gestaltung der Gespräche und stellt dennoch eine auf die Forschungsfrage zielgerichtete 328 Vgl. Bollmann/Zeppenfeld (2015), S. 1–2. 329 Vgl. Mühleck (2016), S. 136. 330 Vgl. Kristandl/Quinn/Strauß (2015), S. 289; Sehgal/Bhatt (2018), S. 4; Gärtner/Rockenschaub (2015), S. 710; Faber (2019), S. 17–18. 331 Vgl. Hentschel/Leyh (2018), S. 7-8. 332 Vgl. Schön (2018), S. 446; Strecker/Kellermann (2016), S. 83. 333 Vgl. Gläser/Laudel (2010), S.13. 334 Vgl. Misoch (2019), S. 120. 335 Vgl. Bogner/Littig/Menz (2014), S. 27. 336 Vgl. Helfferich (2019), S. 682-683; Gläser/Laudel (2010), S. 38-43. 60 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Informationsgenerierung sicher.337 Die Reihenfolge sowie Anzahl an Fragen kann je nach Ge- sprächsverlauf flexibel geändert werden, wobei auch neue Aspekte aufgenommen werden kön- nen. Der Interviewte kann dadurch thematisch gelenkt werden, ohne in seinen Antwort- und Erzählmöglichkeiten eingeschränkt zu werden.338 Es existiert daher auch keine allgemeingül- tige Richtlinie zur Erstellung von Leitfäden. Vielmehr ist dieser von Thematik, Gesprächssitu- ation und Untersuchungsziel abhängig. Dementsprechend kann sich der Verlauf der einzelnen Gespräche unterscheiden. Der im Rahmen dieser Arbeit konzipierte Leitfaden (siehe Anhang 2) enthält zwei Forschungsthemen. Das erste Forschungsthema zielt auf die Beantwortung der in Unterkapitel 3.1 formulierten Forschungsfrage ab. Es beinhaltet zwei Themenblöcke mit je- weils zwei offen formulierten Schlüsselfragen hinsichtlich des Einflusses aufkommender digi- taler Technologien auf das Reporting und das Forecasting. Das zweite Forschungsthema bildet den Untersuchungsgegenstand von Kapitel 4 und beinhaltet drei Themenblöcke mit jeweils ei- ner Schlüsselfrage bezüglich des Effekts aufkommender digitaler Technologien auf das Con- troller-Profil. Neben der Konzeption eines Leitfadens ist ein weiteres zentrales Element des halbstandardi- sierten Experteninterviews die zielgerichtete Auswahl von Experten. Hierbei gilt eine Person, die über ein einschlägiges Praxis- oder Erfahrungswissen verfügt, das im Wesentlichen „orien- tierungs- und handlungsleitend für andere Akteure“339 wirkt, als Experte. Zur Beantwortung der Forschungsfrage mittels leitfadengestützter Experteninterviews und zur Sicherstellung der Validität dieser Untersuchung wurden die folgenden Kriterien zur Bestimmung von Experten festgelegt: 1. Personen, die entweder aktuell im Bereich Controlling arbeiten oder mittlerweile eine leitende Funktion, die sich darüber hinaus erstreckt (z.B. Chief Financial Officer), in- nehaben und zuvor im Bereich Controlling Erfahrung gesammelt haben. Dieses Krite- rium soll dazu führen, dass die Interviewpartner gehaltvolle Informationen für den Be- reich Controlling beitragen können. 2. Personen, die über eine mindestens zehnjährige Berufserfahrung im Controlling verfü- gen oder eine leitende Funktion, die sich darüber hinaus erstreckt, innehaben. Dies wird als ein ausreichender Zeitraum betrachtet, um mögliche Veränderungen durch die 337 Vgl. Gläser/Laudel (2010), S. 41-43. 338 Vgl. Bogner/Littig/Menz (2014), S. 29. 339 Bogner/Littig/Menz (2014), S. 14. 61 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Digitalisierung in der Praxis wahrnehmen und künftige Entwicklungen einschätzen zu können. 3. Personen, die in einem nach EU-Empfehlung 2003/361/EG definierten Großunterneh- men beschäftigt sind. Die Schwellenwerte liegen hier bei einem Jahresumsatz von über 50 Millionen Euro sowie einer Mitarbeiterzahl von mindestens 250.340 Dieses Kriterium bezieht sich auf eine erweiterte Verfügbarkeit von Ressourcen in einem Unternehmen und somit einer erhöhten Möglichkeit digitale Technologien implementieren und nutzen zu können. Insgesamt wurden 23 Interviews mit Experten aus verschiedenen Unternehmen durchgeführt. Im Durchschnitt liegt die relevante Berufserfahrung der Experten bei 17,6 Jahren.341 Die Ex- perten aus der Praxis stehen in Beschäftigungsverhältnissen mit Unternehmen, die zum Ge- schäftsjahr 2019 im Schnitt einen Umsatz von 12,3 Milliarden Euro342 erwirtschafteten und 49.846 Mitarbeiter343 beschäftigten.344 Tabelle 3 gibt einen kurzen Überblick über die wichtigs- ten Aspekte des Forschungsdesigns dieser Arbeit wieder. Im Rahmen einer empirischen For- schung ist jedoch zu beachten, dass die Vorgehensweise so dokumentiert wird, dass diese in- tersubjektiv nachvollziehbar ist, um die Ergebnisse von außenstehenden Dritten reproduzieren lassen zu können.345 Zur Sicherstellung der intersubjektiven Nachvollziehbarkeit dieser For- schung werden die dargestellten Einzelkomponenten der Datenerhebung und die Methode der Datenanalyse im Folgenden ausführlich erläutert. 340 Vgl. o.V. (2003), S. 4. 341 Der Median beträgt 15 Jahre und die Standardabweichung beträgt 6,3 Jahre. 342 Der Median beträgt 7,5 Milliarden Euro und die Standardabweichung beträgt 17,2 Milliarden Euro. 343 Der Median beträgt 16.336 Mitarbeiter und die Standardabweichung beträgt 89.556 Mitarbeiter. 344 Zu beachten ist, dass 43,5% der interviewten Experten die Angaben auf Konzernebene und 56,5% die Angaben auf Unternehmensebene gemacht haben. 345 Vgl. Brosius/Haas/Koschel (2016), S. 2-3. 62 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Ta- belle Datenquelle Experteninterviews 3: For- Erhebungszeitraum 01.10.2020 - 19.12.2020 Stichprobengröße 23 Interviews Durchschnittliche Interviewdauer 41 Minuten Datentyp Primärdaten Auswertungsmethode Qualitative Inhaltsanalyse schungsdesign der empirischen Untersuchung I346 Die Kontaktaufnahme der Experten erfolgte per E-Mail und enthielt Informationen zum Thema und dem Ziel der Arbeit. Zudem wurden alle Experten schriftlich über ihre Rechte und den Schutz ihrer Daten aufgeklärt. Dabei wurde den Experten eine Anonymisierung zugesichert. Diese beinhaltet auch jegliche Aussagen, durch die ein Rückschluss auf die Person oder das Unternehmen gezogen werden kann.347 Die Interviews mit den Experten fanden im Zeitraum vom 01.10.2020 bis zum 19.12.2020 statt.348 Zu Beginn des Interviews erfolgte eine Begrü- ßungsphase, in welcher sich der Interviewer vorstellte sowie erneut Bezug auf das Thema der Arbeit genommen und das Ziel der Befragung aufgezeigt wurde. Außerdem erfolgte eine Vor- stellung von Seiten des Experten bezüglich ihrer aktuellen Beschäftigung und der individuellen Erfahrung in Bezug auf das Controlling. Bevor der Hauptteil der Interviews mit einer Einstiegs- frage eingeleitet wurde, wurde das Einverständnis des Experten zur Anfertigung einer Audio- aufnahme des Interviews eingeholt. Die Dauer der Befragungen lag im Durschnitt bei 41 Mi- nuten.349 Im Anschluss wurden die Interviews transkribiert und archiviert, um den Schutz der personenbezogenen Daten zu gewährleisten. Die anschließende Auswertung der Experteninterviews wurde mittels qualitativer Inhaltsan- alyse nach der Gioia Methodology durchgeführt.350 Dieser Ansatz zeichnet sich dadurch aus, dass sowohl kreative Vorstellungskraft als auch systematische Strenge bei der Durchführung fundierter qualitativer sowie induktiver Theorieforschung ermöglicht wird.351 Neben der 346 Eigene Darstellung. 347 Vgl. Gläser/Laudel (2010), S. 194, S. 279-281. 348 Aufgrund der Corona-Pandemie wurden 15 Telefoninterviews und 8 Videointerviews über die Online-Kom- munikationstools Microsoft Teams, Zoom und Skype for Business geführt. 349 Der Median beträgt 44 Minuten und die Standardabweichung beträgt 10,4 Minuten. 350 Vgl. Gioia/Corley/Hamilton (2013), S. 20-22. 351 Vgl. Gioia/Corley/Hamilton (2013), S. 17. 63 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Grundannahme, dass die organisatorische Welt gesellschaftlich konstruiert ist, geht die vorlie- gende Methode davon aus, dass die ausgewählten Experten ihre Gedanken, Absichten und Handlungen erklären können. Aus diesen Annahmen heraus wurden die Befragten nicht mit bestehenden Theorien konfrontiert, da der Fokus bei dieser Methode auf der Entdeckung neuer Erkenntnisse liegt. Ziel hierbei ist es, Muster in den Daten zu erkennen, die es ermöglichen, Zusammenhänge aufzudecken, um daraus theoretische Formulierungen abzuleiten.352 Auf Ba- sis des erläuterten Ansatzes werden die Interviews systematisch in einzelne Textelemente zer- legt und die in Abhängigkeit der Forschungsfrage inhaltlich relevanten bzw. zitierten Textstel- len (Codes), ohne die genutzten Begrifflichkeiten zu verändern, entnommen. Die extrahierten Codes werden, unabhängig von der ursprünglichen Anordnung der Aussagen, weiterverarbei- tet. Um eine Datenstruktur aufzubauen, werden im ersten Schritt die gesammelten Codes auf inhaltliche Doppelungen geprüft, zusammengefasst und zu sogenannten Konzepten erster Ord- nung (1st order concepts) entwickelt. Die Bezeichnung der Konzepte orientiert sich dabei wei- terhin an den Begriffen der Befragten, um den Bezug zu den ursprünglichen Aussagen und deren Bedeutung nicht zu verlieren.353 Anschließend wurde nach Ähnlichkeiten der bereits identifizierten Konzepte erster Ordnung gesucht, um diese in ihrer Anzahl zu reduzieren. Dar- aus wurden Themen zweiter Ordnung (2nd order themes) gebildet, die eine Verknüpfung der verschiedenen Interviews zueinander und somit auch eine Verbindung deren Inhalte herstellen. In einem letzten Schritt wurden die bestehenden Themenblöcke zweiter Ordnung weiter in ag- gregierte Dimensionen (aggregate dimensions) gebündelt.354 Die dabei entwickelte Daten- struktur wird als Schlüsselkomponente gesehen, um wissenschaftliche Strenge in der qualitati- ven Forschung nachzuweisen. 3.3.2 Ergebnisse Wie bereits beschrieben werden bei der Methode nach Gioia zunächst alle Codes aus den In- terviews extrahiert und anschließend zu Konzepten der ersten Ordnung verarbeitet. Aus Abbil- dung 2 kann entnommen werden, dass im Rahmen des Aggregationsprozesses zur Auswertung der Experteninterviews zunächst aus den 168 extrahierten Codes der 1st-order-analysis insge- samt 79 Konzepte entwickelt wurden. Diese Konzepte erster Ordnung wurden mittels der 2nd- order-analysis in 13 Themen zusammengefasst und abschließend weiter in aggregierte Dimen- sionen destilliert. Die 13 Themen zweiter Ordnung ergaben bei der vorliegenden Untersuchung zwei Dimensionen. 352 Vgl. Gioia/Corley/Hamilton (2013), S. 17, S. 19-20 und S. 26. 353 Vgl. Gioia/Corley/Hamilton (2013), S. 20. 354 Vgl. Gioia/Corley/Hamilton (2013), S. 20-21. 64 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN 168 Codes 79 Konzepte 13 Themen 2 Dimensionen Abbildung 2: Aggregationsprozess der qualitativen Analyse I355 Auf dieser Grundlage wurde anschließend die Datenstruktur aufgebaut, welche ein induktives Modell darstellt. Die detaillierte Datenstruktur des Auswertungsverfahrens der Dimensionen speziell im Hinblick auf die Forschungsfrage, welche positiven Nutzenpotenziale, Herausfor- derungen sowie Gefahren durch den Einsatz aufkommender digitaler Technologien für das Fo- recasting und Reporting bestehen, wird in den Abbildungen 3 und 4 grafisch veranschaulicht. 355 Eigene Darstellung. 65 WANLIDTEELR ADTEUSR FVOERREZCEIACSHTNINISG S UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN • Steigende Datenmenge führt zu präziseren Prognosen • Prognosegenauigkeit steigt durch externe Daten • Gewährleistung der Datenkonsistenz nimmt zu Effekte durch • Datenfilterung wird wichtiger Big Data • Zur Nutzung von Big Data, bedarf es der richtigen Technologien und Analysemethoden • • Daten können schneller verarbeitet werden Effekte durch • Geschwindigkeit der Datenspeicherung, -zugriff und - bereitstellung kann erhöht werden Big Data- • Integration von externen Daten Technologien • Datenbankmodellierung gewinnt an Bedeutung • Qualität der Prognosen kann gesteigert werden • Zusammenhänge und Abweichungen von Prognosen können erklärt werden • Absatz- oder Kostenoptimierungspotenziale können identifiziert werden • Intelligente Maschine kann manuelle Prozessschritte, wie das Datenzusammentragen, automatisieren • Sinkenden Fehlerquote durch Automatisierungen • Durch Automatisierungen kann der Fokus auf qualitativere Prozessschritte gelegt werden Effekte durch Big • Geschwindigkeitspotenziale durch Automatisierung • Verkürzte Zyklen des Forecastings sind möglich Data Analytics- • Höhere Prozessgeschwindigkeit und kürzere Zyklen Methoden können zu aktuelleren Ergebnissen führen • Das Forecasting wird dynamischer Digitale • Analysetools sind mit hohen Kosten verbunden • Sondereffekte sind große Herausforderung Transformation • Methoden sind sehr komplex des Forecastings • Gefahr einer Blackbox • Komplexität erhöht die Gefahr, dass Ergebnisse nicht interpretiert werden können • Garbage In, Garbage Out-Gefahr • Gefahr, Analyseergebnissen zu sehr zu vertrauen • • Nutzung von IoT nur indirekt im Forecasting • Vermehrt Integration von operativen Daten Effekte durch IoT • Gewährleistung der Datenkonsistenz nimmt zu • Standardisierte Prozessschritte können automatisiert werden, sodass Prozessgeschwindigkeit zunimmt • Automatisierung von manuelle Prozessschritten können Fehler reduzieren und Geschwindigkeit erhöhen • Sinkende Prozesslaufzeit führt zu freien Kapazitäten • Forecasting wird dynamischer Effekte durch • RPA muss variabel sein, um in unternehmensindividuelle Prozesse integriert werden RPA zu können • Automatisierungsoptimierung bedarf Kapazitäten • Prozessverständnis ist bedeutend, um gegebenenfalls Konfigurationen durchzuführen • Automatisierungen bedürfen regelmäßiger Kontrolle • Fehlerkorrektur kann einige Kapazitäten beanspruchen Effekte durch • Keine direkte Nutzung im Forecasting Cloud Computing • X Abbildung 3: Datenstruktur aggregierte Dimension „Digitale Transformation des Forecastings“356 356 Eigene Darstellung. 66 WANLIDTEELR ADTEUSR FVOERREZCEIACSHTNINISG S UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN • Zunehmend Berücksichtigung von „weichen“ Faktoren • Mittels externer Daten können neue Kennzahlen ermittelt werden, welche die Steuerung verbessern können Effekte durch • Übersichtliche Darstellungen wird komplexer Big Data • Data Lake-Problematik • Erhöhter Datenschutz bei externen Daten • Selektion der relevanten Daten nimmt an Bedeutung zu • Information Overload-Gefahr Effekte durch • Durchlaufzeiten verkürzen sich • Das Reporting wird dynamischer und flexibler Big Data- • Echtzeitverfügbarkeit von Informationen Technologien • Keine direkte Nutzung im Reporting Effekte d urch IoT • RPA kann relativ schnell implementiert werden • Standardberichte lassen sich stark automatisieren • Kennzahlen können automatisch ermittelt werden • Manuelle Tätigkeiten, die fehleranfällig sind, wie z.B. die Datenerfassung, können automatisiert werden • Freie Kapazitäten können für das Controlling entstehen • Prozessgeschwindigkeit kann gesteigert werden • Reporting wird dynamischer und flexibler • Fehlerquote kann durch Automatisierungen sinken Effekte durch • Fehlersenkung verbessert Entscheidungsunterstützung RPA • Automatische Alarmierung bei Abweichungen möglich Digitale • Nur sinnvoll bei standardisierten Prozessschritten Transformation • Fragestellungen, die von gewohnten Schemas abweichen, können nicht durch RPA automatisiert des Reportings werden • Fehler im System, wie Bugs, sind möglich • Automatisierungen sollten laufend überprüft werden • Automatisierungsoptimierung bedarf Kapazitäten • Informationsübermittlung durch das Controlling kann abnehmen und zu freien Kapazitäten führen • Ermöglicht Fokussierung auf wertschaffende Themen • Verstärkt Zusammenarbeit bezüglich bestimmter Themen zwischen Management und Controlling Effekte durch • Gefahr, Entscheidungsunterstützungsfunktion nicht zu Self-Service erfüllen • Gefahr, Verhaltenssteuerungsfunktion nicht zu erfüllen • Herausforderung hinsichtlich der Nutzungsbereitschaft • Fehlende zeitliche Kapazität oder fachliche Kompetenz der Nutzer kann zu Fehlentscheidungen führen • Informationen sind orts- und zeitunabhängig verfügbar • Gefahr einer Information Overload • Darstellungsanforderungen nehmen zu • Selektierung der relevanten Inhalte wird verschärft Effekte durch • Bedeutung neuer Programme zur Visualisierung nimmt Mobile Lösungen zu • Aufgrund der Displaygröße mobiler Endgeräte sind Tätigkeiten, wie Analysen kaum auszuüben Effekte durch • Keine direkte Nutzung im Reporting Cloud Computing • Xx Abbildung 4: Datenstruktur aggregierte Dimension „Digitale Transformation des Reportings“357 357 Eigene Darstellung. 67 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Das entwickelte induktive Modell erfasst die Erfahrungen der befragten Experten in theoreti- scher Hinsicht und hilft dabei, die beobachteten Phänomene zu beschreiben und zu erklären.358 Im nachfolgenden Unterkapitel werden die bestehenden theoretischen Erkenntnisse der Litera- tur um die Ergebnisse aus der qualitativen Analyse der Experteninterviews ergänzt und disku- tiert. Dabei werden die aufkommenden digitalen Technologien individuell betrachtet, da diese losgelöst voneinander im Controlling Anwendung finden können. 3.4 Implikationen bezüglich aufkommender digitaler Technologien für das Forecasting und Reporting 3.4.1 Einfluss auf das Forecasting Das Forecasting bezeichnet im Allgemeinen die Prognose künftiger Entwicklungen und Ereig- nisse auf Basis von Erkenntnissen aus Datenmustern und Trends der Vergangenheit.359 Dabei dienen Forecasts in der Praxis als verbreitetes Instrument des Controllings zur Entscheidungs- unterstützung und Steuerung.360 Die Digitalisierung und insbesondere die damit verbundenen Technologien, die in Unterkapitel 3.2 vorgestellt wurden, bieten einige Potenziale für das Con- trolling im Rahmen des Forecastings. Um diese aufzuzeigen, wird vorerst ein Blick auf das herkömmliche Forecasting, ohne Einfluss aufkommender digitaler Technologien, geworfen. Die Ausgangsbasis beim herkömmlichen Forecasting bildet die Datengrundlage, die üblicher- weise aus strukturierten, internen Daten vergangener Ereignisse eines Unternehmens besteht.361 Zur Erstellung von Prognosen werden diese Daten oftmals fortgeschrieben und durch Exper- teneinschätzungen aus verschiedenen Bereichen ergänzt.362 Häufig werden Prognosen für die jeweiligen Unternehmensbereiche separat erstellt.363 Die bereichsspezifischen Prognosen wer- den anschließend über die Unternehmensbereiche und über mehrere Hierarchiestufen hinweg zusammengefasst, evaluiert und angepasst.364 Betrachtet man die herkömmliche Vorgehens- weise des Forecastings genauer, lassen sich mehrere Schwächen identifizieren. Um auf Basis des Forecastings Unternehmensentscheidungen zu treffen, sollten die daraus abgeleiteten Prog- nosen verlässlich sein. Die Verlässlichkeit einer Prognose steigt mit deren Genauigkeit. Nach Auffassung der befragten Experten sollte die klassische Vorgehensweise, die auf strukturierten, unternehmensinternen Daten, welche sich auf vergangene Ereignisse stützen, basiert, 358 Vgl. Gioia/Corley/Hamilton (2013), S. 20 und S. 22. 359 Vgl. Döhrn (2014), S. 6; Link/Orbán (2002), S. 11; Weber/Voußem/Rehring (2010), S. 327; Schön (2018), S. 9-10. 360 Vgl. Treyer (2010), S. 27. 361 Vgl. Nann/Eichenberger (2018), S. 8-9; Gartner (2016), S. 10. 362 Vgl. Lips/Mayer (2017), S. 2. 363 Vgl. Urban (2017), S. 22; Vogel (2015), S. 11-13; Treyer (2010), S. 35; Metz (2010), S. 1054. 364 Vgl. Satzger/Holtmann/Peter (2015), S. 231; Experte 20 (2020), Z. 3-7. 68 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN insbesondere aufgrund der steigenden Dynamik kritisch betrachtet werden. Zumal sie der An- sicht sind, dass die Vergangenheit in einer schnelllebigen Welt, wie in der heutigen Zeit, zu- verlässige Rückschlüsse auf die Zukunft kaum zulässt und somit verlässliche Prognosen schwer zu bewerkstelligen sind.365 Des Weiteren kann die dezentrale Prognoseerstellung in den einzel- nen Bereichen dazu führen, dass Interdependenzen zwischen den Einheiten vernachlässigt wer- den und so zu Lasten der Prognosegenauigkeit gehen. Ein weiterer Faktor, der verlässliche Fo- recasts auszeichnet, ist die Willkürfreiheit. Im Rahmen des herkömmlichen Forecasting werden Prognosen allerdings häufig durch Experteneinschätzungen bezüglich möglicher Entwicklun- gen ergänzt.366 Die vom Controlling erstellten Prognosen werden anschließend dem Entschei- dungsträger vorgelegt und mit diesem abgestimmt, was zu weiteren subjektiven Einschätzun- gen und auch zu Meinungsverschiedenheiten führen kann.367 Individuelle Erfahrungen und An- reize von Experten oder von Entscheidungsträgern können demzufolge den Forecast beeinflus- sen. Dementsprechend ist das herkömmliche Forecasting anfällig für Manipulationen, wodurch dessen Verlässlichkeit negativ beeinflusst werden kann, was wiederrum zu Fehlentscheidungen aus Sicht der Anteilseigner führen kann. Grundsätzlich sollten die Informationen, die über einen Forecast an einen Entscheidungsträger vermittelt werden, möglichst aktuell sein, um auf Basis dessen konkrete Strategien oder Maßnahmen abzuleiten.368 Darüber hinaus ist das herkömmli- che Forecasting durch die Einbindung von unterschiedlichen Unternehmensbereichen und Hie- rarchiestufen sehr zeitintensiv und bindet zudem durch das Ergänzen und Abstimmen der ver- schiedenen Experteneinschätzungen zusätzliche Ressourcen.369 Je nachdem, wie viele Bereiche und Personen eingebunden werden und wie unterschiedlich die Einschätzungen sind, kann es zu zusätzlichen Abstimmungsschleifen kommen, was zu einer weiteren zeitlichen Verzögerung führen kann. Aufgrund dieser zeitintensiven Vorgehensweise und der extrem hohen Volatilität des Unternehmensumfeldes, kann die Relevanz des erstellten Forecasts stark abnehmen, wenn dieser nicht der aktuellen Situation entspricht. Experte 22 ergänzt in diesem Zusammenhang, dass der Ausgleich von Differenzen, lediglich dazu dient, die beteiligten Parteien zufrieden zu stellen. Einen wirtschaftlich positiven Effekt bewirken diese Anpassungen selten.370 365 Vgl. Experte 1 (2020), Z. 49-54; Experte 16 (2020), Z. 27-32. 366 Vgl. Lips/Mayer (2017), S. 2. 367 Vgl. Schäffer (2017b), S. 39. 368 Vgl. Schäffer (2017b), S. 36. 369 Vgl. Urban (2017), S. 22; Metz (2010), S. 1054; Satzger/Holtmann/Peter (2015), S. 231; Lips/Mayer (2017), S. 2. 370 Vgl. Experte 22 (2020), Z. 80-91. 69 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Mit Hilfe spezieller Technologien im Zuge der Digitalisierung ist es dem Controlling möglich, einzelne hier identifizierte Schwachstellen des herkömmlichen Forecasting zumindest abzu- schwächen und Nutzenpotenziale auszuschöpfen. Daneben entstehen allerdings auch neue Her- ausforderungen und Gefahren durch die Anwendung dieser Technologien für das Controlling, die einen wesentlichen Teil der folgenden Analyse darstellen. Im Gegensatz zum herkömmli- chen Forecasting kann ein Forecasting durch die Integration von Big Data auf Grundlage einer deutlich breiteren und polyvalenten Datenbasis erfolgen. Diese Datengrundlage kann mithilfe von Big Data-Technologien wie z.B. NoSQL-Datenbanken geschaffen werden. Solche Daten- banken ermöglichen neben strukturierten Daten, bei denen es sich um bereits formatierte, un- ternehmensinterne Daten handelt, auch nicht formatierte semi- oder unstrukturierte Daten aus bislang nicht im Forecasting genutzten externen Datenquellen wie z.B. Social Media-Plattfor- men zu verwenden.371 Infolgedessen muss sich zwar das Controlling laut Experten vermehrt mit dem Thema der Datenmodellierung auseinandersetzen.372 Allerdings bietet die Implemen- tierung von Big Data dem Controlling die Gelegenheit, die Genauigkeit einer Prognose positiv zu beeinflussen, da diese von der Menge und dem Inhalt der Datenbasis abhängig ist.373 Gege- benenfalls können durch die erweiterte Datenbasis mehr relevante Faktoren berücksichtigt wer- den und so Problematiken, wie Ungenauigkeiten oder Fehler, reduziert werden. Dies führt zu einer zunehmenden Verlässlichkeit der Ergebnisse. Auch die befragten Experten gehen davon aus, dass die Prognosequalität durch eine größere und vielfältigere Datenbasis und eine dadurch zunehmende Berücksichtigung von zugrundeliegenden Einflussfaktoren verbessert werden kann.374 Hierbei ist allerdings zu beachten, dass der Grenznutzen in Form einer Verbesserung der Prognosegenauigkeit mit steigender Datenmenge abnimmt.375 In diesem Zusammenhang ist außerdem die Gewährleistung der Datensicherheit eine wichtige Voraussetzung, die nicht außer Acht gelassen werden sollte, um die positiven Potenziale von Big Data ausschöpfen zu können. Laut Experte 23 ist dies auch ein Aspekt, weshalb aktuell in der Praxis abgesehen von externen volkswirtschaftlichen Zahlen wie Wechselkursen oder Marktentwicklungen selten andere ex- terne Datenbezüge genutzt werden.376 371 Vgl. Schön (2016), S. 306. 372 Vgl. Experte 1 (2020), Z. 39-40 und Z. 119-122; Experte 10 (2020), Z. 125-126; Experte 11 (2020), Z. 212; Experte 14 (2020), Z. 65-66. 373 Vgl. Raden (2010), S. 4-5; Grönke/Kirchmann/Leyk (2014), S. 75; Junqué deFortuny/Martens/Provost (2013), S. 219-220. 374 Vgl. Experte 2 (2020), Z. 43-45; Experte 7 (2020), Z. 41-50; Experte 10 (2020), Z. 24-27; Experte 13 (2020), Z. 16-20; Experte 18 (2020), Z. 29-43. 375 Vgl. Gügi/Zimmermann (2016): S. 304-305; Koltay (2017), S. 199 f. 376 Vgl. Experte 23 (2020), Z. 6-9. 70 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Daneben kann auch die richtige Handhabung der neuen Datengrundlage die Genauigkeit eines Forecasts erhöhen. Grundsätzlich erlauben Big Data Analytics-Methoden, wie bspw. Machine Learning, zur Forecasterstellung nicht nur die Berücksichtigung neuer Variablen, sondern auch eine große Anzahl an Ausprägungen einer einzelnen Variablen.377 So kann die komplette His- torie der Daten in die Berechnungen einfließen, was zu stabileren Prognoseergebnissen führen kann. Außerdem können durch die Nutzung von Machine Learning sowohl die im Laufe der Anwendung gewonnen Erkenntnisse als auch die tatsächlich eingetretenen Prognosen in Form von Daten automatisch in das Modell einfließen zu dem Zweck, die Genauigkeit der zukünfti- gen Prognosen zu verbessern.378 Auch die interviewten Experten sind der Meinung, dass das Controlling unter Verwendung von Big Data Analytics-Methoden, wie Data Mining, externe Daten wie z.B. Social Media-Einträge in ein Forecast miteinbeziehen und dadurch komplexe, vorher nicht bekannte Zusammenhänge und Muster aufdecken kann, um so die Prognosegenau- igkeit zu erhöhen.379 Insbesondere für dynamische Größen wie Absatzmengen ergeben sich dadurch vielfältige Einsatzmöglichkeiten für das Controlling.380 Mittels Big Data Analytics- Methoden können weiche Werttreiber aus meist externen Quellen in den Forecast integriert sowie deren Einfluss auf zentrale (finanzielle) Steuerungsgrößen des Unternehmens quantifi- ziert und somit transparent dargestellt werden.381 „Qualitativ-theoretische Ursache-Wirkungs- ketten [werden so] sukzessive durch datenbasierte, quantitativ-statistische Zusammenhänge er- setzt.“382 Exemplarisch können Kundeneinträge in Social-Media-Kanäle mittels Data Mining untersucht werden, um bspw. die Wahrnehmung der Marke in die Umsatzprognose zu integrie- ren oder bereits erstellte Forecasts zu plausibilisieren.383 Dadurch werden neben internen, quan- titativen Größen, wie die variablen Kosten, auch externe, qualitative Faktoren in die Modellie- rung der finanziellen Kennzahlen integriert, so dass ein höheres Maß an Präzision des Forecasts erreicht werden kann.384 Überdies besteht aus Sicht der Experten durch Big Data Analytics- Methoden auch das Potenzial die Gründe für Abweichungen schlüssiger darzulegen.385 Auf- grund dessen sind manche Experten der Meinung, dass der Fokus des Forecastings künftig auf 377 Vgl. Buschbacher (2016), S. 41; Larose/Larose (2014), S. 8; Willmes/Hess/Gschmack (2015), S. 259. 378 Vgl. Nann/Eichenberger (2018), S. 6-9. 379 Vgl. Experte 1 (2020), Z. 50-57; Experte 5 (2020), Z. 31-36; Experte 7 (2020), Z. 54-64; Experte 21 (2020), Z. 34-45. 380 Vgl. Satzger/Holtmann/Peter (2015), S. 231; Mehanna/Müller/Tunco (2015), S. 31; Experte 1 (2020), Z. 80- 54; Experte 5 (2020), Z. 34-36. 381 Vgl. Langmann (2019), S. 15, 22. 382 Mehanna/Tatzel/Vogel (2016), S. 504. 383 Mit Hilfe von Data Mining, speziell dem Text Mining, können Texte analysiert und die ausgedrückten Stim- mungslagen mittels linguistischer und statistischer Methoden erfasst werden. Siehe hierzu Nähere in Med- hat/Hassan/Korashy (2014); Weichel/Herrmann (2016), S. 13. 384 Vgl. Schlösser/Borkenhagen/Schentler (2019), S. 46; Langmann (2019), S. 22. 385 Vgl. Experte 21 (2020), Z. 51-60; Experte 22 (2020), Z. 95-99. 71 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN den Wirkzusammenhängen der generierten Prognosen und nicht wie beim herkömmlichen Fo- recasting auf der Generierung von Prognosen liegen wird.386 Daher geht Experte 18 davon aus, dass z.B. erhebliche Absatz- oder Kostenoptimierungspotenziale identifiziert und ausgeschöpft werden können.387 Nach der Auffassung von Experte 8 verbessert sich dadurch in erster Linie die Entscheidungsunterstützungsfunktion durch das Controlling.388 Allerdings heben in diesem Zusammenhang einzelne Experten die Bedeutung der Überprüfung der Qualität der verwende- ten Daten und die damit einhergehende Gefahr nach dem Garbage In, Garbage Out-Prinzip hervor. Dieses Prinzip besagt, dass bei der Nutzung von Daten mit geringer Qualität, wie bei- spielsweise unkorrekter Daten, auch die Aussagekraft der Ergebnisse eher gering ausfällt.389 Daneben thematisiert Experte 5 die Gefahr einer möglichen Blackbox durch die Anwendung komplexer Algorithmen.390 Dieser geht davon aus, dass es dazu kommen wird, dass das Con- trolling, je weiter sich das Modell entwickelt und komplexer wird, „den Weg zum Ergebnis nicht mehr folgen kann oder nicht versteht, was im Hintergrund passiert.“391 Dies kann wiede- rum zur Folge haben, dass das Controlling die Ergebnisse nicht mehr korrekt interpretieren und rechtfertigen kann.392 Die Integration von Big Data und die Verwendung von Big Data Analytics-Methoden stellen die Grundlage für ein datengetriebenes und objektives Forecasting dar, da sie dazu führen kön- nen, dass immer weniger subjektive Experteneinschätzungen in das Forecasting miteinflie- ßen.393 Hierdurch kann die Anfälligkeit des herkömmlichen Forecasting bezüglich Manipulati- onen, unternehmenspolitisch motiviertem Handeln oder menschlichen Fehleinschätzungen re- duziert werden,394 wodurch wiederum das Vertrauen in das Forecasting erhöht werden kann.395 Allerdings ist es möglich, dass trotz einer datengetriebenen Analyse lediglich eine Art Schein- objektivität herrscht oder die Gefahr einer sogenannten self-fulfilling prophecy besteht. Eine Scheinobjektivität besteht bspw., wenn die Datenbasis für eine Analyse bereits subjektive Ein- flüsse erfahren hat oder subjektiv zusammengesellt wurde.396 Die Problematik der selbsterfül- lenden Prophezeiungen besteht insbesondere bei Anwendung von fortschrittlichen 386 Vgl. Experte 21 (2020), Z. 51-56; Experte 22 (2020), Z. 99-104. 387 Vgl. Experte 18 (2020), Z. 29-38. 388 Vgl. Experte 8 (2020), Z. 219-224. 389 Vgl. Experte 6 (2020), Z. 53-62; Experte 20 (2020), Z. 59-63. 390 Vgl. Experte 5 (2020), Z. 40. 391 Experte 5 (2020), Z. 42-43. 392 Vgl. Experte 5 (2020), Z. 47-49. 393 Vgl. Setnicka (2016), S. 629; Nann/Eichenberger (2018), S. 7-8. 394 Vgl. Nann/Eichenberger (2018), S. 9. 395 Vgl. Schäffer (2017b), S. 25. 396 Vgl. Nickel (2018). 72 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Analysemethoden, wie Big Data Analytics-Methoden, da diese weniger durch den Faktor Mensch beeinflusst sind und faktengetriebene Ergebnisse liefern.397 Dabei besteht das erhöhte Risiko, dass die erstellten Prognosen von vornherein als objektiv und korrekt angesehen werden und Entscheidungsträger aus diesem Grund intuitiv so agieren, dass diese sich schließlich er- füllen.398 Im Wesentlichen besteht das Risiko darin, dass Verantwortliche im Unternehmen das bestehende Risiko einer Scheinobjektivität oder einer self-fulfilling prophecy weniger erwarten und es so zu Fehlbeurteilungen und Fehlentscheidungen kommen kann. Auch Experte 11 the- matisiert diesbezüglich die Gefahr, dass Analyseergebnisse auf Basis moderner Analysemetho- den hingenommen werden, ohne diese kritisch zu hinterfragen.399 Darüber hinaus sollte auch der Vorteil von subjektiven Experteneinschätzungen bedacht werden. Die Einschätzung von Fachexperten könnte insbesondere die Prognosegüte in wirtschaftlichen Sondersituationen, wie z.B. der COVID-19-Pandemie, oder bei unregelmäßigen Geschäftsvorgängen, wie bspw. Un- ternehmensübernahmen, für die noch keine oder wenige Daten vorhanden sind, erhöhen. In diesem Zusammenhang sind manche Experten zwar der Meinung, dass Machine Learning-Mo- delle in einigen Bereichen bereits sehr gut angewendet werden können, allerdings bei Sonder- effekten bisher noch ihre Probleme haben.400 Ein weiteres Potenzial, dass sich durch Big Data-Technologien und -Analyse-methoden für das Controlling erschließen lassen kann, ist eine Beschleunigung des Forecastings, wodurch die Aktualität der Prognosen erhöht werden kann. Mittels datengetriebener Analysen besteht, wie bereits beschrieben, die Möglichkeit der Reduzierung oder sogar Abschaffung der zeitintensi- ven Integration von Experteneinschätzungen. Daneben kann ein objektiv nachvollziehbares und überprüfbares Forecasting die Abstimmungsschleifen reduzieren.401 Darüber hinaus kann auf- grund eines steigenden Grades der Automatisierung durch Analysemethoden wie Data Mining oder Machine Learning ein weiterer Geschwindigkeitsvorteil entstehen, wodurch auch die dar- aus abgeleiteten Prognosen frühzeitiger einem Entscheidungsträger zu Verfügung gestellt wer- den können.402 Jedoch sollte man das Augenmerk nicht nur auf die Beschleunigung der Analyse legen, denn die Geschwindigkeit des gesamten Forcasting hängt zum großen Teil auch von der Datenverfügbarkeit ab. Stehen dem Controlling die benötigten Daten für eine Analyse nicht rechtzeitig zur Verfügung, ist ein aktueller Forecast schwer zu realisieren. Eine beschleunigte 397Vgl. Koropp, / Treitz (2019), S. 33. 398Vgl. Rieg (2018), S. 23. 399 Vgl. Experte 11 (2020), Z. 266-269. 400 Vgl. Experte 4 (2020), Z. 20-23; Experte 6 (2020), Z. 92-101. 401 Vgl. Mehanna (2016), S. 25. 402 Vgl. Nann/Eichenberger (2018), S. 7. 73 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Verfügbarkeit von insbesondere großen Datenmengen kann durch Big Data-Technologien, wie die In-Memory-Technologie, erfolgen, was wiederum zur Reduzierung der Gesamtdauer des Forecastings führen kann. Auch Experte 2 geht davon aus, dass das Forecasting durch Big Data- Technologien künftig schneller erfolgen wird.403 Solch potenzielle Geschwindigkeitsvorteile begünstigen nicht nur einen schnelleren Vorgang, sondern auch verkürzte Prognosefrequen- zen.404 Auch die Experten sind der Meinung, das Forecasting z.B. durch die sinkende Fehler- anfälligkeit aufgrund manueller Tätigkeiten und den damit einhergehenden selteneren Überprü- fungen sowie Anpassungen, beschleunigen und Prognosen in kürzeren Zyklen generieren zu können.405 Dadurch kann wiederum die Flexibilität des Forecastings erhöht werden, was das Controlling in die Lage versetzt, kurzfristige Veränderungen miteinzubeziehen und somit das Forecasting laufend an die gegenwärtige Unternehmenssituation anzupassen, um aktuelle Stra- tegien sowie Maßnahmen ableiten zu können.406 Die bisher aufgezeigten positiven Nutzenpotenziale können zur Vermeidung von kostspieligen Entscheidungen, z.B. aufgrund von ungenauen, willkürlichen oder veralteten Prognosen, füh- ren. Sowohl hinsichtlich des zeitlichen als auch personellen Aufwands kann der Einsatz von Big Data-Technologien und -Analytics-Methoden zu wesentlichen Einsparungen im Vergleich zur herkömmlichen Vorgehensweise des Forecastings führen.407 Durch Big Data Analytics- Methoden können bspw. Prognosen automatisiert und weitestgehend ohne Zutun des Control- lings erstellt werden.408 Dadurch kann vor allem der manuelle Aufwand, wie die ressourcenin- tensiven Abstimmungsschleifen eines Forecasts, verringert werden.409 Wohingegen jedoch zu bedenken ist, dass die Nutzung von Big Data zusätzliches Know-how bedarf. Einerseits werden methodische Kompetenzen im Umgang mit den neuen Analysemethoden benötigt, andererseits bedarf es fachlicher Fähigkeiten, wie z.B. Statistikkenntnisse, um die Ergebnisse auszuwerten und interpretieren zu können. Dies kann wiederrum zu Kosten und Anstrengungen führen, wenn entsprechendes Personal ausgebildet oder eingestellt werden muss. Experte 12 bestätigt dies mit der Aussage, dass mehr Daten nicht direkt mehr Wissen bedeute, sondern es sowohl die richtigen Analysemethoden als auch das geeignete Personal dafür benötigt wird, um die Massen an Daten sinnvoll nutzen zu können und daraus Handlungsempfehlungen abzuleiten, was 403 Vgl. Experte 2 (2020), Z. 45-46. 404 Vgl. Buschbacher (2016), S. 42-43. 405 Vgl. Experte 2 (2020), Z. 46-50; Experte 7 (2020), Z. 64-71; Experte 9 (2020), Z. 200-206; Experte 22 (2020), Z. 104-118; Experte 23 (2020), Z. 54-57. 406 Vgl. Mehanna/Müller/Tunco (2015), S. 30. 407 Vgl. Hoder/Kuhr (2015), S. 16-17; Willmes/Hess/Gschmack (2015), S. 259; Nann/Eichenberger (2018), S. 7. 408 Vgl. Tischler/Fuchs/Engel (2018), S. 8-9; Brosig/Klehr/Schad (2019), S. 2. 409 Vgl. Stichter (2013), S. 573-574. 74 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN allerding mit einem hohen finanziellen Aufwand verbunden sei.410 Allerdings werden laut Ex- perten solch fortgeschrittene Analysemethoden in der Praxis aufgrund der zu hohen Komple- xität sowie des zu hohen Implementierungsaufwandes bisher kaum eingesetzt.411 Im Unterneh- men von Experte 15 wurde beispielsweise festgestellt, dass die Analyse von Big Data so kom- plex ist, dass sie derzeit noch keinen praktischen Nutzen darin sehen.412 Neben der häufigeren Verwendung von externern Daten im Zuge von Big Data können auch interne, durch Machine-to-Machine-Kommunikation über Sensoren generierte Daten im Rah- men des IoT einen Mehrwert für das Forecasting liefern. Dabei können vor allem die in Echtzeit vom IoT generierten Daten zu einer effizienteren Gestaltung des Forecastings beitragen. Die Echtzeiterfassung der Daten ermöglicht eine direkte Bewertung sowie zeitnahe Umsetzung möglicher Effizienzpotenziale.413 Zwar halten mehrere der befragten Experten, die Anwendung des IoT eher in anderen Unternehmensbereichen, wie bspw. in der Logistik, für wahrscheinli- cher,414 allerdings wird das IoT vereinzelnd auch im Controlling genutzt. Das Unternehmen von Experte 12 verwendet die Daten des IoT bspw. für die Finanzplanung, indem die verkauften Produkte operative Daten über Sensoren liefern und eine Meldung erzeugen, wenn bspw. die versprochene Leistung nicht erreicht wird. Die hierbei potenziell entstandene Erstattungspflicht kann dadurch in Echtzeit im Forecasting berücksichtigt werden.415 Darüber hinaus bietet der Einsatz von IoT die Möglichkeit der sogenannten Predictive Mainte- nance, welche sich durch einen vorausschauenden Ansatz zur proaktiven Wartung von Maschi- nen und Anlagen kennzeichnet und dadurch Ausfallzeiten möglichst geringgehalten werden sollen.416 Predictive Maintenance bedient sich dabei an Daten von Messwerten, wie z.B. Druck, Temperatur, Licht, Vibration, Lärmentwicklung etc, welche durch Sensoren, die in den jewei- ligen Maschinen und Anlagen integriert sind, zur Verfügung gestellt werden. Hierdurch kann im Rahmen des Forecastings z.B. der Wartungsbedarf von Anlagen eindeutig prognostiziert werden, um eine Wartung bestmöglich zu koordinieren.417 Zum prognostizierten Zeitpunkt ei- ner Fehlfunktion löst das System einen Alarm aus und die Maschine wird in den 410 Vgl. Experte 12 (2020), Z. 95-98. 411 Vgl. Experte 10 (2020), Z. 118-120; Experte 16 (2020), Z. 46-49. 412 Vgl. Experte 15 (2020), Z. 71-76. 413 Vgl. Gadatsch/Krupp/Wiesehahn (2017), S. 74. 414 Experte 1 (2020); Z. 294-299; Experte 6 (2020); Z. 228; Experte 7 (2020); Z. 172-174; Experte 14 (2020); Z. 33-37. 415 Vgl. Experte 12 (2020), Z. 154-161. 416 Vgl. Nagel et al. (2014), S. 217; Buschbacher (2016), S. 44; Banerjee/Bandyopadhyay/Acharya (2013), S. 2. 417 Vgl. Mödritscher/Wall (2017), S. 425. 75 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Wartungszustand versetzt, damit Teile ausgetauscht und Reparaturarbeiten durchgeführt wer- den können.418 Durch die Aufstellung vorrausschauender Revisions- und Wartungspläne kön- nen Ausfallzeiten und damit verbundene Produktionsverzögerungen auf ein Minimum reduziert werden und somit sowohl Betriebsabläufe als auch das finanzielle Unternehmensergebnis ver- bessern. Predicitve Maintenance übernimmt folglich im Controlling die Aufgabe Wartungsin- tervalle von Maschinen zu planen und schafft neue Kapazitäten.419 Allerdings sollten die Ab- läufe und insbesondere die durch das IoT ausgelösten Wartungen vom Controlling auf ihre Richtigkeit kontrolliert werden. Darüber hinaus wird das Controlling nach Auffassung der Ex- perten, wie im Falle einer Integration von externen Datenquellen durch Big Data-Technologien, auch bei einer Nutzung von Daten aus dem IoT, verstärkt in die Pflicht genommen die Konsis- tenz dieser zu gewährleisten.420 Daneben besteht aufgrund der Datenmassen, die durch die Ver- netzung von Maschinen entstehen, die mögliche Entstehung eines Data Lake. Infolgedessen wird das Controlling verstärkt in die Pflicht genommen, die für ein Forecasting relevanten Da- ten zu selektieren.421 Insbesondere bei Großunternehmen ist der Aufbau zentralisierter, technologischer Infrastruk- turen ein komplexes und langfristiges Projekt.422 Das führt häufig dazu, dass in vielen Unter- nehmen nicht alle relevanten Datenquellen an eine zentrale Datenbank, wie ein Data Wa- rehouse, angebunden sind und somit Systembrüche zwischen beschaffenden, speichernden und analysierenden Systemen entstehen.423 Daraus resultiert die Notwendigkeit einer Vielzahl an manuellen Datenexporten und -importen für das Controlling.424 Dahingehend bietet RPA die Chance eines qualitativeren Forecasting mittels Substitution von manuellen durch automati- sierte Abläufe.425 Eine erfolgreiche Automatisierung kann sich in der Praxis so widerspiegeln, dass z.B. die manuelle Eingabe von Daten aus unterschiedlichen Quellen, die mit einem hohen zeitlichen Aufwand verbunden sind und die zusätzlich ein hohes Fehlerpotenzial bergen, voll- ständig automatisiert wird. Infolgedessen können nicht nur die manuellen Fehler, die aufgrund menschlicher Fähigkeiten verursacht werden, gesenkt und entsprechend die Verlässlichkeit ei- nes Forecasts erhöht werden. Damit RPA wirkungsvoll genutzt werden kann, muss jedoch eine 418 Vgl. Schreiner/Mundt (2020), S. 3. 419 Vgl. Mayer (2013), S. 287-288. 420 Vgl. Experte 9 (2020), Z. 190-196; Experte 20 (2020), Z. 53-63. 421 Vgl. Luber/Litzel (2018). 422 Vgl. Langmann/Turi (2020), S. 73. 423 Vgl. Isensee/Hüsler (2020), S. 36. 424 Vgl. Langmann/Turi (2020), S. 73–74. 425 Vgl. Heimel/Müller (2019), S. 423. 76 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Grundlage in Form von standardisierten Abläufen vorhanden sein.426 Neben der Steigerung der Verlässlichkeit ermöglichen RPA-Systeme durch das hohe Maß an Automatisierung, welche zu einer Verringerung von manuellen Fehlern und einer damit einher- gehenden Reduzierung der Fehlersuche führt, auch die Einsparung von zeitlichen Ressour- cen.427 Durch solch eine Effizienzsteigerung benötigt das Forecasting künftig eine deutlich ge- ringere Durchlaufzeit, sodass eine starre Terminierung des Forecastings, bspw. quartalsweise oder halbjährlich, durch ein bedarfsorientiertes Forecasting abgelöst werden kann.428 Auch die befragten Experten gehen aufgrund der steigenden Automatisierung und der dadurch sinkenden Ablaufzeit davon aus, dass das Forecasting dynamischer wird, sofern die RPA-Systeme varia- bel genug sind, um sie an die unternehmensinternen Prozesse anzupassen.429 Dementsprechend bedarf es vor der Einführung von RPA einer grundlegenden Anwendungspotenzialanalyse, da nicht jeder Vorgang im Forecasting von einem Roboter ausgeführt werden kann.430 Manche Experten kritisieren zudem, dass RPA-Systeme in vielen Unternehmen meist als Brückentech- nologie fungieren, wenn eine Technologie, die eigentlich bevorzugt wird, nicht beherrscht wird. Laut Experte 8 sollte, anstatt die Daten über RPA aus verschiedenen Quellen zusammenzutra- gen, die Ziellösung eher eine zentrale Datensammlung über ein Data Warehouse sein.431 Zudem kann die Erhöhung des Automatisierungsgrades durch RPA-Systeme zugleich zu freien Kapa- zitäten im Controlling führen. Dadurch obliegt diesem weniger das Aufgabenfeld der repetiti- ven, manuellen Tätigkeiten im Forecasting, sondern eher der qualitativen Aufgaben, wie z.B. das Evaluieren oder Interpretieren von Ergebnissen.432 Nach Auffassung von Experte 9 kann das Controlling durch die direkte Bewertung eines Forecasts Fehler reduzieren und die Verläss- lichkeit des Forecastings wiederum erhöhen.433 Allerdings ist Experte 4 der Auffassung, dass die potenziellen freien Kapazitäten nicht direkt für qualitativere Tätigkeiten verfügbar sein wer- den, sondern das Controlling anfangs die freigewordenen Kapazitäten für die Kontrolle der au- tomatisierten Abläufe aufwenden müsste.434 Dazu bedarf es laut Experte 1 eines gewissen tech- nologischen Verständnisses, um solche RPA-Systeme gegebenenfalls auch zu konfigurieren.435 426 Vgl. Gieseking, Grönke (2019), S. 158. 427 Vgl. Nobach (2019), S. 259. 428 Vgl. Schäffer/Weber (2017), S. 57; Frick (2019), S. 147–148. 429 Vgl. Experte 5 (2020), Z. 24-27; Experte 6 (2020), Z. 208-210; Experte 7 (2020), Z. 75-80; Experte 11 (2020), Z. 31-36; Experte 21 (2020), Z. 87-96. 430 Vgl. Svatopluk et al. (2018), S. 18. 431 Vgl. Experte 8 (2020), Z. 93-97 und Z. 103-107. 432 Vgl. Nobach (2019), S. 256 und S. 259. 433 Vgl. Experte 9 (2020), Z. 205-206. 434 Vgl. Experte 4 (2020), Z. 62-66 und Z. 171-177. 435 Vgl. Experte 1 (2020), Z. 207-208. 77 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN 3.4.2 Einfluss auf das Reporting Die Bedeutung bezüglich der Versorgung der Führungsebene mit steuerungs- und entschei- dungsrelevanten Informationen ist für Unternehmen unstrittig.436 Ein in der Unternehmenspra- xis verbreitetes Instrument zur Auswahl, Darstellung und Übermittlung relevanter Informatio- nen durch das Controlling ist das Reporting.437 Bezüglich dieses Instruments konnte in den letzten Jahren eine Veränderung festgestellt werden, was insbesondere auf die zunehmende Verbreitung aufkommender digitaler Technologien zurückzuführen ist.438 Im Folgenden wer- den die möglichen Einflüsse aufkommender digitaler Technologien, welche im Wesentlichen zur Veränderung des Reportings geführt haben oder in Zukunft zu Veränderungen führen kön- nen, aufgezeigt und kritisch analysiert. Dazu erfolgt zunächst eine Erläuterung des herkömm- lichen Reporting ohne Einfluss aufkommender digitaler Technologien. Dabei sind insbeson- dere die beiden Arten Standard- und Ad-hoc-Reporting zu unterscheiden.439 Das Standard-Re- porting erfolgt zyklisch und enthält Informationen, die aus dem allgemeingültigen Informati- onsbedarf der Unternehmensführung abgleitet sind.440 Es dient dazu, einen möglichst großen Teil des regelmäßig anfallenden Informationsbedarfs der Entscheidungsträger abzudecken und sollte sich daher nicht gezielt an individuellen Bedürfnissen orientieren.441 Im Gegensatz zum Standard-Reporting wird das Ad-hoc-Reporting erst bei einem konkret geäußerten Informati- onsbedarf sowie nach Vorgabe des Adressaten ausgelöst und richtet sich nach den spezifischen Informationsbedürfnissen eines Empfängers.442 Zur Erstellung der Reporting-Inhalte werden laut Experten Daten aus verschiedenen Informationssystemen, wie ERP-Systemen, entnommen und in MS Excel manuell mit Hilfe von SVerweisen oder anderen Formel weiterverarbeitet.443 Die Inhalte bestehen hauptsächlich aus rein finanziellen Elementen, wie Finanzkennzahlen, da sie bisher in der unternehmerischen Praxis für die Unternehmensführung eine übergeordnete Rolle spielen.444 Sind die Art und der Inhalt eines Reports festgelegt, folgt klassischerweise die Plausibilisierung eines Reports.445 Die Inhalte werden dabei auf Unstimmigkeiten, Fehler und Qualitätsmängel hin überprüft, indem z.B. Formeln kontrolliert oder die Ergebnisse mit den 436 Vgl. Nagel et al. (2014), S. 211. 437 Vgl. Schön (2018), S. 18; Horváth (2008), S. 20; Spath (2017), S. 11; Schäffer/Weber (2015), S. 13. 438 Vgl. Schäffer/Weber (2015), S. 19. 439 Vgl. Horváth (2008), S. 21. 440 Vgl. Horváth/Gleich/Seiter (2015), S. 312. 441 Vgl. Gladen (2003), S. 254; Taschner (2013), S. 62. 442 Vgl. Horváth (2008), S. 22. 443 Der SVerweis als Excel-Formel erfüllt die Funktion, ein Element aus einer Tabelle in einer bestimmten Zeile zu suchen. Vgl. dazu o.V (o.J.b), S. 1. Vgl. Experte 20 (2020), Z. 44-46; Experte 21 (2020), Z. 89-91; Experte 22 (2020), Z. 134-141; Experte 23 (2020), Z. 71-72. 444 Vgl. Weber/Sandt (2001), S. 13. 445 Vgl. Schön (2016), S. 183-184. 78 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Werten der Vorperiode verglichen werden.446 Im nächsten Schritt stellt sich die Frage nach der geeigneten Darstellungsform.447 In der Praxis werden weitestgehend die Ergebnisse aus MS Excel in MS PowerPoint implementiert und als Präsentation aufbereitet, wobei sich der Einsatz von Säulen- und Liniendiagrammen zur visuellen Darstellung durchgesetzt hat. 448 Auf dieser Basis werden die Ergebnisse analysiert und wichtige Erkenntnisse wie Ursachen- und Wir- kungszusammenhänge oder die Entwicklung bestimmter Kennzahlen herausgearbeitet.449 Die aus der Analyse gewonnenen Erkenntnisse sowie die daraus abgeleiteten Handlungs- und Ent- scheidungsempfehlungen werden daraufhin im Rahmen der Kommentierung schriftlich in Stichpunkten oder kurzen Sätzen im Report festgehalten.450 Anschließend erfolgt die Übermitt- lung des Reports.451 Diese findet mittlerweile elektronisch per Mail oder per Zugang auf ein im Intranet abgelegtes Dokumentenverzeichnis statt. Daraufhin hat der Empfänger die Gelegenheit die Inhalte zu analysieren sowie eigene Erkenntnisse zu dokumentieren und Rücksprache mit dem Controlling zu halten, um gegebenenfalls Fragen zu klären oder erste Maßnahmen zu tref- fen.452 Betrachtet man das herkömmliche Reporting genauer, lassen sich mehrere Schwächen identifizieren. Klassische Reports bestehen weitestgehend aus rein finanziellen, quantitativen Elementen,453 welche die wirtschaftliche Situation eines Unternehmens widerspiegeln sollen.454 Allerdings kann diese eindimensionale Sichtweise problematisch sein, da hierdurch qualitative Faktoren, wie z.B. die Kunden- oder Mitarbeiterzufriedenheit, weitestgehend ignoriert werden, obwohl diese einen bedeutenden Einfluss auf die Unternehmenssituation haben können. Man spricht sogar davon, dass qualitative Faktoren einen besseren Einblick bezüglich der künftigen Entwicklungsperspektiven eines Unternehmens geben können als quantitative, finanzielle Ziel- größen.455 Außerdem kann eine Steuerung lediglich anhand monetärer Faktoren zu vielerlei Gefahren, wie z.B. der Management-Myopie, führen.456 Hierbei kann die ausschließliche Ori- entierung an Finanzkennzahlen zu kurzfristigem Denken und Handeln führen, da langfristige Strategieentscheidungen wie z.B. die Investition in Forschung und Entwicklung, und deren (evtl.) Erfolg, welcher erst später eintritt, aufgrund der kurzfristig negativen Beeinflussung der Steuerungsgrößen nicht getroffen werden.457 Vor allem im digitalen Zeitalter können 446 Vgl. Experte 16 (2020), Z. 120-130; Experte 21 (2020), Z. 91-93. 447 Vgl. Taschner (2013), S. 147. 448 Vgl. Experte 22 (2020), Z.138-141; Losbichler/Eisl/Plank (2016), S. 47-53. 449 Vgl. Gladen (2003), S.103-104; Schön (2016), S. 184. 450 Vgl. Schön (2016), S. 184-185. 451 Vgl. Taschner (2013), S. 43. 452 Vgl. Schön (2016), S. 188-189. 453 Vgl. Weber/Sandt (2001), S. 13. 454 Vgl. Schwarzmaier (2014), S. 22. 455 Vgl. Janisch (1992), S. 100. 456 Vgl. Weißenberger/Göbel/Kleine (2010), S. 7. 457 Vgl. Bea/Haas (2017), S. 82. 79 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Investitionen in Forschungen von neuen aber auch bereits bekannten Feldern, wie z.B. Big Data oder KI, von großer Bedeutung sein, weshalb die Möglichkeit der Management-Myopie einer besonderen Berücksichtigung bedarf. Darüber hinaus nutzt das Controlling zur Erstellung von Reports häufig die Produktpalette von MS Office (MS Excel, MS PowerPoint, MS Word) oder betriebliche Informationssysteme, wie z.B. ERP- oder CRM-Systeme.458 Insbesondere die Schnittstellen zwischen den einzelnen betrieblichen Quellsystemen sowie den MS Office-Pro- dukten bedingen häufig Datenverluste.459 Diese Fehleranfälligkeit tritt meistens durch die sehr langwierigen und weiterhin manuellen Übertragungen der Daten an den verschiedenen Schnitt- stellen auf. An dieser Stelle ist der Controller mithilfe von Kontrollsummen, Überleitungsrech- nungen, aber auch der eigenen Erfahrung gefordert, die Plausibilität eines Reports sicherzustel- len. Dies führt in der praktischen Umsetzung häufig dazu, dass ein Großteil der Zeit für die Überprüfung eines Reports aufgewendet wird.460 In Anbetracht dessen, dass der Zeitaufwand für die korrekte Erstellung eines Reports sehr hoch sein kann und die im Reporting übermittel- ten Informationen grundsätzlich aktuell sein sollten, bleiben dem Controlling für wertschöp- fende Tätigkeiten, wie die Analyse und die Entwicklung von neuen Maßnahmen im Rahmen des herkömmlichen Reporting, weniger Zeit.461 Abstimmungen mit der Unternehmensführung, z.B. in Form einer Beratung und eine zukunftsorientierte Steuerung des Unternehmens, sind daher zeitlich bedingt nur eingeschränkt möglich.462 Der Problematik der starken Fokussierung auf finanzielle Elemente des herkömmlichen Repor- ting kann durch die Integration von Big Data unter Anwendung von Big Data-Technologien, wie NoSQL-Datenbanken, entgegengewirkt werden. Dadurch ist das Controlling in der Lage auch Daten aus externen Quellen, wie bspw. Videos, Bilder oder Kommentare aus den sozialen Medien, die Hinweise auf die Kundenzufriedenheit, Substitute, Wettbewerber oder zum eige- nen Image in der Öffentlichkeit geben können, nutzenbringend in das Reporting einzubezie- hen.463 So können durch Big Data Analytics-Methoden, wie das Data Mining, z.B. Meinungs- bilder von abgewanderten Kunden aus sozialen Netzwerken in Form von Kommentaren analy- siert werden, um die Ursachen in deren Verhalten aufzudecken.464 Durch die Integration solcher Informationen in das Reporting könnten potenzielle, abwanderungswillige Kunden identifiziert 458 Vgl. Bensberg/Schirm (2018), S. 61; Kirchberg/Müller (2016), S. 85; Schön (2018), S. 145. 459 Vgl. Schön (2016), S. 183-184; Bensberg/Schirm (2018), S. 61; Kirchberg/Müller (2016), S. 85. 460 Vgl. Gräf et al. (2013), S. 6-14; Experte 23 (2020), Z. 73-77. 461 Vgl. Experte 22 (2020), Z.141-145. 462 Vgl. Experte 21 (2020), Z. 93-94. 463 Vgl. Nagel et al. (2014), S. 214-215; Langmann (2019), S. 13-15. 464 Vgl. Gladen (2003), S.103-104; Schön (2016), S. 184. 80 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN und auch frühzeitig Handlungen ergriffen werden, um dem Abwandern dieser Kunden entgegen zu wirken.465 Solch qualitative Faktoren können auch kausale Zusammenhänge zu den bisher verwendeten finanziellen Kennzahlen aufweisen und dadurch möglicherweise zu einem tiefer- gehenden Geschäfts- und Marktverständnis sowie zu einer besseren Informationsversorgung beitragen.466 Dementsprechend gehen auch befragte Experten von einer zunehmenden Entwick- lung hin zu qualitativen Faktoren aus.467 Manche Experten sind sogar der Meinung, dass auf- grund von Big Data nicht-finanzielle Kennzahlen wie z.B. der Kundenwert oder die Mitarbei- terzufriedenheit künftig vermehrt zur Steuerung verwendet werden.468 Zwar kann durch die Nutzung von Big Data der Eindimensionalität des herkömmlichen Reporting entgegengewirkt werden. Allerdings kann sich aufgrund der riesigen und stetig weiter anwachsenden Daten- masse die ohnehin bestehende Herausforderung für das Controlling die relevanten Inhalte für einen Report aus der Datenmenge auszuwählen verschärfen. In diesem Zusammenhang gehen mehrere Experten auf die mögliche Herausforderung infolge eines Data Lakes aufgrund der Speicherung von Massen an Daten durch Big Data-Technologien ein.469 Infolgedessen wird der Selektion der Inhalte für einen Report eine noch stärkere Bedeutung zugeschrieben.470 Auch Experte 9 ist der Meinung, dass das Controlling bei der Auswahl der relevanten Inhalte aus Big Data zunehmend als eine Art Filter agieren sollte.471 In diesem Zusammenhang besteht zuneh- mend die Gefahr, dass das Controlling einen zu umfangreichen Report erstellt, sodass es den Empfängern besonders schwerfällt alle Inhalte zu erfassen geschweige denn alle möglichen Schlüsse daraus zu ziehen. Es besteht somit das Risiko einer sogenannten Information Over- load, durch die aufgrund der Menge an Informationen der Fokus womöglich auf unwichtige Details gelegt wird und wichtige Inhalte unberücksichtigt bleiben.472 Sollte das Controlling dennoch umfangreiche Reports übermitteln, an denen klassische Säulendiagramme und Tabel- len an ihre Grenzen gelangen würden, wird es notwendig sein, neue Darstellungsformen, wie z.B. die Treemap, das Sankey-Diagramm oder die Heatmap, zu wählen, um einen Report wei- terhin übersichtlich und für den Empfänger schnell verständlich darzustellen.473 Auch die Ex- perten sind der Meinung, dass mit der größeren Informationsmenge eine Veränderung der 465 Vgl. Weichel/Herrmann (2016), S. 10. 466 Vgl. Losbichler/Gänßlen (2015), S. 311; Lips/Horváth (2016), S. 509. 467 Vgl. Experte 10 (2020), Z. 34-39. 468 Vgl. Experte 11 (2020), Z. 67-70; Experte 10 (2020), Z. 39-42. 469 Vgl. Experte 5 (2020), Z. 105-108; Experte 16 (2020), Z. 53-65; Experte 23 (2020), Z. 251-253. 470 Vgl. Gadatsch (2016), S. 64; Gadatsch/Krupp/Wiesehahn (2017), S. 74. 471 Vgl. Experte 9 (2020), Z. 190-192. 472 Vgl. Bitkom (2012), S. 8; Becker/Ulrich/Botzkowski (2016), S. 17. 473 Siehe näheres zur Treemap, zum Sankey-Diagramm oder zur Heatmap in Losbichler/Eisl/Plank (2016), S. 47- 48 und 53; Berinato (2016), S. 230; Hofer/Perkhofer/Mayr (2020), S. 174 und 181-183; Horváth/Gleich/Seiter (2020), S. 342-344; Freiknecht/Papp (2018), S. 337. 81 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Darstellungsformen einhergehen wird.474 Experte 11 erwartet bspw. klarere Visualisierun- gen.475 Hier sollte nach Auffassung von Experte 3 allerdings bedacht werden, dass zu verspielte Graphiken auch schnell von der Kernaussage eines Reports ablenken können und damit der eigentliche Informationszweck verloren geht.476 Dementsprechend ist die tatsächliche Vorteil- haftigkeit neuer Darstellungsformen stets situationsspezifisch kritisch zu hinterfragen.477 Ferner kann das zeitintensive herkömmliche Reporting, z.B. aufgrund der hohen Fehleranfäl- ligkeit und der damit einhergehenden häufigen Überprüfungen eines Reports, dazu führen, die Aktualität der übermittelten Informationen zu gefährden.478 Um die Aktualität eines Reports zu erhöhen, kann das Controlling Big Data-Technologien verwenden, die eine beschleunigte Durchführung des Reportings begünstigen. Beispielsweise erfolgt durch die Nutzung der In- Memory-Technologie, im Vergleich zur herkömmlichen Datenspeicherung auf Festplatten, der Zugriff sowie das Auslesen von Daten in einer höheren Geschwindigkeit, wodurch eine schnel- lere Datenverarbeitung und -bereitstellung im Reporting begünstigt wird.479 Das Auslesen einer großen Datenmenge, das klassischerweise etliche Minuten in Anspruch nimmt, kann mithilfe der In-Memory-Technologie aufgrund der erhöhten Rechenleistung in wenigen Sekunden er- folgen, sodass Daten nahezu in Echtzeit abgerufen und aufbereitet werden können. Daneben bieten auch die Anwendung von Big Data Analytics-Methoden dem Controlling weitreichende Potenziale im Hinblick auf ein effizienteres Reporting im Vergleich zur herkömmlichen Vor- gehensweise. Im Gegensatz zur Informationsaufbereitung mittels MS Excel im Rahmen des herkömmlichen Reporting, kann z.B. durch das Machine Learning sowohl das Einpflegen neuer Daten als auch die Korrektur des verwendeten Modells automatisch erfolgen.480 Da hierdurch neben einer langwierigen, manuellen Einpflege von Daten auch eine manuelle Korrektur der verwendeten Formeln bzw. Modelle durch das Controlling wegfällt oder zumindest unterstützt wird, kann sowohl die Fehleranfälligkeit als auch die Anzahl an Korrekturen eines Reports reduziert und dadurch die Effizienz des Reportings erhöht werden. Die unter Anwendung der aufgezeigten Technologien entstehenden Nutzenpotenziale können sich nicht nur auf die Ge- schwindigkeit, sondern auch auf die Frequenz der Reporterstellung bemerkbar machen. Wäh- rend in vielen Unternehmen die Erstellung von Standard-Reports in festen Zyklen, bspw. 474 Vgl. Experte 3 (2020), Z. 201-211; Experte 10 (2020), Z. 46-52. 475 Vgl. Experte 11 (2020), Z. 43-44. 476 Vgl. Experte 3 (2020), Z. 211-212. 477 Vgl. Losbichler/Eisl/Plank (2016), S. 53. 478 Vgl. Schön (2018), S. 145. 479 Vgl. Laudon/Laudon/Schoder (2016), S. 293-294; Plattner/Zeier (2011), S. 14; Altendorf/Baumöl (2015), S. 274. 480 Vgl. Kropp/Töbel (o.J.), S. 1; Durmus (2017b), S. 2; Aunkofer (2017), S. 2. 82 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN monatlich oder quartalsweise,481 erfolgt, können diese unter Anwendung dargestellter Techno- logien flexibler gestaltet werden. Teilweise sei sogar eine Art von Real-Time-Reporting mög- lich.482 Auch Experte 11 glaubt an ein schnelleres sowie flexibleres Reporting mit Hilfe solcher digitalen Technologien.483 Besonderen Nutzen bieten diese Potenziale in Anbetracht der durch die Digitalisierung entstehenden hohen Volatilität. Das Controlling ist dadurch in der Lage, Reports als Reaktion auf relevante Veränderungen in hoher Geschwindigkeit - teilweise sogar in Echtzeit - zu erstellen und die Unternehmensführung direkt zu informieren, ohne dass diese auf den unternehmensindividuellen Zyklus des Standard-Reports warten oder selbst eine An- frage im Hinblick auf einen Ad-hoc-Report stellen muss. Neben externen Daten können aber auch neue interne, durch Sensoren über eine Machine-to- Machine-Kommunikation erzeugte Daten, theoretisch einen Mehrwert für das Reporting lie- fern.484 Mit Hilfe des IoT können z.B. Daten zur Durchlaufzeiten generiert werden, die Indika- toren zur Prozessperformance darstellen und bei denen es sich um relevante Informationen für die Unternehmensführung handeln kann.485 Dadurch wäre es möglich, die Problematik der Ein- dimensionalität des klassischen Reporting entgegenzuwirken. Allerdings sehen die befragten Experten vorerst keinen direkten Einfluss des IoT auf das Reporting, sondern eher auf das Fo- recasting oder gar auf andere Bereiche, wie z.B. auf die Logistik oder auf die Produktion.486 Herkömmlicherweise weicht die praktische Umsetzung der Informationssysteme vom Idealbild der Datenzentralisierung ab, sodass eine heterogene IT-Landschaft und fehlende Schnittstellen die Folge sind.487 Dies führt in der Praxis zu manuellen und langwierigen Übertragungswegen von Daten, was zu Unkonzentriertheiten führen kann und eine hohe Fehleranfälligkeit zur Folge hat.488 Das Controlling ist infolgedessen hauptsächlich mit der Plausibilisierung von Reports beschäftigt ist. Eine weitere digitale Technologie, die dem Controlling in diesem Zusammen- hang nützlich sein kann, ist RPA. Ein RPA-System basiert auf Softwarelösungen und ist durch die Konfiguration von Regeln in der Lage repetitive standardisierte Tätigkeiten automatisch 481 Vgl. Horváth/Gleich/Seiter (2015), S. 312. 482 Vgl. Ke/Shi (2014), S. 81. 483 Vgl. Experte 11(2020), Z. 39-43. 484 Vgl. Nagel et al. (2014), S. 217. 485 Vgl. Heimel/Müller (2019), S. 400. 486 Experte 1 (2020); Z. 294-299; Experte 6 (2020); Z. 228; Experte 7 (2020); Z. 172-174; Experte 14 (2020); Z. 33-37. 487 Vgl. Gräf et al. (2013), S. 14; Langmann (2019), S. 12. 488 Vgl. Schön (2018), S. 145. 83 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN auszuführen.489 Dadurch, dass RPA-Systeme auf Softwarelösungen basieren, ist eine Interak- tion mit den unterschiedlichsten Systemen, wie z.B. Tabellenkalkulationsprogrammen (z.B. MS Excel), ERP-Systemen oder auch einem E-Mail-Konto, möglich.490 Die Verknüpfungs- möglichkeit mit solchen Systemen spiegelt auch die Anwendungsvielfalt dieser Technologie im Reporting wider. Dabei kann insbesondere die Fehleranfälligkeit des herkömmlichen Re- porting durch die Automatisierung manueller repetitiver Vorgänge nach vorab definierten Re- geln, wie die Überprüfung von Daten aus den unterschiedlichen Quellen, die Dateneingabe in die verschiedenen Systeme oder die Datenübertragung an den verschiedenen Schnittstellen zwi- schen den Systemen, entgegengewirkt werden.491 Zusätzlich können alle Schritte der RPA-Sys- teme abgespeichert und analysiert werden, um eventuell bestehende Fehler in der Konfiguration zu beheben.492 Auch die interviewten Experten sehen in RPA-Systemen das Potenzial, die Feh- leranfälligkeit des herkömmlichen Reporting zu senken.493 Nach Auffassung von Experte 8 verbessert sich aufgrund der Senkung der Fehlerquote in erster Linie die Entscheidungsunter- stützungsfunktion durch das Controlling.494 Daneben muss das Controlling im Vergleich zum herkömmlichen Reporting weniger Zeit für die Plausibilisierung eines Reports aufwenden. Laut Experten entfällt diese Aufgabe jedoch nicht komplett, da Fehler im Aufbau eines Reports oder auch Fehler in der Systematik auftreten können.495 Daneben bedarf das Überprüfen und Hinter- fragen von Ergebnissen in einem bestimmten Kontext aufgrund der dazu notwendigen analyti- schen Fähigkeiten sowie betriebswirtschaftlichen Fachkenntnisse weiterhin einer menschlichen Interaktion, sodass sich diese Vorgänge nicht für eine vollständige Automatisierung durch RPA eignen und somit weiterhin Aufgaben des Controllings sind. Darüber hinaus weist Experte 13 darauf hin, dass kurzfristige Ad-hoc-Reports bzw. Fragestellungen, die von einem gewohnten Schema abweichen, weiterhin größtenteils vom Controlling behandelt werden müssen, da RPA- Systeme lediglich in der Lage sind, standardisierte Schritte zu automatisieren.496 Neben den bereits aufgezeigten Automatisierungsmöglichkeiten von Vorgängen im Datenma- nagement können auch standardisierte Kommentare oder grafische Darstellungen mittels RPA 489 Vgl. Czarnecki/Auth (2018), S. 117; Experte 2 (2020); Z. 68-69; Experte 3 (2020); Z. 263-264; Experte 4 (2020), Z. 43-45. 490 Vgl. Grönke et al. (2017), S. 97 ff. 491 Siehe näheres zu den Anwendungsgebieten von RPA in Scheer (2017), S. 31-35. Vgl. Schön (2016), S. 183- 184; Bensberg/Schirm (2018), S. 61; Kirchberg/Müller (2016), S. 85; Hermann/Stoi/Wolf (2018), S. 29; Singh (2018), S. 40 und S. 46; Experte 4 (2020), Z. 38-44. 492 Vgl. Kroll et al. (2017), S. 36; Willcocks/Lacity/Craig (2015), S. 5-6. 493 Vgl. Experte 6 (2020), Z. 214-217; Experte 21 (2020), Z. 87-88. 494 Vgl. Experte 8 (2020), Z. 219-224. 495 Vgl. Experte 20 (2020), Z. 126-131; Experte 14 (2020), Z. 15-20. 496 Vgl. Experte 13 (2020), Z. 161-163. 84 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN automatisch generiert werden.497 Manche Experten gehen sogar davon aus, dass künftig wei- testgehend alle manuellen Tätigkeiten im Reporting durch das RPA übernommen werden kön- nen. Anwender müssen infolgedessen lediglich die notwendigen Dimensionen, wie bspw. die Zeitdimension, auswählen und der Report wird automatisch per Knopfdruck fertiggestellt.498 Die befragten Experten weisen allerdings darauf hin, dass die vollständige Ausschöpfung sol- cher Potenziale nicht zwingend notwendig ist. Auch die Anwendung von RPA an punktuellen Stellen im Reporting kann bereits eine erheblich beschleunigte Durchführung begünstigen, was wiederum einen positiven Effekt auf die Aktualität der übermittelten Informationen haben kann.499 Zusätzlich können durch die Effizienzsteigerung freie Kapazitäten entstehen, die das Controlling für wertschöpfende Tätigkeiten, wie z.B. die inhaltliche Analyse von Reports oder die Ableitung von Handlungsempfehlungen, nutzen kann, für die vorher weniger Zeit vorhan- den war.500 Zwar gehen auch die meisten Experten davon aus, dass das Controlling diese frei- gewordenen Kapazitäten künftig in wertschaffende Tätigkeiten investieren wird,501 allerdings ist Experte 4 der Ansicht, dass vorerst diese Kapazitäten zur Kontrolle der automatisierten Vor- gänge genutzt werden müssen.502 Experte 4 betont hierbei, dass insbesondere ein Risiko besteht, „wenn ein Prozess oder Prozessschritt nicht ordentlich aufgebaut ist und nicht regelmäßig über- prüft wird“,503 da das Beseitigen von Fehlern in der gesamten Prozesskette insbesondere bei großen Unternehmen sehr aufwendig sein kann.504 Darüber hinaus besteht bei einem hohen Automatisierungsgrades des Reportings durch RPA die Möglichkeit einer laufenden Kontrolle. Mit Hilfe von RPA ist es laut Experte 1 denkbar, dass durchgehend zwischen verschiedenen Werten verglichen wird und bei der Überschreitung von vorher definierten Grenzwerten, das Reporting ohne Zutun des Controllings maschinell angestoßen wird und in Abhängigkeit des Automatisierungsgrades automatisch erfolgen kann.505 Die Vorteile sind eine schnellere Auslösung des Reportings und eine zeitnahe Infor- mationsversorgung sowohl des Controllings als auch der Entscheidungsträger. Dadurch besteht die Möglichkeit bei Abweichungen frühzeitig eingreifen zu können. 497 Vgl. Langmann (2019), S. 16. 498 Vgl. Experte 5 (2020), Z. 119-122; Experte 13 (2020), Z. 24-26; Experte 20 (2020), Z. 44-51; Experte 21 (2020), Z. 85-88; Experte 23 (2020), Z. 79-82. 499 Vgl. Experte 2 (2020), Z. 87-93; Experte 5 (2020), Z. 141-143; Experte 11 (2020), Z. 39-43; Experte 21 (2020), Z. 89-96. 500 Vgl. Langmann (2019), S. 17; Singh (2018), S. 41 und S. 46. 501 Vgl. Experte 20 (2020), Z. 51-59; Experte 14 (2020), Z. 20-23; Experte 21 (2020), Z. 96-101; Experte 22 (2020), Z.145-148; Experte 23 (2020), Z. 82-84. 502 Vgl. Experte 4 (2020), Z. 170-182. 503 Experte 4 (2020), Z. 58-59. 504 Vgl. Experte 4 (2020), Z. 64-66. 505 Vgl. Experte 1 (2020), Z. 175-178. 85 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Eine weitere Entwicklung, die das klassische Reporting drastisch verändern kann, sind Self- Service-Technologien. Wie bereits dargestellt wird für gewöhnlich zwischen dem Standard- und dem Ad-hoc-Reporting unterschieden. Der Informationsbedarf der Unternehmensführung kann sich insbesondere in der heutigen Zeit aufgrund der hohen Dynamik durch die Digitali- sierung laufend verändern. Infolgedessen ist davon auszugehen, dass zyklische Standard-Re- ports, die häufig aus dem allgemeingültigen Informationsbedarf der Unternehmensführung ab- gleitet sind, für eine tiefergehende und aktuelle Informationsversorgung nicht ausreichen und die Anzahl an Ad-hoc-Reports zunehmen wird, um den situationsspezifischen Informationsbe- darf zu decken.506 Die Erstellung von Ad-hoc-Reports ist sowohl mit einem hohen Arbeits- als auch Zeitaufwand verbunden.507 Das Controlling muss dabei den Informationsbedarf des Ad- ressaten verstehen, die zweckspezifischen Informationen selektieren, diese übermitteln und de- ren Inhalte dem Empfänger erläutern können. Steigt die Anzahl an Ad-hoc-Reports steigt auch der Aufwand für das Controlling, wodurch sich die Kapazitäten für andere Aufgaben verrin- gern. Infolgedessen kann es von Vorteil sein, wenn das Reporting-System eine technische Schnittstelle zu den Informationssystemen aufweist, um die Entscheidungsträger in die Lage zu versetzen, Self-Services anzuwenden. Self-Services ermöglichen einem Anwender im Rahmen des Reportings ohne weitreichende IT-Kenntnisse einen direkten Zugriff auf die Informations- systeme, wie z.B. ERP-Systeme oder das Data Warehouse, eines Unternehmens.508 Dadurch besitzt z.B. das Management die Befugnis sich bei Bedarf Informationen aus den Quellsyste- men eigenständig zu beschaffen. Dadurch entsteht neben dem klassischen Ad-hoc-Reporting eine neue Form des dynamischen Reporting, das sogenannte Self-Reporting, welches auf Basis der Self-Services-Technologie basiert. Das Self-Reporting ermöglicht durch den direkten Zu- griff auf die Quellsysteme nicht mehr lediglich den Erhalt von isolierten Informationen, sondern den Erhalt eines kompletten Netzwerks an Informationen.509 So kann dem Anwender ein ganz- heitliches Bild geliefert werden, wodurch sich zugleich auch die Transparenz im Unternehmen für diesen erhöht.510 Laut Experte 19 besteht dadurch der Zugang zu granular feineren Daten, als es herkömmlicherweise bei einem Reporting der Fall ist.511 Dies ermöglicht den Anwendern einen Einblick bspw. in detaillierte Kunden-, Lieferanten- oder Materialdaten und somit in ak- tuelle Geschäftsabläufe, was zu einem besseren Verständnis von Besonderheiten, wie z.B. 506 Vgl. Horváth/Gleich/Seiter (2015), S. 312. 507 Vgl. Morato/Weber (2016), S. 29. 508 Vgl. Gärtner/Rockenschaub (2015), S. 710. 509 Vgl. Ploss (2016), S. 62-63; Gentsch/Kulpa (2016), S. 34; Morato/Weber (2016), S. 26. 510 Vgl. Morato/Weber (2016), S. 26-27. 511 Vgl. Experte 19 (2020), Z. 23-26. 86 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Abweichungen, führen kann. Sollte Anwendern die Befugnis vorliegen selbstständig Informa- tionen zu beschaffen, besteht jedoch die Gefahr, dass auf unbefugte Daten zugegriffen wird, wodurch die Gewährleistung des Datenschutzes innerhalb eines Unternehmens gefährdet wer- den kann. Allerdings bietet die Self-Service-Technologie die Option Zugriffserlaubnisse mitar- beiterspezifisch anzupassen, wodurch der Zugang zu ausgewählten Datenquellen blockiert wer- den kann, um insbesondere sensible Daten zu schützen.512 Neben der Möglichkeit des Self-Reporting für einen Anwender den eigenen und spezifischen Informationsbedarf selbstständig zu decken, kann ein direkter Zugriff auf die Informationsquel- len auch mit einer geringeren zeitlichen Verzögerung einhergehen, da die benötigten Informa- tionen z.B. nicht erst angefordert oder mit dem Controlling abgesprochen werden müssen. Solch ein Effizienzvorteil gegenüber dem Ad-hoc-Reporting kann dazu führen, dass die Nach- frage nach Ad-hoc-Reports in Zukunft zurückgeht.513 Für das Controlling bedeutet eine Ent- wicklung hin zum Self-Reporting, dass manuelle Vorgänge, wie z.B. Datenabfragen oder das Übermitteln von Reports, abnehmen.514 Die dadurch entstehende Entlastung des Controllings kann laut Experten für wertschaffende Themen, wie z.B. die Ursachen- und Lösungsfindung von Problemen oder Analysen, genutzt werden.515 Darüber hinaus sind die Experten der Meinung, dass die Entwicklung hin zum Self-Reporting nicht nur zur Folge haben wird, dass Anwender weniger auf Ad-Hoc-Reports zurückgreifen, sondern auch, dass den zyklisch anfallenden Standard-Reports weniger Beachtung geschenkt wird.516 Solch eine mögliche Entwicklung des Reportings sollte allerdings kritisch betrachtet werden.517 Die Bereitstellung des gesamten Informationsnetzwerkes ohne Zutun des Control- lings durch das Self-Reporting kann eine Informationsüberlastung der Anwender verursachen und dazu führen, dass entscheidungsrelevante Informationen unbeachtet bleiben oder irrelevant erscheinen, da eine eigenständige Informationsselektion sowie -interpretation ein hohes Maß an Erfahrung sowie Fähigkeiten bedarf.518 Diesbezüglich sind die interviewten Experten der Ansicht, dass aufgrund fehlender Fähigkeiten der Nutzer situationsrelevante Informationen oder wichtige Zusammenhänge, z.B. aufgrund der fehlenden Kommentare des Controllings, 512 Vgl. Gentsch/Kulpa (2016), S. 34; Morato/Weber (2016), S. 26. 513 Vgl. Morato/Weber (2016), S. 26-27. 514 Vgl. Schäffer/Weber (2015), S. 11; Experte 1 (2020), Z. 179-180. 515 Vgl. Experte 2 (2020), Z. 186-197; Experte 3 (2020), Z. 131-138; Experte 6 (2020), Z. 188-195; Experte 22 (2020), Z. 148-154. 516 Vgl. Experte 3 (2020), Z. 194-196; Experte 4 (2020), Z. 273; Experte 10 (2020), Z. 52-59. 517 Vgl. Experte 6 (2020), Z. 200-205. 518 Vgl. Alpar/Schulz (2016), S. 152–153; Weißenberger/Bauch (2017), S. 212. 87 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN nicht erkannt werden oder Informationen falsch zusammengestellt werden.519 Aufgrund dessen wäre es denkbar, dass die Entscheidungsunterstützungsfunktion durch das Controlling nicht angemessen erfüllt wird und dies in Fehlbeurteilungen sowie Fehlentscheidungen resultiert. Daneben sind nach Auffassung der Experten die freien Kapazitäten der Entscheidungsträger herkömmlicherweise zu gering, um sich mit den Quelldaten intensiv zu beschäftigen,520 was wiederum zu Fehlentscheidungen führen kann. Das Self-Reporting sollte dementsprechend in erster Linie als Ergänzung zur Entscheidungsunterstützung dienen. Daneben ist es jedoch zu empfehlen, weiterhin dem Standard-Reporting eine hohe Bedeutung zuzuschreiben, da diese vor allem der Steuerung dienen. Ihre Bedeutung, z.B. einzelne Bereiche auf die übergeordneten Unternehmensziele hin zu koordinieren, hat weiterhin Bestand. Standard-Reports sollten auch in Zukunft nach dem Push-Prinzip zyklisch durch das Controlling erstellt und inklusive Kom- mentierung übermittelt werden. Es ist für eine koordinierte Steuerung zentral, dass bestimmte Informationen unabhängig von der Nachfrage eines Empfängers in regelmäßigen Abständen an die Entscheidungsträger übermittelt werden.521 Auch mobile Lösungen bieten Potenziale, die zu einem Wandel des herkömmlichen Reporting führen können. Wie der Name schon andeutet, bieten mobile Lösungen in erster Linie hard- wareseitige Vorteile. Die deutlich höhere Mobilität eines Smartphones oder Tablets, im Ver- gleich zu einem Desktop-PC, ermöglicht mehr Flexibilität bei der Arbeit.522 Smartphones bspw. lassen sich einfach in der Hosen- oder Jackentasche transportieren und sind so jederzeit griff- bereit. Dadurch gestatten diese Entwicklungen eine zeit- und ortsunabhängige Übermittlung von Informationen durch das Controlling zur Entscheidungsunterstützung oder Steuerung des Adressaten.523 Es ist mittels mobiler Lösungen bspw. denkbar, ein Alarmsignal bei bestimmten Ereignissen oder bei der Überschreitung definierte Grenzen von bestimmten Kennzahlen an die mobilen Endgeräte ausgewählter Entscheidungsträger abzugeben.524 Entscheidungsträger kön- nen aufgrund solch einer Funktion in Echtzeit auf gewisse Veränderungen aufmerksam ge- macht werden, was eine schnelle Reaktion begünstigen kann. 519 Vgl. Experte 5 (2020), Z. 172-175; Experte 7 (2020), Z. 158-161; Experte 9 (2020), Z. 71-77. 520 Vgl. Experte 6 (2020), Z. 204; Experte 16 (2020), Z. 431-454. 521 Vgl. Küpper et al. (2013), S. 233-235; Schön (2016), S. 192. 522 Vgl. Schön (2018), S. 450-452. 523 Vgl. Tretbar/Wiegmann/Strauß (2013), S. 15; Schön (2018), S. 463; Experte 2 (2020), Z. 162-164; Experte 5 (2020), Z. 230-233. 524 Vgl. McKendrick (2011), S. 49. 88 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Außerdem bieten mobile Lösungen dem Controlling die Möglichkeit zu jeder Zeit und an jedem Ort ganze Reports an das Management zu übermitteln. In diesem Zusammenhang merkt Ex- perte 5 allerdings an, dass „die herkömmlichen Reports […] für diese mobilen Formate nicht zu gebrauchen [sind]“.525 Diesbezüglich empfiehlt Experte 3, dass das Controlling vorerst im Rahmen der Konfiguration bzw. Wahl einer sinnvollen Darstellungsform für ein kleines Dis- play, wie z.B. dem eines Smartphones, mitwirken sollte.526 Laut Experten sollte ein Ziel dabei sein, die Überschaubarkeit und Verständlichkeit der Informationen zu gewährleisten, um zum Einen die Anzahl an Rückfragen, und zum Anderen die aufgrund der Displaygröße mobiler Endgeräte erhöhte Gefahr einer Information Overload der Adressaten möglichst gering zu hal- ten.527 Laut Experte 3 kann eine Vielzahl an Informationen, die mobil abgerufen wird, unter Umständen nicht vollständig vom Nutzer erfasst und eingeschätzt werden,528 wodurch relevante Informationen unberücksichtigt bleiben könnten und Fehleinbeurteilungen sowie -entscheidun- gen entstehen können. Experte 1 betont hierbei, dass das Controlling bei der Nutzung solcher Lösungen zunehmend darauf achten muss, dass es keine Fehlinterpretationsmöglichkeiten gibt.529 Grundsätzlich gestaltet es sich für das Controlling schwierig umfassende Reports auf einem solchen Gerät in einer übersichtlichen Art und Weise darzustellen. Um eine möglichst adäquate Übersichtlichkeit zu gewährleisten, wäre es z.B. denkbar, dass bei der Anwendung mobiler Lösungen die umfangreiche Kommentierung durch das Controlling reduziert wird oder eine Kommentarfunktion sogar vollständig entfernt werden sollte. Infolgedessen müssten Ent- scheidungsträger anhand der mobil verfügbaren Reports eine Situation zunächst lediglich mit Hilfe von überschaubaren Informationen jedoch ohne fachlich kompetente Anmerkungen durch das Controlling einschätzen. Allerdings besteht auch hier die Gefahr, dass relevante Informati- onen oder Zusammenhänge ohne Hinweise durch das Controlling unberücksichtigt bleiben und zu Fehlbeurteilungen sowie Fehlentscheidungen führen können. Experten sind der Meinung, dass das Controlling verstärkt in die Pflicht genommen werden sollte zu hinterfragen, welche Informationen tatsächlich relevant und welche überflüssig sind, um einen komprimierten aber ausschlussreichen Report übermitteln zu können.530 Darüber hinaus ist es theoretisch nicht nur vorstellbar, dass sich Reports über mobile Endgeräte abrufen und deren Inhalte kontrollieren lassen, sondern dass das Controlling mittels mobiler 525 Experte 5 (2020), Z. 238-239. 526 Vgl. Experte 3 (2020), Z. 222-243. 527 Vgl. Experte 3 (2020), Z. 250-253; Experte 6 (2020), Z. 140-148. 528 Vgl. Experte 3 (2020), Z. 231-233. 529 Vgl. Experte 1 (2020), Z. 257-258. 530 Vgl. Experte 3 (2020), Z. 221-2234 und Z. 250-259; Experte 6 (2020), Z. 155-156 und Z. 177-187. 89 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Lösung auch interaktive Analysen durchführen kann.531 Solch eine Anwendung ist allerding auch von der Art der Übertragung eines Reports abhängig. Eine Variante wäre, dass ein Report per E-Mail auf die mobilen Endgeräte zur Verfügung gestellt wird.532 Jedoch ist hierbei die Nutzung der Informationen durch den Empfänger für eine mobile Analyse erschwert, da die Informationen aus der E-Mail vorerst in ein weiteres Tool übertragen werden müssten. Anders ist es allerdings bei einem Zugriff auf einen Report über den Webbrowser oder über eine App.533 In Abhängigkeit der Programmierung der Onlineseite oder der App, lassen sich nicht nur Re- ports abrufen und Informationen begutachten, wie auch beim Erhalt per Mail, sondern auch interaktive Analysen durchführen.534 Besonders relevant in diesem Zusammenhang ist die Be- nutzerfreundlichkeit der Website oder App.535 Hierbei rät Experte 3, dass das Controlling im Rahmen der Konfiguration der Benutzeroberfläche miteinbezogen sein sollte, um die Anforde- rungen für eine mobile Analyse zu erfüllen.536 Allerdings ist ein Großteil der interviewten Ex- perten der Meinung, dass insbesondere aufgrund der Displaygröße eines mobilen Endgeräts solche Tätigkeiten deutlich eingeschränkt sein werden.537 Experte 2 ist sogar der Meinung, dass es „[…] vielleicht sogar unmöglich [ist], umfassende […] Analysen auf einem Smartphone oder Tablet durchzuführen.“538 Um die aufgezeigten positiven Nutzenpotenziale mobiler Lösungen ausschöpfen zu können, muss grundsätzlich ein flächendeckendes und einwandfrei funktionierendes mobiles Netz oder WLAN-Netz gegeben sein. Hierbei können das Fehlen einer ausreichenden Internetgeschwin- digkeit und einer zuverlässigen Netzstabilität zu Problemen führen. Auch Experte 4 spricht diese mögliche Problematik im Interview an und sieht dies in der Praxis nicht immer als gege- ben an.539 3.4.3 Kritische Würdigung im Hinblick auf die Wirtschaftlichkeit und Cloud Compu- ting als Enabler der digitalen Transformation Die Untersuchung zeigt auf, dass der Einsatz digitaler Technologien im Controlling unumgäng- lich geworden ist. Die daraus resultierenden positiven Nutzenpotenziale werden dabei z.B. in 531 Vgl. Schön (2018), S. 455-456, S. 462-463 und S.469. 532 Vgl. Experte 17 (2020), Z. 96-98. 533 Vgl. Gräf/Isensee/Mehanna (2017), S. 169. 534 Vgl. Schön (2018), S. 462-463, 469. 535 Vgl. Schön (2018), S. 452. 536 Vgl. Experte 3 (2020), Z. 222-243. 537 Vgl. Experte 2 (2020), Z. 169-171; Experte 5 (2020), Z. 237-241; Experte 9 (2020); Z. 66-71. 538 Experte 2 (2020), Z. 169-171. 539 Vgl. Experte 4 (2020), Z. 239-243. 90 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN der Optimierung von Analysen, in der Effizienzsteigerung oder in der Verbesserung der Ent- scheidungsunterstützung gesehen. Dafür können unterschiedliche Technologien eingesetzt werden, die je nach Branche, Geschäftsmodell und dem konkreten Einsatzbereich individuell identifiziert und bewertet werden müssen. Für das Controlling existiert nicht die eine Techno- logie, die für eine Verbesserung sorgen kann. Die in dieser Untersuchung identifizierten Nut- zenpotenziale der digitalen Technologien für das Forecasting und Reporting wirken sich grund- sätzlich bei jedem Unternehmen unterschiedlich aus. Der Umfang möglicher Effekte kann von verschiedenen Faktoren beeinflusst werden.540 Diese Aussage wird durch die erfolgten Inter- views bestätigt. Laut der befragten Experten ist das Ausmaß des Wandels abhängig von Kon- textfaktoren wie der Branche, der Unternehmensgröße oder dem Alter der Mitarbeiter im Con- trolling.541 Experte 8 drückt dies folgendermaßen aus: „Die jüngeren Mitarbeiter im Control- ling, die viel mehr mit digitaler Technologie aufgewachsen sind, tun sich viel leichter andere Werkzeuge anzuwenden als bspw. MS Excel.“542 Darüber hinaus stellt Experte 10 fest, dass im Mittelstand die Ressourcen für eine Umsetzung digitaler Entwicklungen fehlen wohingegen große Unternehmen sowohl über finanzielle als auch personelle Mittel für solch ein Unterfan- gen verfügen.543 Grundsätzlich setzt eine Implementierung der untersuchten Technologien eine entsprechende IT-Infrastruktur – Software und Hardware – voraus. Für den Aufbau und die Verwaltung dieser Infrastruktur müssen gegebenenfalls erst kostenintensive Investitionen getätigt werden, damit die Technologien verfügbar und anwendungsfähig gemacht werden können.544 Experte 22 weist zudem darauf hin, dass insbesondere die Harmonisierung einer großen Anzahl von unterschied- lichen IT-Systemen z.B. in großen Konzernen einen hohen Aufwand mit sich bringen kann.545 Des Weiteren erfordern nicht nur die Implementierung der Technologien hohe Investitionen, sondern auch personelle Ressourcen, wie Spezialisten, die den Umgang mit den neuen Tech- nologien beherrschen, werden benötigt.546 Wie von den interviewten Experten bereits angedeu- tet, kann die Anwendung neuer Technologien insbesondere für ältere Mitarbeiter eine Hürde darstellen,547 die zu weiteren Kosten und Anstrengungen führen kann, wenn bestehendes 540 Vgl. Nobach (2019), S. 250. 541 Vgl. Experte 17 (2020), Z. 39-45; Experte 18 (2020), Z. 3-9; Experte 19 (2020), Z. 165-168. 542 Experte 8 (2020), Z. 17-19. 543 Vgl. Experte 10 (2020), Z. 119-123. 544 Vgl. Nann/Eichenberger (2018), S. 7-8; Derwisch/Iffert (2018), S. 13; Schön (2018), S. 438. 545 Vgl. Experte 22 (2020), Z. 356-360 und Z. 385-406. 546 Vgl. Experte 4 (2020), Z. 93-97; Internationaler Controller Verein (ICV) (2015), S. 42; Langmann (2019), S. 33. 547 Vgl. Experte 17 (2020), Z. 145-154; Experte 22 (2020), Z. 162-167. 91 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Personal weitergebildet oder gar neues Personal eingestellt werden muss.548 Unter diesem As- pekt ist es notwendig, dass Unternehmen die ausgewählten Entwicklungen einer adäquaten Kosten-Nutzen-Analyse unterziehen. Es muss dabei bedacht werden, dass sich diese Investiti- onen trotz der dargestellten positiven Potenziale nicht zwangsweise amortisieren und es aus diesem Grund auch einer angemessenen Strategie zur Implementierung bedarf.549 Diesbezüg- lich ist es notwendig, dass sich Unternehmen darüber bewusst sind, welches Ziel sie mit dem Einsatz dieser Technologien verfolgen möchten.550 Im Hinblick auf die technische Infrastruktur gibt es bereits Entwicklungen von Software-An- bietern, die kostengünstige Alternativen zu einer eigenen technischen Infrastruktur anbieten. In diesem Zusammenhang ging auch aus den Experteninterviews hervor, dass das Cloud Compu- ting zwar keinen direkten Einfluss auf das Controlling hat, diese digitale Entwicklung aller- dings als Enabler für das Ausschöpfen der Potenziale aufkommender Technologien gesehen wird.551 Experte 1 sieht beispielsweise im Cloud Computing den Vorteil, „dass wenn […] auf ein neues System umgestellt wird, dass der Administrationsaufwand nicht riesig ist.“552 Grund- sätzlich bietet das Cloud Computing verschiedene Services an. Im Falle, dass die IT-Infrastruk- tur eines Unternehmens gewisse Anforderungen hinsichtlich der Datenspeicherung, wie z.B. die Speicherung einer riesigen Datenmenge aufgrund von Big Data oder IoT, erfüllen muss, stellt die IaaS einem Unternehmen Speicherplatz oder Serverkapazitäten im Internet zur Ver- fügung.553 Vor allem eine Public Cloud, die diesen Service erfüllen kann, stellt eine kosten- günstige Alternative dar. In Bezug auf das Controlling ist die Verwendung einer solchen Form der Cloud im Unternehmen allerdings problematisch, da sensible Daten einem Sicherheitsrisiko ausgesetzt sind.554 Die Form, die zwar im Vergleich höhere Kosten aufweist, sich allerdings aufgrund der höheren Datensicherheit für das Controlling empfiehlt, ist die Private Cloud. Bei dieser Cloud-Form handelt es sich im Gegensatz zur Public Cloud um eine interne, organisati- onsbezogene Cloud, die ihre Nutzung nur autorisierten Usern gestattet.555 Trotz alledem besteht grundsätzlich bei Clouds eine potenzielle Gefahr von Wirtschaftsspionage oder Cyber-Crime und somit die Befürchtung, dass private Daten von Außenstehenden eingesehen werden 548 Vgl. Baumöl/Berlitz (2014), S. 171-172; Eckerson (2007), S. 20. 549 Vgl. Birkhofer (2001), S. 83. 550 Vgl. Davenport (2014), S. 58-60. 551 Vgl. Experte 16 (2020), Z. 53-65; Experte 9 (2020), Z. 53-62; Experte 13 (2020), Z. 61-68; Experte 19 (2020), Z. 24-27. 552 Experte 1 (2020), Z. 309-311. 553 Vgl. Schön (2018), S. 445. 554 Vgl. Strecker/Kellermann (2016), S. 81. 555 Vgl. Schön (2018), S. 446; Strecker/Kellermann (2016), S. 83. 92 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN können.556 Der Aspekt des Datenschutzes wird ebenfalls von Experten als große Herausforde- rung bei der Nutzung einer Cloud betont.557 Daneben ermöglicht eine Cloud als SaaS es dem Controlling die in der Cloud zur Verfügung gestellten Softwareanwendungen, wie z.B. Ma- chine Learning Tools, kostengünstig zu nutzen.558 Insbesondere bei vorhandenen Lock-in-Ef- fekten und den damit verbundenen hohen Wechselkosten der bisher angewendeten Software- Lösungen erscheint eine Cloud als SaaS für Unternehmen besonders attraktiv. Des Weiteren gewinnt ein Unternehmen an Flexibilität, da es zwischen den Cloud-Services beliebig wechseln kann und nur für die genutzte Leistung, gemäß dem Pay-per-Use-Prinzip, Zahlungen aufbrin- gen muss.559 Dadurch stellen Cloud-Lösungen insbesondere für kleinere Unternehmen eine kostengünstigere Alternative im Vergleich zur Anschaffung teurer IT-Systeme dar.560 Hoch performante Systeminfrastrukturen müssen nicht im Unternehmen aufgebaut und betreut wer- den, sondern können über die Cloud bezogen werden.561 Es sollte allerdings zur Kenntnis ge- nommen werden, dass mittels Cloud Computing in erster Linie soft- und hardwarebezogene Kosten reduziert werden können und diese deshalb eine Art Basistechnologie darstellt, welche die Erschließung des Potenzials aufkommender digitaler Entwicklungen möglich macht. Die Hürde, geeignetes Personal auszubilden oder einzustellen, die angemessen mit den neuen Tech- nologien umgehen können, muss trotz alledem weiterhin berücksichtigt werden. 3.5 Limitationen und Fazit Die vorliegende Untersuchung liefert einen Beitrag zur bestehenden Forschung sowie Implika- tionen für die betriebliche Praxis. Allerdings unterliegt sie ebenso gewissen Limitationen, die im Folgenden beleuchtet werden. Diese gehen im Wesentlichen mit der methodischen Vorge- hensweise einher. Um die bei halbstandardisierten Leitfadeninterviews notwendige Offenheit zu gewährleisten und die Experten in ihren Antworten nicht zu beeinflussen, wurden Begriff- lichkeiten und Definitionen der behandelten Thematik im Vorfeld nicht explizit geklärt bzw. abgegrenzt. Die Interviews können daher von unterschiedlichen Vorstellungen und Verständ- nissen in Bezug auf die behandelten Sachverhalte geprägt sein. Hinzu kommt, dass die flexible Gestaltung der Interviews eine individuelle Anpassung der Fragen erlaubt und somit unter- schiedliche Gesprächssituationen entstanden sind. Dies erschwert daher die generelle 556 Vgl. Egle/Keimer (2017), S. 32-33; Urbach/Ahlemann (2016), S. 17; Experte 1 (2020), Z. 343-353. 557 Vgl. Experte 4 (2020), Z. 302-313; Experte 5 (2020), Z. 245-249; Experte 11 (2020), Z. 57-59; Experte 19 (2020), Z. 62-68. 558 Vgl. Gärtner/Rockenschaub (2015), S. 710; Langmann (2019), S. 16. 559 Vgl. Gärtner/Rockenschaub (2015), S. 710-711. 560 Vgl. Langmann (2019), S. 33. 561 Vgl. Gentsch/Kulpa (2016), S. 37. 93 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Vergleichbarkeit der Interviews. Eine weitere Limitation zeigt sich in der Größe der Stichprobe. Die Ergebnisse der vorliegenden Untersuchung sollen vor allem richtungweisende Erkenntnisse und Überlegungen liefern sowie als ein kritisches Beleuchten eines aktuellen Themas dienen, welches bislang zwar häufig zitiert, aber nur selten kritisch reflektiert wurde. Wie bei der Mehr- heit qualitativer Studien ist auch die Reichweite dieser Untersuchung begrenzt. Dabei wurden 23 Experten befragt, was einen gewissen Ausschnitt der Realität darstellt. Die in den Unterneh- men gefundenen Entwicklungen und Ausprägungen sind nicht zwangsläufig auf andere Unter- nehmen übertragbar oder gar allgemeingültig. Dennoch kann aufgrund zweier Aspekte der Un- tersuchungskonzeption vermutet werden, dass die Erkenntnisse der einzelnen Interviews keine allein für die ausgewählten Organisationen typischen Phänomene darstellen. Zum einen stimm- ten die Erkenntnisse trotz aller Unterschiede in den Unternehmen der interviewten Experten hinsichtlich Branche, Größe, Rechtsform oder Marktumfeld im Wesentlichen überein. Zum an- deren konnten Auswirkungen auf das Forecasting und Reporting aufgrund von spezifischen digitalen Technologien in diesen Unternehmen durch die Befragung von Experten teilweise auch auf die allgemeine Entwicklung übertragen oder eingeschätzt werden. Überdies besteht eine geographische Einschränkung der Ergebnisse, da die Experten ausschließlich aus dem deutschsprachigen Raum stammen. Eine Übertragbarkeit der Ergebnisse auf andere Länder müsste daher zunächst überprüft werden. Das Ziel der vorliegenden Untersuchung war es die Auswirkungen spezifischer aufkommender digitaler Technologien auf das Forecasting und Reporting kritisch zu analysieren. Dazu wurden zunächst nach Einführung in die theoretischen Grundlagen der für das Controlling relevanten digitalen Technologien die Methodik der empirischen Untersuchung, welche in Form von Ex- perteninterviews erfolgte, vorgestellt und die erarbeiteten Ergebnisse aufgezeigt. Anschließend wurden die Auswirkungen auf die beiden Controlling-Instrumente analysiert. Die theoretischen Erkenntnisse auf Basis der Literatur wurden dabei durchweg mit den qualitativen Aussagen der Experten verknüpft. In Hinsicht auf die Forschungsfrage, inwiefern aufkommende digitale Technologien das Forecasting verändern, konnte festgestellt werden, dass insbesondere Big Data einen enormen Einfluss haben kann. Die Integration neuer Datenquellen in das Forecas- ting kann zu realitätsnäheren und akkurateren Prognosen führen. Die Anwendung von Big Data-Technologien und Analytics-Methoden ermöglichen z.B. durch die Nutzung von Arbeits- speicher und die damit einhergehende Steigerung der Lese- und Zugriffsgeschwindigkeit auf Daten oder die Automatisierung der Analyse ein wesentlich schnelleres und flexibleres Fore- casting. Darüber hinaus kann Big Data die Grundlage für ein datengetriebenes und objektives 94 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Forecasting legen, wobei allerdings die Gefahren einer möglichen Scheinobjektivität sowie ei- ner self-fulfilling prophecy zu beachten sind. Daneben kann das IoT im Rahmen des Forecas- tings neue Potenziale, wie z.B. die Predicitve Maintenance, ermöglichen. Deren Abläufe sollten allerdings weiterhin durch das Controlling überwacht werden. Repetitive, standardisierte Pro- zessschritte im Forecasting können durch integrierte RPA-Systeme automatisiert werden. Dies kann zur Vermeidung manueller Fehler führen und gleichzeitig neben der Steigerung der Prog- nosequalität auch ein effizienteres Forecasting begünstigen. Die bislang periodischen und star- ren Forecastzyklen, welche durch den hohen Zeit- und Personenaufwand begründet waren, kön- nen durch die Anwendung digitaler Technologien an Bedeutung verlieren. Ob dies sogar in einer gänzlichen Abkehr fester Zyklen hin zu einem anlassbezogenen, dynamischen Forecas- ting resultiert, ist jedoch schwer abzuschätzen. Mögliche Einflüsse durch Big Data finden sich auch im Reporting wieder. Zunehmend können finanzielle Inhalte durch qualitative Faktoren ergänzt werden und möglicherweise zu einem tiefergehenden Geschäfts- und Marktverständnis sowie einer besseren Informationsversorgung beitragen. Hierbei besteht allerdings die Gefahr eine Information Overload der Adressaten. Zu- dem können auch im Reporting durch die Verwendung von Big Data-Technologien und Ana- lytics-Methoden Geschwindigkeitspotenziale ausgeschöpft werden. Daneben ermöglichen RPA-Systeme die Überwindung fehleranfälliger Systemschnittstellen des Reportings, indem die herkömmlicherweise noch manuellen Prozessschritte wie das Entnehmen oder Einpflegen von Daten automatisiert werden. Durch das Potenzial, den eigenen und spezifischen Informati- onsbedarf mit Hilfe von Self-Services selbstständig zu decken, besteht die Möglichkeit, dass künftig die Nachfrage nach Ad-hoc-Reports zurückgeht und Standard-Reports weniger Beach- tung geschenkt wird. Solch eine Entwicklung entlastet auf der einen Seite zwar das Controlling. Auf der anderen Seite besteht dadurch allerdings die Gefahr, dass die Verhaltensteuerungsfunk- tion nicht angemessen erfüllt wird. Außerdem bieten mobile Lösungen die Möglichkeit Reports jederzeit und ortsunabhängig an Adressaten zu übermitteln. Jedoch müssen hierbei passende Darstellungsformate geschaffen werden, um auch auf der kleineren Bildschirmfläche von mo- bilen Endgeräten eine Übersichtlichkeit und Verständlichkeit der Informationen zu gewähren. Zusammenfassend lässt sich aus der Analyse schlussfolgern, dass die beiden untersuchten Con- trolling-Instrumente dank neuer Technologien dazu beitragen können den steigenden Anforde- rungen einer dynamischen und komplexer werdenden Unternehmensumwelt gerecht zu wer- den. Durch diese kann die Reaktionsgeschwindigkeit der Entscheider zunehmen, sofern die 95 WANDEL DES FORECASTINGS UND DES REPORTINGS AUFGRUND AUFKOM- MENDER DIGITALER TECHNOLOGIEN Herausforderungen erkannt und bei der Nutzung fortschrittlicher digitaler Technologien ent- sprechend berücksichtigt werden. Aus der Untersuchung ergibt sich darüber hinaus, dass eine Bewertung des tatsächlichen Nutzens aufkommender digitaler Technologien nur schwierig möglich ist und die Gefahr der Überschätzung der Potenziale besteht. Diesbezüglich wurde festgestellt, dass die interviewten Experten die Auswirkungen der Technologien allgemein kri- tischer und Potenziale in fernerer Zukunft sehen als es die Ergebnisse anhand der bestehenden Literatur erwarten ließen. Inwiefern sich das Forecasting und das Reporting im Zuge der Ver- wendung digitaler Technologien verändern werden, hängt maßgeblich von den Rahmenbedin- gungen eines Unternehmens ab. Zum einen ist das Controlling in höchstem Maße abhängig von der IT-Infrastruktur, weshalb hohe Aufwendungen bei der Implementierung aufkommender Technologien entstehen können. Zum anderen müssen Anwender in der Lage sein die aufkom- menden digitalen Technologien zu verstehen und mit diesen umzugehen. Dabei geht aus der Untersuchung hervor, dass das Cloud Computing durch den einfachen Zugang zu Speicherka- pazitäten oder Softwares Unternehmen die Bereitstellung einer modernen IT-Infrastruktur bie- tet und daher einen Treiber der digitalen Transformation des Controllings darstellt. Die qualitative Untersuchung auf Basis von Interviews dient dem Aufzeigen der Meinung von Experten aus dem Controlling zur fortschreitenden Digitalisierung und wirft einen praxisnahen Blick auf theoretisch diskutierte Auswirkungen. Die vorliegende Untersuchung hat somit einen Beitrag für die Unternehmenspraxis und die Forschung geleistet. Gleichzeitig bildet sie aber auch den Ausgangspunkt für weiteren Forschungsbedarf. Zukünftige empirische Untersuchun- gen könnten sich z.B. mit den Auswirkungen digitaler Technologien in anderen Ländern be- schäftigen, wodurch eine Übertragbarkeit der Ergebnisse überprüft oder auch Unterschiede zwischen den Nationen ermittelt werden könnten. Dies würde einen Überblick über die Verän- derungen von Controlling-Instrumenten im globalen Kontext ermöglichen. Daneben könnte der Fokus weiterführender Forschungen auf anderen Controlling-Instrumente, wie z.B. der Budge- tierung, liegen. Auch für die Zukunft wird die Relevanz digitaler Technologien im Controlling weiter zunehmen. Dementsprechend wäre auch die Untersuchung potenzieller Einflüsse neuer digitaler Trends wie der Blockchain-Technologie auf zentrale Controlling-Instrumente sowohl für die Forschung als auch für die Praxis von Interesse. 96 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD 4 Aufsatz III: Der Controller im Lichte aufkommender digitaler Technologien - Auf- gaben, Kompetenzprofil und Rollenbild Dursun, David 4.1 Einleitung Disruptive digitale Technologien im privaten oder betrieblichen Alltag wie Big Data, maschi- nelles Lernen, IoT, RPA, Self-Services oder mobile Lösungen führen dazu, dass Unternehmen gezwungen sind, massive Anpassungen vorzunehmen, um weiterhin wettbewerbsfähig zu blei- ben.562 Unternehmensprozesse, Organisationsstrukturen, Geschäftsmodelle oder sogar Berufs- gruppen ändern sich dadurch tiefgreifend.563 Damit einhergehende Auswirkungen werden in Unternehmen jedoch meist im Zusammenhang mit Bereichen, die direkt an der Wertschöpfung beteiligt sind, wie z.B. die Produktion oder der Vertrieb, verbunden. Mögliche Auswirkungen auf administrative Bereiche, wie das Controlling, sind dabei schwieriger einzuschätzen.564 Den- noch ist die Digitalisierung auch für das Controlling ein hoch relevantes Themengebiet.565 Mit der provokanten Aussage „Der Controller ist tot, es lebe das Controlling!“566 skizziert Schäffer (2017) ein Zukunftsbild, in welchem die klassischen Aufgaben des Controllers durch digitale Technologien vollständig automatisiert oder auf andere Berufsgruppen ausgelagert werden.567 Inwieweit dieses Zukunftsbild tatsächlich Form annehmen wird ist ungewiss. Allerdings sind sich viele wissenschaftliche Autoren darüber einig, dass insbesondere die Digitalisierung und die damit einhergehenden Technologien das Berufsbild des Controllers trotz bislang verhält- nismäßig hoher Konstanz seines Aufgabenfeldes und seines Kompetenzprofils568 verändert hat sowie künftig weiter verändern wird und schließlich zu einem Wandel im Rollenbild führen kann.569 Die Literatur beschäftigte sich in den vergangenen Jahren zunehmend mit der Frage, wie die Veränderungen im Zuge der Digitalisierung für den Controller aussehen könnten. Bisher wur- den dabei vor allem die Aufgaben des Controllers betrachtet und analysiert. Nobach (2019) beleuchtet beispielweise die Veränderungen der zentralen Aufgabenfelder im Controlling.570 Friedl (2019) beschreibt neue Aufgaben des Controllers, die durch die digitale Transformation 562 Vgl. Keimer/Egle (2020), S. 14; Koß (2016), S. 33. 563 Vgl. Tattyrek/Waniczek (2018), S. 113. 564 Vgl. Kirchberg/Müller (2016), S. 81–82. 565 Vgl. Keimer/Egle (2018), S. 62. 566 Schäffer (2017a), S. 52. 567 Vgl. Schäffer (2017a), S. 52. 568 Vgl. Erichsen (2019), S. 2. 569 Vgl. Koch/Storm (2020), S. 38; Erichsen (2019), S. 1; Michel/Tobias (2017), S. 38; Schäffer/Weber (2016), S. 8; Weber/Schäffer (2016), S. 15; Mödritscher/Wall (2019), S. 68. 570 Vgl. Nobach (2019), S. 247-269. 97 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD entstehen.571 Auch Schäffer/Weber (2015) beschäftigen sich mit der Frage, wie sich die Arbeit des Controllers zukünftig verändern wird.572 Diese Publikationen betrachten allerdings die Di- gitalisierung und ihren Einfluss auf die Aufgaben des Controllers weitestgehend im Allgemei- nen. Dies führt häufig zu strittigen Annahmen der Ursachen für den Wandel des Aufgabenfel- des des Controllers. Die möglichen Effekte durch den Einsatz spezifischer aufkommender di- gitaler Technologien im Controlling, um die Ursachen zu identifizieren sowie die expliziten Auswirkungen auf die Tätigkeiten des Controllers feststellen zu können, wurde dabei nicht in den Fokus der Betrachtungen gestellt. Darüber hinaus wurden in den genannten Forschungen der Frage, wie sich die Digitalisierung auf die Kompetenzen und die Rolle des Controllers aus- wirkt, auch weniger Beachtung geschenkt. Um den zukünftigen Anforderungen der Digitalisie- rung gerecht zu werden und die möglicherweise veränderten Aufgaben ausführen zu können, kann die Forderung nach spezifischen Kompetenzen steigen, weshalb eine kritische Betrach- tung dieser Thematik wünschenswert ist. Mödritscher/Wall (2017) untersuchten speziell die Änderung des Anforderungsprofils des Controllers durch die Digitalisierung.573 Wohingegen Wolf/Heidlmayer (2017) oder Strauß/Reuter (2017) sich mit der künftigen Rolle des Controllers beschäftigten.574 Auch in diesen Arbeiten wurden nicht die Auswirkungen spezifischer digitaler Technologien untersucht, sodass die Rollenentwicklung lediglich skizzenhaft beschrieben wurde. Zusätzlich führen die rein theoretischen Gebilde der hier aufgezeigten Untersuchungen aufgrund dessen, dass sie im Wesentlichen auf Grundlage der bisherigen Literatur basieren, zu eher vagen Vermutungen hinsichtlich des Wandels des Controllers in der Praxis. Mit Hilfe einer Studie, welche auf eine Umfrage durch Fragebögen basierte, führten Schäffer/Brückner (2019) eine praxisnahe Untersuchung der Thematik durch und konnten neun zukünftige und idealtypi- sche Controllerprofile ausarbeiten.575 Allerdings bleibt auch in dieser Studie die Frage offen, inwiefern sich die Nutzung spezifischer digitaler Technologien konkret auf die Roller des Con- trollers auswirken kann. Insgesamt betrachtet die aufgezeigte Literatur zwar separat die Verän- derung der Aufgaben, der notwendigen Kompetenzen oder der Rolle des Controllers, allerdings werden diese einzelnen Aspekte selten in Bezug zueinander und auch nicht in Bezug auf spe- zifische digitale Technologien gebracht, wodurch eine kritische Untersuchung dieser Zusam- menhänge weitestgehend offenbleibt. 571 Vgl. Friedl (2019), S. 38-41. 572 Vgl. Schäffer/Weber (2015), S. 185-190. 573 Vgl. Mödritscher/Wall (2019), S. 65-81. 574 Vgl. Wolf/Heidlmayer (2019), S. 21-48; Strauß/Reuter (2019), S. 49-63. 575 Vgl. Schäffer/Brückner (2019), S. 14-31. 98 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD In Anbetracht der theoretischen und praktischen Relevanz dieser Thematik gedenkt die vorlie- gende Untersuchung diese Lücke zu schließen. Konkret soll eine kritische Analyse der Auswir- kungen spezifischer aufkommender digitaler Technologien auf das Controller-Profil durchge- führt werden. Zum Erreichen der Zielsetzung werden Erkenntnisse auf Basis bestehender Lite- ratur um die Ergebnisse aus einer durchgeführten empirischen Untersuchung auf Basis von Ex- perteninterviews ergänzt, um bereits bestehende Theorien zu überprüfen und gegebenenfalls neue Thesen zu erarbeiten. Da es sich bei einer Rollendefinition in der von Katz/Kahn (1978) beschriebenen Rollentheorie insbesondere um Erwartungen hinsichtlich der Aufgaben- und Kompetenzerfüllung handelt,576 wird der Effekt digitaler Technologien auf das Controller-Pro- fil zunächst anhand der Aufgaben und der Kompetenzanforderungen analysiert und anschlie- ßend daraus resultierende mögliche Rollenentwicklungen kritisch beleuchtet. Hierbei steht fol- gende Forschungsfrage im Fokus: Welchen Einfluss haben spezifische, aufkommende digitale Technologien jeweils auf das Aufgabenfeld, das Kompetenzprofil und auf die Rollenentwick- lung des Controllers? Um der Beantwortung der Forschungsfrage nachzukommen, dient das Unterkapitel 4.2 der Dar- stellung ausgewählter aufkommender digitaler Technologien, die einen Einfluss auf Control- ling-Prozesse haben könnten. Im Anschluss erfolgt in Unterkapitel 4.3 zum einen die Vorstel- lung der Forschungsmethodik, wobei Bezug auf die Vorgehensweise sowie auf die gewählte Methode der Auswertung der Experteninterviews genommen wird. Zum anderen werden die aus der qualitativen Analyse gewonnenen Ergebnisse dargelegt. Die dabei gewonnenen Er- kenntnisse werden im darauffolgenden Unterkapitel mit den Erkenntnissen aus der Literatur zusammengeführt. Dabei werden vorerst in Abschnitt 4.4.1 die beschriebenen, aufkommenden digitalen Technologien herangezogen, um die möglichen Effekte auf das Aufgabenfeld des Controllers aufzuzeigen. Daraus abgeleitet und unter Berücksichtigung der Anwendung spezi- fischer digitaler Technologien werden in Abschnitt 4.4.2 mögliche Einflüsse auf das Kompe- tenzprofil herausgearbeitet, bevor in Abschnitt 4.4.3 verschiedene potenzielle Rollenentwick- lungen des Controllers vorgestellt und kritisch betrachtet werden. Beendet wird diese Untersu- chung mit dem Aufzeigen möglicher Limitationen sowie einem Fazit. 4.2 Theoretische Grundlagen zu aufkommenden digitalen Technologien im Controlling Der digitale Wandel im Controlling ist geprägt durch disruptive Technologien. Bestehende Technologien könnten durch neue digitale Entwicklungen abgelöst werden, da sie neue 576 Vgl. Katz/Kahn (1978), S. 43. 99 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Perspektiven für das Controlling bieten. Von der Literaturrecherche ausgehend sowie unter Be- rücksichtigung der Aussagen aus den geführten Experteninterviews gehören zu den aufkom- menden Technologien der Digitalisierung, welche das Controlling bereits geprägt haben und die digitale Transformation des Controllings wahrscheinlich auch in Zukunft weiter vorantrei- ben werden: Big Data - inklusive Big Data-Technologien sowie Analytics-Methoden -, RPA, Self-Service-Systeme, mobile Lösungen, IoT und Cloud Computing.577 Insbesondere anhand einer Studie von Egle/Keimer (2017), in der 223 Unternehmen befragt wurden, welche aufkom- menden digitalen Entwicklungen das Controlling beeinflussen und wie stark dieser Einfluss ist, wird die Bedeutung der genannten Technologien für das Controlling deutlich, weshalb diese den Fokus dieser Untersuchung darstellen. Bekräftigt wird diese Auswahl darüber hinaus durch eine Umfrage von Ernst & Young unter Controlling-Führungskräften aus dem Jahr 2018 zum Thema Digitalisierung im Controlling, welche in 280 Unternehmen aus dem deutschsprachigen Raum durchgeführt wurde.578 Im Fokus der Umfrage stand u.a. der Einsatz digitaler Technolo- gien im Controlling. Dabei wurde neben der aktuellen Anwendung aufkommender digitaler Technologien auch eine Erwartung der Führungskräfte an diese für den Zeitraum 2020/2021 abgefragt. Zum grundlegenden Verständnis und um die Auswirkungen der hier als relevant ka- tegorisierten digitalen Technologien auf die Controller-Arbeitswelt und die damit einherge- hende Veränderung des Kompetenzprofils sowie der Rolle des Controllers untersuchen zu kön- nen, werden diese im Folgenden erläutert. Sucht man in der Literatur nach einer Definition von Big Data, findet man eine Vielzahl unter- schiedlicher Definitionen. Worüber sich allerdings ein Großteil der Wissenschaft und der Praxis einig sind, ist, dass es sich bei Big Data um eine Datenmenge handelt, die durch die so genann- ten „3 V’s“ Volume (Volumen), Variety (Vielfalt) und Velocity (Geschwindigkeit) gekenn- zeichnet ist.579 Volume steht hier für eine große Datenmengen, die teilweise sogar im Tera- bis Zettabytebereich liegen kann.580 Unter Variety wird eine Vielfalt von Daten verstanden, die dadurch entsteht, dass Daten in strukturierter, in semi-strukturierter und in unstrukturierter Form aus einer Vielzahl interner und externer Quellen generiert werden können.581 Das dritte „V“, Velocity, beschreibt die Geschwindigkeit der Daten. Hiermit ist sowohl die 577 Vgl. Egle/Keimer (2017), S. 9-12; Langmann (2019), S. 5 ff.; Gärtner/Rockenschaub (2015), S. 709; Kienin- ger/Mehanna/Michel (2015), S. 4-5; Waniczek (2020), S. 6. 578 Um ein möglichst allgemeingültiges Bild zu schaffen, wurde eine Streuung der Unternehmen hinsichtlich Bran- che, Unternehmensgröße und -struktur vorgenommen. Vgl. hierzu Waniczek (2020), S. 2. 579 Vgl. Fasel/Meier (2016), S. 6; Laney (2001), S. 1; Schroeck et al. (2012), S. 5; o.V. (2012a); o.V. (2013a), S. 10. 580 Vgl. Fasel/Meier (2016), S. 6. 581 Vgl. Bitkom (2012), S. 21; Fasel/Meier (2016), S. 6. 100 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Echtzeitgenerierung von Daten gemeint als auch deren Kurzlebigkeit.582 Um Big Data zu be- schaffen sind Big Data-Technologien notwendig. Kerntechnologien zur Speicherung, Verar- beitung und Bereitstellung von Big Data sind z.B. NoSQL-Datenbanken sowie die In-Memory- Technik.583 Für die Speicherung in NoSQL-Datenbanken müssen Daten nicht zwangsweise in Beziehung zueinanderstehen. Dies bedeutet, dass die Datenspeicherung weder ein festgelegtes Schema noch eine Struktur erfordert.584 Dadurch sind NoSQL-Datenbanken in der Lage neben strukturierten Daten auch semi- und unstrukturierte Daten wie z.B. Fotos, Videos und Kom- mentare zu speichern. Daneben zeichnet sich die In-Memory-Technik dadurch aus, dass nicht auf externe Speichermedien wie Festplatten zurückgegriffen wird, sondern dass der Arbeits- speicher des Computers zum Speichern von Daten genutzt wird.585 Im Gegensatz zu Festplat- ten, welche für den Zugriff oder das Auslesen von Daten einige Millisekunden benötigen, be- darf das Zugreifen auf den Hauptspeicher und das Auslesen der darin enthaltenen Daten ledig- lich einige Nanosekunden.586 Big Data Analytics bezeichnet die Analyse, die Big Data als Da- tenbasis zugrunde legt.587 Allerdings haben in der Literatur als auch in der Praxis insbesondere prädiktive Analysemethoden wie Data Mining oder Machine Learning aufgrund des Einzugs von Big Data sowie hocheffizienter Speicher- und Verarbeitungstechnologien für das Control- ling stark an Bedeutung gewonnen.588 Ziel des Data Mining ist es automatisch innerhalb einer Datenmenge, die auch aus unterschiedlichen Strukturen bestehen kann, bisher unbekannte Mus- ter und Beziehungen zu erkennen.589 Anschließend werden anhand der gewonnenen Erkennt- nisse Regeln aufgestellt, die zur Vorhersage künftiger Ereignisse dienen.590 Beim Machine Learning handelt es sich um selbstlernende Algorithmen.591 Dabei lernt das System aus Bei- spielen und Erfahrungswerten, um gesetzmäßige Zusammenhänge abzuleiten, die dazu beitra- gen sollen, Prognosen auf Basis neuer Datenmengen treffen zu können.592 Ausgangspunkt der Entwicklung von RPA war die Beobachtung, dass trotz des Einsatzes verbreiteter klassischer Anwendungssysteme (wie z.B. ERP- oder CRM-Systemen) weiterhin manuelle Tätigkeiten, wie die Dateneingabe an verschiedenen Schnittstellen, notwendig sind.593 Der Roboter hat 582 Vgl. Fasel/Meier (2016), S. 6. 583 Vgl. Bartel et al. (2014), S. 22-24. 584 Vgl. Schön (2016), S. 306. 585 Vgl. Laudon/Laudon/Schoder (2016), S. 293-294. 586 Vgl. Plattner/Zeier (2011), S. 14. 587 Vgl. Delen/Demirkan (2013), S. 361; Gartner (2016), S. 10; Dorschel (2015), S. 56. 588 Vgl. Durmus (2017a), S. 1-3; Egle/Keimer (2017), S. 10-11; Langmann (2019), S. 7; Waniczek (2020), S. 6. 589 Vgl. Kuß/Wildner/Kreis (2014), S. 33; Berry/Linoff (1997), S. 5; Laudon/Laudon/Schoder (2016), S. 300-301. 590 Vgl. Abts/Mülder (2017), S. 285; Fayyad/Uthurusamy (2002), S. 28; Rentzmann et al. (2011), S. 134-135. 591 Vgl. Aunkofer (2017), S. 2. 592 Vgl. Endres/Helm (2015), S. 59; Setnicka (2016), S. 630-631; Kropp/Töbel (o.J.), S. 1; Durmus (2017b), S. 2; Langmann (2019), S. 7. 593 Vgl. Bensberg/Schirm (2018), S. 61; Kirchberg/Müller (2016), S. 85. 101 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD hierbei keinen physischen Körper, wie z.B. ein Industrieroboter bei der Automatisierung von Produktionsprozessen, sondern basiert ausschließlich auf Softwarelösungen, die mit den unter- schiedlichsten Systemen wie Tabellenkalkulationsprogrammen, ERP-Systemen oder dem E- Mail-Konto interagieren können.594 Im RPA-Ansatz findet keine Programmierung der Roboter statt, sondern lediglich eine Konfiguration von Regeln, durch welche es möglich ist, sich wie- derholende, standardisierte Prozessschritte automatisiert auszuführen zu können.595 Der Robo- ter trifft dementsprechend regelbasierte und keine selbstständigen Entscheidungen, weshalb der Begriff RPA nicht im Zusammenhang mit KI verwendet werden sollte.596 Self-Service-Sys- teme ermöglichen einem Anwender eigenständig ohne weitreichende IT-Kenntnisse einen di- rekten Zugriff auf verschiedenste Quellsysteme.597 Dabei wird dem Anwender in Abhängigkeit der Zugriffserlaubnis z.B. der Zugriff auf die Rohdaten der ERP-Systeme oder auf die bereits verarbeiteten Daten eines Data Warehouses erlaubt. Auch die Anwendungsmöglichkeiten im Self-Service können sich unternehmens- und mitarbeiterspezifisch unterscheiden. Auf einer niedrigen Anwendungsstufe besteht bspw. die Möglichkeit lediglich Informationen, z.B. in Form eines bereits vorbereiteten Reports, einzusehen. Wohingegen auf höheren Anwendungs- stufen Informationen eigenständig beschafft werden bzw. Reports selbstständig erstellt werden oder sogar neue Datenquellen selbständig eingebunden werden können.598 Der Begriff mobile Lösungen umfasst „die Gesamtheit von Geräten, Systemen und Anwendungen, die einen mo- bilen Benutzer mit den auf seinen Standort und seine Situation bezogenen sinnvollen Informa- tionen und Diensten versorgt.“599 Der Faktor Mobilität steht dabei im Zentrum und bezieht sich auf unterschiedliche Aspekte. Einerseits sind die Geräte an sich beweglich, da Smartphones, Tablets und Notebooks überall mitgeführt werden können und durch Kommunikationsstan- dards weiterhin vernetzt sind. Andererseits ist der Nutzer durch Authentifizierungsverfahren in der Lage, flexibel zwischen unterschiedlichen mobilen Endgeräten zu wechseln und die ge- wünschten Dienste je nach Situation zu nutzen.600 Unter IoT bzw. Internet der Dinge versteht man Systeme, die es ermöglichen, die virtuelle mit der physischen Welt zu verschmelzen. Sie bestehen aus informationstechnischen, softwaretechnischen und physischen Komponenten, die über ein Netzwerk in Form des Internets miteinander verbunden sind und interagieren 594 Vgl. Grönke et al. (2017), S. 97 ff. 595 Vgl. Czarnecki/Auth (2018), S. 117; Allweyer (2016), S. 2. 596 Vgl. Manutiu (2018), S. 5; Smeets/Erhard/Kaußler (2019), S. 8. 597 Vgl. Schäffer/Weber (2016), S. 10; Kajüter/Schaumann/Schirmacher (2019), S. 144; Weber/Strauß/Spittler (2012), S. 106. 598 Vgl. Alpar/Schulz (2016), S. 152-153. 599 Bollmann/Zeppenfeld (2015), S. 2. 600 Vgl. Bollmann/Zeppenfeld (2015), S. 1–2. 102 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD können.601 Bei den physischen Komponenten kann es sich z.B. um Maschinen, Werkzeuge, Produkte etc. handeln, die mittels der sogenannten Radio Frequency Identification, einer Sen- sortechnologie, ausgestattet sind. Diese Sensoren erheben dabei Rohdaten aus der physischen Welt und leiten diese über das Netzwerk an eingebettete Softwares weiter, welche die gesam- melten Sensordaten verarbeiten können.602 Bei Cloud Computing handelt es sich um ein Kon- zept, bei welchem der Server sich nicht zentral im Rechenzentrum eines Unternehmens befin- det, sondern im Netzwerk eingebunden ist, in welchem Softwareleistungen erbracht werden.603 Bei den Leistungen kann es sich neben infrastrukturellen Systemen wie Datenbanken (IaaS) auch um Entwicklungsplattformen für unternehmenseigene Software (PaaS) oder gänzlich vom Anbieter bereitgestellte Softwares (SaaS) handeln.604 Unabhängig von der Art des Services existieren drei Formen einer Cloud. Im Rahmen einer Public Cloud nutzt eine Vielzahl von Anwendern über das öffentliche Internet dieselbe Infrastruktur.605 Eine Private Cloud stellt eine interne, organisationsbezogene Cloud dar, die ihre Anwendungen nur autorisierten Usern zur Verfügung stellt.606 Bei der Hybrid Cloud handelt es sich um eine Mischform der beiden Cloud- Konzepte. 4.3 Qualitative Analyse zum Wandel des Controllers auf Grundlage von Experteninter- views 4.3.1 Vorgehensweise und Methodik Im Hinblick auf die Forschungsfrage erfolgte die Datenerhebung dieser Untersuchung anhand von Experteninterviews. Da unter anderem Aufschluss über Perspektiven, Einstellungen und Annahmen zu den Auswirkungen digitaler Technologien im Hinblick auf das Forecasting und Reporting gewonnen werden soll, bietet es sich an mithilfe von spezifischem Expertenwissen eine wissenschaftliche Erklärung zu liefern.607 Die individuelle Person als solches rückt dabei in den Hintergrund und fungiert vielmehr als Funktions- bzw. Wissensvertreter.608 Bei der mündlichen Befragung der Experten handelt es sich um leitfadengestützte bzw. halbstandar- disierte Interviews. Der im Vorfeld konzipierte Leitfaden enthält die wichtigsten Kernfragen und fungiert als Gedankenstütze während des Interviews.609 Dieser kann durch weitere Fragen, 601 Vgl. Andelfinger/Hänisch (2017), S. 242. 602 Vgl. Roy (2017), S. 50-51. 603 Vgl. Mühleck (2016), S. 136. 604 Vgl. Kristandl/Quinn/Strauß (2015), S. 289; Sehgal/Bhatt (2018), S. 4; Gärtner/Rockenschaub (2015), S. 710; Faber (2019), S. 17-18. 605 Vgl. Hentschel/Leyh (2018), S. 7-8. 606 Vgl. Schön (2018), S. 446; Strecker/Kellermann (2016), S. 83. 607 Vgl. Gläser/Laudel (2010), S.13. 608 Vgl. Misoch (2019), S. 120. 609 Vgl. Bogner/Littig/Menz (2014), S. 27. 103 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD die sich im Laufe des Gesprächs entwickeln, ergänzt werden.610 Dies ermöglicht eine freie Ge- staltung der Gespräche und stellt dennoch eine auf die Forschungsfrage zielgerichtete Informa- tionsgenerierung sicher.611 Die Reihenfolge sowie die Anzahl an Fragen kann je nach Ge- sprächsverlauf flexibel geändert werden, wobei auch neue Aspekte aufgenommen werden kön- nen. Der Interviewte kann dadurch thematisch gelenkt werden ohne in seinen Antwort- und Erzählmöglichkeiten eingeschränkt zu werden.612 Es existiert daher auch keine allgemeingül- tige Richtlinie zur Erstellung von Leitfäden. Vielmehr ist dieser von Thematik, Gesprächssitu- ation und Untersuchungsziel abhängig. Dementsprechend kann sich der Verlauf der einzelnen Gespräche unterscheiden. Der im Rahmen dieser Arbeit konzipierte Leitfaden (siehe Anhang 2) enthält zwei Forschungsthemen. Das erste Forschungsthema bildet den Untersuchungsge- genstand von Kapitel 3 und beinhaltet zwei Themenblöcke mit jeweils zwei Schlüsselfragen bezüglich des Effekts aufkommender digitaler Technologien auf Controlling-Prozesse. Das zweite Forschungsthema zielt auf die Beantwortung der in Unterkapitel 4.1 formulierten For- schungsfrage ab. Es beinhaltet drei Themenblöcke mit jeweils einer offen formulierten Schlüs- selfrage hinsichtlich des Einflusses aufkommender digitaler Technologien auf das Aufgaben- feld, Kompetenzprofil und die Rollenentwicklung des Controllers. Neben der Konzeption eines Leitfadens ist ein weiteres zentrales Element des halbstandardi- sierten Experteninterviews die zielgerichtete Auswahl von Experten. Hierbei gilt eine Person, die über ein einschlägiges Praxis- oder Erfahrungswissen verfügt, das im Wesentlichen „orien- tierungs- und handlungsleitend für andere Akteure“613 wirkt, als Experte. Zur Beantwortung der Forschungsfrage mittels leitfadengestützter Experteninterviews und zur Sicherstellung der Validität dieser Untersuchung wurden die folgenden Kriterien zur Bestimmung von Experten festgelegt: 1. Personen, die entweder aktuell im Bereich Controlling arbeiten oder mittlerweile eine leitende Funktion, die sich darüber hinaus erstreckt (z.B. Chief Financial Officer), in- nehaben und zuvor im Bereich Controlling Erfahrung gesammelt haben. Dieses Krite- rium soll dazu führen, dass die Interviewpartner gehaltvolle Informationen für den Be- reich Controlling beitragen können. 610 Vgl. Helfferich (2019), S. 682-683; Gläser/Laudel (2010), S. 38-43. 611 Vgl. Gläser/Laudel (2010), S. 41-43. 612 Vgl. Bogner/Littig/Menz (2014), S. 29. 613 Bogner/Littig/Menz (2014), S. 14. 104 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD 2. Personen, die über eine mindestens zehnjährige Berufserfahrung im Controlling verfü- gen, oder die eine leitende Funktion, die sich darüber hinaus erstreckt, innehaben. Dies wird als ein ausreichender Zeitraum betrachtet, um mögliche Veränderungen durch die Digitalisierung in der Praxis wahrnehmen und künftige Entwicklungen einschätzen zu können. 3. Personen, die in einem nach EU-Empfehlung 2003/361/EG definierten Großunterneh- men beschäftigt sind. Die Schwellenwerte liegen hier bei einem Jahresumsatz von über 50 Millionen Euro sowie einer Mitarbeiterzahl von mindestens 250.614 Dieses Kriterium bezieht sich auf eine erweiterte Verfügbarkeit von Ressourcen in einem Unternehmen und somit einer erhöhten Möglichkeit digitale Technologien implementieren und nutzen zu können. 614 Vgl. o.V. (2003), S. 4. 105 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Insgesamt wurden 23 Interviews mit Experten aus verschiedenen Unternehmen durchgeführt. Im Durchschnitt liegt die relevante Berufserfahrung der Experten bei 17,6 Jahren.615 Die Ex- perten aus der Praxis stehen in Beschäftigungsverhältnissen mit Unternehmen, die zum Ge- schäftsjahr 2019 im Schnitt einen Umsatz von 12,3 Milliarden Euro616 erwirtschafteten und 49.846 Mitarbeiter617 beschäftigten.618 Tabelle 4 gibt einen kurzen Überblick über die wichtigs- ten Aspekte des Forschungsdesigns dieser Arbeit wieder. Im Rahmen einer empirischen For- schung ist jedoch zu beachten, dass die Vorgehensweise so dokumentiert wird, dass diese in- tersubjektiv nachvollziehbar ist, um die Ergebnisse von außenstehenden Dritten reproduzieren lassen zu können.619 Zur Sicherstellung der intersubjektiven Nachvollziehbarkeit dieser For- schung, werden die dargestellten Einzelkomponenten der Datenerhebung und die Methode der Datenanalyse im Folgenden ausführlich erläutert. Ta- belle Datenquelle Experteninterviews 4: For- Erhebungszeitraum 01.10.2020 - 19.12.2020 Stichprobengröße 23 Interviews Durchschnittliche Interviewdauer 41 Minuten Datentyp Primärdaten Auswertungsmethode Qualitative Inhaltsanalyse schungsdesign der empirischen Untersuchung II620 Die Kontaktaufnahme der Experten erfolgte per E-Mail und enthielt Informationen zum Thema und dem Ziel der Arbeit. Zudem wurden alle Experten schriftlich über ihre Rechte und den Schutz ihrer Daten aufgeklärt. Dabei wurde den Experten eine Anonymisierung zugesichert. Diese beinhaltet auch jegliche Aussagen, durch die ein Rückschluss auf die Person oder das Unternehmen gezogen werden kann.621 Die Interviews mit den Experten fanden im Zeitraum vom 01.10.2020 bis zum 19.12.2020 statt.622 Zu Beginn des Interviews erfolgte eine 615 Der Median beträgt 15 Jahre und die Standardabweichung beträgt 6,3 Jahre. 616 Der Median beträgt 7,5 Milliarden Euro und die Standardabweichung beträgt 17,2 Milliarden Euro. 617 Der Median beträgt 16.336 Mitarbeiter und die Standardabweichung beträgt 89.556 Mitarbeiter. 618 Zu beachten ist, dass 43,5% der interviewten Experten die Angaben auf Konzernebene und 56,5% die Angaben auf Unternehmensebene gemacht haben. 619 Vgl. Brosius/Haas/Koschel (2016), S. 2-3. 620 Eigene Darstellung. 621 Vgl. Gläser/Laudel (2010), S. 194, S. 279-281. 622 Aufgrund der Corona-Pandemie wurden 15 Telefoninterviews und 8 Videointerviews über die Online-Kom- munikationstools Microsoft Teams, Zoom und Skype for Business geführt. 106 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Begrüßungsphase, in welcher sich der Interviewer vorstellte sowie erneut Bezug auf das Thema der Arbeit genommen und das Ziel der Befragung aufgezeigt wurde. Außerdem erfolgte eine Vorstellung von Seiten des Experten bezüglich ihrer aktuellen Beschäftigung und der individu- ellen Erfahrung in Bezug auf das Controlling. Bevor der Hauptteil der Interviews mit einer Einstiegsfrage eingeleitet wurde, wurde das Einverständnis des Experten zur Anfertigung einer Audioaufnahme des Interviews eingeholt. Die Dauer der Befragungen lag im Durschnitt bei 41 Minuten.623 Im Anschluss wurden die Interviews transkribiert und archiviert, um den Schutz der personenbezogenen Daten zu gewährleisten. Die anschließende Auswertung der Experteninterviews wurde mittels qualitativer Inhaltsan- alyse nach der Gioia Methodology durchgeführt.624 Dieser Ansatz zeichnet sich dadurch aus, dass sowohl kreative Vorstellungskraft, als auch systematische Strenge bei der Durchführung fundierter qualitativer sowie induktiver Theorieforschung ermöglicht wird.625 Neben der Grundannahme, dass die organisatorische Welt gesellschaftlich konstruiert ist, geht die vorlie- gende Methode davon aus, dass die ausgewählten Experten ihre Gedanken, Absichten und Handlungen erklären können. Aus diesen Annahmen heraus wurden die Befragten nicht mit bestehenden Theorien konfrontiert, da der Fokus bei dieser Methode auf der Entdeckung neuer Erkenntnisse liegt. Ziel hierbei ist es, Muster in den Daten zu erkennen, die es ermöglichen, Zusammenhänge aufzudecken, um daraus theoretische Formulierungen abzuleiten.626 Auf Ba- sis des erläuterten Ansatzes werden die Interviews systematisch in einzelne Textelemente zer- legt und die in Abhängigkeit der Forschungsfrage inhaltlich relevanten bzw. zitierten Textstel- len (Codes) ohne die genutzten Begrifflichkeiten zu verändern entnommen. Die extrahierten Codes werden unabhängig von der ursprünglichen Anordnung der Aussagen weiterverarbeitet. Um eine Datenstruktur aufzubauen, werden im ersten Schritt die gesammelten Codes auf in- haltliche Doppelungen geprüft, zusammengefasst und zu sogenannten Konzepten erster Ord- nung (1st order concepts) entwickelt. Die Bezeichnung der Konzepte orientiert sich dabei wei- terhin an den Begriffen der Befragten, um den Bezug zu den ursprünglichen Aussagen und deren Bedeutung nicht zu verlieren.627 Anschließend wurde nach Ähnlichkeiten der bereits identifizierten Konzepte erster Ordnung gesucht, um diese in ihrer Anzahl zu reduzieren. Dar- aus wurden Themen zweiter Ordnung (2nd order themes) gebildet, die eine Verknüpfung der verschiedenen Interviews zueinander und somit auch eine Verbindung deren Inhalte herstellen. 623 Der Median beträgt 44 Minuten und die Standardabweichung beträgt 10,4 Minuten. 624 Vgl. Gioia/Corley/Hamilton (2013), S. 20-22. 625 Vgl. Gioia/Corley/Hamilton (2013), S. 17. 626 Vgl. Gioia/Corley/Hamilton (2013), S. 17, S. 19-20 und S. 26. 627 Vgl. Gioia/Corley/Hamilton (2013), S. 20. 107 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD In einem letzten Schritt wurden die bestehenden Themenblöcke zweiter Ordnung weiter in ag- gregierte Dimensionen (aggregate dimensions) gebündelt.628 4.3.2 Ergebnisse Wie bereits beschrieben werden bei der Methode nach Gioia zunächst alle Codes aus den In- terviews extrahiert und anschließend zu Konzepten der ersten Ordnung verarbeitet. Aus Abbil- dung 5 kann entnommen werden, dass im Rahmen des Aggregationsprozesses zur Auswertung der Experteninterviews zunächst aus den 233 extrahierten Codes der 1st-order-analysis insge- samt 61 Konzepten entwickelt wurden. Diese Konzepte erster Ordnung wurden mittels der 2nd- order-analysis in 13 Themen zusammengefasst und abschließend weiter in aggregierte Dimen- sionen destilliert. Die 13 Themen zweiter Ordnung ergaben bei der vorliegenden Untersuchung 3 Dimensionen. 233 Codes 61 Konzepte 13 Themen 3 Dimensionen Abbildung 5: Aggregationsprozess der qualitativen Analyse II629 Auf dieser Grundlage wurde anschließend die Datenstruktur aufgebaut, welche ein induktives Modell darstellt. Die detaillierte Datenstruktur des Auswertungsverfahrens der Dimensionen speziell im Hinblick auf die Forschungsfrage, welche möglichen Einflüsse aufkommende digi- tale Technologien auf das Aufgabenfeld, das Kompetenzprofil und somit auf die Rollenent- wicklung des Controllers bestehen, wird in den Abbildungen 6, 7 und 8 grafisch veranschau- licht. 628 Vgl. Gioia/Corley/Hamilton (2013), S. 20-21. 629 Eigene Darstellung. 108 DERL CITOENRTARTOURLVLEERRZ IEMIC LHINCIHST E AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD • Big Data-Technologien und -Analysemethoden führen zu weniger Aufwand bei der Speicherung, Aufbereitung und Analyse von Daten • RPA führt zur Automatisierung von standardisierten, Manuelle, repetitiven Tätigkeiten repetitive • Mit einer Automatisierung durch RPA kann eine Reduzierung der manuellen Beschaffung, Einpflegung Tätigkeiten und Sendung von Daten einhergehen • Informationsübermittlung wird durch Self-Services abnehmen • Datenselektion wird durch Big Data oder IoT und die damit einhergehende riesige Datenmenge wichtiger Datenmanagement- • Datenprüfung hinsichtlich Konsistenz bzw. Richtigkeit gewinnt durch Big Data oder IoT an Bedeutung Aufgaben • Stärkere Auseinandersetzung mit Datenmodellierung • Automatisierungen schaffen freie Kapazitäten, die verstärkt für Analysen und die Interpretation von Ergebnissen verwendet werden können • Self-Service-Systeme verringern die Analysetätigkeiten Informationsübermittlungen, wodurch der Fokus vermehrt auf Analysen und Interpretationen gelegt werden kann • Automatisierungen schaffen freie Kapazitäten, die für Digital beratende Tätigkeiten genutzt werden können transformiertes • Durch Self-Services nehmen Aufgabenfeld Informationsübermittlungen ab und Beratungs- Beratungstätigkeiten zu • Es wird vermehrt ein gemeinsames Arbeiten und ein tätigkeiten inhaltliches Auseinandersetzen mit Themen, wie das Lösen von bestehenden Problemen, zwischen Managern und Controllern stattfinden • Aufgrund der Vernetzung sollte der Controller als Koordinator in Digitalisierungsprojekten involviert sein • Vernetzung und Schaffung freier Kapazitäten durch Change digitale Technologien können vermehrt in Planung, Umsetzung und Kontrolle von Management- Digitalisierungsprojekten resultieren Aufgaben • Fehlanreize, wie Profilierungsdrang, können Gründe für die Einführung neue Technologien sein, weshalb der Controllerverstärkt in die Pflicht genommen, den Nutzen neuer Technologien zu prüfen • Mit steigenden Massen an Daten durch Big Data oder IoT wird es wichtiger, komplexe Inhalte übersichtlich darzustellen • Bildschirmgröße von mobilen Endgeräten führt zu Visualisierungs- einer intensiveren Auseinandersetzung mit der tätigkeiten Präsentation von Informationen • Automatisierungen schaffen Kapazitäten, die eine Konzentration auf Präsentation und Vermittlung von Ergebnissen ermöglichen XxXx Abbildung 6: Datenstruktur aggregierte Dimension „Digital transformiertes Aufgabenfeld“630 630 Eigene Darstellung. 109 DERL CITOENRTARTOURLVLEERRZ IEMIC LHINCIHST E AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD • Geschäfts- und Marktverständnis, z.B. zur Beratung hinsichtlich neuer Trends, werden bedeutender • IT-kenntnisse werden aufgrund der Nutzung neuer digitaler Technologien wichtiger • Statistische Kenntnisse werden verstärkt benötigt, um Analysen zu verstehen und durchzuführen • Kenntnisse im Veränderungsmanagement nehmen zu, Fachliche um z.B. digitale Transformation von Prozessen zu steuern Kompetenzen • Betriebswirtschaftliches Fachwissen ist weiterhin von Bedeutung • Kenntnisse bezüglich der Finanzierung bzw. Investitionsrechnung sind relevant, um Investitionen auch hinsichtlich neuer digitaler Tools und dergleichen zu bewerten • Excel ist nach wie vor ein wichtiges Tool • Umgang mit modernen Datenbanken wird aufgrund von Big Data bedeutender • Umgang mit neuen Programmen zur Analyse von Big Data wird immer mehr erwünscht • Auseinandersetzung mit neue mathematisch- statistische Methoden, wie z.B. Machine Learning- Methodische Ansätze, wird zunehmend relevanter Kompetenzen • Programmierkenntnisse werden nicht gefordert, aber dieses Know-how ist z.B. für das Nachvollziehen von Analysen förderlich Digital • Große Datenmenge aufgrund von Big Data oder IoT transformiertes führt zu einer steigenden Forderung im Hinblick auf den Umgang mit modernen Tools zur Visualisierung Kompetenzprofil • Aufgrund von beratenden Tätigkeiten werden Kommunikationsfähigkeiten immer wichtiger • Soziale Kompetenz, wie Empathie, sind bei beratenden Tätigkeiten von Bedeutung • Vermittlung von Daten und Analyseergebnisse erfordert kommunikative Kompetenzen Soziale • Kommunikationsstärke, Empathie sowie Sensibilität Kompetenzen sind relevant, um mögliche Veränderungen zu vermitteln • Für die Umsetzung von digitalen Veränderungen bedarf es an Überzeugungskraft und Durchsetzungsvermögen • • Analytisches Denken wird durch moderne Analysemethoden und Analysetätigkeiten an Bedeutung zunehmen • IT-affinität ist von Relevanz, um technologische Themen besser zu verstehen Persönliche • Offenheit und Neugier sind für neue Technologien wichtig Kompetenzen • Lernbereitschaft und Offenheit bezüglich Veränderungen sollte vorhanden sein • Ethische Kompetenz im Hinblick auf künstlicher Intelligenz oder RPA gewinnt an Relevanz Abbildung 7: Datenstruktur aggregierte Dimension „Digital transformiertes Kompetenzprofil“631 631 Eigene Darstellung. 110 DERL CITOENRTARTUORLVLEERRZ IEMIC LHINCIHST E AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD • Controller wird die Rolle als Business Partners einnehmen und die Beratungsaufgaben übernehmen, da dieser bereits das betriebswirtschaftliche Fachwissen besitzt • Die Rolle als Business Partner ist schon länger propagiert worden, aber der Controller hatte vor der Digitalisierung nicht die Kapazitäten, um die Rolle zu erfüllen • Die Anforderungen eines Business Partners kann der Controller nur erfüllen, wenn ihm digitale Business Partner Entwicklungen und Tools zur Verfügung stehen, die ihn dabei unterstützen • Stärkung dieser Rollenentwicklung z.B. durch Automatisierungen, die freie Kapazitäten schaffen • Controller als Business Partner agiert als eine Art statistisches Gewissen des Managements und diskutiert mit diesem • Controller als Business Partner fokussiert sich auf die Entwicklung von Handlungsmaßnahmen • Controller als Initiator von digitalen Projekten • Controller sollte aufgrund der Vernetzung im Unternehmen in die Planung und bei der Umsetzung des Digitalisierungsprozesses mit eingebunden werden • Controller steuert zentral die Digitalisierungsprojekte • Controller sollte digital transformierte Prozesse untersuchen, um z.B. Effizienzsteigerungspotenziale zu identifizieren Change Agent Digital • Nicht Controller, sondern Führungskräfte sollten für transformiertes Unternehmensveränderungen verantwortlich sein • Hinsichtlich der Initiierung von digitalen Rollenbild Transformationen ist das Top-Management in der Verantwortung • Der Change Agent ist nicht unbedingt im Controlling verankert, sondern eine zentrale Stelle, die Veränderungsprozesse anstößt • Bei der Etablierung von Data Scientists in der Praxis ist man erst am Anfang • Es wird von essenzieller Bedeutung sein, dass es eine Rolle wie den Data Scientist in Unternehmen gibt • Ob der Controller oder der IT-ler die Rolle als Data Scientist einnehmen wird, wird sich noch herausstellen • Ein Controller arbeitet anders mit Daten als ein IT-ler • Aufgrund des betriebswirtschaftlichen Knowhows des Controllers besteht das Potenziale für die Entwicklung zum Data Scientist • IT-ler sind aufgrund des passenden IT-Wissens für die Rolle des Data Scientists geeignet Data Scientist • Dem Data Scientist, der Mathematik, Statistik, Informatik oder ähnliches studiert hat, fehlt das betriebswirtschaftliche Wissen und ist dementsprechend kein Konkurrent für den Controller, sondern eine Ergänzung • Data Scientists werden nicht im Controlling aufgebaut, sondern an einer zentralen Stelle, um dann die jeweiligen Unternehmensbereiche zu unterstützen • Controller braucht gegebenenfalls technologische Affinität sowie ein gewisses IT-wissen, um dem Data Scientist seine Bedürfnisse mitteilen zu können Abbildung 8: Datenstruktur aggregierte Dimension „Digital transformiertes Rollenbild“632 632 Eigene Darstellung. 111 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Das entwickelte induktive Modell erfasst die Erfahrungen der befragten Experten in theoreti- scher Hinsicht und hilft dabei, die beobachteten Phänomene zu beschreiben und zu erklären.633 Im nachfolgenden Unterkapitel werden die bestehenden theoretischen Erkenntnisse aus der Li- teratur um die Ergebnisse aus der qualitativen Analyse der Experteninterviews ergänzt und dis- kutiert. 4.4 Implikationen bezüglich aufkommender digitaler Technologien für den Controller 4.4.1 Einfluss auf Controlling-Aufgaben In der Vergangenheit waren die Aufgabenfelder im Controlling relativ beständig, da sie meis- tens lediglich nur unwesentlich von Änderungen technischer Art oder von Gesetzesanpassun- gen tangiert wurden.634 In der heutigen Zeit ist das Controlling infolge der Digitalisierung bzw. digitaler Technologien allerdings einem sehr starken Veränderungsdruck ausgesetzt,635 wodurch seine Stabilität zunehmend beeinträchtigt wird. In der Literatur wird schon seit Län- gerem darüber diskutiert, welche Aufgaben dem Controller in einer digitalisierten Welt verblei- ben werden.636 In einem von Schäffer im Jahr 2017 veröffentlichten Artikel ist sogar die Rede davon, dass der Controller obsolet werden könnte.637 Diesbezüglich plagt viele Mitarbeiter im Controlling seit Jahren die Angst, dass sie ihren Arbeitsplatz an einen Roboter verlieren könn- ten.638 Inwieweit die in dieser Untersuchung ausgewählten digitalen Technologien einen Ein- fluss auf die Aufgaben des Controllers und schließlich auf dessen Rolle haben können, wird nachfolgend herausgearbeitet. Dabei werden die digitalen Technologien und deren Auswirkun- gen auf den Aufgabenbereich des Controllers individuell betrachtet, da diese isoliert voneinan- der in Unternehmen angewendet werden können. Aufgrund des volatilen Umfeldes und dem daraus resultierenden Drang einer schnelleren Ent- scheidungsfindung fordert das Management zusätzliche, relevante Informationen zur Unterstüt- zung.639 Hierbei kann insbesondere Big Data das Führungspersonal bei der Entscheidungsfin- dung unterstützen.640 Um die Potenziale von Big Data voll ausschöpfen zu können, muss zuvor eine Erschließung von Big Data durch geeignete digitale Technologien erfolgen. Big Data- 633 Vgl. Gioia/Corley/Hamilton (2013), S. 20 und S. 22. 634 Vgl. Erichsen (2019), S. 2-3. 635 Vgl. Nobach (2019), S. 249; Obermaier/Grottke (2017), S. 138. 636 Vgl. Nobach (2019), S. 252; Koch/Storm (2020), S. 41. 637 Vgl. Schäffer (2017a), S. 52. 638 Vgl. Hermann/Stoi/Wolf (2018), S. 30. 639 Vgl. Nobach (2019), S. 249 und S. 252. 640 Vgl. Dursun (2019), S. 46-52. 112 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Technologien, wie z.B. NoSQL-Datenbanken, besitzen die Fähigkeit, polyvalente Daten auch aus unternehmensexternen Quellen zu beziehen und zu nutzen. Eine damit einhergehenden Zu- nahme des digitalen Datenvolumens sowie die Erschließung neuer Datenquellen haben Aus- wirkungen auf das Datenmanagement, welches zur sinnvollen Nutzung von Daten erforderlich ist.641 Wichtige Bestandteile des Datenmanagements sind die Sicherstellung der Datenkonsis- tenz, Datenstabilität und Datenintegrität.642 Im Falle des Gebrauchs von Big Data für Control- ling-Zwecke nimmt laut Experten die Bedeutung des Datenmanagements als Aufgabenbereich des Controllers zu, da zur Datenanalysen möglichst fehlerfreie, zugängliche und harmonisierte Daten benötigt werden, um zuverlässige Erkenntnisse ableiten zu können.643 Hierbei kann es bspw. die Aufgabe des Controllers sein, die neuen Datenquellen auf ihre Vertrauenswürdigkeit sowie die aus den Quellen extrahierten Daten auf ihre Korrektheit zu prüfen. Dadurch sollte bspw. verhindert werden, dass das Management durch inkonsistente Vorschläge suboptimale Entscheidungen trifft.644 Laut Experte 9 stellt vor allem die mangelnde Datenqualität aktuell noch für einige Unternehmen ein großes Problem dar, weshalb Big Data noch nicht erfolgreich genutzt wird.645 Darüber hinaus agieren Controller bei der Auswahl von relevanten Daten her- kömmlicherweise als eine Art Filter, da sich in vielen Fällen herausstellen kann, dass ein Groß- teil der gesammelten Daten für spezifische Zwecke nicht von Nutzen sind.646 Allerdings stellt laut Meinung einiger Experten die Selektion zweckspezifischer, relevanter Daten insbesondere unter Nutzung von Big Data künftig verstärkt eine zentrale Herausforderung für den Controller dar.647 Darüber hinaus begünstigen, in Abgrenzung zu klassischen Ansätzen, Big Data-Technologien, wie die In-Memory-Technik und die damit verbundene Möglichkeit zur Speicherung von Daten auf dem Arbeitsspeicher, einen effizienten Umgang mit Big Data.648 Solch moderne Technolo- gien haben laut Experten aufgrund der Effizienzvorteile die Wirkung, dass der Controller in Zukunft weniger Zeit für manuelle, repetitive Aufgaben wie die Speicherung, Aufbereitung 641 Vgl. Nobach (2019), S. 253; Friedl (2019), S. 38. 642 Datenkonsistenz bezieht sich auf die Sicherstellung einer einzigen Version der Daten, unabhängig von der Datenquelle (single version of truth), wobei Datenstabilität die permanente Verfügbarkeit der Daten ohne Daten- verlust bedeutet. Datenintegrität hingegen bezieht sich auf die Vollständigkeit, Aktualität und Richtigkeit der Da- ten. Vgl. hierzu Keimer/Egle (2020), S. 8. 643 Vgl. Experte 6 (2020), Z. 53-56; Experte 17 (2020), Z. 19-31; Experte 20 (2020), Z. 53-63; Experte 22 (2019), Z. 406-409; Experte 23 (2020), Z. 107-112. 644 Vgl. Kieninger/Mehanna/Michel. (2015), S. 9. 645 Vgl. Experte 9 (2020), Z. 139-142. 646 Vgl. Knauer (2015), S. 5. 647 Vgl. Experte 7 (2020), Z. 31-37; Experte 9 (2020), Z. 190-196; Experte 23 (2020), Z. 107-112. 648 Vgl. Urbach/Ahlemann (2016), S. 3; Langmann (2019), S. 16 und S. 35. 113 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD und Bereitstellung von Daten aufwenden wird.649 Im Zusammenhang mit einem effizienteren Umgang mit Daten, gehen die interviewten Experten davon aus, dass sich das Aufgabenfeld des Controllers verstärkt in Richtung Datenanalyse sowie Interpretation von Analysen ver- schieben wird.650 Dabei gehören laut Experte 22 aber auch die Schaffung von Transparenz und Nachvollziehbarkeit von verwendeten Algorithmen sowie von Analysen, um die Erkenntnisse den Adressaten bestmöglich vermitteln zu können, zu den Tätigkeiten.651 Nach Aussagen von Experte 8 fallen diese Aufgaben in Zukunft für den Controller stärker ins Gewicht als zuvor, weil Führungskräfte den Erklärungen des Controllers mehr Vertrauen schenken als z.B. auto- matisch übermittelten und unkommentierten Ergebnissen auf Basis komplizierter Algorith- men.652 Des Weiteren lassen sich unter Berücksichtigung des Einflusses von Big Data Analytics- Methoden erhebliche Veränderungen auf die Aufgaben des Controllers identifizieren. Generell können durch Anwendung von Big Data Analytics-Methoden, wie z.B. das Data Mining oder Machine Learning, Teile des Analyseprozesses im Controlling automatisiert werden.653 Ein reduzierter zeitlicher Aufwand im Rahmen der Analyse durch einen gewissen Automatisierungsgrad mittels Big Data Analytics-Methoden,654 kann in freie Kapazitäten resultieren, die für andere Aufgaben genutzt werden könnten.655 Sowohl in der Literatur als auch im Rahmen der Experteninterviews werden hierbei vor allem beratende Tätigkeiten genannt, die der Controller infolge der Kapazitätseinsparungen übernehmen kann.656 Bei einer Beratung durch den Controller kann es sich neben der Herausarbeitung von Handlungsempfehlungen und das Aufzeigen deren wirtschaftlichen Auswirkungen, auch um die kritische Beurteilung potenzieller Entscheidungen der Unternehmensführung handeln.657 Dabei fungiert der Controller nach Meinung von Experte 23 nicht nur als Ansprechpartner der Manager, sondern er geht auch aktiv auf diese zu und diskutiert über verschiedene Themen.658 649 Vgl. Experte 1 (2020), Z. 39-40 und Z. 119-122; Experte 10 (2020), Z. 125-126; Experte 11 (2020), Z. 212; Experte 14 (2020), Z. 65-66. 650 Vgl. Experte 6 (2020), Z. 105-110 und Z. 115-118; Experte 20 (2020), Z. 53-63; Experte 21 (2020), Z. 96-101 und 114-116. 651 Vgl. Experte 22 (2020), Z. 361-368. 652 Vgl. Experte 8 (2020), Z. 221-224. 653 Vgl. Leyk/Kirchmann/Tobias (2017), S. 55; Steiner/Welker (2016), S. 72; Kieninger/Mehanna/Michel (2015), S. 5; Weber/Schäffer (2016), S. 11 654 Vgl. Kieninger/Mehanna/Michel (2015), S. 6. 655 Vgl. Weber/Schäffer (2016), S. 11. 656 Vgl. Experte 5 (2020), Z. 281-282; Experte 11 (2020), Z. 255-256. 657 Vgl. Weber/Schäffer (2020), S. 19; International Group of Controlling (IGC) (2017), S. 50. 658 Vgl. Experte 23 (2020), Z. 164-166. 114 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Laut Experte 18 hat der Controller somit die Möglichkeit, sich noch intensiver bei der Entscheidungsfindung einzubringen und diese voranzutreiben.659 Zudem ist es eine klassische Aufgabe des Controllers, relevante Daten und Informationen in einer geeigneten Form für das Management darzustellen.660 Möchten Controller aufgrund Big Data eine größere Anzahl an Daten und Informationen präsentieren, wird es notwendig sein, wenn herkömmliche Säulendiagramme oder Tabellen an ihre Grenzen gelangen, sich mit neuen Visualisierungsformen auseinanderzusetzen, um die präsentierten Daten und Informationen weiterhin übersichtlich und schnell verständlich für den Empfänger zu gestalten.661 Infolgedessen nimmt laut Experten die Bedeutung der Daten- und Informationsvisualisierung als Aufgabe des Controllers zu.662 Dieser muss sich künftig verstärkt mit Visualisierungsmöglichkeiten beschäftigen, diese kritisch hinterfragen und die Darstellungsform, wenn möglich, mitgestalten, da deren tatsächliche Vorteilhaftigkeit stets situationsspezifisch ist und zu verspielte Visualisierungen auch schnell von der Kernaussage ablenken können, wodurch der eigentliche Informationszweck verloren geht. Insbesondere standardisierte, sich wiederholende sowie manuell durchgeführte Tätigkeiten des Controllers können in Zukunft stark beeinflusst werden, da sich diese mittels RPA-Systeme vollautomatisiert abbilden lassen.663 Dadurch, dass RPA-Ansätze mit klassischen Systemen wie Tabellenkalkulationsprogrammen (z.B. MS Excel), ERP-Systemen oder dem E-Mail-Konto, aber auch mit modernen Datenbanksystemen verknüpft werden können,664 bietet dies dem Con- troller eine große Anwendungsvielfalt. Im Zuge dessen können RPA-Ansätze repetitive Tätig- keiten, wie z.B. das Extrahieren und Zusammentragen von Daten aus den unterschiedlichsten Quellen bis hin zur Einpflege dieser Daten in eine Zieldatenbank, die ansonsten manuell vom Controller verrichtet werden, übernehmen.665 Neben herkömmlicherweise manuellen Tätigkei- ten im Umgang mit Daten können RPA-Ansätze auch Auswirkungen auf die Informationsauf- bereitung und -übermittlung durch den Controller haben.666 Es ist bspw. auch möglich Infor- mationen in Form einer Präsentation inklusive Grafiken automatisiert aufbereiten zu lassen 659 Vgl. Experte 18 (2020), Z. 62-67. 660 Vgl. Losbichler/Eisl/Plank (2016), S. 47-53; Deleker (2008), S. 145. 661 Vgl. Losbichler/Eisl/Plank (2016), S. 53. 662 Vgl. Experte 3 (2020), Z. 201-214; Experte 7 (2020), Z. 115-123; Experte 23 (2020), Z. 82-84. 663 Vgl. Czarnecki/Auth (2018), S. 117. 664 Vgl. Grönke et al. (2017), S. 97 ff. 665 Vgl. Singh (2018), S. 39; Hermann/Stoi/Wolf (2018), S. 29; Siehe näheres zu den Anwendungsgebieten von RPA in Scheer (2017), S. 31-35. 666 Vgl. Czarnecki/Auth (2018), S. 117. 115 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD sowie automatisch an die Adressaten zu übermitteln. Die Automatisierung solcher Tätigkeiten kann insbesondere im Vergleich zu deren manueller Durchführung zu einem Geschwindigkeits- vorteil führen,667 indem betroffene Prozesse bspw. nicht mehr von Korrekturen aufgrund feh- lerhafter Eingaben beeinträchtigt werden. Auch die Experten gehen weitestgehend davon aus, dass manuelle, repetitive Tätigkeiten künftig an Bedeutung für den Controller abnehmen.668 Durch die Automatisierung einzelner Prozessschritte werden vermeintliche Kapazitäten des Controllers für andere und teilweise auch neue Aufgaben frei. Auch in diesem Falle geht ein Großteil der Experten davon aus, dass der Controller die freien Kapazitäten für Tätigkeiten wie die Analyse, die Interpretation von Analysen oder gar weitergehende beratende Tätigkeiten nutzen wird.669 Solche Aufgaben können die Zufriedenheit des Controllers steigern, da sie mehr Kreativität erfordern und ihn von eintönigen repetitiven Aufgaben entlasten. Insgesamt ver- bleibt dem Controller somit mehr Zeit für komplexere sowie qualitativere Aufgaben.670 Aller- dings sollte nach Meinung der Experten bedacht werden, dass Umstrukturierungen durch die Implementierung solch neuer Technologien Zeit benötigen, bevor die Nutzung letztlich in tat- sächlich freien Kapazitäten für solche Aufgaben resultiert.671 Experte 4 ist bspw. der Ansicht, dass vorerst diese Kapazitäten zur Kontrolle der automatisierten Prozesse genutzt werden müs- sen.672 In diesem Zusammenhang sind sich die Experten auch nahezu einig, dass Roboter in Zukunft nicht alle Tätigkeiten des Controllers übernehmen werden, da der Faktor Mensch wei- terhin wichtig bleiben wird.673 Im Gegensatz zu den Tätigkeiten, welche potenziell durch RPA- Lösungen automatisiert ausgeführt werden können, verbleiben weiterhin viele kompetenzba- sierte Aufgaben beim Controller. So müssen bspw. die durch RPA automatisch übermittelten Informationen weiterhin vom Controller überprüft, interpretiert und dem Adressaten kommu- niziert werden. Auch bezogen auf die Selektion, Abfrage sowie Übermittlung von Daten und Informationen lässt sich ein weitreichender Wandel aufgrund digitaler Technologien erkennen.674 Gewöhnli- cherweise ist die Selektion zweckspezifischer Daten und Informationen sowie die Übermittlung 667 Vgl. Weber et al. (2013), S. 20. 668 Vgl. Experte 1 (2020), Z. 208-210; Experte 2 (2020), Experte 3 (2020), Z. 177-178; Experte 5 (2020), Z. 107- 111; Experte 6 (2020), Z. 208-210; Experte 10 (2020), Z. 125-126; Experte 11 (2020), Z. 212; Experte 14 (2020), Z. 65-66; Experte 17 (2020), Z. 232-237. 669 Vgl. Experte 1 (2020), Z. 210-213; Experte 2 (2020), Z. 99-100; Experte 4 (2020), Z. 75-87; Experte 10 (2020), Z. 175-177; Experte 11 (2020), Z. 387-388; Experte 13 (2020), Z. 158-163; Experte 22 (2020), Z.145-148; Experte 23 (2020), Z. 79-84. 670 Vgl. Singh (2018), S. 41 und S. 46. 671 Vgl. Experte 9 (2020), Z. 52-53. 672 Vgl. Experte 4 (2020), Z. 171-183. 673 Vgl. Experte 11 (2020), Z. 388-390; Experte 14 (2020), Z. 171-173. 674 Siehe näheres zur Wirkung von Big Data auf den Informationsversorgungsprozess in Dursun (2019). 116 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD dieser an bestimmte Adressaten mit einem hohen Arbeits- und Zeitaufwand verbunden.675 Durch eine Verknüpfung von Self-Service-Systemen mit den vorhandenen Datenquellen, kön- nen Entscheidungsträger Datenabfragen eigenständig durchführen und sich zweckspezifische Informationen selbstständig ohne Zutun des Controllers beschaffen.676 Die Dezentralisierung des Informationszugangs kann zur Auflösung eines Teilbereichs der traditionellen Aufgaben eines Controllers, wie z. B. der Datenselektion, der Datenabfrage sowie der Übermittlung von Informationen, beitragen677 Infolgedessen sollte beachtet werden, dass der Controller durch die Möglichkeiten des Self-Service zwar einerseits entlastet werden kann, andererseits jedoch auch stark in seiner Existenz und Daseinsberechtigung bedroht wird.678 Allerdings sehen die interviewten Experten auch an dieser Stelle vor allem die Möglichkeit, dass Controller potenzielle Freiräume durch die Anwendung von Self-Services für wertschaffende Tätigkeiten wie bspw. Beratungsleistungen nutzen können.679 Eine Interaktion zwischen Controller und Manager kann erhöht und eine gemeinsame Diskussion der aus den Daten abgeleiteten Infor- mationen680 kann zugleich ermöglicht werden.681 Das Risiko des Verlusts der Informationsho- heit des Controllers steht somit der Chance, auf Augenhöhe mit dem Management zu interagie- ren, gegenüber.682 Allerdings sollte trotz einer möglichen Verlagerung der Tätigkeitsschwer- punkte durch solche digitalen Technologien die Konsistenz, Stabilität und Integrität der Daten auch weiterhin vom Controller gewährleistet werden können. Ferner bleibt es seine Aufgabe die aus den Daten ableitbaren Informationen interpretieren zu können, da das Management bei Fehlern in den Daten oder Irritationen sofort Rückfragen an das Controlling stellen kann.683 Der Controller muss sich im Zuge dessen eventuell immer häufiger unvorbereitet Fragen des Ma- nagements stellen. Die Gefahr, die dabei besteht, ist, dass spezielle Nachfragen den Controller unter Druck setzen können und gar die Qualität ihrer Aussagen bezüglich der Frage mindern kann.684 Weitere Veränderungen bezüglich der Aufgaben des Controllers können sich darüber hinaus durch die Verwendung mobiler Lösungen ergeben. Diese ermöglichen bspw. eine zeit- und 675 Vgl. Morato/Weber (2016), S. 29. 676 Vgl. Weber/Strauß/Spittler (2012), S. 106; Mayer (2013), S. 293. 677 Vgl. Schäffer/Weber (2016), S. 11; Schäffer (2017a), S. 52. 678 Vgl. Weber/Strauß/Spittler (2012), S. 106-107. 679 Vgl. Experte 2 (2020), Z. 185-197; Experte 3 (2020), Z. 131-138; Experte 4 (2020), Z. 270-273; Experte 6 (2020), Z. 188-195; Experte 22 (2020), Z.148-154. 680 Vgl. Experte 2 (2020), Z. 185-197; Experte 3 (2020), Z. 131-138; Experte 4 (2020), Z. 270-273; Experte 6 (2020), Z. 188-195; Experte 22 (2020), Z.148-154. 681 Vgl. Tretbar/Wiegmann/Strauß (2013), S. 15. 682 Vgl. Hoffjan/Rohe (2018), S. 21. 683 Vgl. Weber et al. (2013), S. 23; Behringer (2018), S. 112. 684 Vgl. Weber et al. (2013), S. 43. 117 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD ortsunabhängige Einsicht in die durch den Controller übermittelten Daten und Informationen mittels Endgeräte wie Tablets oder Smartphones.685 In diesem Zusammenhang ist anzunehmen, dass aufgrund der Bildschirmgröße mobiler Endgeräte die Anzahl der darzustellenden Daten und Informationen schnell an ihre Grenzen stößt.686 Nach Meinung der Experten wird der Con- troller verstärkt in die Pflicht genommen, die für den Adressaten relevanten Daten und Infor- mationen zu selektieren.687 Dabei gilt es sich der Herausforderung anzunehmen Daten und Informationen verstärkt auf ihren Nutzen hin zu überprüfen.688 Darüber hinaus ist es grundsätz- lich die Aufgabe des Controllers, die selektierten Daten und Informationen verständlich und nachvollziehbar für die Empfänger zu visualisieren sowie diese zu erläutern.689 Allerdings wer- den sich laut der Experten auch die Anforderungen an die Aufgabe der Präsentation von Daten und Informationen aufgrund der Bildschirmgröße mobiler Lösungen verschärfen.690 Es wird bspw. auch Aufgabe des Controllers sein, graphische Visualisierungsformen bzw. textuelle Be- schreibungen, welche mit mobilen Endgeräten kompatibel sind, auszuwählen und gegebenen- falls mitzugestalten.691 Da diese für den Empfänger leicht verständlich sein sollten,692 kann es eine verstärkte Kommunikation zwischen den Beteiligten verursachen, um ein gemeinsames Konzept zur Visualisierung zu entwickeln.693 Daneben ist es möglich, dass die Komprimierung der übermittelten Inhalte mittels mobiler Lösungen den Controller dazu veranlasst umfangrei- che Erläuterungen zu vermeiden.694 Allerdings muss der Controller trotz alledem sicherstellen, dass der Empfänger die dargestellten Inhalte korrekt interpretieren kann.695 Dem IoT schreiben die befragten Experten keinen besonders großen Einfluss auf das Aufga- benfeld des Controllers zu, da sie davon ausgehen, dass diese Technologie verstärkt in anderen Bereichen, wie bspw. in der Logistik oder in der Produktion, Anwendung finden wird.696 Al- lerdings besteht theoretisch die Möglichkeit die durch das IoT generierten Daten aus der Kom- munikation zwischen Maschinen für Controlling-Zwecke zu nutzen. Wie im Falle der Integra- tion von externen Datenquellen durch Big Data-Technologien gewinnen nach Auffassung der 685 Vgl. Schön (2018), S. 455-456, 462. 686 Vgl. Ehlbeck/Schosser/Wind (2017), S. 376. 687 Vgl. Experte 6 (2020), Z. 155-156; Experte 9 (2020), Z. 253-255. 688 Vgl. Gadatsch (2016), S. 64. 689 Vgl. Gänßlen et al. (2012), S. 6; IGC (2013). 690 Vgl. Experte 3 (2020), Z. 221-233; Experte 9 (2020), Z. 221-223 und Z. 250-253. 691 Vgl. Losbichler/Gänßlen (2015), S. 311-312. 692 Vgl. Deinert (2013), S. 280. 693 Vgl. Weber et al. (2013), S. 42. 694 Vgl. Schön (2018), S. 469. 695 Vgl. Weber et al. (2013), S. 42. 696 Experte 1 (2020); Z. 294-299; Experte 6 (2020); Z. 228; Experte 7 (2020); Z. 172-174; Experte 14 (2020); Z. 33-37. 118 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Experten auch bei einer Nutzung von solchen neuen, internen Datenquellen Aufgaben des Da- tenmanagements an Bedeutung.697 Der Controller sollte in diesem Zusammenhang verstärkt die Datenkonsistenz, Datenstabilität und Datenintegrität gewährleisten können.698 Auch dem Cloud Computing messen die befragten Experten keinen direkten Einfluss auf be- stimmte Controlling-Aufgaben bei.699 Genauer betrachtet kann allerdings die Einführung von Cloud-Anwendungen als ein Digitalisierungsprojekt verstanden werden, in welchem der Con- troller in einer steuernden Funktion aktiv ist und die Projektumsetzung antreibt sowie diese im Anwendungszeitraum kontrolliert.700 In der Literatur wird generell diskutiert, ob der Controller aufgrund seiner Grundfunktionen potenziell zum elementaren Erfolgsfaktor im digitalen Trans- formationsprozess werden könnte.701 Es wird erwartet, dass sich der Controller bei der Einfüh- rung neuer digitaler Technologien oder auch neuer digitaler Geschäftsmodelle, unabhängig da- von, ob diese einen direkten oder indirekten Einfluss auf das Controlling haben, eine zentrale Stellung einnimmt.702 Hierbei sollte der Controller insbesondere Tätigkeiten des Change Ma- nagements, wie eine aktive Initiierung der Implementierung digitaler Technologien oder die Kontrolle der daraus resultierenden Veränderungen, im Unternehmen ausführen. Auch Experte 13 ist der Meinung, dass der Controller diese Aufgabe annehmen und in solche Projekte invol- viert sein sollte.703 Dabei wird erwartet, dass dieser Veränderungsmöglichkeiten sowohl auf operativer als auch auf strategischer Ebene erkennt und sich kritisch damit auseinander- setzt.704Auf beiden Ebenen sollte der Controller die wirtschaftliche Notwendigkeit eines erfor- derlichen Wandels aufzeigen, um diesen aktiv zu initiieren.705 Experte 8 betont diesbezüglich, dass der Controller die Aufgabe hat, dem Management in manchen Fällen auch von der Ein- führung einer digitalen Technologie abzuraten, z.B., wenn ein Projekt aufgrund von Fehlanrei- zen, wie aus Gründen des Profilierungsdranges, eingeführt werden soll.706 Darüber hinaus ge- hört es im Falle einer digitalen Transformation im Unternehmen auch zu den Aufgaben, die veränderten Prozesse zu überprüfen sowie die Werterzielung zu messen. Dabei sehen Experten 697 Vgl. Experte 9 (2020), Z. 190-196; Experte 20 (2020), Z. 53-60. 698 Vgl. Experte 20 (2020), Z. 60-63; Buschbacher et al. (2014), S. 91-92. 699 Vgl. Experte 1 (2020), Z. 318-320; Experte 16 (2020), Z. 62-65 700 Vgl. Ploss (2016), S. 60. 701 Vgl. Becker/Nolte (2019), S. 85. 702 Vgl. Biel (2018), S. 6; Angerer (2017), S. 26. 703 Vgl. Experte 13 (2020), Z. 118-126. 704 Vgl. IGC (2017), S. 51. 705 Vgl. Egle/Keimer (2018), S. 50 und 52; Singh (2018), S. 43 und S. 46. 706 Vgl. Experte 8 (2020), Z. 206-213. 119 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD insbesondere die Adaptionsaufgaben veränderter Prozesse im künftigen Aufgabenbereich des Controllers.707 In dieser Untersuchung wurde verdeutlicht, dass die möglichen Effekte durch die Digitalisie- rung auf das Aufgabenfeld des Controllers, weitestgehend von der spezifischen Technologie abhängig sind. Abbildung 9 fasst nochmals die wesentlichen möglichen Einflüsse graphisch zusammen. 707 Vgl. Experte 4 (2020), Z. 171-183; Experte 16 (2020), Z. 384-389. 120 LITERATURVERZEICHNIS DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Big Data Datenmanagement Big Data Technologien Analyse Big Data Analytics- Methoden RPA Beratung Self-Service Visualisierung Mobile Lösungen Manuelle, repetitive IoT Change Management Cloud Computing Legende: mögliche Auswirkung auf Aufgaben zunehmend abnehmend Abbildung 9: Potenzielle Effekte digitaler Technologien auf das Aufgabenfeld des Controllers708 Auch die befragten Experten sehen den Einfluss auf das Aufgabenfeld in der Nutzung spezifi- scher digitaler Technologien im Controlling. Jedoch führt nicht jede digitale Technologie zwangsläufig zu einer Veränderung geschweige denn zur Verbesserung der Arbeitsweise des Controllers. Darüber hinaus sind die Experten der Ansicht, dass die Intensivität eines Wandels 708 Eigene Darstellung. 121 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD des Aufgabenfeldes durch digitale Technologien auch von Faktoren, wie z.B. dem Digitalisie- rungsgrad oder der Größe eines Unternehmens, abhängig ist.709 Aufgrund der dadurch stark variierenden potenziellen Effekte kann auch kein allgemeingültiger Schluss über das Aufga- benfeld des Controllers im Zuge der Digitalisierung gezogen werden. Allerdings kristallisiert sich aus der Untersuchung insbesondere eine Verlagerung des Aufgabenschwerpunktes des Controllers aufgrund von digitalen Technologien heraus. Manuelle, repetitive Aufgaben, wie z.B. das Extrahieren oder Einpflegen von Daten, treten zunehmend in den Hintergrund. Wohin- gegen vor allem wenn Aufgaben wegfallen oder effizienter gestaltet werden können, komple- xere und qualitativere Tätigkeiten im Bereich der Analyse, der Beratung oder des Verände- rungsmanagements seitens des Controllers in den Vordergrund rücken werden. 4.4.2 Einfluss auf das Kompetenzprofil des Controllers 4.4.2.1 Kategorisierung von Kompetenzen Aufkommende digitale Entwicklungen können wie bereits dargestellt zu einer Veränderung der Aufgaben des Controllers führen. Um die veränderten Tätigkeiten ausführen zu können und den zukünftigen Anforderungen der Digitalisierung gerecht zu werden, sollten Controller die dazu erforderlichen Kompetenzen aufweisen.710 Die Bündelung verschiedener Einzelkompe- tenzen, d.h. von Kenntnissen, Fähigkeiten und Verhaltensweisen, die z.B. zur Erfüllung einer beruflichen Tätigkeit erforderlich sind, entspricht einem so genannten Kompetenzprofil.711 Die Frage, die sich hierbei stellt, ist, welche Form das Kompetenzprofil des Controllers im Zuge der digitalen Transformation annehmen wird. In der Literatur haben sich bereits eine Reihe von Autoren mit dem Kompetenzprofil des klassischen Controllers auseinandergesetzt.712 Im Ge- gensatz dazu wurde das Kompetenzprofil des Controllers im Zeitalter der Digitalisierung nur vereinzelt untersucht.713 Als problematisch hat sich herausgestellt, dass sich die Kompetenzka- tegorisierung der bisherigen Forschungen häufig unterscheidet, was dazu führt, dass sich auch die Zuordnung einzelner, spezifischer Kompetenzen unterscheiden können und eine Vergleich- barkeit erschwert wird. Diese Problematik ist darin begründet, dass es keine allgemeingültige Systematisierung von Kompetenzen gibt.714 Nach ausführlicher Sichtung der bestehenden 709 Vgl. Experte 17 (2020), Z. 40-45; Experte 18 (2020), Z. 3-9; Experte 19 (2020), Z. 58-68; Experte 21 (2020), Z. 136-138. 710 Vgl. Nobach (2019), S. 247. 711 Vgl. ICV (2012), S. 8-9; Bröckermann (2016), S. 37-38; Heyse (2010), S. 75; Becker (2013), S. 5-7. 712 Vgl. Deyhle (1980), S. 40; Weber (2008), S. 104; Preis (2011), S. 68 u. S. 262; Gleich et al. (2013), S. 74; Gänßlen et al. (2012), S. 8. 713 Vgl. Nobach (2019), S. 263; Schäffer/Brückner (2019), S. 15; Drerup/Suprano/Wömpener (2018), S. 14 und S. 16-18. 714 Siehe näheres zu Kompetenzkategorien in Kanning (2003). 122 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Literatur bezüglich dieser Thematik lassen sich allerding im Wesentlichen vier Kategorien bil- den, welche der Vielzahl an geforderten Kompetenzen gerecht werden und auch in der vorlie- genden Arbeit Anwendung finden. Schlussendlich beeinflusst die Digitalisierung neben den fachlichen Kompetenzen auch die methodischen, sozialen und persönlichen Kompetenzen ei- nes Controllers. Dabei wird - im Hinblick auf die Forschungsfrage dieser Untersuchung - ein besonderes Augenmerk auf jene Kompetenzen gelegt, die durch aufkommende digitale Tech- nologien und dem daraus resultierendem Aufgabenwandel sowohl direkt als auch indirekt be- troffen oder gefordert sind. Der Begriff Fachkompetenz beschreibt die Fähigkeit fachbezoge- nes Wissen anzuwenden, zu verknüpfen und auch kritisch zu hinterfragen.715 Hingegen umfasst die Methodenkompetenz Techniken und Arbeitsmethoden zur systematischen und zielgerich- teten Lösung von Aufgaben oder Problemstellungen.716 Als Sozialkompetenz wird das Ge- schick bezeichnet erfolgreich mit Mitmenschen, dazu gehören im Arbeitskontext bspw. Vorge- setzte, Kollegen, Kunden oder Lieferanten, zu interagieren.717 Persönliche Kompetenzen be- schreiben Fähigkeiten, Charakterzüge und Einstellungen eines Individuums, die es ihm erlau- ben, sein Handeln in den verschiedensten Situationen zu motivieren, zu initiieren und zu steu- ern.718 Zu beachten ist hierbei, dass sich die Kompetenzfelder gegenseitig beeinflussen können. Persönliche Kompetenzen, wie die IT-Affinität, sind bspw. hilfreich, um fachliches Wissen in der Informatik aufzubauen oder technologische Methoden anzuwenden. 4.4.2.2 Fachliches Kompetenzprofil Ein fundiertes Controlling-Know-how, wie z.B. über die Prozesse des internen Rechnungswesens oder Kosten- und Erlösmodelle, ist nach wie vor unerlässlich für eine professionelle Erfüllung des Controlling-Berufes.719 Dennoch wird sich der fachliche Blickwinkel nach Auffassung der Experten aufgrund der digitalen Transformation im Controlling erweitern. Wie bereits dargestellt, kann sich der Tätigkeitsschwerpunkt des Controllers aufgrund digitaler Technologien, wie RPA-Systeme, Self-Services oder Big Data-Technologien und Analytics- Methoden, vermehrt von repetitiven hin zu Aufgaben mit einem höheren Wertschaffungsgehalt, wie z.B. Analyse- oder Beratungstätigkeiten, verschieben. Insbesondere bei einer Fokussierung 715 Vgl. Schöning/Mendel/Köse (2020), S. 59. 716 Vgl. Schöning/Mendel/Köse (2020), S. 60. 717 Vgl. Gabor (2011), S. 10. 718 Vgl. Gabor (2011), S. 11. 719 Vgl. Schäffer/Brückner (2019), S. 16. 123 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD auf analysebezogene Aufgaben sollte der Controller in der Lage sein zu entscheiden, welche Analysen für welche Fragestellungen erforderlich sind und auch Kenntnisse über die Bedingungen, Möglichkeiten und Grenzen spezieller Analysen besitzen.720 Insbesondere in dieser Hinsicht sind zahlreiche wissenschaftliche Autoren der Ansicht, dass statistische Fachkenntnisse für den Controller-Beruf unumgänglich sein werden, um zu verhindern, dass solch qualitative Aufgaben an neue oder alternative Funktionsbereiche verloren gehen.721 Es scheint allerdings nicht nur in der Literatur ein klarer Trend zu sein, dass der Controller seine Fachkompetenzen im Bereich der Statistik erweitern sollte, sondern auch nach Auffassung der Experten wird die Bedeutung dieser Fachkenntnisse, z.B. um die verwendeten Algorithmen sowie Analysen nachvollziehen sowie die Ergebnisse korrekt interpretieren zu können, künftig für den Controller steigen.722 Im Rahmen der Informationsversorgung blieb dem Controller bisher die nötige Vorbereitungs- zeit zur Beantwortung der Fragen von Entscheidungsträgern. Dabei konnte dieser laut Experten mit der Präsentation auch leiten, welche Informationen beim Empfänger in den Fokus gerückt werden und dadurch teilweise Nachfragen bewusst steuern.723 Diese Vorteile verliert der Con- troller womöglich durch digitale Technologien wie Self-Services, da sich der Controller im Zuge einer eigenständigen Beschaffung von Informationen eventuell immer häufiger unvorbe- reitet Fragen des Managements stellen muss.724 Folglich genügt es nicht mehr, wenn dieser lediglich detaillierte Kenntnisse über die Informationen besitzt, die er selbst an das Manage- ment übermittelt. Laut den befragten Experten entsteht vielmehr der Anspruch, dass der Con- troller in Bezug auf Geschäfts- und Marktkenntnisse insgesamt breiter aufgestellt sein sollte, um die Fragen der Entscheidungsträger weiterhin adäquat beantworten zu können.725 Zusätzlich kann durch den Einsatz digitaler Entwicklungen, wie z.B. RPA-Systemen, welche zur Schaf- fung freier Kapazitäten führen, der Umfang der Interaktion, z.B. in Form einer beratenden Tä- tigkeit, zwischen dem Controller und dem Management zunehmen und ebenfalls ein hohes Maß an Geschäfts- und Marktverständnis fordern.726 Laut Experten erleichtern Kenntnisse z.B. über die Geschäftsabläufe oder die Forschung des eigenen Unternehmens sowie die Produkte von 720 Vgl. Egle/Keimer (2018), S. 52; Erichsen (2019), S. 4, 18; Steiner/Welker (2016), S. 69-70. 721 Vgl. Tschandl/Mallaschitz (2016), S. 99; Weber/Schäffer (2016), S. 14-15; Gleich/Munck/Schulze (2016), S. 36; Erichsen (2019), S. 1. 722 Vgl. Experte 3 (2020), Z. 181-183; Experte 9 (2020), Z. 183-185; Experte 10 (2020), Z. 116-118; Experte 19 (2020), Z. 125-126; Experte 21 (2020), Z. 109-110; Experte 23 (2020), Z. 136-138. 723 Vgl. Experte 16 (2020), Z. 436-439; Experte 17 (2020), Z. 100-108. 724 Vgl. Experte 16 (2020), Z. 440-445; Weber et al. (2013), S. 43. 725 Vgl. Experte 11 (2020), Z. 255-259; Experte 15 (2020), Z. 117-119; Experte 16 (2020), Z. 446-448. 726 Vgl. Möller/Seefried/Wirnsperger (2017), S. 67; Tretbar/Wiegmann/Strauß (2013), S. 15. 124 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Wettbewerbern dem Controller die Kommunikation mit Managern aus verschiedenen Berei- chen.727 Dies unterstützt den Controller dabei, seine Kenntnisse optimal weiterzugeben und dadurch sein Gegenüber kompetent beraten zu können, um das Unternehmen erfolgreich zu steuern.728 Wie bereits in Unterkapitel 3.4 aufgezeigt, bietet die Anwendung digitaler Technologien für das Controlling eine Vielzahl positiver Nutzenpotenziale. Dementsprechend besteht die begründete Vermutung, dass digitale Technologien vermehrt Einzug ins Controlling erhalten werden und Controller künftig stärker an technologiebasierten Themen oder auch an Digitalisierungsprojekten beteiligt sein werden.729 Nach Auffassung der interviewten Experten führt die Etablierung digitaler Technologien dazu, dass Controller fortan ein fundiertes Fachwissen in der Informatik aufweisen sollten. um z.B. digitale Technologien verstehen, diese nutzen und neue technische Aufgaben ausüben zu können.730 Jedoch gehen die Experten nicht davon aus, dass umfangreiche Informatikkenntnisse z.B. zur eigenständigen Einrichtung eines Systems oder einer Datenbank in einem Unternehmen für den Controller von Nöten sind.731 Laut Experten ist es meistens ausreichend ein grundlegendes IT-Verständnis z.B. für Datenbanktechnologien zu haben, um diese angemessen pflegen, bedienen und die darin enthaltenen Daten nutzen zu können.732 Im Falle, dass der Controller in Zukunft an Digitalisierungsprojekten involviert sein sollte und Tätigkeiten des Veränderungsmanagements ausübt, bedarf es insbesondere an Fachwissen auf dem Gebiet des Change Managements, um den neuen Aufgaben nachgehen zu können.733 Auch die Experten sind der Ansicht, dass das Fachwissen aus dem Bereich des Veränderungsmanagements für den Controller an Bedeutung zunehmen wird, aber an dieser Stelle auch weiterhin betriebswirtschaftliche Fachkompetenzen, z.B. zur wirtschaftlichen Begründung von Investitionen in digitale Technologien, relevant sind.734 Diesbezüglich sind die Experten der Ansicht, dass der Controller ein verstärktes Marktverständnis haben sollte, 727 Vgl. Experte 3 (2020), Z. 92-94; Experte 22 (2020), Z.178-183. 728 Vgl. Experte 3 (2020), Z. 94-95; Experte 22 (2020), Z.184-189. 729 Vgl. ICV (2016), S. 8; Egle/Keimer (2017), S. 20. 730 Vgl. Experte 5 (2020), Z. 264-267; Experte 9 (2020), Z. 180; Experte 10 (2020), Z. 140-141; Experte 18 (2020), Z. 57-60; Experte 19 (2020), Z. 125-126; Experte 21 (2020), Z. 69-73; Experte 23 (2020), Z. 126-130. 731 Vgl. Experte 10 (2020), Z. 141-143. 732 Vgl. Experte 11 (2020), Z. 259-263; Experte 20 (2020), Z. 53-58; Experte 23 (2020), Z. 126-129. 733 Vgl. Ploss (2016), S. 60; Schäffer/Brückner (2019), S. 17; Langmann (2019), S. 47; Egle/Keimer (2018), S. 51-52. 734 Vgl. Experte 1 (2020), Z. 223-225; Experte 4 (2020), Z. 294-297; Experte 14 (2020), Z. 126-132; Experte 20 (2020), Z. 84-34; Experte 22 (2020), Z.188-191. 125 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD damit z.B. mögliche Trends auf dem Markt frühzeitig erkannt und berücksichtigt werden können.735 Überdies ist laut der Experten ein ausgeprägtes Geschäftsverständnis erforderlich, um im Sinne des Unternehmens geeignete Einsatzmöglichkeiten digitaler Technologien identifizieren zu können. Der Controller sollte erkennen, dass unterschiedliche Bereiche oder Prozesse unterschiedliche Maßnahmen bedürfen.736 Zudem eignet sich nicht zwingend jeder Prozess für den Einsatz digitaler Technologie.737 Experte 16 fasst die Relevanz dieser Anforderungen insoweit zusammen, dass das Verständnis für den Markt, für die eigenen Prozesse oder für die Mitarbeiter viel wichtiger sei als die digitale Technologie selbst, da trotz der enormen Potenziale solcher Entwicklungen viel falsch gemacht werden kann.738 4.4.2.3 Methodisches Kompetenzprofil Generell gelten in der Praxis ERP-Systeme als weit verbreitete Standardsoftware im Control- ling.739 Um mit riesigen Datenmengen wie Big Data angemessen arbeiten zu können, reichen solch klassische Systeme nicht aus, weshalb diese immer häufiger durch moderne Lösungen ergänzt werden.740 In diesem Zusammenhang kann das relativ neue ERP-System SAP S/4HANA, die Erweiterung des klassischen ERP-Systems von SAP, beispielhaft als ein Treiber zur Nutzung riesiger Datenmengen genannt werden.741 Die integrierte In-Memory-Datenbank- technologie SAP HANA ermöglicht u.a. die Verarbeitung von Datenmengen im Terabyte-Be- reich in hoher Geschwindigkeit.742 Infolgedessen muss sich der Controller nach Auffassung der Experten zwar nicht intensiv mit den technischen Grundlagen moderner Datenbanktechnolo- gien befassen, da dieser künftig keine Datenbanksysteme selbst aufbauen muss. Allerdings sollte der Controller dennoch gewisse Methodenkenntnisse bezüglich Datenbanktechnolo- gien, wie der In-Memory-Technologie oder von NoSQL-Datenbanken, besitzen, um in der Lage zu sein, Datenbanken zu pflegen und zu bedienen, um die Datenqualität prüfen oder die darin enthaltenen Daten effizient aufbereiten zu können.743 735 Vgl. Experte 19 (2020), Z. 88-91. 736 Vgl. Experte 23 (2020), Z. 221-227. 737 Vgl. Experte 22 (2020), Z. 235-236. 738 Vgl. Experte 16 (2020), Z. 178-181. 739 Vgl. Mödritscher/Wall (2017), S. 420; Bei ERP-Systemen handelt es sich i.d.R.um eine Software, die den Informations-, Kapital- und Materialfluss abbildet und damit die Steuerung der zentralen Geschäftsprozesse sowie des gesamten Unternehmens unterstützt. Vgl. hierzu Langmann (2019) S. 34. 740 Vgl. Keimer/Egle (2020), S. 9-10. 741 Vgl. Langmann (2019), S. 35; Kieninger/Mehanna/Michel (2015), S. 9-11. 742 Vgl. Eilers (2016) S. 185-186. 743 Vgl. Experte 6 (2020), Z. 121-122; Experte 8 (2020), Z. 87-90; Experte 17 (2020), Z. 15-31; Experte 23 (2020), Z. 118-121. 126 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Des Weiteren zählt MS Excel laut Experten in vielen Unternehmen noch immer zu den wich- tigsten Tools.744 Jedoch reicht sowohl das Tabellenkalkulationsprogramm MS Excel als auch die Methodenkompetenz im Umgang mit diesem Programm alleine nicht aus, wenn der Con- troller aufkommende digitale Entwicklungen wie Big Data sinnvoll analysieren möchte.745 Auch die interviewten Experten sind der Meinung, dass es notwendig sein wird, den eigenen Horizont zu erweitern und sich von der MS Excel-Logik in Spalten und Zeilen zu lösen.746 Dies bedeutet jedoch nicht, dass es keiner MS Excel-Kenntnisse mehr bedarf. Weiterhin können schnelle Analysen mit Hilfe von MS Excel durchgeführt werden, weshalb der Controller nach Auffassung verschiedener Experten weiterhin Fähigkeiten in diesem Feld benötigt.747 Das große Potenzial von bspw. Big Data kann allerdings nur dann ausgeschöpft werden, wenn ein ausreichend technisches Verständnis für die Bedienung der notwendigen Analysewerkzeuge vorliegt.748 Unter solchen Umständen, aber auch grundsätzlich, wenn sich der Aufgabenschwer- punkt des Controllers verstärkt in Richtung Analysetätigkeiten verschiebt, wird von den Exper- ten erwartet, dass der Controller vermehrt fortgeschrittene Programme der Datenanalytik, wie z.B. KNIME oder Hive,749 versteht und die Anwendung beherrscht.750 Hierbei wird zwar nicht zwingend gefordert, dass der Controller künftig selbstständig die Programme zur Daten- analyse schreibt.751 Ein gewisses Grundverständnis für die verwendeten Programmierspra- chen, wie z.B. R oder Python,752 kann allerdings laut der Experten von Vorteil sein, um z.B. die verwendeten Algorithmen oder eine Analyse besser nachvollziehen oder gegebenenfalls anpassen zu können.753 Darüber hinaus ist es eine klassische Aufgabe des Controllers dem Management ausgewählte Daten und/oder Informationen in einer geeigneten Form zu präsentieren.754 Diese Aufgabe kann 744 Vgl. Experte 9 (2020), Z. 210-212 und Z. 226; Experte 10 (2020), Z. 18-20. 745 Vgl. Reißig-Thust (2018), S. 22; o.V. (2018), S. 5. 746 Vgl. Experte 23 (2020), Z. 121-123. 747 Vgl. Experte 20 (2020), Z. 52-53; Experte 21 (2020), Z. 28-30 und Z. 112-114. 748 Vgl. Dursun (2019), S. 46-52. 749 KNIME ist eine freie Software für die interaktive Analyse großer Datenmengen. Siehe hierzu Nähere in Lu- ber/Litzel (2020); Hive ermöglicht das Analysieren unstrukturierter Daten. Siehe hierzu Näheres in Luber/Litzel (2017). 750 Vgl. Experte 1 (2020), Z. 134; Experte 9 (2020), Z. 180-182; Experte 16 (2020), Z. 187-188; Experte 18 (2020), Z. 60-62; Experte 23 (2020), Z. 121-125. 751 Vgl. Experte 3 (2020), Z. 185; Experte 6 (2020), Z. 122-123; Experte 9 (2020), Z. 182-183; Experte 23 (2020), Z. 125 752 Sowohl Python als auch R sind Open-Source-Programmiersprachen. Während Python eine General Purpose Programmiersprache (Allzwecksprache) ist, wurde R für statistische Analysen entwickelt. Sowohl Python als auch R eignen sich für das Schreiben von Machine Learning-Programmen. Siehe hierzu Näheres in Peric (2019). 753 Vgl. Experte 1 (2020), Z. 134-135; Experte 19 (2020), Z. 113-117; Experte 22 (2020), Z. 220-228; Experte 23 (2020), Z. 173-178; Experte 23 (2020), Z. 125-134. 754 Vgl. Losbichler/Eisl/Plank (2016), S. 47-53; Deleker (2008), S. 145. 127 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD sich durch verschiedene aufkommende digitale Entwicklungen intensivieren. Aufgrund von Big Data oder IoT können riesige Datenmengen im Controlling bestehen, welche nach Ansicht der Experten zur Folge haben können, dass die Forderung nach Kompetenzen im Umgang mit modernen Softwares zur Daten- und Informationsvisualisierung wie z.B. MS Power BI, Qlik oder Tableau,755 um größere Mengen an Daten und Informationen weiterhin übersichtlich und verständlich zu vermitteln, steigt.756 Die Forderung nach dieser Methodenkompetenz ist zudem im Hinblick auf den Einsatz von mobilen Lösungen von steigender Wichtigkeit. Nach Auffassung der Experten wird es vor allem aufgrund der limitierten Bildschirmgröße von mobilen Endgeräten erforderlich sein, Softwarekenntnisse der Daten- und Informationspräsentationen zu besitzen, um relevante Daten und Informationen übersichtlich und verständlich darstellen zu können.757 4.4.2.4 Soziales Kompetenzprofil Die Digitalisierung im Controlling sollte allerding nicht allein auf fachliche und methodische Aspekte reduziert werden, sondern verlangt auch ausgeprägte soziale Kompetenzen vom Con- troller.758 Wie die Ausführungen in Abschnitt 4.4.1 verdeutlichen, können mit der Anwendung digitaler Entwicklungen wie Big Data-Technologien und Analytics-Methoden, RPA-Ansätze oder Self-Service-Systeme, Kapazitäten freigelegt werden. Einige der interviewten Experten gehen davon aus, dass der Controller diese freien Kapazitäten nutzen wird, um eine verstärkte beratende Funktion einzunehmen,759 was in eine zunehmende Interaktion zwischen dem Con- troller und dem Führungspersonal resultieren kann. Dies erfordert neben einer hohen Kommu- nikationsfähigkeit auch ein gewisses Maß an Sprachgewandtheit.760 Diese Fähigkeiten sind fördernd, um z.B. Handlungsempfehlungen verständlich aufzeigen und überzeugend argumen- tieren zu können. Eine starke Ausprägung dieser Kompetenzen wird durch die Aussage von Experte 12 deutlich. Laut ihm werden solche sozialen Kompetenzen zunehmend wichtiger, da der Informationsaustausch fundamental geworden ist. Controller, welche die Daten hinterfra- gen, interpretieren und sich darüber mit anderen austauschen können, werden seiner Meinung nach, die erfolgreichen Controller sein.761 Diesbezüglich kann die Nutzung von Self-Service als Beispiel herangezogen werden. Aufgrund der Möglichkeit des eigenständigen Zugriffes auf 755 Siehe Näheres zu diesen beispielhaft ausgewählten Tools zur Datenvisualisierung in Tseng (o.J.). 756 Vgl. Experte 9 (2020), Z. 120-122 und Z. 250-253; Experte 10 (2020), Z. 16-18; Experte 14 (2020), Z. 135- 138; Experte 16 (2020), Z. 187-188. 757 Vgl. Experte 3 (2020), Z. 221-233; Experte 9 (2020), Z. 66-71. 758 Vgl. Schäffer/Brückner (2019), S. 19; Drerup/Suprano/Wömpener (2018), S. 14; Nobach (2019), S. 266. 759 Vgl. Experte 5 (2020), Z. 281-282; Experte 11 (2020), Z. 255-256. 760 Vgl. IGC (2017), S. 51; Egle/Keimer (2017), S. 22. 761 Vgl. Experte 12 (2020), Z. 276-279. 128 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Daten durch das Management ohne Zutun des Controllers, kann dieser seine Informationshoheit im Unternehmen verlieren. Aus diesem Grund ist es laut Experte 19 umso wichtiger, dass ein Controller die Daten erklären sowie aufkommende Fragen des Managements beantworten kann, um z.B. mögliche Fehlinterpretationen zu vermeiden und so seine Position zu festigen.762 Laut Experte 11 ist es besonders wichtig, mit dem Management zu kommunizieren, um die eigentli- chen Anforderungen und Probleme zu identifizieren, die das Management bearbeitet haben möchte.763 Im Zusammenhang mit steigenden beratenden Tätigkeiten des Controllers erfährt auch die Bedeutung weiterer sozialer Kompetenzen wie die Kooperation, die Konfliktfähig- keit, das Durchsetzungsvermögen, die Empathie und die Sensibilität in Zukunft einen er- heblichen Zuwachs, um eine angemessene Interaktion zu gewährleisten sowie um ebenbürtig mit dem Führungspersonal interagieren und in kritischen Situationen gegebenenfalls auch seine Meinung durchsetzen zu können.764 Vor allem im Hinblick auf Personen, die hierarchisch über dem Controller eingestuft sind, benötigt dieser nach Auffassung der Experten ein hohes Maß an solch sozialen Fähigkeiten, um auf Augenhöhe mit diesen kommunizieren und dabei bei Bedarf auch seine Interessen durchsetzen zu können ohne deren Autorität zu untergraben.765 Darüber hinaus sollte der Controller, wenn dieser als wesentlicher Treiber des digitalen Wan- dels in Unternehmen agiert und die Beteiligten von notwendigen Digitalisierungsmaßnahmen überzeugen muss, adressatengerecht vermitteln können. Aufgabe des Controllers kann hierbei sein, Mitarbeiter, die von Veränderungen betroffen sind, von den positiven Wirkungen solcher Entwicklungen zu überzeugen und diese an die Implementierung einer neuen Technologie her- anzuführen.766 Hierbei halten die befragten Experten wieder eine ausgeprägte Kommunikati- onsfähigkeit für besonders relevant.767 Allerdings ist zur Initiierung einer Implementierung neuer Technologien nicht nur der Gestaltungswille des Controllers allein ausreichend.768 Dadurch, dass digitale Entwicklungen, wie z.B. Self-Services oder mobile Lösungen neben dem Controlling auch weitere Bereiche wie das Management beeinflussen können, sind Verände- rungen nur in einer kollektiven Anstrengung erreichbar.769 Die interviewten Experten sind der Auffassung, dass Veränderungen in Unternehmen selten ohne Widerstand stattfinden. 762 Vgl. Experte 19 (2020), Z. 145-154. 763 Vgl. Experte 11 (2020), Z. 317-319. 764 Vgl. Schäffer/Brückner (2019), S. 18-19; Gleich/Lauber (2013), S. 513. 765 Vgl. Experte 4 (2020), Z. 257-258; Experte 20 (2020), Z. 135-142. 766 Vgl. Mayer (2013), S. 294. 767 Vgl. Experte 3 (2020), Z. 95-97; Experte 6 (2020), Z. 178-179; Experte 9 (2020), Z. 255; Experte 20 (2020), Z. 99-104. 768 Vgl. IGC (2017), S. 51. 769 Vgl. Gleich/Lauber (2013), S. 514. 129 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Insbesondere älteren Mitarbeitern kann der Strukturwandel schwerfallen.770 In diesem Kontext sind nach Ansicht der Experten neben einer Kommunikationsstärke weitere soziale Fähigkeiten wie z.B. Konfliktfähigkeit, Durchsetzungsvermögen, Teamfähigkeit, Kooperationsfähig- keit, Menschenkenntnis, Sensibilität oder Empathie gefragt, um die betroffenen Parteien ein- schätzen zu können und sie bspw. von neuartigen Darstellungsformen oder einer eigenständi- gen Informationsbeschaffung überzeugen zu können.771 Die befragten Experten sehen hierbei auch die Überzeugungsfähigkeit des Controllers als relevant an, damit eine digitale Transfor- mation auch weitestgehend akzeptiert wird.772 4.4.2.5 Persönliches Kompetenzprofil Klassische Charakteristika, wie bspw. die Fähigkeit analytisch zu denken oder eine gewisse Zahlenaffinität zur Bewältigung von Aufgaben im Controlling, sind weiterhin wichtige Be- standteile des persönlichen Kompetenzprofils eines Controllers.773 Finden aufkommende digi- tale Entwicklungen, wie z.B. Big Data oder RPA, im Controlling Anklang, fallen Aufgaben wie die Datenanalyse oder die Interpretation von Informationen für den Controller noch stärker ins Gewicht als zuvor, weshalb nach Auffassung der Experten insbesondere die analytischen Fä- higkeiten eines Controllers weiter an Bedeutung gewinnen werden.774 Anhand der Ausführungen aus Abschnitt 4.4.2.1 wird es deutlich, dass im Zuge der Digitalisie- rung neben den Analysetätigkeiten auch gewisse Aufgaben des Datenmanagements sowie der Daten- und Informationsvisualisierung zunehmen können. Um diesen Aufgaben nachgehen zu können, sind zum einen ein breites Fachwissen in der Informatik und zum anderen verschiedene methodische Fachkompetenzen wie z.B. Kenntnisse über spezifische Datenbanken, Programme der Datenanalyse und -visualisierung oder Programmiersprachen erforderlich.775 Zur Entwick- lung und zur Umsetzung solcher Fach- und Methodenkompetenzen und dementsprechend zur Erfüllung solcher Aufgaben ist eine gewisse IT-Affinität laut Experten hilfreich.776 Aber auch allein damit der Controller sich häufiger mit aufkommenden digitalen Technologien intensiv 770 Vgl. Experte 17 (2020), Z. 145-154; Experte 22 (2020), Z. 162-167. 771 Vgl. Experte 5 (2020), Z. 194-196; Experte 14 (2020), Z. 138-139; Experte 17 (2020), Z. 145-154.; Experte 20 (2020), Z. 135-142; Experte 21 (2020), Z. 60-68; Experte 22 (2020), Z. 248-250. 772 Vgl. Experte 14 (2020), Z. 138-139; Experte 22 (2020), Z. 248-250. 773 Vgl. Schäffer/Brückner (2019), S. 19; Egle/Keimer (2017), S. 22; Drerup/Suprano/Wömpener (2018), S. 12; Gleich/Munck/Schulze (2016), S. 36; Schäffer/Brückner (2019), S. 19. 774 Vgl. Experte 3 (2020), Z. 181-183; Experte 11 (2020), Z. 259-264; Experte 15 (2020), Z. 116-117; Experte 17 (2020), Z. 187-189; Experte 21 (2020), Z. 150-153; Experte 16 (2020), Z. 188-193. 775 Vgl. Weber/Schäffer (2016), S. 14; Erichsen (2019), S. 1; Schäffer/Brückner (2019), S. 18. 776 Vgl. Experte 2 (2020), Z. 84-85; Experte 17 (2020), Z. 18-19; Experte 20 (2020), Z. 53-65; Experte 21 (2020), Z. 69-73. 130 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD auseinandersetzt und versteht, um diese im Controlling vorteilhaft einsetzen zu können, sind die interviewten Experten der Meinung, dass von Controllern künftig vermehrt eine Affinität bezüglich IT-Themen gefordert wird.777 Experte 7 bestätigt dies folgendermaßen: „So eine ge- wisse IT-Affinität ist mittlerweile von Nöten bei einem Controller, sonst wird das nichts.“778 Sofern der Controller im Rahmen eines Digitalisierungsprojektes eine zentrale Stellung ein- nimmt und Tätigkeiten des Veränderungsmanagements ausübt, intensivieren sich auch persön- liche Kompetenzen, wie das Selbstbewusstsein.779 Laut der Experten wird solch eine Kompe- tenz benötigt, um einen Wandel einleiten zu können, da Veränderungen in Unternehmen selten ohne Widerstand stattfinden.780 Im Zusammenhang mit Digitalisierungsprojekten, die das Con- trolling nachhaltig verändern, sollte der Controller auch weitere persönliche Kompetenzen wie Proaktivität und Neugier mitbringen,781 sodass er diesen neuen Technologien aufgeschlossen gegenübertritt. Zusätzlich sollte der Controller laut Aussage der Experten eine hohe Lernbereit- schaft sowie Offenheit für neue Themen mitbringen, um sich den laufenden Veränderungen im Controlling stellen und den Wandel aktiv mitgestalten zu können.782 Auch Experte 12 bestätigt, dass der Controller offen und neugierig für neue Dinge sein sollte, da sich die Rahmenbedin- gungen in der heutigen Zeit ständig wandeln und man sich auf diese Veränderungen einstellen muss.783 Gemäß Experte 19 wird ebenfalls erwartet, dass der Controller ethische Kompetenzen mitbringt. Der Controller sollte seine Entscheidungen in Bezug auf die Nutzung oder Imple- mentierung digitaler Technologien, da dies Auswirkungen z.B. auf die menschliche Zusam- menarbeit oder die Arbeitsplatzsicherheit haben kann, auch ethisch hinterfragen.784 Auch Ex- perte 17 thematisiert schwierige ethische Fragestellungen in Bezug auf Personalfreisetzungen, die der Controller in Zukunft bewältigen muss.785 777 Vgl. Experte 3 (2020), Z. 185-186; Experte 17 (2020), Z. 182-183; Experte 18 (2020), Z. 55-57; Experte 22 (2020), Z. 158-162; Experte 23 (2020), Z. 146-148. 778 Vgl. Experte 7 (2020), Z. 189-190. 779 Vgl. Schäffer/Brückner (2019), S. 17 und S. 19; Nobach (2019), S. 265; Experte 5 (2020), Z. 195-196. 780 Vgl. Experte 17 (2020), Z. 145-154; Experte 22 (2020), Z. 162-167. 781 Vgl. Schäffer/Brückner (2019), S. 16; Gadatsch/Krupp/Wiesehahn (2017), S. 75. 782 Vgl. Experte 3 (2020), Z. 183-184; Experte 15 (2020), Z. 177-180; Experte 17 (2020), Z. 148-149; Experte 22 (2020), Z. 197-198; Experte 23 (2020), Z. 146-148. 783 Vgl. Experte 12 (2020), Z. 372-375. 784 Vgl. Experte 19 (2020), Z. 132-135. 785 Vgl. Experte 17 (2020), Z. 246-254. 131 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD 4.4.2.6 Kritische Würdigung des digital transformierten Kompetenzprofils des Control- lers In dieser Untersuchung wurden Kompetenzen herausgearbeitet, die aufgrund aufkommender, digitaler Technologien sowie dem möglichen Wandel der Aufgaben des Controllers an Bedeu- tung zunehmen können. Dabei wurde verdeutlicht, dass aufkommende digitale Technologien sowohl direkte als auch indirekten Effekte, welche im Wesentlichen aus einem Aufgabenwan- del resultieren, auf das Kompetenzprofil des Controllers haben können. Des Weiteren können unterschiedliche Technologien wie auch potenzielle Veränderungen der Aufgaben des Control- lers die gleichen Kompetenzen erfordern (siehe Abbildung 10). 132 LITERATURVERZEICHNIS DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Fachwsissen in der IT Big Data Fachwsissen in der Statistik Datenmanagement Markt- und Geschäftsverständnis Big Data Fachwsissen im Change Technologien Management Analyse Datenbankkenntnisse Big Data Softwarekenntnisse der Analytics- Datenanalytik Methoden Programmiersprachen- kenntnisse RPA Beratung Softwarekenntnisse der Datenvisualisierung Kommunikationsfähigkeit Self-Service Kooperationsfähigkeit Visualisierung Empathie und Sensibilität Mobile Teamfähigkeit Lösungen Menschenkenntnis Manuelle, repetitive Konfliktfähigkeit IoT Durchsetzungsvermögen Überzeugungsfähigkeit Change Management IT-Affinität Cloud Computing Analytische Fähigkeiten Selbstbewusstsein Proaktivität Legende: mögliche Auswirkung auf Aufgaben Offenheit mögliche direkte Auswirkung auf Kompetenzen mögliche indirekte Auswirkung auf Kompetenzen zunehmend Neugier abnehmend Fachliche Kompetenzen Lernbereitschaft Methodische Kompetenzen Soziale Kompetenzen Ethische Kompetenz Persönliche Kompetenzen Xx Abbildung 10: Potenzielle direkte und indirekte Effekte digitaler Technologien auf das Kompetenzprofil des Controllers786 786 Eigene Darstellung. 133 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Die Experten gehen sogar davon aus, dass kein Wegfall von Kompetenzen erfolgt, sondern eher eine Erweiterung des Kompetenzprofils stattfindet.787 Diese Vielfalt an Fähigkeiten und Kennt- nissen ist kaum durch eine Person abzudecken. Aus diesem Grund betonen die Experten, dass nicht jeder Controller alle Kompetenzen in gleichem Maße vorweisen muss. Eine wichtige Auf- gabe der Unternehmensführung ist es, die Stärken und Schwächen der einzelnen Controller einzuschätzen und die Kompetenzen innerhalb der Abteilung bzw. des Teams abzustimmen.788 Dies ermöglicht eine individuelle Spezialisierung. Diesbezüglich ist jedoch eine Abhängigkeit zu der Größe eines Unternehmens erkennbar. Kleinunternehmen haben gegebenenfalls nur sehr wenige Controller, die die geforderten Kompetenzen dementsprechend vereinen müssen.789 Für einen Controller ist es jedenfalls wichtig, seine persönliche Funktion zu kennen, um gegebe- nenfalls seine Kompetenzen dahingehend zu entwickeln. Nachdem nun die möglichen Auswir- kungen digitaler Entwicklungen auf die Aufgaben und das Kompetenzprofil des Controllers analysiert wurden, wird im Folgenden untersucht, inwiefern sich diese Erwartungen auf das Rollenbild des Controllers auswirken können. 4.4.3 Einfluss auf das Rollenbild des Controllers 4.4.3.1 Potenzielle Rollen des Controllers Der Wahrnehmung der Rolle des Controllers wird sowohl in der Literatur als auch in der Praxis großes Interesse beigemessen.790 Aus der Unternehmensperspektive kann eine Rolle hauptsächlich als eine Reihe von Erwartungen bezüglich der Aufgaben- und Kompetenzerfüllung beschrieben werden, die an einzelne Mitarbeiter innerhalb eines Unternehmens gestellt werden.791 Folglich existieren auch zahlreiche Rollenbezeichnungen, die je nach individuellen Aufgaben sowie Kompetenzen des Controllers variieren können (siehe Abbildung 11).792 787 Vgl. Experte 15 (2020), Z. 202-215; Experte 19 (2020), Z. 125-126. 788 Vgl. Experte 18 (2020), Z. 86-89; Experte 22 (2020), Z. 266-279. 789 Vgl. Experte 19 (2020), Z. 165-168. 790 Vgl. Goretzki/Weber (2012), S. 22. 791 Vgl. Goretzki/Weber (2010), S. 164. 792 Vgl. Experte 16 (2020), Z. 287-297; Experte 21 (2020), Z. 154-162; Goretzki/Weber (2012), S. 22; Weber (2017), S. 71. 134 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Erbsenzähler Service Expert Functional Lead Change Agent Datenlieferant Business Partner Guardian Scorekeeper Number Cruncher Data Engineer Data Scientist Decision Scientist Pathfinder Citizen Data Scientist Data Analyst Navigator Abbildung 11: Ausschnitt möglicher Rollenbilder des Controllers793 Die unterschiedlichen Rollen, die dem Controller zugewiesen werden, entspringen einer langen Geschichte. Die interviewten Experten betonen, dass eine Weiterentwicklung der Rolle schon immer stattgefunden hat.794 Experte 19 spricht hier von einem laufenden Prozess angefangen vom klassischen Erbsenzähler, über den Number Cruncher bis hin zum Scorekeeper.795 Zudem verstärkt insbesondere die Digitalisierung die Rollenvielfalt.796 Die Erkenntnisse aus der Literatur und der durchgeführten qualitativen Analyse verdeutlichen, dass überwiegend die Rollen als Business Partner, Data Scientist und Change Agent aufgrund digitaler Entwicklungen zu einer breiten Diskussion anregen und von besonderer Bedeutung sind.797 Die möglichen Veränderungen der Aufgaben des Controllers aufgrund der digitalen Entwicklungen sowie der geforderten Kompetenzen lassen sich insbesondere auf diese vorgenannten drei Rollenbilder übertragen. Daher werden speziell diese potenziellen Rollenentwicklungen des Controllers in den folgenden Abschnitten thematisiert. Allerdings ist zu beachten, dass der Controller in der Praxis auch mehrere oder ähnliche Rollen annehmen kann. Diese werden im Folgenden an geeigneten Stellen lediglich mit angeführt, ansonsten jedoch nicht ausführlich diskutiert. 4.4.3.2 Rolle als Business Partner Die erste Rolle, die betrachtet wird, ist die des Business Partners. In dieser Rolle wird der Controller als aktiver Berater sowie Sparringspartner des Managements gesehen, welcher 793 Eigene Darstellung in Anlehnung an Weber (2008), S. 24-27; Langmann (2019), S. 42; Schäffer/Brückner (2019), S. 21-25; Gleich/Lauber (2013), S. 512-513; Gleich (2013), S. 35; Wolf/Heidlmayer (2019), S. 27. 794 Vgl. Experte 18 (2020), Z. 95-102; Experte 23 (2020), Z. 240-243. 795 Vgl. Experte 19 (2020), Z. 205-207. 796 Vgl. Mödritscher/Wall (2017), S. 418-419; Schäffer/Brückner (2019), S. 21-25; Experte 21 (2020), Z. 143-145. 797 Vgl. Schulte/Bülchmann (2016), S. 56-57; Steiner/Welker (2016), S. 69-71; Schäffer/Brückner (2019), S. 24; Isensee (2017), S. 39; Weber (2017), S. 71; Gleich (2013), S. 25; Experte 4 (2020), Z. 91-94; Experte 7 (2020), Z. 183 und Z. 231; Experte 21 (2020), Z. 157-159, Z. 279-285 und Z. 336-337; Experte 22 (2020), Z. 310-318, Z. 373-374 und Z. 417. 135 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD dieses umfassend unterstützt.798 Dabei zeichnet sich der Business Partner vor allem dadurch aus, dass er eine enge Beziehung zur Unternehmensführung pflegt, diese über Chancen und Risiken, die das Unternehmen erwartet, informiert und angemessene Handlungsalternativen vorgibt.799 Der Business Partner wird innerhalb der Organisation als unabhängig und oft als Widerstand wahrgenommen, da er vermehrt in Entscheidungsprozesse involviert ist und die Entscheidungen sowie Maßnahmen des Managements kritisch hinterfragt.800 Dementsprechend sind insbesondere betriebswirtschaftliche Fachkenntnisse sowie ein hohes Maß an Geschäfts- und Marktverständnis, aber auch umfangreiche soziale und persönliche Kompetenzen, wie z.B. Kommunikations-, Team- oder Kooperationsfähigkeit, Durchsetzungsvermögen sowie Selbstbewusstsein, charakteristisch für einen Business Partner.801 Die Rolle als Business Partner ist jedoch nicht völlig neu. Die interviewten Experten betonen, dass der Wunsch nach diesem Rollenbild im Zusammenhang mit dem Controller bereits seit der Jahrtausendwende existiert.802 Allerdings hat sich das Anliegen, dass der Controller seine Rolle zum Business Partner erweitern sollte insbesondere im Zeitalter der Digitalisierung intensiviert. Experte 18 sieht diese mögliche Weiterentwicklung des Controllers als Konsequenz der sich verändernden Umweltbedingungen sowie der neuen digitalen Trends im Management an.803 Experte 11 ist der Ansicht, dass der Controller dem Manager als Business Partner zur Verfügung stehen soll, da dieser vor allem aufgrund seines bereits vorhandenen betriebswirtschaftlichen Know-hows für diese Rollenentwicklung prädestiniert zu sein scheint.804 Auch Experte 22 geht davon aus, dass die Rolle des Controllers sich dahingehend verändern wird, dass dieser die Entscheidungsträger nicht mehr lediglich mit Informationen und Entscheidungsvorschlägen versorgt, sondern auch verstärkt in beratender Funktion, z.B. in die Prozesse der Produkt- oder Organisationsgestaltung, miteinbezogen wird.805 Jedoch sehen die befragten Experten eine Diskrepanz zwischen der tatsächlichen Entwicklung des Controllers hin zum Business Partner in der Praxis und dem, was in der Literatur beschrieben wird. Das theoretische Konstrukt des Business Partners wurde zwar bereits in der unternehmerischen Praxis verbreitet, der Controller hatte allerdings bisher nicht die zeitlichen 798 Vgl. Schulte/Bülchmann (2016), S. 57; Goretzki/Weber (2012), S. 22-23; Langmann (2019), S. 42; Gänßlen et al. (2012), S. 5. 799 Vgl. Weißenberger et al. (2012), S. 330; Schäffer/Brückner (2019), S. 21. 800 Vgl. Quinn (2014), S. 24; Nobach/Immel (2017), S. 79; Erichsen (2019), S. 16. 801 Vgl. Gleich/Lauber (2013), S. 513; Langmann (2019), S. 47; Schäffer/Brückner (2019), S. 18. 802 Vgl. Experte 18 (2020), Z. 106-108; Experte 22 (2020), Z. 328-333. 803 Vgl. Experte 18 (2020), Z. 108-116. 804 Vgl. Experte 11 (2020), Z. 9-12. 805 Vgl. Experte 22 (2020), Z. 286-304. 136 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Kapazitäten, um tatsächlich als Business Partner zu agieren.806 Die Stärkung dieser Rollenentwicklung kann sich laut Experten durch digitale Technologien und die sich daraus ergebenden Nutzenpotenziale ergeben.807 Durch Big Data-Technologien, RPA-Systeme oder Self-Services können nach Ansicht der Experten insbesondere arbeitsintensive, manuelle Tätigkeiten effizienter gestaltet oder auf andere Bereiche übertragen werden.808 Derartige Entwicklungen entlasten den Controller zwar einerseits, andererseits sollte der Controller die frei gewordenen Kapazitäten nutzen und sich neu definieren, um seine Daseinsberechtigung zu legitimieren. Experte 22 beschreibt die Nutzung digitaler Technologien bspw. als Hilfsmittel, die es dem Controller ermöglichen, anderen Aufgaben nachzukommen.809 Nach Auffassung mehrerer Experten wäre eine Möglichkeit, dass der Controller die freien Kapazitäten nutzt, um nicht nur die Bedeutung von Zahlen und Informationen zu erläutern, sondern im Sinne einer aktiven Beratung gemeinsam mit dem Management strategische Vorgehensweisen erarbeitet, umsetzt als auch Entscheidungen mitträgt und so als Business Partner an der Seite des Managers agiert.810 Der Controller sollte dabei als unabhängiges Gewissen des Managements agieren und mit diesem auch verstärkt Maßnahmen diskutieren.811 Laut Experten erfordern eine aktive Beratung sowie eine verstärkte Diskussion vor allem umfangreiche soziale Kompetenzen, wie z.B. Kommunikationsstärke, um einen gemeinsamen Konsens zu finden.812 Die Erfüllung solcher Kompetenzen impliziert wiederum eine mögliche Entwicklung des Controllers zum Business Partner. Der Controller sollte allerdings insbesondere aufgrund einer verstärkten Teamarbeit darauf achten, nicht zum Co-Manager zu werden, um seine Neutralität und Unabhängigkeit beibehalten zu können.813 Um eine angemessene Beratung gewährleisten zu können ist nach Meinung von Experte 15 ein ausgeprägtes Verständnis bezüglich des Geschäftes und des Marktes von hoher Relevanz.814 In diesem Zusammenhang besteht die Möglichkeit, dass der Controller die neu geschaffenen Frei- räume durch digitale Technologien zur Aneignung solcher Kenntnisse nutzt, um die Qualität 806 Vgl. Experte 19 (2020), Z. 284-288; Experte 18 (2020), Z. 116-119. 807 Vgl. Experte 19 (2020), Z. 288-293; Experte 11 (2020), Z. 158-159. 808 Vgl. Experte 10 (2020), Z. 125-126; Experte 11 (2020), Z. 212 und Z. 387-388; Experte 14 (2020), Z. 65-66 und 171-173. 809 Vgl. Experte 22 (2020), Z. 335-337. 810 Vgl. Experte 1 (2020), Z. 148-150 und Z. 207-213; Experte 2 (2020), Z. 185-197; Experte 3 (2020), Z. 66-69; Experte 4 (2020), Z. 270-271; Experte 5 (2020), Z. 280-282; Experte 10 (2020), Z. 175-177; Experte 17 (2020), Z. 162-172; Experte 18 (2020), Z. 62-67; Experte 23 (2020), Z. 253-254. 811 Vgl. Experte 17 (2020), Z. 172-177; Kirchberg/Müller (2016), S. 95. 812 Vgl. Experte 20 (2020), Z. 99-104; Experte 23 (2020), Z. 164-166. 813 Vgl. Egle/Keimer (2017), S. 23. 814 Vgl. Experte 15 (2020), Z. 116-123. 137 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD seiner Beratung zu erhöhen und der Rolle als Business Partners gerecht werden zu können.815 Zwar bieten die möglichen, freien Kapazitäten durch die Etablierung von digitalen Technolo- gien dem Controller die Möglichkeit solche Fachkompetenzen zu erlangen. Allerdings fordern manche Technologien auch diese Kenntnisse. Greifen Manager bspw. selbstständig mittels Self-Services auf Informationen zu, kann es zu offenen Fragen kommen, die mit dem Controller geklärt werden sollten. Folglich muss dieser nach Ansicht von Experte 16 zwangsläufig eine Antwort auf alle möglichen Fragen haben, die das Management aus den Daten generieren kann.816 Dies verlangt vom Controller vor allem ein breiteres Verständnis des Marktes und des Geschäftsmodells,817 was wiederum eine Entwicklung hin zum Business Partner begünstigt. Controller können nur dann die Rolle des Business Partners angemessen ausfüllen, wenn sie über die benötigten Kompetenzen verfügen. Sowohl Unternehmen als auch Controller müssen sich in Zukunft darauf einstellen, die Kompetenzen ihrer Mitarbeiter bzw. ihre eigenen Kom- petenzen kontinuierlich zu überprüfen sowie bei Bedarf entsprechende Weiterbildungen anzu- bieten respektive wahrzunehmen.818 Laut Befragung der Experten werden innerhalb der Unter- nehmen verschiedene Weiterbildungen sowohl intern als auch extern angeboten. Zum Aufbau des Geschäftsverständnisses kann bspw. ein internes Praktikum in einem anderen Fachbereich beitragen. Dies wird im Unternehmen von Experte 9 bereits umgesetzt.819 Daneben bieten mitt- lerweile diverse Institute zahlreiche zertifizierte Weiterbildungen an.820 Das Angebot der Con- troller Akademie (CA) reicht von vielfältigen Seminaren im Bereich Controlling bis hin zu spezielleren Fortbildungen unter anderem zum Aufbau von sozialen Kompetenzen. Eine wei- tere Möglichkeit zum Kompetenzaufbau stellt ein gezielter Recruiting-Prozess dar. Innerhalb des Unternehmens von Experte 15 wird dies bereits umgesetzt. Neben den Stellenanzeigen wird insbesondere bei Bewerbungsgesprächen darauf geachtet, dass gewisse Geschäftskenntnisse vorhanden sind.821 4.4.3.3 Rolle als Change Agent Der Change Agent stellt eine weitere mögliche Rollenentwicklung des Controllers im Zuge der Digitalisierung dar, welche in der Literatur seit einiger Zeit propagiert wird.822 Der Change 815 Vgl. Wiegmann/Tretbar/Strauß (2014), S. 201; Plag (2017), S. 52; Langmann (2019), S. 42. 816 Vgl. Experte 16 (2020), Z. 440-453. 817 Vgl. Möller/Seefried/Wirnsperger (2017), S. 66-67. 818 Vgl. Nobach (2019), S. 266. 819 Vgl. Experte 9 (2020), Z. 248-256. 820 Vgl. Langmann (2019), S. 39. 821 Vgl. Experte 15 (2020), Z. 153-156. 822 Vgl. Ploss (2016), S. 60; Schäffer/Brückner (2019), S. 21. 138 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Agent ist eine Reaktion auf ein volatiles Unternehmensumfeld aufgrund der Digitalisierung und treibt insbesondere digitale Veränderungen in einem Unternehmen proaktiv voran.823 Zum Auf- gabenbereich des Change Agent gehört es, sich mit digitalen Entwicklungen aktiv auseinander- zusetzen, deren Implementierung zu initiieren sowie deren Anwendung im Unternehmen zu etablieren und mitzugestalten.824 Um diese Aufgaben erfüllen zu können, benötigt der Change Agent Kenntnisse auf dem Gebiet des Veränderungsmanagements und auch Fachwissen in der Informatik. Des Weiteren ist betriebswirtschaftliches Fachwissen hilfreich, um die Initiierung digitaler Veränderungen wirtschaftlich begründen zu können.825 Da Veränderungen auch mit Ängsten sowie Ablehnung der Betroffenen einhergehen können, sind insbesondere soziale Kompetenzen, wie bspw. Kommunikationsstärke, Konfliktfähigkeit, Teamorientierung, Durch- setzungsvermögen oder Empathie, aber auch persönliche Fähigkeiten, wie z.B. Selbstbewusst- sein von Bedeutung, um einen weitreichenden Wandel in Unternehmen zu erreichen.826 In der Literatur wird von einem Controller häufig ein ähnliches Kompetenzprofil gefordert, um den Aufgaben als Change Agent nachgehen zu können. Für den Controller sind insbesondere Fachkompetenzen in der IT, zur Identifizierung und Erörterung technologischer Trends, essen- ziell.827 Um im Unternehmen Gegner von Neuerungen überzeugen zu können, können neben Argumenten, die die wirtschaftlichen Vorteile in den Vordergrund stellen, auch Argumente, die die Vereinbarkeit der digitalen Entwicklung mit der Strategie und Vision des Unternehmens betreffen oder das Aufzeigen von Vorteilen, die sich durch die neuen Technologien für den einzelnen Mitarbeiter ergeben, hilfreich sein.828. Dabei sind soziale und persönliche Fähigkeiten von Bedeutung. Bezüglich der persönlichen Kompetenzen werden in der Literatur weitestge- hend deckungsgleiche Anforderungen propagiert.829 Allerdings ist bei einer genaueren Betrach- tung dieser Thematik eine differenzierte Sichtweise in Anbetracht auf die durch die Implemen- tierung von digitalen Technologien betroffenen Bereiche sinnvoll. Aus diesem Grund wird in dieser Untersuchung im Hinblick auf die persönlichen Kompetenzen eines Controllers als Change Agent zwischen den beiden Szenarien unterschieden, ob die digitale Technologie im Controlling oder in einem anderen Bereich Anwendung findet. Eine digitale Entwicklung, wie 823 Vgl. Schäffer/Weber (2017), S. 59; Nobach (2019), S. 247-248; Leyk/Kirchmann/Tobias (2017), S. 52; Weber (2017), S. 71; Gleich/Lauber (2013), S. 512-513. 824 Vgl. Ploss (2016), S. 60. 825 Vgl. Mayer/Wiesehahn (2018), S. 30 und S. 32-33; Biel (2018), S. 6; Angerer (2017), S. 26. 826 Vgl. Egle/Keimer (2018), S. 51-52; Gleich/Lauber (2013), S. 513-514; Weber (2017), S. 71; Schäffer/Brückner (2019), S. 17; Horváth/Gleich/Seiter (2020), S. 437-438. 827 Vgl. Weber et al. (2013), S. 48; Fleisch/Weinberger/Wortmann (2015), S. 446-447. 828 Vgl. Kasthuri (2012), S. 40; Gleich (2013), S. 35. 829 Vgl. Mayer/Wiesehahn (2018), S. 30 und S. 32-33; Biel (2018), S. 6; Angerer (2017), S. 26; Egle/Keimer (2018), S. 51-52; Gleich/Lauber (2013), S. 513-514; Weber (2017), S. 71; Schäffer/Brückner (2019), S. 17. 139 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD das IoT, betrifft laut Aussagen der Experten insbesondere Bereiche wie die Logistik oder die Produktion. Zum Controlling konnte nach Auffassung der Experten bisher eher selten eine di- rekte Verknüpfung hergestellt werden.830 Dementsprechend kann davon ausgegangen werden, dass diese Technologie in Unternehmen Anwendung finden kann, ohne das Controlling direkt zu tangieren. Nimmt der Controller in diesem Fall die Rolle als Change Agent an, so ist es zumindest notwendig, die Akteure aus den betroffenen Bereichen von einer potenziellen Im- plementierung und Anwendung solch einer Technologie zu überzeugen. Aus eigener Erfahrung der interviewten Experten möchte insbesondere die ältere Belegschaft sich häufig keine neuen Fähigkeiten aneignen und akzeptiert neue Entwicklungen selten.831 Für das Unterfangen, Unsi- cherheiten sowie Vorurteile bezüglich bestimmter Technologien auszuräumen und im weiteren Verlauf die betroffenen Mitarbeiter langsam und behutsam an die Technologie heranzuführen, werden laut Experten insbesondere Soft Skills benötigt.832 Dazu gehören soziale Kompetenzen, wie z. B. die Kommunikationsstärke, die Kooperation, die Konfliktfähigkeit, die Empathie und die Sensibilität, aber auch persönliche Kompetenzen, wie z.B. ein gewisses Maß an Selbstver- trauen und Durchhaltevermögen, um das betroffene Personal in kritischen Situationen von der eigenen Meinung zu überzeugen. Sofern der Controller als Change Agent fungiert, wird es bei der geplanten Einführung digitaler Technologien, die zu tiefgreifenden Veränderungen der eigenen Prozesse, dessen Aufgabenbe- reich oder auch seines Kompetenzprofils führen können, problematisch. Denn so muss der Con- troller nicht nur seine Kollegen im Controlling von solchen Veränderungen überzeugen, son- dern auch persönliche Kompetenzen, wie Lernbereitschaft, Proaktivität, Offenheit und Neugier, besitzen, um einen eigenen Wandel positiv in die Wege leiten zu können. Zum Interessenskon- flikt entwickelt sich dieses Unterfangen im Falle dessen, dass eine digitale Technologie dem Controller subjektiv eher schadet. Eine stärkere Automatisierung oder die Möglichkeit für das Management aufgrund digitaler Technologien Daten selbstständig abzurufen wie auch zu ana- lysieren, kann nach Auffassung mancher Experten in der Zukunft zu einer passiveren Rolle des Controllers bis hin zu einem Wegfall von Controller-Stellen führen.833 Sollten diese Technolo- gien jedoch einen Mehrwert für das Unternehmen schaffen können, sollte der Controller in der Rolle des Change Agents zum Wohle des Unternehmens handeln und eine Implementierung aktiv anstoßen, auch wenn dies bedeuten kann, dass Teile des klassischen Controllings in 830 Vgl. Experte 1 (2020); Z. 294-299; Experte 6 (2020); Z. 228; Experte 7 (2020); Z. 172-174. 831 Vgl. Experte 17 (2020), Z. 145-148. 832 Vgl. Vgl. Experte 17 (2020), Z. 150-154.; Experte 20 (2020), Z. 135-142; Experte 21 (2020), Z. 60-68. 833 Vgl. Experte 20 (2020), Z. 211-221; Experte 22 (2020), Z. 344-352. 140 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Zukunft obsolet werden. Dementsprechend ist es aufgrund dieses Interessenkonflikts vorstell- bar, dass sich die Entwicklung des Controllers in Richtung des Change Agents als besonders schwierig gestalten kann. Schließlich stellt sich die Frage, ob der Controller in der Praxis die Aufgaben eines Change Agents erfüllen kann, geschweige denn die nötigen Kompetenzen aufweist, um solch eine Über- zeugungsarbeit überhaupt leisten zu können. Dass der Controller als Change Agent agieren soll, ist in der Literatur größtenteils damit begründet, dass dieser zum einen von vornherein eine betriebswirtschaftliche Betrachtungsweise mit sich bringt zum anderen immer häufiger in Di- gitalisierungsprojekte involviert ist.834 Jedoch haben die interviewten Experten hierzu unter- schiedliche Ansichten. Einige Experten sind der Ansicht, dass der Controller die Rolle als Change Agent annehmen und die Umsetzung digitaler Veränderungen anstoßen sowie überwa- chen sollte.835 Experte 23 ist der Ansicht, dass, sofern Kapazitäten vorhanden sind, ein Control- ler die Rolle des Change Agent übernehmen sollte, um Veränderungsprozesse effektiv beglei- ten zu können.836 Experte 5 ist der Meinung, dass „im Controlling alle Fäden zusammen [lau- fen]“837 und deswegen der Controller künftig immer mehr Veränderungen koordinieren wird.838 Auch Experte 14 ist der Auffassung, dass der Controller in die Planung und Steuerung von Digitalisierungsprojekten eingebunden werden sollte, „da die Vernetzung in allen Unterneh- mensbereichen gegeben ist“ und dieser „den Bedarf im gesamten Unternehmen am besten ein- schätzen“ kann.839 Teilweise haben sich in der Praxis bereits Teams gebildet, welche sich aus- schließlich mit digitalen Trends beschäftigen und für Digitalisierungsprojekte zuständig sind.840 Im Unternehmen von Experte 13 fungiert der Controller bereits als Initiator digitaler Projekte und nimmt die Rolle als Change Agent teilweise an. Allerdings fehlen hier noch die zeitlichen Kapazitäten, die Projekte auch aktiv zu steuern.841 Im Gegensatz dazu betrachten andere Ex- perten den Change Agent nicht zwingend als Teil des Controllings, sondern sehen die beschrie- benen Aufgaben auch im Verantwortungsbereich von Führungskräften, unabhängig davon, in welchem Bereich des Unternehmens diese tätig sind, verankert.842 Darüber hinaus stellt sich 834 Vgl. Biel (2018), S. 6; Angerer (2017), S. 26. 835 Vgl. Experte 5 (2020); Z. 193-194; Experte 6 (2020); Z. 211-224; Experte 7 (2020); Z. 183-184; Experte 9 (2020), Z. 139-144; Experte 11 (2020); Z. 152-153; Experte 16 (2020), Z. 386-389; Experte 23 (2020), Z. 254- 256. 836 Vgl. Experte 23 (2020), Z. 310-314. 837 Experte 5 (2020), Z. 283. 838 Vgl. Experte 5 (2020), Z. 284-285. 839 Experte 14 (2020), Z. 84 und Z. 79-80. 840 Vgl. Experte 12 (2020), Z. 27-31; Experte 13 (2020), Z. 116-117. 841 Vgl. Experte 13 (2020), Z. 117-121. 842 Vgl. Experte 3 (2020), Z. 186-191; Experte 17 (2020), Z. 387-389.; Experte 21 (2020), Z. 312-315; Experte 22 (2020), Z. 415-418. 141 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD die Frage, ob diese Rolle nicht potentiell besser von Führungskräften ausgefüllt werden sollte, da ihnen aufgrund ihrer Position im Unternehmen wahrscheinlich weniger Widerstand entge- gengebracht wird. Allerdings sind mehrere Experten der Meinung, dass die Kapazitäten vieler Führungskräfte für zusätzliche Funktion häufig nicht ausreichen.843 Wohingegen durch be- stimmte digitale Technologien, wie RPA-Systeme, langfristig freie Kapazitäten für den Con- troller entstehen,844 die er für diese Tätigkeit des Veränderungsmanagements nutzen könnte. Ferner bestehen laut Experte 8, sollten Führungskräfte aus anderen Bereichen die Rolle des Change Agents tatsächlich übernehmen, mögliche Fehlanreize, wie z.B. Profilierungsgründe, die dazu führen, dass ein digitales Projekt vorangetrieben wird.845 Nach Aussagen der Experten bilden Unternehmen mittlerweile vermehrt ausgewählte Control- ler hinsichtlich fachlicher Kompetenzen, wie z.B. dem Know-how im Bereich IT, fort, damit diese die Rolle als Change Agent annehmen können.846 Dazu bestehen in der Praxis verschie- dene Weiterbildungsmöglichkeiten.847 Vor allem die CA bietet mittlerweile diverse Seminare an, die sich mit den geforderten Kompetenzen eines Change Agents decken, wie z.B. spezielle Fortbildungen im Change Management sowie Projektmanagement oder zum Aufbau sozialer Kompetenzen. Sowohl Experte 9 als auch Experte 15 nutzen die Weiterbildungsangebote der CA.848 Außerdem besteht auch hier die Möglichkeit eines gezielten Recruitings. Innerhalb des Unternehmens von Experte 15 wird dies bereits umgesetzt, indem neben den Stellenanzeigen insbesondere bei Bewerbungsgesprächen darauf geachtet wird, dass eine gewisse Affinität zu digitalen Themen bei dem Bewerber vorhanden ist.849 4.4.3.4 Rolle als Data Scientist Neben den Rollen des Business Partners und des Change Agents wird mit einer steigenden digitalen Transformation in Unternehmen auch vermehrt die Rollen als Data Scientist disku- tiert.850 In der Praxis wird diese Berufsbezeichnung immer geläufiger und es besteht hohes In- teresse an diesem Berufsbild. Im Jahr 2012 bspw. galt der Data Scientist als einer der 843 Vgl. Experte 6 (2020), Z. 204; Experte 7 (2020), Z. 159-161; Experte 9 (2020), Z. 71-77; Experte 16 (2020), Z. 430-453. 844 Vgl. Experte 1 (2020), Z. 208-210; Experte 2 (2020), Experte 3 (2020), Z. 177-178; Z. 57-61; Experte 10 (2020), Z. 125-126; Experte 11 (2020), Z. 212; Experte 14 (2020), Z. 65-66. 845 Vgl. Experte 8 (2020), Z. 203-205. 846 Vgl. Experte 9 (2020), Z. 249-251; Experte 15 (2020), Z. 188. 847 Vgl. Experte 9 (2020), Z. 248-256. 848 Vgl. Experte 9 (2020), Z. 249-251; Experte 15 (2020), Z. 188. 849 Vgl. Experte 15 (2020), Z. 146-148. 850 Vgl. Schäffer/Weber (2017), S. 58. 142 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD attraktivsten Jobs des 21. Jahrhunderts.851 Die Aufgaben des Data Scientists zielen grundsätz- lich darauf ab, komplexe Datenmengen zu analysieren, Handlungsempfehlungen abzuleiten und die Erkenntnisse dem Management zu präsentieren,852 weshalb dieser auch meistens in Verbindung mit Big Data gebracht wird.853 Für umfassende Datenanalysen benötigt der Data Scientist profundes statistisches Fachwissen, methodische Kenntnisse über fortgeschrittene Da- tenanalysesoftwares sowie ein Verständnis für Programmiersprachen, um die verwendeten Al- gorithmen zu verstehen und gegebenenfalls anzupassen854 Außerdem bedarf es für das Visua- lisieren der Erkenntnisse eines ausgeprägten Umgangs mit modernen Präsentationsmethoden. Dadurch, dass ein Data Scientist hauptsächlich mit Daten arbeitet, handelt es sich bei einem Großteil seiner Tätigkeiten um Aufgaben des Datenmanagements, wie z.B. die Bedienung und Pflege von Datenbanken oder die Prüfung der Datenqualität, weshalb dieser grundsätzlich ein Verständnis für Themen der Informatik besitzen und eine gewisse IT-Affinität aufweisen sollte. Um aus den Daten schlussendlich wirtschaftlich sinnvolle Handlungsempfehlungen ableiten zu können, sind außerdem grundlegende betriebswirtschaftliche Fachkenntnisse von Bedeu- tung.855 Der seit dem Aufkommen dieses neuen Berufsstandes entstandene Diskurs in der Literatur, wer im Unternehmen die Rolle des Data Scientist übernehmen soll und kann, ist weitestgehend of- fen.856 Diese Erkenntnis lässt sich auch anhand der Ergebnisse der empirischen Untersuchung der vorliegenden Arbeit bestätigen. Auf den ersten Blick zeigt sich eine wesentliche Über- schneidung der Aufgabenbereiche von Controller und Data Scientist. Beide sollen Daten ana- lysieren und daraus relevante Informationen ableiten, die das Management schließlich bei der Entscheidungsfindung unterstützen sollen. Allerdings gibt es fachlich und methodisch große Unterschiede. Der Controller bringt das betriebswirtschaftliche Know-how mit und besitzt her- kömmlicherweise hauptsächlich methodische Kompetenzen in MS Office oder klassischen ERP-Systemen.857 Der Data Scientist hingegen besitzt ein ausgeprägtes Fachwissen in der In- formatik und Statistik, methodische Kompetenzen bezüglich fortgeschrittener Methoden der Datenanalytik und moderner Präsentationstechnologien sowie ein gewisses Verständnis für 851 Vgl. Davenport/Patil (2012). 852 Vgl. Aalst (2014), S. 21; Davenport (2014), S. 88-91, 93-96; Mödritscher/Wall (2019), S. 76. 853 Vgl. Steiner/Welker (2016), S. 70. 854 Vgl. Tschandl/Mallaschitz (2016), S. 99; Egle/Keimer (2018), S. 52; Gleich/Munck/Schulze (2016), S. 36; Wrobel et al. (2015), S. 377. 855 Vgl. Steiner/Welker (2016), S. 70; Aalst (2014), S. 21; Davenport (2014), S. 88-91 und S. 93-96. 856 Vgl. Freistühler et al. (2019), S. 63-64; Baumöl/Grawe/Bockshecker (2017), S. 44; Grönke/Heimel (2015), S. 245-247; Wolf/Heidlmayer (2019), S. 35; Horváth/Aschenbrücker (2014), S. 55-61. 857 Vgl. Drerup/Suprano/Wömpener (2018), S. 15-17; Trachsel/Bitterli (2020), S. 206-207. 143 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Programmiersprachen.858 Da sich die Kompetenzen des Controllers sehr von denen des Data Scientists unterscheiden, differenzieren sich die Meinungen der Experten in dem Punkt, wer die Rolle des Data Scientists annehmen wird. Auf der einen Seite wird von den Experten ange- nommen, dass sich die Rolle des Controllers zu einem Data Scientist entwickeln kann.859 Laut Experte 16 scheint der Controller aufgrund seines bestehenden betriebswirtschaftlichen Fach- wissens für die Rolle als Data Scientist prädestiniert zu sein.860 Dieses Fachwissen ist nach Ansicht der Experten besonders wichtig, um aus einer Datenmenge ökonomisch sinnvolle Handlungsempfehlungen ableiten zu können.861 Allerdings stellt sich bei einem Blick auf die aufzubauenden Fähigkeiten im technologischen Kontext die Frage, ob der Controller die Rolle des Data Scientists auch tatsächlich bekleiden kann. Für den Controller ist z.B. der Umgang mit Big Data eine starke Umstellung, da er sich klassischerweise nicht mit externen, heterogenen Daten, sondern weitestgehend mit internen, strukturierten Daten beschäftigt.862 Die interview- ten Experten gehen davon aus, dass in einem Bereich, in dem der Umgang mit gängigen MS Office-Anwendungen ausreichend war, in Zukunft moderne Datenbanken und Statistiksoft- wares zur Integration sowie Analyse von Big Data verwendet werden müssen.863 Diese Heraus- forderung kann nach Aussagen von den Experten jedoch eher bewältigt werden, wenn der Con- troller die modernen Datenbanken sowie Analyse Tools selbst verwaltet und bedient, um ein tiefergehendes Verständnis zu erlangen und so die möglichen Potenziale von Big Data aus- schöpfen zu können anstatt dies einer anderen Instanz zu überlassen.864 In diesem Zusammen- hang sind manche Experten der Ansicht, dass sich der Controller die Nutzenpotenziale von digitalen Technologien zunutze machen kann, um sich als Data Scientist adäquate Kompeten- zen anzueignen.865 Die Anwendung digitaler Technologien wie Self-Services oder RPA-Sys- teme können Kapazitäten für den Controller freisetzen. Nutzt der Controller diese freie Zeit sinnvoll z.B. in Form von Weiterbildungen im Bereich der Statistik oder Informatik, ist dieser eher in der Lage, die Rolle als Data Scientist anzunehmen. Auf der anderen Seite nimmt ein Teil der interviewten Experten an, dass ein Spezialist aus dem IT-Bereich die Rolle des Data Scientist einnehmen sollte und eine bereichsübergreifende 858 Vgl. Grönke/Heimel (2015), S. 246-247. 859 Vgl. Experte 3 (2020), Z. 69-76; Experte 16 (2020), Z. 381-385; Experte 20 (2020), Z. 221-227; Experte 23 (2020), Z. 248-252. 860 Vgl. Experte 16 (2020), Z. 105-106. 861 Vgl. Experte 16 (2020), Z. 102-106; Experte 22 (2020), Z. 369-373. 862 Vgl. Nann/Eichenberger (2018), S. 8-9; Gartner (2016), S. 10. 863 Vgl. Experte 16 (2020), Z. 84-97; Experte 17 (2020), Z. 13-18. 864 Vgl. Experte 1 (2020), Z. 287-290; Experte 17 (2020), Z. 19-23. 865 Vgl. Experte 17 (2020), Z. 27-32. 144 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Unterstützung bei der Datenanalyse oder anderen technischen Aufgaben darstellt, da dieser ein ausgeprägteres Verständnis für den Aufbau von Datenbanken hat und mit großen heterogenen Datenmengen vertraut ist.866 Manche der Experten ergänzen diese Ansicht durch die Meinung, dass ein gewisses Grundverständnis in der Statistik und Informatik trotz alledem für den Con- troller förderlich seien, um eine gute Zusammenarbeit zu gewährleisten, und betonen ebenfalls die Bedeutung funktionierender Schnittstellen.867 Dadurch können potenziell auftretende Ver- ständigungsschwierigkeiten, welche in der Praxis bspw. bereits zwischen Controllern und IT- lern vorzufinden sind, verringert werden.868 Im Falle dessen, dass ein IT-ler die Position als Data Scientist einnimmt, besteht aufgrund der Überschneidung der Aufgabenfelder die Mög- lichkeit, dass Tätigkeiten des Controllers übernommen werden. Um weitere Tätigkeitsfelder des Controllers zu übernehmen, fehlen dem klassischen IT-ler laut Experten allerdings eine ausgeprägte betriebswirtschaftliche Kompetenz sowie das Geschäfts- und Marktwissen.869 Die Experten sehen den Data Scientist daher auch prinzipiell nicht als Konkurrenten des Control- lers, sondern eher als Ergänzung. Allerdings könnten Controller, die sich ausschließlich mit der Aufbereitung von Daten beschäftigen durch den Data Scientist ersetzt werden.870 Ausgehend von den Ergebnissen der empirischen Untersuchung, ist der Controller als Data Scientist in der Praxis noch nicht etabliert.871 Was man allerdings aus den Experteninterviews ableiten kann, ist, dass sich im Zuge der Digitalisierung bereits Rollen innerhalb des Control- lings entwickelt haben, welche zumindest ansatzweise einzelne Aufgaben und Kompetenzen eines Data Scientists erfüllen. Experte 9 ist bspw. als Data Analyst für Ad-hoc-Analysen auf Basis strukturierter, bereits vor-definierter Datenmengen zuständig. In seinem Unternehmen agiert dieser als Schnittstelle zwischen der IT und dem Controlling.872 Experte 8 betont zudem, dass insbesondere bezüglich der Vermittlung von Analysen die Rolle des Citizen Data Scientist an Bedeutung gewinnen wird. Diese Rolle könnte möglicherweise von einem Controller aus- geführt werden, da er hierbei lediglich ein Grundverständnis im Umgang mit Daten, aber nicht über das gleiche tiefe statistische sowie technische Wissen wie der Data Scientist verfügen muss. Allerdings sind ausgeprägte Soft Skills wie Kommunikationsfähigkeit und 866 Vgl. Experte 17 (2020), Z.206-215 und Z. 307-310; Experte 18 (2020), Z. 145-151; Experte 19 (2020), Z. 229- 231; Experte 21 (2020), Z. 283-289; Experte 22 (2020), Z. 373-374. 867 Vgl. Experte 11 (2020), Z. 371-376; Experte 23 (2020), Z. 128-135. 868 Vgl. Experte 9 (2020), Z. 283-284. 869 Vgl. Experte 2 (2020), Z. 237-240; Experte 17 (2020), Z. 318-323; Experte 18 (2020), Z. 147-150; Experte 19 (2020), Z. 232-237; Experte 22 (2020), Z. 369-373. 870 Vgl Experte 18 (2020), Z. 151-155. 871 Vgl. Experte 8 (2020), Z. 8-12; Experte 11 (2020), Z. 343-344; Experte 20 (2020), Z. 221-224. 872 Vgl. Experte 9 (2020), Z. 261-262. 145 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Sprachgewandtheit von Relevanz, da es sich bei seiner Hauptaufgabe um das sogenannte Data Storytelling handelt. Hierbei geht es um die Kommunikation von Daten oder den Erkenntnissen aus Daten in Form von Geschichten, die auch für Adressaten, die nicht eng mit Daten arbeiten, verständlich sind.873 In Gegensatz zu diesen Rollen gibt es im Unternehmen von Experte 12 einen sogenannten Data Engineer im Controlling, der sich um Prozesse rund um die Erstellung, Speicherung und Pflege von Datensätzen kümmert.874 Hierbei gehören insbesondere die Sicher- stellung der Datenqualität, wie z.B. deren Richtigkeit, zum Aufgabenbereich des Date Engine- ers, was im Zusammenhang mit Big Data vermehrt an Bedeutung gewinnt.875 Auch bezüglich der Kompetenzen eines Data Scientists bestehen Weiterbildungsmöglichkeiten, so dass der Controller künftig diese Rolle einnimmt. Um das Know-how im Bereich IT und Statistik aufzubauen, bilden die Unternehmen mittlerweile bestimmte Controller fort.876 Eine Alternative ist die Teilnahme und das Erlangen eines zertifizierten Abschlusses bei der CA. Mit dem Fachzertifikat „Certified Information Manager CA“ können bspw. Kompetenzen im Be- reich Big Data aufgebaut und erweitert werden.877 Sowohl Experte 9 als auch Experte 15 nutzen die Weiterbildungsangebote der CA.878 Experte 8 hingegen ist selbst als Trainer tätig und un- terstützt Controller beim Kompetenzaufbau im Bereich Data Science.879 Auch Hochschulen haben den Bedarf erkannt, so dass Controller z.B. an der Hochschule Ludwigshafen ein berufs- begleitendes Zertifikatsprogramm im Bereich Big Data absolvieren können.880 4.4.3.5 Kritische Würdigung der Rollenentwicklung des Controllers Die Erkenntnisse dieser Untersuchung zeigen, dass sich keine pauschale Aussage über die Ent- wicklung der Controller-Rolle aufgrund des Einzugs digitaler Technologien treffen lässt. Viel- mehr lässt sich aus den Ergebnissen ableiten, dass sich die Rollenentwicklungen unterschiedli- cher Controller stark voneinander unterscheiden können. Alle drei untersuchten Rollenbilder können für die Zukunft des Controllers bedeutend sein, da die Aufgaben und Kompetenzanfor- derungen vielseitig sind. Betrachtet man die bereits bestehende Entwicklung in Richtung eines Business Partners, erscheint dies zumindest kurzfristig als die wahrscheinlichste Entwicklung, da der Grundstein für diesen Wandel schon seit einigen Jahren besteht. Langfristig ist allerdings 873 Vgl. Experte 8 (2020), Z. 66-76. 874 Vgl. Experte 12 (2020), Z. 331-335. 875 Vgl. Schäffer/Brückner (2019), S. 24. 876 Vgl. Langmann (2019), S. 39. 877 Vgl. Controller Akademie (2020). 878 Vgl. Experte 9 (2020), Z. 249-251; Experte 15 (2020), Z. 188. 879 Vgl. Experte 8 (2020), Z. 34-38. 880 Vgl. Wagener (2018), S. 33. 146 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD eine Entwicklung in Richtung des Data Scientists oder des Change Agents auch denkbar, sofern die im Controlling eingesetzten Technologien der Digitalisierung weitere Freiräume für den Controller schaffen können, damit dieser sich verstärkt mit Themen wie bspw. der Informatik beschäftigen und hinsichtlich anderer notwendiger Kompetenzen weiterbilden kann. Das Ver- lassen auf Kernkompetenzen und ein damit einhergehender Stillstand würde einen Verlust der Wettbewerbsfähigkeit eines Controllers bedeuten. Die interviewten Experten sehen in diesem Zusammenhang allerdings durch die Unterstützung aufkommender digitaler Technologien, wie Self-Services oder RPA-Systeme, und die Schaffung von freien Kapazitäten auch eine Chance, die der Controller für sich nutzen kann, um sich persönlich weiterzuentwickeln und eine zu- kunftsrelevante Rolle im Unternehmen einzunehmen.881 In den durchgeführten Experteninterviews wird, aufgrund der Hinfälligkeit von Aufgaben des Controllers durch digitale Technologien und die damit einhergehende Schaffung von freien Kapazitäten, ebenfalls eine mögliche Ablösung des Controllerberufs thematisiert.882 Manche Experten gehen davon aus, dass vor allem solche Controller, die bisher ausschließlich repetitive Aufgaben durchgeführt haben, in Zukunft seltener im Unternehmen zu finden sein werden.883 Allerdings sind die interviewten Experten der Ansicht, dass trotz zahlreicher Automatisierungs- möglichkeiten weiterhin menschliche Komponenten im Controlling von höchster Relevanz bleiben.884 Auch wenn einige Aufgaben wegfallen könnten, werden Tätigkeiten, die insbeson- dere weicher Fähigkeiten, wie der Kommunikationsstärke, bedürfen, wichtig bleiben.885 Infol- gedessen sehen die Experten kein Risiko einer vollständigen Ablösung des Controllers. Kom- plexe Situationen werden auch in Zukunft hoch qualifizierte Controller erfordern, die Empfeh- lungen aussprechen und dem Management zur Seite stehen.886 In diesem Zusammenhang er- warten die Experten sogar, dass der Bedarf insbesondere an qualifizierten Controllern zuneh- men wird.887 Dementsprechend ist es für den Controller umso wichtiger, dass dieser die Chan- cen durch digitale Technologien nutzt, um die künftigen Anforderungen erfüllen zu können und die eigene Zukunft mitgestaltet.888 881 Vgl. Experte 5 (2020), Z. 270-273; Experte 21 (2020), Z. 240-246. 882 Vgl. Experte 20 (2020), Z. 211-220; Experte 21 (2020), Z. 252-259. 883 Vgl. Experte 7 (2020), Z. 106-110; Experte 22 (2020), Z. 344-352. 884 Vgl. Experte 10 (2020), Z. 109-113; Experte 18 (2020), Z. 176-177. 885 Vgl. Experte 9 (2020), Z. 173-176; Experte 19 (2020), Z. 403-407. 886 Vgl. Experte 22 (2020), Z. 350-352; Experte 23 (2020), Z. 342-347. 887 Vgl. Experte 12 (2020), Z. 242-243; Experte 16 (2020), Z. 367-370. 888 Vgl. Experte 18 (2020), Z. 177-179.; Experte 22 (2020), Z. 476-480. 147 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD Zudem sind die interviewten Experten der Auffassung, dass die einzelnen Rollen von unter- schiedlichen Personen ausgeübt werden sollten, da es zur Ausführung der verschiedenen Auf- gaben zunehmend diverser Fähigkeiten bedarf, über die eine einzelne Person schwer alleine verfügen kann.889 Aus diesem Grund ist auch eine Betrachtung rollenspezifischer Kompetenz- profile sinnvoll. Der Controller als Business Partner benötigt durchaus andere Kompe- tenzausprägungen als in der Rolle des Data Scientist. Darüber hinaus ist es möglich, dass sich bestimmte Rollen in anderen Unternehmensbereichen, wie bspw. ein Data Scientist in der IT, verankern. Inwiefern sich welche der benannten Rollen im Controlling etablieren werden, ist zudem von der persönlichen Einstellung der betroffenen Person abhängig. Laut dem Internati- onalen Controller Verein hängt die Annahme einer Rolle vom Selbstverständnis eines Control- lers, d.h. von dem, was dieser möchte, sowie von seiner Selbstwahrnehmung, ab.890 Es sollte darauf geachtet werden, dass die Anforderungen an das Team als Ganzes klar definiert sind und die verschiedenen Rollen bzw. Zuständigkeiten eindeutig zugeordnet werden.891 Auch Experte 16 betont die Relevanz eindeutig definierter und abgegrenzter Rollen, um dem Controller Si- cherheit bei der Ausführung seiner Rolle zu gewährleisten. Das Schaffen von Rollenklarheit wird daher als eine wichtige Aufgabe der Führungskraft angesehen.892 4.5 Limitationen und Fazit Die vorliegende Untersuchung liefert einen Beitrag zur bestehenden Forschung sowie Implika- tionen für die betriebliche Praxis. Allerdings unterliegt sie ebenso gewissen Limitationen, die im Folgenden beleuchtet werden. Diese gehen im Wesentlichen mit der methodischen Vorge- hensweise einher. Um die bei halbstandardisierten Leitfadeninterviews notwendige Offenheit zu gewährleisten und die Experten in ihren Antworten nicht zu beeinflussen, wurden Begriff- lichkeiten und Definitionen der behandelten Thematik im Vorfeld nicht explizit geklärt bzw. abgegrenzt. Die Interviews können daher von unterschiedlichen Vorstellungen und Verständ- nissen in Bezug auf die behandelten Sachverhalte geprägt sein. Hinzu kommt, dass die flexible Gestaltung der Interviews eine individuelle Anpassung der Fragen erlaubt und somit unter- schiedliche Gesprächssituationen entstanden sind. Dies erschwert daher die generelle Ver- gleichbarkeit der Interviews. Eine weitere Limitation zeigt sich in der Größe der Stichprobe. Die Ergebnisse der vorliegenden Untersuchung sollen vor allem richtungweisende Erkenntnisse und Überlegungen sowie als kritisches Beleuchten eines aktuellen Themas dienen, welches 889 Vgl. Experte 8 (2020), Z. 276; Experte 16 (2020), Z. 193-198; Experte 21 (2020), Z. 359-362. 890 Vgl. ICV (2014), S. 22. 891 Vgl. Experte 23 (2020), Z. 259-262. 892 Vgl. Experte 16 (2020), Z. 212-215. 148 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD bislang zwar häufig zitiert, aber nur selten kritisch reflektiert wurde. Wie bei der Mehrheit qua- litativer Studien, ist auch die Reichweite dieser Untersuchung begrenzt. Insgesamt wurden 23 Experten befragt, was einen gewissen Ausschnitt der Realität darstellt. Die in den Unternehmen aufgetretenen Entwicklungen und Ausprägungen sind nicht zwangsläufig auf andere Unterneh- men übertragbar oder gar verallgemeinerbar. Dennoch kann aufgrund zweier Aspekte der Un- tersuchungskonzeption vermutet werden, dass die Erkenntnisse der einzelnen Interviews keine allein für die ausgewählten Organisationen typischen Phänomene darstellen. Zum einen haben sich die Erkenntnisse trotz aller Unterschiede in den Unternehmen der interviewten Experten hinsichtlich Branche, Größe, Rechtsform oder Marktumfeld doch geähnelt. Zum anderen konn- ten Auswirkungen auf den Controller aufgrund von spezifischen digitalen Technologien in die- sen Unternehmen durch die Befragung von Experten teilweise auch auf die allgemeine Ent- wicklung übertragen oder eingeschätzt werden. Überdies besteht eine geographische Ein- schränkung der Ergebnisse, da die Experten ausschließlich aus dem deutschsprachigen Raum stammen. Eine Übertragbarkeit der Ergebnisse auf andere Länder müsste daher zunächst über- prüft werden. Das Ziel der vorliegenden Untersuchung war es, die Auswirkungen spezifischer aufkommender digitaler Technologien auf das Aufgabenfeld, das Kompetenzprofil und schließlich auf die Rolle des Controllers kritisch zu analysieren. Dazu wurden zunächst, nach Einführung in die theoretischen Grundlagen der für das Controlling relevanten digitalen Technologien, die empi- rische Untersuchung auf Grundlage von Experteninterviews vorgestellt und die Ergebnisse auf- gezeigt. Anschließend wurden die Auswirkungen auf den Controller untersucht, indem die the- oretischen Erkenntnisse auf Basis der Literatur durchweg mit den qualitativen Aussagen der Experten verbunden wurden. Insgesamt führte die Analyse zur Erstellung eines möglichen di- gitalen Profils des Controllers. Wie diese Veränderungen im Allgemeinen aussehen, wie sich das Aufgabenfeld wandelt, welche Kompetenzen nun zwingend gefordert werden und wie sich die Rolle des Controllers verändert, kann allerdings nicht pauschalisiert werden, da eine Ab- hängigkeit zu zahlreichen Faktoren besteht. Zu nennen sind hier z.B. die unterschiedlichen Auf- gabenbereiche innerhalb des Controllings, aber auch die Branche und das einzelne Unterneh- men als solches. Zu guter Letzt hat aber auch die spezifische digitale Technologie, die genutzt wird, Einfluss darauf, inwiefern sich das Berufsbild des Controllers wandeln wird. Die Verän- derungen, die sich durch die digitalen Technologien ergeben, sind daher stets individuell zu betrachten. Trotz alledem scheint es in Hinblick auf die Forschungsfrage, welche Auswirkun- gen aufkommende digitale Technologien auf das Aufgabenfeld haben, zu einer Verschiebung 149 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD der Aufgabenschwerpunkte zu kommen. Vor allem manuelle, repetitive Tätigkeiten des Con- trollers können durch die Digitalisierung und die damit verbundenen Automatisierungsmög- lichkeiten an Bedeutung verlieren, wohingegen eine Intensivierung höherwertiger Aufgaben wie Beratungsleistungen, Analysetätigkeiten oder Aufgaben aus dem Bereich des Change Ma- nagements in der Untersuchung festgestellt wurde. Darüber hinaus lässt sich feststellen, dass der Controller künftig Kompetenzen insgesamt in einem erweiterten bzw. ausgeprägteren Sinne benötigt. Neben Fach- und Methodenkompeten- zen, wie Kenntnisse in der Statistik, in der IT oder in der Anwendung von modernen Datenana- lysetools, sollten auch soziale und persönliche Fähigkeiten, wie z.B. die Kommunikationsfä- higkeit, Empathie oder Offenheit, vorhanden sein, um auf den digitalen Wandel vorbereitet zu sein. Die konkreten Kompetenzen, die gefordert werden, sind dabei sowohl von der spezifi- schen Technologie als auch von der Veränderung der Aufgaben abhängig. Die digitale Trans- formation führt letztendlich zu einer gesteigerten Notwendigkeit von hoch qualifizierten Con- trollern. Weniger Konsens herrscht hingegen bei der Frage nach der Rolle des Controllers im Zuge der Digitalisierung. Dabei entstehen nicht zwingend gänzlich neue Rollen. Die Rollenprofile ent- wickeln sich dennoch resultierend aus der Veränderung des Aufgabenfeldes sowie der gestei- gerten Kompetenzanforderungen weiter. Es konnte beispielsweise eine Entwicklung des Con- trollers hin zum Business Partner identifiziert werden. Obwohl es sich dabei um kein neues Rollenbild für den Controller handelt, hat sich auch dieses weiterentwickelt und an Relevanz gewonnen. Insbesondere durch die Unterstützung digitaler Technologien kann der Controller nun verstärkt eine beratende Funktion für das Management einnehmen. Daneben steigt vor al- lem aufgrund von Big Data die Diskussion bezüglich der Rolle des Data Scientists in Unter- nehmen. Diesbezüglich ist allerdings noch unklar, ob der Controller oder bspw. ein Spezialist aus der IT-Abteilung diese Rolle ausüben wird. In der Praxis wird sie bisher selten von Con- trollern ausgeführt, dennoch ist eine mögliche Annahme dieser Rolle künftig denkbar. Etabliert haben sich hingegen Rollen im Controlling, die denen eines Data Scientists ähneln wie bspw. der Data Analyst. Als weitere mögliche Rolle kann der Controller als Change Agent agieren, um die Potenziale und Risiken verschiedener digitaler Technologien aufzuzeigen und deren Umsetzung aktiv anzustoßen. In dieser Rolle besteht für den Controller die Gefahr, den klassi- schen Controller wegzurationalisieren. Allerdings kann solch eine Veränderung des Rollenbil- des auch als Chance betrachtet werden, die eigene Position im Unternehmen zu festigen. Um 150 DER CONTROLLER IM LICHTE AUFKOMMENDER DIGITALER TECHNOLOGIEN - AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD einer neuen Rolle gerecht zu werden und nicht auf den Weg der Bedeutungslosigkeit zu gelan- gen, sollte sich der Controller grundsätzlich von alten Denkmustern lösen. Ferner sollte er die sich bietenden positiven Potenziale der digitalen Technologien nutzen, um auftretende Heraus- forderungen zu meistern. Vor allem muss der Controller aber bereit sein in einem dynamischen Umfeld mit zunehmenden Unsicherheiten zu leben und für einen Wandel offen und neugierig sein, was sicherlich nicht für jeden Controller eine leichte Aufgabe darstellt. Die vorliegende empirische Untersuchung dient dem Aufzeigen der Meinung von Experten aus dem Controlling zur fortschreitenden Digitalisierung und wirft einen praxisnahen Blick auf die theoretisch diskutierten Auswirkungen auf den Controllerberuf. Diese Untersuchung hat somit einen Beitrag für die Forschung und die Unternehmenspraxis geleistet. Gleichzeitig bildet sie aber auch den Ausgangspunkt für weiteren Forschungsbedarf. Zukünftige Arbeiten könnten sich z.B. mit den Auswirkungen digitaler Technologien in spezifischen Branchen beschäftigen. Die Erkenntnisse könnten dadurch in eine Relation gesetzt werden und dahingehend Detailtiefe erlangen. Auf Grundlage der ermittelten Veränderungen könnten folglich auch individuelle Weiterbildungsmaßnahmen erarbeitet werden, die sowohl für Mitarbeiter als auch Neubeset- zungen innerhalb des Controllings notwendig sein können. Daneben wären empirische For- schungen zu diesem Thema in anderen Ländern interessant, wodurch eine Übertragbarkeit der Ergebnisse überprüft oder auch Unterschiede zwischen den Ländern dargestellt werden könn- ten. Dies ermöglicht einen Überblick über die Veränderungen des Controllers im globalen Kon- text. Auch in Zukunft wird die Relevanz digitaler Technologien im Controlling weiter zuneh- men. Dementsprechend wäre auch die Untersuchung potenzieller Einflüsse neuer digitaler Trends wie die Blockchain-Technologie sowohl für die Forschung als auch für die Praxis inte- ressant. 151 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE 5 Aufsatz IV: Aufgaben, Kompetenzprofil und Rollenbild des Controllers im digitalen Zeitalter - eine quantitative Analyse Dursun, David 5.1 Einleitung Unternehmen sind gezwungen, unter dem immensen Einfluss der Digitalisierung massive Anpassungen vorzunehmen, um ihre Wettbewerbsfähigkeit langfristig zu sichern.893 Dabei kann es sich um einzelne Prozesse, aber auch um ganze Bereiche oder Geschäftsmodelle handeln, die von den weitreichenden Veränderungen betroffen sind.894 Vor diesem Hintergrund ist es nicht verwunderlich, dass auch das Controlling von dieser Entwicklung tangiert ist.895 In einer solch dynamischen Welt ist das Profil des Controllers unbeständig und sowohl die Aufgaben als auch die notwendigen Kompetenzen des Controllers entwickeln sich ständig weiter.896 Die recht emotionale Diskussion über die Zukunft des Controllers im Zeitalter der Digitalisierung ist komplex. Es stellt sich die Frage, ob der Controller durch die Digitalisierung an Bedeutung verliert oder im Extremfall sogar obsolet wird. Begründet wird dies mit der Automatisierung von Routineaufgaben oder dem Rückgang von analytischen Aufgaben z.B. durch einen Data Scientist. Diese Sichtweise zeigt jedoch nur eine Seite. Aus einer anderen Perspektive hat die Digitalisierung auch das Potenzial, neue Verantwortungsbereiche für den Controller zu schaffen. In der Summe kann es also statt zu einem Totalverlust von Aufgaben zu einer Aufgabenverlagerung kommen und die Position des Controllers könnte sogar gestärkt werden.897 Neben diesem intensiv geführten Diskurs in der Literatur ist daher die Frage von besonderem Interesse, ob und inwieweit die Digitalisierung einen Einfluss auf den Controller hat. Ange- sichts der Bedeutung dieser Thematik ist es naheliegend, dass sich einige Autoren im Rahmen einer empirischen Untersuchung von Stellenausschreibungen bereits mit ähnlichen Fragestel- lungen beschäftigt haben. So untersuchte beispielsweise Jonen (2020) das Profil des Controllers empirisch. Allerdings konzentrierte sich die Untersuchung auf das Beschaffungscontrolling.898 Drerup/Suprano/Wömpener (2018) konzentrierten sich mit ihrer empirischen Studie aus- schließlich auf das Kompetenzprofil von Controllern in börsennotierten Unternehmen im 893 Vgl. Keimer/Egle (2020), S. 14. 894 Vgl. Leyk/Kirchmann/Tobias (2017), S. 52. 895 Vgl. Keimer/Egle (2020), S. 14; Nasca/Munck/Gleich (2018), S. 75; Schäffer/Weber (2017), S. 57-59. 896 Vgl. Werner/Vester (2017), S. 57. 897 Siehe Näheres zum Wandel der Aufgaben, Kompetenzen und Rolle des Controllers im Zuge der Digitalisierung in Dursun (2021); Losbichler/Ablinger (2018), S. 54-55; Nobach (2019), S. 252-253; Schäffer (2017a), S. 52-53. 898 Vgl. Jonen (2020), S. 349-372. 152 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE digitalen Zeitalter.899 Freistühler et al. (2019) untersuchten das Verhältnis zwischen den Rollen des Data Scientists und des Controllers.900 Trachsel/Bitterli (2020) arbeiteten anhand einer Stel- lenanzeigenanalyse die Rollenentwicklung des Controllers heraus. Allerdings ist die Studie ge- ografisch auf die Schweiz beschränkt.901 Daneben wurden in den Studien weitestgehend keine Annahmen bezüglich eines digital transformierten Controller-Profils herangezogen, um einen möglichen Wandel des Controllers aufgrund der Digitalisierung kritisch zu diskutieren. Eine empirische Forschung auf der Basis von Stellenausschreibungen zu den Aufgaben und zum Kompetenzprofil des Controllers im Zuge der Digitalisierung für Unternehmen in Deutschland ist nach dem aktuellen Forschungsstand nicht bekannt. Ziel der vorliegenden Untersuchung ist es daher, diesem Bedarf gerecht zu werden und diese Forschungslücke zu schließen. Gleichzeitig sollen aber auch neue Erkenntnisse im Hinblick auf frühere, ähnliche Forschungen gewonnen werden. Dazu werden die Stellenausschreibungen quantitativ analysiert und die Ergebnisse in Bezug zu den Ergebnissen aus der qualitativen Ana- lyse der dritten Forschungsfrage dieser Arbeit, in der die digitale Transformation des Control- ler-Profils herausgearbeitet wurde, in Bezug gesetzt. Insofern beschäftigt sich diese Untersu- chung speziell mit der Forschungsfrage, inwieweit Unternehmen in Deutschland bereits ein digital transformiertes Controller-Profil nachfragen und welche Implikationen sich dadurch be- züglich der Rollenentwicklung des Controllers ableiten lassen. Um die Zielsetzung zu erreichen und die Forschungsfrage zu beantworten, wird folgenderma- ßen vorgegangen: Nachdem fünf Schlüsselannahmen, die ein theoretisches Konstrukt eines di- gital transformierten Controller-Profils bilden sollen, für ein gemeinsames Verständnis darge- stellt wurden, wird die Nachfrage nach einem digital transformierten Controller-Profil in Un- ternehmen in Deutschland im Rahmen einer empirischen Untersuchung von Stellenausschrei- bungen analysiert. Der Ansatz und das Forschungsdesign werden dabei in Abschnitt 5.3.1 aus- führlich erläutert und in Abschnitt 5.3.2 erfolgt die Darstellung sowie eine kritische Diskussion der Ergebnisse im Hinblick auf die Forschungsfrage. Hierbei werden relative Häufigkeiten der in den Stellenausschreibungen geforderten Aufgabenfelder und Kompetenzen des Controllers ermittelt und die Ergebnisse anhand der fünf Schlüsselannahmen systematisch bewertet. Da- rauffolgend werden die Implikationen der Ergebnisse im Hinblick auf in der Literatur und unter Experten postulierte Rollenentwicklungen des Controllers in Unterkapitel 5.4 diskutiert. 899 Vgl. Drerup/Suprano/Wömpener (2018), S. 12-18. 900 Vgl. Freistühler et al. (2019), S. 63-68. 901 Vgl. Trachsel/Bitterli (2020), S. 199-210. 153 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Abschließend werden mögliche Limitationen der empirischen Untersuchung diskutiert sowie ein Fazit gegeben. 5.2 Theoretisches Konstrukt eines digital transformierten Controller-Profils In der Literatur wird postuliert, dass die Digitalisierung einen starken Einfluss auf das Profil des Controllers hat.902 Obwohl die Auswirkungen auf den Controller unternehmens-, arbeits- platz- und personenspezifisch sind, lassen sich aus der Analyse, die in Kapitel 4 durchgeführt wurde, fünf Schlüsselannahmen ableiten, die ein theoretisches Grundgerüst eines digital trans- formierten Controller-Profils bilden:903 (1) Aufgabenfelder des Controllers: Die Digitalisierung führt zu einer Verlagerung der Aufgaben von manuellen, repetitiven Tätigkeiten zu komplexeren, qualitativeren Aufgaben. Dabei werden insbesondere analysebezogene Aufgaben, Beratungstätigkeiten und auch Aufgaben im Change Management für den Controller zunehmend relevanter. (2) Fachliches Kompetenzprofil:904 Die Digitalisierung setzt voraus, dass Controller über Fachkompetenzen in der Informatik verfügen. Darüber hinaus soll der Controller ein ausgeprägtes Markt- und Geschäftsverständnis sowie statistische Fachkenntnisse besitzen, um Beratungs- oder Analysetätigkeiten ausüben zu können. Daneben erfordert die erfolgreiche Durchführung einer digitalen Transformation Fachwissen im Change Management. (3) Methodisches Kompetenzprofil:905 Die Fähigkeit des Controllers mit digitalen Technologien umzugehen wird im Zuge der Digitalisierung an Bedeutung gewinnen. In diesem Zusammenhang sollte der Controller speziell den Umgang mit fortgeschrittenen Datenbanktechnologien, Programmen der Datenanalytik und -visualisierung sowie Grundkenntnisse in Programmiersprachen beherrschen, um verschiedene, neue Aufgaben ausüben zu können. 902 Vgl. Kieninger/Mehanna/Michel (2015), S. 7; Losbichler/Ablinger (2018), S. 56; Erichsen (2019), S. 1-3; Kei- mer/Egle (2020), S. 6; Schäffer/Weber (2017), S. 58; Gleich (2013), S. 31. 903 Siehe Näheres zum digitalisierten Controller-Profil in Dursun (2021). 904 Der Begriff Fachkompetenz beschreibt die Fähigkeit, fachbezogenes Wissen anzuwenden, zu verknüpfen und auch kritisch zu hinterfragen. Vgl. dazu Schöning/Mendel/Köse (2020), S. 59. 905 Die Methodenkompetenz umfasst Techniken und Arbeitsmethoden zur systematischen und zielgerichteten Lö- sung von Aufgaben oder Problemstellungen. Vgl. dazu Schöning/Mendel/Köse (2020), S. 60. 154 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE (4) Soziales Kompetenzprofil:906 Soziale Kompetenzen werden durch die Digitalisierung im Controlling im weiten Sinne zunehmen. Eine Beratung erfordert eine starke Kommunikations- , Kooperations-, Überzeugungs- sowie Konfliktfähigkeit aber auch Durchsetzungsvermögen, Empathie und Sensibilität. Im Rahmen von Veränderungen wird zusätzlich eine gewisse Teamfähigkeit sowie Menschenkenntnis erwartet. (5) Persönliches Kompetenzprofil:907 Das persönliche Kompetenzprofil des Controllers wird durch die Digitalisierung breit gefächert an mehreren Punkten beeinflusst. Vor allem im Umgang mit digitalen Technologien wird vermehrt eine gewisse IT-Affinität erwartet. Die Datenanalyse, die Interpretation dieser und das Nachvollziehen von Algorithmen setzen eine hohe analytische Fähigkeit voraus. Selbstbewusstsein sowie ethische Kompetenzen sind in Bezug auf eine angemessene Beratung oder Tätigkeiten im Change Management erforderlich. Darüber hinaus sind zusätzlich eine gewisse Proaktivität, Offenheit, Neugier und Lernbereitschaft erforderlich, sollte der Controller selbst von Veränderungen betroffen sein. Zur Beantwortung der Forschungsfrage werden die Ergebnisse der quantitativen Analyse anhand dieser fünf Schlüsselannahmen in Abschnitt 5.3.2 systematisch diskutiert. Zu diesem Zweck wird die Vorgehensweise und Methodik der empirischen Forschung im nächsten Abschnitt erläutert, bevor die kritische Diskussion erfolgt. 5.3 Quantitative Analyse zum Wandel des Controllers auf Grundlage von Stellenaus- schreibungen 5.3.1 Vorgehensweise und Methodik Im Hinblick auf die Forschungsfrage, inwieweit ein digital transformiertes Controller-Profil in Unternehmen in Deutschland nachgefragt wird, werden im Rahmen dieser Untersuchung Stellenausschreibungen als Datenquelle herangezogen. Dementsprechend stellt sich zu Beginn die Frage, inwiefern Stellenausschreibungen für den Forschungszweck als Datenerhebungsquelle geeignet sind. Stellenausschreibungen dienen der Rekrutierung geeigneter Mitarbeiter für eine zu besetzende Stelle und müssen daher Beschreibungen der zu erfüllenden Aufgaben sowie Anforderungen an die Kompetenzen zukünftiger Mitarbeiter 906 Als Sozialkompetenz wird das Geschick bezeichnet, erfolgreich mit Mitmenschen, dazu gehören im Arbeits- kontext bspw. Vorgesetzte, Kollegen, Kunden oder Lieferanten, zu interagieren. Vgl. dazu Gabor (2011), S. 10. 907 Persönliche Kompetenzen beschreiben Fähigkeiten, Charakterzüge und Einstellungen, eines Individuums, die es ihm erlauben, sein Handeln in den verschiedensten Situationen zu motivieren, zu initiieren und zu steuern. Vgl. dazu Gabor (2011), S. 11. 155 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE enthalten.908 Sie enthalten daher neben Informationen über die aktuelle Situation auch eine zukunftsorientierte Komponente.909 Insofern kann davon ausgegangen werden, dass Stellenausschreibungen sowohl aktuelle als auch zukünftige Aufgaben sowie Kompetenzanforderungen widerspiegeln und daher geeignet sind, einen Einblick in die Nachfrageperspektive von Unternehmen zu geben.910 Zudem sind Stellenausschreibungen aufgrund ihrer standardisierten Struktur vergleichbar.911 Sie enthalten in der Regel eine kurze Darstellung des Unternehmens, eine Auflistung der Aufgaben der zu besetzenden Stelle sowie die notwendigen Voraussetzungen zur Erfüllung der jeweiligen Aufgaben. Abschließend werden häufig die vom Unternehmen angebotenen Leistungen genannt.912 Darüber hinaus bieten Stellenanzeigen, z.B. im Vergleich zu Befragungen, den Vorteil der Nicht-Reaktivität, da den Teilnehmern nicht bewusst ist, dass sie Gegenstand einer Untersuchung sind. Dadurch, dass Unternehmen ihre Stellenanzeigen völlig natürlich ausgeschrieben haben, sind die Daten frei von psychologischen Effekten durch den Forschenden. Sie bieten somit eine objektive, forscherunabhängige Analysemöglichkeit.913 Dies und die vereinheitlichte Struktur von Stellenanzeigen legen eine quantitative Analyse nahe. Die standardisierte Struktur ermöglicht es, numerische Daten auf Basis von Stellenausschreibungen zu erheben, welche im Anschluss statistisch verarbeitet werden können. Eine quantitative Analyse von Stellenausschreibungen kann einen Einblick in den aktuellen Stellenmarkt geben.914 Aus solch einer Datenquelle können insbesondere Rückschlüsse auf die aktuellen Aufgaben und geforderten Kompetenzen eines Controllers gezogen werden und somit Hinweise auf den Digitalisierungsgrad des Controllers in der Praxis geben,915 womit die Validität dieser Forschungsmethode zur Beantwortung der Forschungsfrage gewährleistet ist. Neben der Validität ist im Rahmen einer empirischen Untersuchung die intersubjektive Nachvollziehbarkeit zu gewährleisten. Hierbei ist zu beachten, dass die Vorgehensweise so dokumentiert wird, dass sich die Ergebnisse von außenstehenden Dritten reproduzieren lassen.916 Tabelle 5 gibt einen kurzen Überblick über die wichtigsten Aspekte des Forschungsdesigns dieser Untersuchung wieder, welche im Folgenden zur Sicherstellung der intersubjektiven Nachvollziehbarkeit ausführlich erläutert werden. 908 Vgl. Wildgrube (2018), S. 66. 909 Vgl. Mehra/Diez (2017), S. 2. 910 Vgl. Wildgrube (2018), S. 85; Bensberg/Buscher (2017), S. 11. 911 Vgl. Werner/Vester (2017), S. 57. 912 Vgl. Wildgrube (2018), S. 66; Weber/Schäffer (2020), S. 12; Föhr (1998), S. 324-325; Bensberg/Buscher (2017), S. 11. 913 Vgl. Mehra/Diez (2017), S. 2. 914 Vgl. Drumm (2008), S. 83. 915 Vgl. Bensberg/Buscher (2017), S. 11. 916 Vgl. Brosius/Haas/Koschel (2016), S. 2-3. 156 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Ta- belle Daten Stellenausschreibungen für Controller-Stellen 5: For- Erhebungszeitraum 10.09. - 30.09.2020 Stichprobengröße 178 Stellenausschreibungen Datenquelle www.stepstone.de Datentyp Sekundäre Daten Auswertungsmethode Quantitative Inhaltsanalyse schungsdesign der empirischen Untersuchung III917 Bezüglich der Datenerhebung wäre aus statistischer Sicht eine vollständige Erhebung aller Stellenausschreibungen wünschenswert.918 Aufgrund der Vielzahl an Stellenanzeigen und der verschiedenen Medien, in denen sie veröffentlicht werden, können jedoch nicht alle Stellenanzeigen ausgewertet werden und es muss eine Stichprobe verwendet werden.919 Bei der Wahl der Datenquelle weisen Bott (2001) und Sailer (2009) auf spezifische Unterschiede zwischen Stellenanzeigen in Print- und Online-Medien hin und empfehlen aufgrund möglicher Verzerrungen, diese nicht gleichzeitig zu verwenden.920 Dabei nehmen Online-Medien auf der Nachfrageseite des Arbeitsmarktes eine immer wichtigere Rolle ein.921 Stellenanzeigen, die sowohl auf Online-Stellenportalen als auch auf der eigenen Firmenwebsite veröffentlicht werden, sind in der Praxis die wichtigsten Online-Rekrutierungskanäle.922 Da davon auszugehen ist, dass Online-Stellenportale im Vergleich zu firmeneigenen Websites die Möglichkeit bieten, Stellenanzeigen gebündelt auf einer Website einzusehen, wurde für diese Untersuchung diese Art der Stellenbörse gewählt. Dennoch gibt es für Deutschland zahlreiche Online-Stellenportale, wie z.B. Monster, StepStone, Jobware, Kimeta, Indeed usw.923 Wie Jonen (2020) feststellte, sollte lediglich eine Jobbörse ausgewählt werden, um eine starke Zunahme von Duplikaten zu vermeiden.924 Diesbezüglich erstellte Jonen (2020) eine Rangfolge der jeweiligen Jobportale. Faktoren, die in die Bewertung einfließen, sind die Reichweite, die Bekanntheit der einzelnen Jobportale sowie die Menge der angezeigten Stellenanzeigen. 917 Eigene Darstellung. 918 Vgl. Homburg (2017), S. 299. 919 Vgl. Mehra/Diez (2017), S. 2. 920 Vgl. Bott (2001), S. 88; Sailer (2009), S. 62. 921 Vgl. Bott (2001), S. 88; Weitzel et al. (2015), S. 26-27. 922 Vgl. Holtbrügge (2018), S. 124-125; Weitzel et al. (2015), S. 26-27. 923 Vgl. Mehra/Diez (2017), S. 3; Jonen (2020), S. 364. 924 Vgl. Jonen (2020), S. 364. 157 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE StepStone belegt in diesem Ranking den ersten Platz.925 Auch Mehra und Diez (2017) haben StepStone als die beste Alternative identifiziert.926 Daher wurden im Rahmen dieser Forschung Stellenausschreibungen der Online-Jobbörse StepStone zur Untersuchung herangezogen.927 Die Stellenausschreibungen wurden im Zeitraum vom 10.09.2020 bis 30.09.2020 in regelmäßigen Abständen gesammelt. Die Auswahl der Stellenausschreibungen für die Stichprobe hat einen signifikanten Einfluss sowohl auf das Ergebnis als auch auf die Möglichkeit der Verallgemeinerung des Ergebnisses.928 Diesbezüglich sollte die Stichprobe repräsentativ sein, d.h. sie sollte die Merkmale der normalverteilten Gesamtheit aufweisen.929 Um dies bestmöglich zu gewährleisten, wurde bei der Auswahl ein systematischer Ansatz verfolgt, der im Folgenden beschrieben wird. Die in der Suchmaske von StepStone verwendeten Suchbegriffe waren "Controlling", "Controller", "Management Accounting" sowie "Management Accountant". Darüber hinaus war der Standort auf Deutschland beschränkt und die angezeigten Ergebnisse waren immer nach dem Datum der Veröffentlichung der Anzeige geordnet. Dabei wurde in keiner Stellenanzeige der konkrete englische Begriff "Management Accountant" als Titel verwendet. Alle Titel mit einem Controllingbezug wurden nacheinander betrachtet. Da Malmi/Seppälä/Rantanen (2001) in ihrer Studie beobachteten, dass Stellenbezeichnungen mit Controlling- oder Buchhaltungsbezug nicht notwendigerweise den aktuellen Arbeitsinhalt widerspiegeln, wurden auch Stellenanzeigen mit Titeln, die einen eventuellen Bezug zum Controlling haben, gesichtet.930 Dabei wurden alle betrachteten Stellenanzeigen, auch solche, die sich als ungeeignet erachtet herausstellten, dokumentiert und im pdf-Format gespeichert. In der untersuchten Stichprobe wurden Ausschreibungen für Praktika, Werkstudententätigkeiten sowie Abschlussarbeiten nicht berücksichtigt. Auch Stellenausschreibungen, die keinen oder nur einen sehr eingeschränkten Bezug zum Controlling (z.B. Buchhalter) haben, wurden ausgeschlossen. 925 Vgl. Jonen (2020), S. 364-365. 926 Vgl. Mehra/Diez (2017), S. 4. 927 Die entsprechende Website von StepStone ist https://www.stepstone.de. 928 Vgl. Przyborski/Wohlrab-Sahr (2014), S. 177. 929 Vgl. Homburg (2017), S. 303. 930 Vgl. Malmi/Seppälä/Rantanen (2001), S. 482. 158 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Betrachtete Stellenanzeigen 5 30 In der Stichprobe eingeschlossene Stellenanzeigen Nicht geeignete Stellenanzeigen (Buchhaltung, Praktikum etc.) Duplikate 178 Abbildung 12: Klassifikation der 213 betrachteten und archivierten Stellenausschreibungen931 Insgesamt wurden 213 Stellenausschreibungen gesichtet und archiviert. Wie in Abbildung 12 dargestellt wird, erfüllen 178 Inserate die zuvor genannten Kriterien und sind in der Stichprobe enthalten. 30 Stellenanzeigen konnten nicht aufgenommen werden, weil sie unter die bereits genannten Ausschlusskriterien fallen. Darüber hinaus weisen sowohl Bernstorff (1990) als auch Berens et al. (2013) - trotz der Verwendung einer spezifischen Stellenbörse als Datenquelle - auf die Möglichkeit hin, dass die gleichen Stellenanzeigen mehrmals oder mit nur minimalen Anpassungen in der Stellenbörse aufgelistet sein können.932 Um das verbleibende Dublettenri- siko zu reduzieren, wurden alle 213 archivierten Stellenausschreibungen nach der Datenerhe- bung und dem Auswahlprozess manuell auf Duplikate überprüft. Fünf Duplikate konnten iden- tifiziert werden und wurden daher nicht weiter berücksichtigt. Da in der Stichprobe von 178 Stellenausschreibungen nur neun Unternehmen zweimal vertreten sind und sich diese jeweili- gen Stellenausschreibungen überwiegend unterscheiden, kann davon ausgegangen werden, dass keine Duplikate das Ergebnis verfälschen. Um numerische Daten auf Basis von Stellenausschreibungen ableiten und statistisch verarbei- ten zu können, muss nach einer erfolgreichen Datenerhebung eine geeignete Analysemethode bestimmt werden.933 Eine Methode zur Analyse von Stellenausschreibungen stellt die quanti- tative Inhaltsanalyse dar.934 Im Kern dieser Methode werden Textinhalte der Stellenanzeigen hinsichtlich ihrer Merkmale in klassifizierender Weise beschrieben und kategorisiert. Dabei enthält das gesamte Kategoriensystem einer Inhaltsanalyse alle zur Beantwortung der For- schungsfrage notwendigen Kategorien und reduziert schlussendlich die Komplexität großer 931 Eigene Darstellung. 932 Vgl. Bernstorff (1990), S. 10; Berens et al. (2013), S. 226. 933 Vgl. Bott (2007), S. 109; Jonen (2020), S. 359. 934 Vgl. Wildgrube (2018), S. 85. 159 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Textmengen.935 In einem ersten Schritt wurden die Kategorien auf Grundlage der bestehenden Kategorisierungen aus früheren, ähnlichen empirischen Forschungen gebildet.936 Nach Sich- tung des Datenmaterials wurde das Kategoriensystem nochmals angepasst und erweitert. Um die intersubjektive Nachvollziehbarkeit bei der Zuordnung der relevanten Textinhalte zu den entwickelten Kategorien zu gewährleisten, wurden den jeweiligen Kategorien nur inhaltlich gleichbedeutende Merkmale sowie semantisch äquivalente Begriffe und Übersetzungen zuge- ordnet. Die Erstellung der Datensätze sowie die entsprechende Analyse wurden mit dem Ta- bellenkalkulationsprogramm MS Excel erstellt. Die entwickelte MS Excel-Datei enthält das so genannte Rohdaten-Blatt, welches das entwickelte Kategoriensystem sowie die Codierung zur Analyse der Stellenanzeigen enthält. Da das Datenblatt einer 17885-Matrix entspricht, ist in Abbildung 13 lediglich ein Teilausschnitt des gesamten Datensatzes dargestellt, was zur Nach- vollziehbarkeit der Erläuterung im Folgenden beitragen soll. Das vollständige Datenblatt ist unter Anhang 3 zu finden.937 Abbildung 13: Ausschnitt des Datensatzes der empirischen Untersuchung III938 Die Spalten A-C klassifizieren die Stellenanzeige mit einer eindeutigen Nummer, dem entspre- chenden Titel und dem Namen des anbietenden Unternehmens. Insgesamt wurden 85 Katego- rien erstellt, die in den Spalten E bis CK zu finden sind. Die Kategorien wurden nach den Auf- gabenbereichen (Spalten E bis AH), den fachlichen Kompetenzen (Spalten AI bis AU), den 935 Vgl. Früh (2017), S. 44. 936 Vgl. Bensberg/Buscher (2017), S. 12; Berens et al. (2013), S. 228; Lepistö et al. (2016), S. 78-79; Trachsel/Bitt- lerli (2020), S. 205-207; Werner/Vester (2017), S. 58-60; Freistühler et al. (2019), S. 65-67; Drerup/Sup- rano/Wömpener (2018), S. 14-16; Kalwait/Maginot (1998); Preißner (1998), S. 218-221; Mayr/Losbichler/Heindl (2017), S. 24-25. 937 Das Layout des Rohdatenblattes wurde für den Anhang angepasst, um eine vollständige und vernünftige Dar- stellung zu ermöglichen. Die möglichen Ausprägungen der einzelnen Kategorien werden dabei nicht angezeigt. 938 Eigene Darstellung. 160 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE methodischen Kompetenzen (Spalten AV bis BF), den sozialen Kompetenzen (Spalten BG bis BN) und den persönlichen Kompetenzen (Spalten BO bis CK) geclustert. Diese Clusterung entspricht auch der geschaffenen Systematisierung hinsichtlich der in Unterkapitel 5.2 darge- stellten fünf Schlüsselannahmen eines digital transformierten Controller-Profils, um eine Über- prüfung der Ergebnisse zu ermöglichen. Des Weiteren wurden - während die Spalten zur Kate- gorisierung dienen - die Zeilen für die Darstellung der jeweiligen Stellenausschreibungen ver- wendet. Anschließend wurden die Stellenausschreibungen binär in Abhängigkeit ihrer indivi- duellen Inhalte und den entwickelten Kategorien kodiert (1 = Ausprägung einer spezifischen Kategorie vorhanden, 0 = Ausprägung einer spezifischen Kategorie nicht vorhanden). Eine bi- näre Kodierung erlaubt die quantitative Auswertung der Textinhalte der Stellenausschreibun- gen. Nach der quantitativ-inhaltlichen Zuordnung der Merkmale jeder Stellenausschreibung zu den gebildeten Kategorien sowie der statistischen Auswertung dieser, wurden fünf zusätzliche MS Excel-Blätter für eine grafische Aufbereitung der Ergebnisse erstellt. Nach Yin (2003) und Flick (2020) wird durch die in den vorangegangenen Absätzen dargelegte Transparenz der For- schung sichergestellt, dass außenstehende Dritte bei Durchführung der Studie auf Basis des sich in Anhang 3 befindenden Datensatzes, zu den gleichen Ergebnissen kommen können, womit die Reliabilität dieser Untersuchung gewährleistet wird.939 5.3.2 Ergebnisse und Diskussion Im Mittelpunkt dieser Untersuchung steht die Forschungsfrage, inwieweit Unternehmen in Deutschland ein digitales Controller-Profil nachfragen. Die systematische Untersuchung dieser Frage wird anhand der in Unterkapitel 5.2 dargestellten fünf (kursiv abgebildeten) Annahmen eines digital transformierten Controller-Profils kritisch diskutiert. Die Annahmen dienen hierbei zur Prüfung möglicher Übereinstimmungen mit den Ergebnissen aus der quantitativen Analyse. Hierzu werden die Ergebnisse der quantitativen Analyse, bevor sie kritisch diskutiert werden, deskriptiv vorgestellt und wie bei ähnlichen Forschungen in Form prozentualer Häufigkeiten ausgewiesen, was zusätzlich eine gewisse Vergleichbarkeit mit ähnlichen Untersuchungen ermöglicht.940 Die Vorstellung der Ergebnisse und die kritische Diskussion dieser beginnt mit den Aufgabenfeldern des Controllers. (1) Aufgabenfelder des Controllers: Die Digitalisierung führt zu einer Verlagerung der Aufgaben von manuellen, repetitiven Tätigkeiten zu komplexeren, qualitativeren Aufgaben. 939 Siehe näheres zur Erfüllung von Gütekriterien empirischer Forschungen in Yin (2003); Flick (2019), S. 485. 940 Vgl. zum Beispiel Freistühler et al. (2019), S. 65-66; Berens et al. (2013), S. 227-228; Trachsel/Bittlerli (2020), S. 205-208; Werner/Vester (2017), S. 58-60. 161 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Dabei werden insbesondere analysebezogene Aufgaben, Beratungstätigkeiten und auch Aufgaben im Change Management für den Controller zunehmend relevanter. Ein erster Eindruck deutet darauf hin, dass die in Abbildung 14 dargestellten Ergebnisse im Wesentlichen die Ergebnisse früherer Studien bestätigen. Dabei wird das Reporting in 78,1% der untersuchten Stellenausschreibungen als Aufgabenfeld gefordert und steht damit an der Spitze der Liste. Aufgaben im Bereich des Reportings wurden bereits in zahlreichen ähnlichen Untersuchungen von Stellenanzeigen als wichtigste Aufgaben identifiziert.941 Auch wenn ein Vergleich dieser Untersuchung mit anderen Studien die Ergebnisse verifizieren und aussagekräftige Erkenntnisse bringen kann, sollten die Ergebnisse aufgrund der interpretativen und individuellen Ausgestaltung der Aufgaben- und Anforderungskategorien dennoch mit Bedacht gegenübergestellt werden.942 Des Weiteren ist zu beachten, dass aufgrund unpräziser Formulierungen innerhalb der Stellenausschreibungen keine Unterscheidung z.B. zwischen internem Management-Reporting und externem Reporting möglich war, was die Vergleichbarkeit der Erkenntnisse ähnlicher Studien zusätzlich einschränkt. Ein weiterer Vergleich der Ergebnisse findet daher nur punktuell statt. 941 Vgl. Trachsel/Bitterli (2020), S. 205; Berens et al. (2013), S. 227-228; Lepistö et al. (2016), S. 78. 942 Vgl. Fenzlein (2009), S. 9. 162 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Abbildung 14: Aufgabenfelder des Controllers943 Das zweitwichtigste Aufgabenfeld ist mit 73,6% die Entwicklung von Systemen, Instrumenten und Methoden. Hierbei kann die Weiterentwicklung des gesamten Controllings aber auch die Konzeption oder Optimierung spezifischer Kennzahlen gemeint sein. Die gewählte Kategorie ist zwar sehr breit gefächert, kann aber sowohl die tiefe Verankerung des Controllers im Unternehmen als auch den hohen Weiterentwicklungsbedarf in Unternehmen aufzeigen, den Controller offensichtlich unterstützen sollen. Aufgaben in den Bereichen des Forecastings, der Budgetierung sowie der Abweichungsanalyse werden in mehr als jeder zweiten Stellenausschreibung der Stichprobe gefordert und auch operative Planungsaktivitäten stellen mit 46,6% ein wichtiges Aufgabenfeld des Controllers dar. Vergleicht man diese Ergebnisse mit älteren Studien, können diese Aufgaben des Controllers mehr oder weniger als traditionell 943 Eigene Darstellung. 163 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE und beständig angesehen werden.944 Daneben scheinen projektbezogene Tätigkeiten für Controller mit einem Anteil von über 51% von erheblicher Bedeutung zu sein. Dieses Ergebnis deckt sich nahezu mit dem Ergebnis der Untersuchung von Werner/Vester (2017), die für die Projektaktivitäten einen ähnlichen Wert (47%) ermittelten.945 Das Ergebnis deutet darauf hin, dass die projektbezogene Arbeit mehr und mehr zu einem essentiellen Bestandteil des Aufgabenbereichs des Controllers zu werden scheint. Allerdings sticht in dieser Untersuchung vor allem die relative Häufigkeit der explizit angegebenen Datenanalyse, wie z.B. die Analyse von Rohdaten aus einem Data Warehouse als Aufgabenbereich eines Controllers, mit 60,1% heraus. Zu berücksichtigen ist, dass neben der Datenanalyse auch die Abweichungsanalyse (52,8%) sowie die Ad-hoc Analyse (37,6%) einen hohen Anteil aufweisen. Dies verdeutlicht die Bedeutung von Analysetätigkeiten und somit die starke Forderung nach qualitativen Aufgaben, die durch den Controller vollzogen werden sollen. Darüber hinaus werden qualitative Aufgaben wie Beratungsleistungen (23,6%) sowie Aufgaben mit strategischem Charakter, wie die strategische Planung (22,5%) oder Investitionsmanagement-Tätigkeiten (21,9%) in ungefähr jeder vierten Stellenausschreibung nachgefragt. Diese Ergebnisse zeigen, dass nicht nur in der Theorie, sondern auch in der Praxis eine Nachfrage nach Beratungstätigkeiten im digitalen Zeitalter herrscht. Darüber hinaus werden in der Literatur auch häufig die Aufgaben des Projektmanagements als Teilgebiet der Beratungstätigkeiten gesehen und - wie bereits erwähnt - wird die Einbindung des Controllers in Projekte in mehr als der Hälfte der analysierten Stellenanzeigen der Stichprobe signifikant gefordert.946 Datenmanagement-Aufgaben (9%) werden von den Unternehmen in fast einem Zehntel der Stellenausschreibungen nachgefragt, wobei Visualisierungstätigkeiten mit 5,6% und Aufgaben im Bereich des Change Managements mit nur 1,1% aktuell (noch) keine hohe Bedeutung für den Beruf des Controllers darstellen. Dieses Ergebnis deckt sich insbesondere mit der Aussage von Schäffer/Weber (2017), die einerseits Change Management-Tätigkeiten im Aufgabenspektrum des Controllers sehen, andererseits aber die noch geringe Bedeutung betonen.947 Zudem scheint die Zusammenarbeit des Controllers mit der IT-Abteilung, welche nach Auswertung der Stichproben nur in 1,7% der Stellenanzeigen erwähnt wurde, noch keine große Rolle im Controller-Alltag auszumachen. Dennoch wird die Integration des Controllers in Digitalisierungsinitiativen, speziell bezüglich der digitalen Transformation von Prozessen, in 8,4% der Fälle explizit von den Unternehmen gefordert. Zwar erscheint auch dieser Wert 944 Vgl. Lepistö (2016), S. 79; Malmi/Seppälä/Rantanen (2001), S. 485. 945 Vgl. Werner/Vester (2017), S. 58. 946 Vgl. IGC (2017), S. 51. 947 Vgl. Schäffer/Weber (2017), S. 59. 164 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE anfangs gering, allerdings ist zu berücksichtigen, dass das bereits genannte Aufgabenfeld der Entwicklung von Systemen, Instrumenten und Methoden mit 73,6% einen hohen Anteil aufweist und z.B. auch die Automatisierung von speziellen Prozessschritten implizieren könnte, jedoch kein expliziter Bezug zur Digitalisierung in den Stellenanzeigen hergestellt wurde. Aus diesem Grund wurden im Rahmen dieser Forschung diese beiden Kategorien separiert, um die Bedeutung eines zweifelsfrei digitalisierungsgetriebenen Aufgabenfeldes aufzeigen zu können. Alles in allem lässt sich feststellen, dass die Aufgabenbereiche des Controllers im Vergleich zu früheren Untersuchungen sehr konsistent sind.948 Nach wie vor stehen Aufgaben im Bereich des Reportings an erster Stelle und auch Planungs- sowie Budgetierungstätigkeiten sind wei- terhin fester Bestandteil der täglichen Arbeit des Controllers. Auch Analysetätigkeiten werden bereits von einem Großteil der Unternehmen gefordert. Wohingegen qualitative Aufgaben wie die Beratung oder strategische Aufgaben bisher in weniger als einem Viertel der Aufgabenpro- file des Controllers vertreten sind. Darüber hinaus werden Tätigkeiten des Change Manage- ments wie auch weitere im Zuge der Digitalisierung potenziell relevante Aufgaben, wie Daten- management-Aufgaben, Visualisierungstätigkeiten oder die Digitalisierung von Prozessen in sehr begrenztem Umfang gefordert werden. Angesichts der Ergebnisse und im Hinblick auf die erste Annahme würde es dementsprechend zu weit gehen, von einer vollständigen Aufgaben- verlagerung zu sprechen. Nichtsdestotrotz kann die Forderung nach einer Digitalisierung von Prozessen sowie die Entwicklung von Systemen, Instrumenten und Methoden wohl den mög- licherweise nachhaltigen Beginn eines digitalen Wandels aufzeigen. Hierbei ist zu vergegen- wärtigen, dass die Stabilität der Aufgabenfelder nur bedingt Aufschluss darüber gibt, wie diese Tätigkeiten ausgeführt werden. Die Weiterentwicklung des Reportings-Systems könnte bei- spielsweise die Automatisierung der Dateneingabe oder eines selbstständigen Daten- und In- formationszugriffs durch das Management mit Hilfe von Self-Services beinhalten und somit eine digitale Veränderung der Controlling-Aufgaben implizieren. Aus diesem Grund werden im Folgenden die Ergebnisse bezüglich der erwarteten Kompetenzen eines Controllers, unter- teilt in die vier Klassifikationen fachliches, methodisches, soziales und persönliches Kompe- tenzprofil, insbesondere hinsichtlich der digitalen Aspekte kritisch bewertet. Die geforderten Kompetenzen können Aufschluss darüber geben, welche Fähigkeiten benötigt werden, um die Aufgaben zu bewältigen und wie die Tätigkeiten ausgeübt werden sollen.949 948 Vgl. zum Beispiel Berens et al. (2013), S. 227-228; Mayr/Losbichler/Heindl (2017), S. 23-24; Malmi/Seppälä/Rantanen (2001), S. 485. 949 Siehe näheres zu den einzelnen Kompetenzkategorien in Schöning/Mendel/Köse (2020), S. 59-60; Gabor (2011), S. 10-11. 165 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE (2) Fachliches Kompetenzprofil: Die Digitalisierung setzt voraus, dass Controller über Fachkompetenzen in der Informatik verfügen. Darüber hinaus soll der Controller ein ausgeprägtes Markt- und Geschäftsverständnis sowie statistische Fachkenntnisse besitzen, um Beratungs- oder Analysetätigkeiten ausüben zu können. Daneben erfordert die erfolgreiche Durchführung einer digitalen Transformation Fachwissen im Change Management. Abbildung 15 zeigt, dass die beiden wichtigsten fachlichen Kompetenzen, die in den analysierten Stellenausschreibungen an den Controller gestellt werden, eine Hochschulausbildung in betriebswirtschaftlichen Bereichen (92,7%) sowie eine gewisse Berufserfahrung im Bereich der Betriebswirtschaft (92,1%) darstellen. Ein Hochschulabschluss und Berufserfahrung in einem betriebswirtschaftlichen Bereich können in der Praxis sicherlich die hohen Standards von Controllern widerspiegeln. Allerdings ist der direkte Zusammenhang zwischen diesen fachlichen Kompetenzen und der Digitalisierung deutlich begrenzt. Wohingegen eine Verbindung zwischen der geforderten Markt- und Geschäftskenntnis in Höhe von 33,7% und der digitalen Transformation des Controllers aufgrund der steigenden Beratungstätigkeiten und Zusammenarbeit mit der Geschäftsführung hergestellt werden kann, da insbesondere für solche Aufgaben diese Fachkompetenz von Bedeutung sein kann. Das Fachwissen im Projektmanagement, das teilweise auch im Hinblick auf die Zusammenarbeit mit Geschäftspartnern erforderlich sein kann, wird mit einer eher geringen Häufigkeit von 4,5% angegeben. Dieser kleine Wert ist vor allem in Anbetracht der erheblichen Bedeutung projektbezogener Tätigkeiten (51,1%) für Controller verwunderlich. Die Kenntnisse im Bereich des Change Managements werden ebenfalls mit einer extrem niedrigen relativen Häufigkeit von 1,1% nachgefragt. Nichtsdestotrotz lässt sich gerade der niedrige Wert dieser Kompetenzkategorie durch den zuvor genannten ebenso niedrigen Anteil an Change Management-Tätigkeiten (1,1%) im aktuellen Aufgabenbereich des Controllers erklären. 166 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Abbildung 15: Fachliche Kompetenzanforderungen an den Controller950 Im Hinblick auf die Digitalisierung sind weitere vier fachliche Kategorien von besonderem Interesse. Da in dieser Untersuchung zwischen der akademischen Ausbildung sowie der Berufserfahrung in Bereichen der Betriebswirtschaft, der IT sowie der Mathematik unterschieden wird, kann ein differenzierteres Bild hinsichtlich des erforderlichen Bildungs- und Berufshintergrundes gezeichnet werden. Während im fachlichen Kompetenzprofil die Hochschulausbildung (92,7%) und die Berufserfahrung (92,1%) in betriebswirtschaftlichen Bereichen deutlich dominieren, werden in Stellenausschreibungen auch Hochschulabschlüsse in der Informatik mit 7,9% oder in der Mathematik mit 6,7% und eine gewisse berufliche Erfahrung im Bereich der IT mit 4,5% oder der Mathematik mit 2,2% gefordert. Auf den ersten Blick scheint diese Nachfrage für einen Controller-Beruf unüblich zu sein. Doch angesichts der Digitalisierung und der hohen Bedeutung der Datenanalyse scheinen diese Fähigkeiten begründet zu sein, um z.B. die Möglichkeiten digitaler Technologien oder vertiefte Analysen großer Datenmengen zu verstehen und bewerten zu können. Die Ergebnisse können zusammenfassend einen möglichen Beginn eines eher technischen oder analytisch orientierten Controllers in Unternehmen widerspiegeln. Nichtsdestotrotz sind die einzelnen Anteile eher gering und geben zusammenfassend keine weiteren Anhaltspunkte, die eine steigende Tendenz zu einem von der Digitalisierung geprägtem fachlichen Kompetenzprofil des Controllers aufweisen. Für weitere Erkenntnisse werden daher im Folgenden die Ergebnisse der methodischen Kompetenzen näher betrachtet. 950 Eigene Darstellung. 167 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE (3) Methodisches Kompetenzprofil: Die Fähigkeit des Controllers mit digitalen Technologien umzugehen wird im Zuge der Digitalisierung an Bedeutung gewinnen. In diesem Zusammenhang sollte der Controller speziell den Umgang mit fortgeschrittenen Datenbanktechnologien, Programmen der Datenanalytik und -visualisierung sowie Grundkenntnisse in Programmiersprachen beherrschen, um verschiedene, neue Aufgaben ausüben zu können. Abbildung 14 zeigte, dass Analysetätigkeiten ein integraler Bestandteil der Aufgaben des Con- trollers sind. Sogenannte Ad-hoc Analysen werden in 37,6% der Stellenausschreibungen ange- fordert und Abweichungsanalysen werden gar in mehr als jeder zweiten Stellenausschreibung genannt. Datenanalysen erreichen sogar die relative Häufigkeit von 60,1%. Hinsichtlich der erforderlichen Methodenkompetenzen zur Analyse zeigt ein Blick auf Abbildung 16 jedoch ein geteiltes Bild vor dem Hintergrund der Digitalisierung. Abbildung 16: Methodische Kompetenzanforderungen an den Controller951 Die Fähigkeit zur Nutzung des Tabellenkalkulationsprogramms MS Excel (84,3%) ist die mit Abstand am häufigsten nachgefragte Methodenkompetenz in der Stichprobe. Vom Controller werden zudem Englischkenntnisse (62,4%) sowie der Umgang mit ERP-Systemen oder anderen herkömmlichen Finanzsoftwares (61,8%) mit einer vergleichbar hohen Häufigkeit erwartet. Das gleiche Bild zeigen die Studien von Trachsel/Bitterli (2020) für die Schweiz sowie 951 Eigene Darstellung. 168 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Drerup/Suprano/Wömpener (2018), in denen ERP-Systeme und MS Office-Kenntnisse hin- sichtlich der geforderten methodischen Kompetenzen die Spitzenplätze einnehmen.952 In Bezug auf die dritte Annahme lässt sich feststellen, dass die drei am häufigsten genannten Kategorien nicht die erforderlichen methodischen Fähigkeiten umfassen, um fortgeschrittene Analysen z.B. auf Basis von Big Data, einer riesigen, polyvalenten und schnell weitersteigenden Daten- menge durchzuführen.953 Diese Interpretation wird insbesondere durch die Tatsache verstärkt, dass gerade die für solch fortgeschrittenen Analysen benötigten Kenntnisse über Big Data Ana- lytic-Softwares mit einer relativen Häufigkeit von lediglich 1,7% einen vergleichsweise sehr geringen Wert aufweist und damit eher die Ausnahme als die Regel darstellen. Auch die Nach- frage nach Programmierkenntnissen (wie z.B. Python, R oder Visual Basic), die hinsichtlich der Interpretation von Analysen oder für das Nachvollziehen von komplizierten Algorithmen hilfreich sind, zeigt mit einem Anteil von 3,9% ein ähnliches Bild. Darüber hinaus kann im Hinblick auf die dritte Annahme der Umgang mit Datenbanktechnologien sowie Visualisie- rungs-Tools, als ein potentieller Treiber der Digitalisierung des Controller-Profils gesehen wer- den. Immerhin in 18,5% der Stellenausschreibungen werden Datenbankkenntnisse gefordert. Daneben erwarten 13,5% der Unternehmen, dass der Controller Kenntnisse über Daten- und Informationsvisualisierungssoftwares besitzt. Dieser Anteil erscheint deswegen relativ hoch, weil auch mit Hilfe von MS Excel Inhalte visualisiert werden können. Aufgrund der bisherigen Ergebnisse ist die Schlussfolgerung naheliegend, dass die aktuell von Unternehmen erwünsch- ten methodischen Fähigkeiten eines Controllers nicht oder nur in äußerst geringem Maße ein digitalisierungsgetriebenes methodisches Kompetenzprofil widerspiegeln. Schließt man jedoch die Kategorie BI-Software-Kenntnisse mit ein, kann man ein anderes, eher digitales Bild des Controllers erkennen. Mit einem Anteil von 28,1% entspricht diese Kompetenz fast einem Drit- tel, was im Vergleich zu früheren empirischen Analysen von Stellenausschreibungen einen star- ken Anstieg darstellt. Trachsel/Bitterli (2020) entnahmen aus ihrer Untersuchung von Stellen- anzeigen für die Schweiz BI-Kompetenzen mit rund 7%.954 Drerup/Suprano/Wömpener (2018) fanden ebenfalls einen vergleichbaren Wert im Rahmen ihrer Forschung.955 Trotz der möglich- erweise unterschiedlichen Kategorienbildung ist der Unterschied zwischen den Ergebnissen re- lativ groß. Auf Basis der analysierten Stellenausschreibungen lässt sich daher ein klarer Trend erkennen, dass BI-Themen von Unternehmen in Deutschland immer mehr in der Verantwor- tung von Controllern gesehen werden. Dabei ist allerdings zu berücksichtigen, dass mittels BI- 952 Vgl. Drerup/Suprano/Wömpener (2018), S. 15-17; Trachsel/Bitterli (2020), S. 206-207. 953 Vgl. Gandomi/Haider (2015), S. 138. 954 Vgl. Trachsel/Bitterli (2020), S. 206. 955 Vgl. Drerup/Suprano/Wömpener (2018), S. 15-17. 169 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Programmen zwar komplexere Analysen durchgeführt werden können als z.B. mit Hilfe von MS Excel.956 Allerdings basiert BI herkömmlicherweise auf einem Datenspeicherungssystem, das auf eine relationale Datenbanktechnologie zurückgreift und somit ausschließlich in der Lage ist, strukturierte Daten zu speichern.957 Dementsprechend sind reine BI-Softwares nicht in der Lage Big Data aufgrund dessen polyvalenter Struktur zu verarbeiten, geschweige denn zu analysieren, weshalb der methodischen Kompetenzen hinsichtlich BI-Softwares keine zu große Relevanz zugeordnet werden sollte. Trotz alledem kann die Entwicklung der Nachfrage nach solch einer methodischen Kompetenz als Indikator für eine digitale Transformation des Kompetenzprofils des Controllers betrachtet werden. Schließlich ist anhand der Ergebnisse ein deutlicher Wunsch nach technologiebasierten methodischen Fertigkeiten zu sehen.958 Es enthalten 95,5% aller analysierten Stellenausschreibungen technologische Methodenkompetenzen und nur acht Stellenausschreibungen weisen keine technologisch methodischen Fähigkeiten auf.959 Daneben ist der weiterhin starke Wunsch nach Kompetenzen im Umgang mit klassischen Tools, wie MS Office-Programmen oder ERP-Systemen, besonders bemerkenswert. Untersucht man das technologiebasierte, methodische Kompetenzprofil exklusive die Kategorien MS Office und ERP-Systeme, so erachten lediglich 43,8% der Unternehmen technologische Methodenkompetenzen vom Controller als erforderlich. Die Ergebnisse verdeutlichen zum einen, dass technologisch methodische Fertigkeiten für den Controller in der Praxis unerlässlich sind. Zum anderen lässt sich aus der weiterhin hohen Verwendung von klassischen Tools im Controlling ein aktuell eher geringer Digitalisierungsgrad des Controllers schließen. Nichtsdestotrotz zeigt die Diskussion angesichts der dritten Schlüsselannahme ein differenziertes Bild, in dem teilweise digitalisierungsbedingte Aspekte zu erkennen sind. (4) Soziales Kompetenzprofil: Soziale Kompetenzen werden durch die Digitalisierung im Controlling im weiten Sinne zunehmen. Eine Beratung erfordert eine starke Kommunikations- , Kooperations-, Überzeugungs- sowie Konfliktfähigkeit aber auch Durchsetzungsvermögen, Empathie und Sensibilität. Im Rahmen von Veränderungen wird zusätzlich eine gewisse Teamfähigkeit sowie Menschenkenntnis erwartet. 956 Vgl. Whinnery (2020), S. 3. 957 Vgl. Meier/Kaufmann (2016), S. 6-8; Schön (2016), S. 235-243. 958 Das technologiebasierte methodische Kompetenzprofil beinhaltet alle hier untersuchen Kategorien der metho- dischen Kompetenzen exklusive der Sprachkenntnisse. 959 Der Median beträgt 2 und die Standardabweichung beträgt 1,2. 170 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Abbildung 17 illustriert die sozialen Fähigkeiten, die Unternehmen von Controllern erwarten. Hervorzuheben ist, dass sechs der acht sozialen Fähigkeiten, die hinsichtlich der Digitalisierung an Bedeutung zunehmen, explizit in den untersuchten Stellenausschreibungen genannt wurden. Lediglich die Überzeugungsfähigkeit sowie die Menschenkenntnis wurden in keiner Stellenausschreibung konkret gefordert. Abbildung 17: Soziale Kompetenzanforderungen an den Controller960 Soziale Kompetenzen wie die Kommunikationsfähigkeit (51,1%), Teamfähigkeit (30,3%), das Durchsetzungsvermögen (16,9%) und die Kooperationsfähigkeit (14,6%) sind auf einem relativ hohen Niveau ausgeprägt. Im Hinblick auf eine umfassende Beratung des Managements durch den Controller oder Tätigkeiten im Veränderungsmanagement erscheinen solch starke Ausprägungen zwangsläufig und lassen auf einen digitalen Einfluss schließen. Wohingegen die für diese beiden womöglich in Zukunft wichtigen Aufgabenfelder des Controllers ebenfalls hilfreichen Kompetenzen Konfliktfähigkeit sowie Empathie/Sensibilität lediglich in 1,1% bzw. in 0,6% der Anzeigen explizit erwünscht werden und somit ein eher marginaler Bezug zur Digitalisierung hergestellt werden kann. Betrachtet man die Ergebnisse, entsteht im Hinblick auf die vierte Annahme ein ambivalenter Eindruck. Insgesamt ist es jedoch kaum möglich, für die stark nachgefragten sozialen Kompetenzen lediglich die Digitalisierung als Treiber zu erklären. Allerdings kristallisiert sich heraus, dass der Controller ein Teamplayer mit ausgeprägten Kommunikationsfähigkeiten sein sollte und diese Fähigkeiten für eine künftige Veränderung des Aufgabenfeldes von Vorteil sein können. (5) Persönliches Kompetenzprofil: Das persönliche Kompetenzprofil des Controllers wird durch die Digitalisierung breit gefächert an mehreren Punkten beeinflusst. Vor allem im 960 Eigene Darstellung. 171 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Umgang mit digitalen Technologien wird vermehrt eine gewisse IT-Affinität erwartet. Die Datenanalyse, die Interpretation dieser und das Nachvollziehen von Algorithmen setzen eine hohe analytische Fähigkeit voraus. Selbstbewusstsein sowie ethische Kompetenzen sind in Bezug auf eine angemessene Beratung oder Tätigkeiten im Change Management erforderlich. Darüber hinaus sind zusätzlich eine gewisse Proaktivität, Offenheit, Neugier und Lernbereitschaft erforderlich, sollte der Controller selbst von Veränderungen betroffen sein. Abbildung 18 veranschaulicht die zahlreichen persönlichen Kompetenzen, die Unternehmen von den Controllern erwarten. Mit insgesamt 23 Kategorien wird das erheblich differenzierte Spektrum der persönlichen Fähigkeiten eines Controllers deutlich. Im Durchschnitt wurden über vier persönliche Kompetenzen pro Stellenausschreibung gefordert und insgesamt 92,7% der analysierten Stellenanzeigen enthalten persönliche Kompetenzanforderungen.961 Daraus lässt sich bereits jetzt schließen, dass die persönlichen Kompetenzanforderungen an den Controller in der Unternehmenspraxis eine große Bandbreite als auch Bedeutung haben. 961 Der Median beträgt 4 und die Standardabweichung beträgt 2,2. 172 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Abbildung 18: Persönliche Kompetenzanforderungen an den Controller962 Auf den ersten drei Plätzen rangieren analytische Fähigkeiten (66,9%), ein eigenständiger Arbeitsstil (46,1%) sowie ein strukturiertes Arbeiten (37,1%). Bis auf geringe Abweichungen von Prozentpunkten kommen die Ergebnisse dieser drei Kategorien überraschend nahe an die Ergebnisse von Werner/Vester (2017) heran.963 Auch wenn es schwierig ist, für diese Kategorien einen ausschließlichen Bezug zur Digitalisierung herzustellen, so ist doch für vertiefende Analysen eine analytische Denkweise eindeutig erforderlich. In diesem Zusammenhang kann auch das Verständnis von Zahlen mit einem Anteil von 34,8% hilfreich sein. Allerdings kann man anhand älterer Studien, wie von Werner/Vester (2017), erkennen, dass solche Attribute auch vom klassischen Controller gefordert wurden und anhand dieser Ergebnisse keine deutliche Veränderung durch die Digitalisierung abgeleitet werden kann. Der Anteil des Selbstbewusstseins mit 11,4% erscheint insbesondere im Vergleich zur bisher 962 Eigene Darstellung. 963 Vgl. Werner/Vester (2017), S. 60. 173 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE niedrigen Frequenz der Change Management-Tätigkeiten in Höhe von 1,1% relativ hoch. Der Grund dafür kann sein, dass die Forderung nach dieser Kompetenz ebenfalls durch die steigende Bedeutung einer Beratung durch den Controller beeinflusst wird. Darüber hinaus werden persönliche Fertigkeiten, wie ethische Kompetenzen, die insbesondere in Bezug mit digitalen Veränderungen von Bedeutung sind, in keiner Ausschreibung explizit gefordert. Sollte der Controller selbst von Veränderungen betroffen sein, so sind zusätzliche persönliche Kompetenzen, wie bspw. Offenheit, Neugier oder Lernbereitschaft, nützlich. Allerdings werden auch solche Kompetenzen vom Controller in der Stichprobe nicht ausdrücklich erwünscht. Wohingegen die Proaktivität, die vor allem bei selbst herbeigeführten Veränderungen im Controlling von großer Bedeutung ist, einen relativ hohen Wert mit 33,1% aufweist. Schließlich sticht vor allem die geforderte IT-Affinität mit 17,4% heraus. Diese persönliche Kompetenz steht in einem offensichtlichen Zusammenhang mit der Digitalisierung. Sie ist nicht nur bei der Anwendung jeglicher digitalen Technologie im Controlling von Vorteil, sondern auch beim Aufbau von Fachwissen in der Informatik oder im Umgang mit technischen Methoden hilfreich. Zudem ist diese Fähigkeit im Rahmen des Change Managements, wenn der Controller sich mit digitalen Entwicklungen auseinandersetzt oder digitale Veränderungen aktiv anstößt, förderlich. Aufgrund der schwierigen Abgrenzung rein persönlicher Kompetenzen, welche im Kontext der Digitalisierung durch die sich ändernden Aufgaben des Controllers gefordert werden, ist die Schlussfolgerung für das persönliche Anforderungsprofil nicht eindeutig. Insgesamt lässt sich festhalten, dass die allgemeinen Anforderungen an das persönliche Profil hoch und vielfältig zu sein scheinen. Dabei fallen insbesondere die IT-Affinität und die Proaktivität, die in Anbetracht der digitalen Transformation des Controllers immer wichtiger werden, besonders auf. Diese Ergebnisse können dementsprechend einen möglichen Beginn eines digital transformierten Controllers in Unternehmen widerspiegeln. Zusammenfassend scheint die Nachfrage von Unternehmen in Deutschland nach einem digital transformierten Controller-Profil aktuell (noch) eher begrenzt zu sein. Die Aufgaben des Controllers können als mehr oder weniger beständig angesehen werden. Qualitative Aufgaben wie Beratungstätigkeiten werden zwar nachgefragt, allerdings in deutlich geringerer Priorität. Neue in der Literatur und von Experten postulierte Aufgaben im Rahmen des Change Managements sind eher die Ausnahme als die Regel. Auch "digitale" Kompetenzanforderungen wie z.B. Fachwissen in der Informatik, in der Statistik oder der Umgang mit Big Data- 174 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Methoden sind in der Minderheit. Insbesondere im Hinblick auf eine Aussage von Large (2009) sind speziell diese Ergebnisse überraschend. Large (2009) ist der Ansicht, dass Kompetenzanforderungen in Stellenausschreibungen im Allgemeinen oft überbewertet werden sowie unrealistische Maximalanforderungen darstellen.964 Dennoch wurden diese, im Zuge der Digitalisierung bedeutenden Kompetenzen, relativ selten nachgefragt. Trachsel/Bitterli (2020) kommen bei ihrer empirischen Forschung zum Schluss, dass die Digitalisierung in der Schweiz eine eher marginale Bedeutung für die Rolle des Controllers darstellt.965 Schäffer/Weber (2017) sind der Ansicht, dass die digitale Transformation des Controllers in der unternehmerischen Praxis eher eine Phrase als eine gelebte Realität zu sein scheint.966 Obwohl ein großer Teil der Ergebnisse dieser Studie diese Ansichten bestätigen, lässt diese Untersuchung aufgrund von mehreren bemerkenswerten Tatsachen, die sich abzeichnen, eine derart extreme Schlussfolgerung für Unternehmen in Deutschland aktuell nicht zu. Erstens werden, auch wenn noch in geringem Umfang, Digitalisierungsthemen, wie z.B. die Automatisierung von Prozessen, Datenmanagementaktivitäten, der Umgang mit Datenbanken oder Programmierkenntnisse, explizit von Controllern verlangt. Zweitens findet sich die Forderung nach Business Intelligence-Expertise in fast einem Drittel der analysierten Stellenanzeigen wieder, was einen eindrucksvollen Unterschied zu früheren, ähnlichen Untersuchungen darstellt und drittens ist der Wunsch, dass der Controller eine gewisse IT-Affinität besitzt, erstaunlich hoch. Auch die Relevanz dieser Kompetenz hat im Vergleich zu früheren Studien beträchtlich zugenommen. Daher gibt es klare Tendenzen zur digitalen Transformation des Controllers. Es kann aufgrund des Aufgaben- und Anforderungsprofils in dieser Studie nicht von einem Randphänomen eines digitalen Wandels des Controllers gesprochen werden, auch wenn die überwiegende Mehrheit der Stellenanzeigen dazu tendiert, eher vereinzelte Aspekte eines digital transformierten Profils zu fordern. Schließlich weisen Schäffer/Brückner (2019) auf die langsame Veränderungsgeschwindigkeit des Kompetenzprofils in den letzten Jahren hin, was darauf hindeuten kann, dass auch die Transformation des Controllers in der Praxis eher langsam erfolgt.967 Alles in allem lässt sich die Forschungsfrage wie folgt beantworten: Die Unternehmen in Deutschland fordern ein digital transformiertes Profil des Controllers auf der Grundlage der gewünschten Aufgaben und Kompetenzen, aber in (noch) eher begrenztem Umfang. In der analysierten Stichprobe finden sich zwar Ansätze eines digitalen Profils des Controllers, aber es scheint noch nicht zur Norm geworden zu sein. Dennoch wirft dieses 964 Vgl. Large (2009), S. 315. 965 Vgl. Trachsel/Bitterli (2020), S. 199. 966 Vgl. Schäffer/Weber (2017), S. 58. 967 Vgl. Schäffer/Brückner (2019), S. 15. 175 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Ergebnis die Frage auf, welche Implikationen es für die Rolle des Controllers in Unternehmen hat. Hat die Digitalisierung den Controller bereits zu einem Data Scientist oder einem Business Partner gemacht? Oder wird er als Change Agent Veränderungsprozesse in Unternehmen aktiv vorantreiben? Da die auf den Aufgaben und Kompetenzprofilen basierenden Ergebnisse weitere Rückschlüsse auf die Rolle des Controllers erlauben, werden im folgenden Abschnitt diese Fragen beleuchtet. 5.4 Implikationen bezüglich der Rolle des Controllers Der Wahrnehmung der Rolle des Controllers wird sowohl in der Literatur als auch in der Praxis große Bedeutung beigemessen.968 Aus der Unternehmensperspektive kann eine Rolle haupt- sächlich als eine Reihe von Erwartungen beschrieben werden, die an einzelne Mitarbeiter in- nerhalb eines Unternehmens gestellt werden. Sie ist daher eng mit entsprechenden Aufgaben und geforderten Kompetenzen verbunden.969 Folglich verwenden Autoren auch unterschiedli- che Rollen, um das breite Aufgaben- und Kompetenzspektrum des Controllers zu strukturie- ren.970 Hierbei führt insbesondere die Digitalisierung zu unterschiedlichen, potenziellen Rol- lenentwicklungen des Controllers.971 Die Erkenntnisse aus der Literatur und der in Kapitel 4 durchgeführten qualitativen Analyse verdeutlichen allerdings, dass überwiegend die Rollen als Business Partner, Change Agent und Data Scientist im Zuge der Digitalisierung zu einer breiten Diskussion anregen und von besonderer Bedeutung sind.972 Daher werden im Folgenden spe- ziell diese potenziellen Rollenentwicklungen des Controllers im Hinblick auf die Ergebnisse dieser quantitativen Analyse thematisiert. Innerhalb der Rolle des Business Partners wird der Controller als aktiver Berater des Managements gesehen und unterstützt dieses auf operativer und strategischer Ebene.973 Dabei zeichnet sich der Business Partner vor allem dadurch aus, dass er eine enge Beziehung zur Unternehmensführung pflegt.974 Der Business Partner ist vermehrt in Entscheidungsprozesse involviert und hinterfragt die Entscheidungen sowie Maßnahmen des Managements kritisch.975 Dementsprechend sind insbesondere betriebswirtschaftliche Fachkenntnisse sowie ein hohes 968 Vgl. Goretzki/Weber (2012), S. 22. 969 Vgl. Goretzki/Weber (2010), S. 164. 970 Vgl. Goretzki/Weber (2012), S. 22. 971 Vgl. Mödritscher/Wall (2017), S. 418-419; Schäffer/Brückner (2019), S. 21-25. 972 Vgl. Schulte/Bülchmann (2016), S. 56-57; Steiner/Welker (2016), S. 69-71; Schäffer/Brückner (2019), S. 24; Isensee (2017), S. 39; Weber (2017), S. 71; Gleich (2013), S. 25. 973 Vgl. Schulte/Bülchmann (2016), S. 57; Goretzki/Weber (2012), S. 22-23; Langmann (2019), S. 42; Gänßlen et al. (2012), S. 5. 974 Vgl. Weißenberger et al. (2012), S. 330; Schäffer/Brückner (2019), S. 21. 975 Vgl. Quinn (2014), S. 24; Nobach/Immel (2017), S. 79; Erichsen (2019), S. 16. 176 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Maß an Geschäfts- und Marktverständnis, aber auch umfangreiche soziale und persönliche Kompetenzen, wie z.B. Kommunikations-, Team- oder Kooperationsfähigkeit als auch ein gesundes Selbstbewusstsein sowie ein gewisses Durchsetzungsvermögen charakteristisch für einen Business Partner.976 Die Rolle des Business Partners ist aus den Ergebnissen klar ersichtlich. So soll der Controller in fast einem Viertel der analysierten Stellenausschreibungen eine beratende Funktion (23,6%) im Unternehmen einnehmen. Die untersuchten Stellenausschreibungen weisen zudem einen ähnlich hohen Anteil an Aufgabenfeldern mit strategischem Charakter, wie die strategische Planung (22,5%) oder Tätigkeiten des Investitionsmanagement (21,9%), auf. Darüber hinaus ist ein großer Teil der sozialen und persönlichen Kompetenzen des Business Partners ebenfalls klar im Anforderungsprofil verankert. Dementsprechend zeigen die Ergebnisse deutlich, dass der Controller als Business Partner in Unternehmen eine erkennbare Rolle spielt. Angesichts der grundsätzlich starken Nachfrage nach dieser Rolle implizieren die Ergebnisse, dass Controller sich aktiv mit dieser Rolle beschäftigen sollten, um die Veränderungen, welche die Digitalisierung für den Controller-Beruf mit sich bringen kann, bewältigen zu können. Im Gegensatz zum Business Partner ist die Rolle des Change Agents relativ neu.977 Die Rolle des Change Agents ist die Reaktion auf ein unsicheres Umfeld im Zuge der Digitalisierung. Dieser ist insbesondere dafür verantwortlich digitale Veränderungen im Unternehmen proaktiv voranzutreiben.978 Um diese Rolle wahrnehmen zu können, benötigt der Controller Fachkenntnisse auf dem Gebiet des Veränderungsmanagements sowie in der Informatik. Des Weiteren sind insbesondere soziale Kompetenzen, wie z.B. eine gewisse Empathie oder Konfliktfähigkeit, von Bedeutung, um weitreichende Veränderungen in Unternehmen zu erreichen.979 Was die Rolle als Change Agent betrifft, so zeigen die Ergebnisse klare Implikationen. Die mit dieser Rolle verbundenen Veränderungsaufgaben (1,1%) werden von den Unternehmen nur am Rande gefordert. Verstärkt wird dieses Ergebnis zudem durch den ebenso geringen Anteil an gewünschten Kenntnissen im Change Management (1,1%). Auch wichtige soziale Kompetenzen, die für Tätigkeiten des Veränderungsmanagements hilfreich sind, wie die vorher genannte Empathie (0,6%) oder Konfliktfähigkeit (1,1%), werden nur in den wenigsten Ausnahmefällen von Unternehmen gefordert. Die Ergebnisse dieser Untersuchung implizieren daher, dass der Controller in der Rolle als Change Agent aktuell 976 Vgl. Gleich/Lauber (2013), S. 513; Langmann (2019), S. 47; Schäffer/Brückner (2019), S. 18. 977 Vgl. Gleich/Lauber (2013), S. 514; Weber (2017), S. 71. 978 Vgl. Gleich/Lauber (2013), S. 512-513. 979 Vgl. Egle/Keimer (2018), S. 51-52; Gleich/Lauber (2013), S. 513-514; Weber (2017), S. 71; Schäffer/Brückner (2019), S. 17. 177 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE selten nachgefragt wird. Angesichts der bemerkenswert niedrigen Anteile der für einen Change Agent implizierten Aufgaben und Kompetenzen erscheint die Entwicklung hin zu einer solchen Rolle in naher Zukunft noch höchst ungewiss. Schließlich besteht auch der offene Diskurs, inwieweit der Controller als Data Scientist agieren sollte oder ob ein Data Scientist als eigenständiger, unternehmerischer Akteur etabliert werden sollte.980 Beim Data Scientist handelt es sich um eine Person, welche mit großen, meist polystrukturierten Datenmengen arbeitet.981 Für umfassende Analysen solcher Datenmengen benötigt der Data Scientist profundes mathematisch-statistisches Fachwissen sowie ein grundsätzliches Verständnis für Themen der Informatik. Zusätzlich sollte ein Data Scientist methodische Kenntnisse über fortgeschrittene Datenanalysesoftwares sowie Programmiersprachenkenntnisse besitzen und daher eine gewisse IT-Affinität aufweisen.982 Betrachtet man die Ergebnisse dieser Studie, so wird deutlich, dass der Controller diese Rolle derzeit eher geringfügig erfüllt. Zwar sind Analysetätigkeiten, wie z.B. die Datenanalyse (60,1%), insgesamt stark nachgefragt, allerdings enthielten wenige Stellenausschreibungen Anforderungen zu Mathematik- und Informatikkenntnissen. Auch Kenntnisse bezüglich fortgeschrittener Analyseprogramme (1,7%) werden vom Controller nur im unteren einstelligen Prozentbereich erwartet. Schließlich sind fast keine Programmierkenntnisse (3,9%) erforderlich. Lediglich eine gewisse IT-Affinität (17,4%) wird neuerdings vermehrt vom Controller gefordert. Zusammenfassend ist ein Großteil der wesentlichen Schlüsseleigenschaften, die für vertiefende Tätigkeiten des Data Scientists erforderlich sind, nicht oder nur minimal ausgeprägt. Aus diesem Grund ist eine vollständige Rollenverschiebung des Controllers hin zu einem Data Scientist bisher noch nicht zu beobachten und auch eine baldige Entwicklung hin zu dieser Rolle erscheint aufgrund der Ergebnisse eher fraglich. Aktuell erscheint eine verlässliche Zusammenarbeit zwischen Controller und Data Scientist als eigenständige Position oder die Entwicklung hin zu abgewandelten Formen des Data Scientists als wahrscheinlichere Szenarien. 5.5 Limitationen und Fazit Im Folgenden werden mögliche Limitationen dieser Untersuchung diskutiert, bevor ein abschließendes Fazit gegeben wird. Stellenanzeigen über Jobbörsen im Internet sind eine 980 Vgl. Freistühler et al. (2019), S. 65; Baumöl/Grawe/Bockshecker (2017), S. 43-44. 981 Vgl. Davenport (2014), S. 88-91, 93-96; Steiner/Welker (2016), S. 69-70. 982 Vgl. Tschandl/Mallaschitz (2016), S. 99; Egle/Keimer (2018), S. 52; Gleich/Munck/Schulze (2016), S. 36; Wrobel et al. (2015), S. 377. 178 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE geeignete Datenquelle für den Forschungszweck und wurden in zahlreichen früheren ähnlichen Studien verwendet, was in Abschnitt 5.3.1 kritisch diskutiert wurde. Nichtsdestotrotz stellen sie nur einen möglichen Weg der externen Rekrutierung dar. Auch das Hochschulmarketing, bei dem neue Talente an Hochschulen direkt angeworben werden, oder die exklusive Stellenausschreibung auf der unternehmenseigenen Website sind weitere Möglichkeiten der externen Rekrutierung.983 Darüber hinaus wird nur dann extern rekrutiert, wenn bspw. die benötigten Qualifikationen im Unternehmen nicht ausreichend vorhanden sind oder nicht zeitnah aufgebaut werden können.984 Aufgrund der Nichteinbeziehung von internen Stellenausschreibungen und der Vielzahl von Medien, in denen Stellenausschreibungen veröffentlicht werden, sollte darauf hingewiesen werden, dass nicht alle Anzeigen ausgewertet wurden und lediglich eine Stichprobe verwendet wurde.985 Außerdem kann nicht ausgeschlossen werden, dass in der Stichprobe fiktive Stellenanzeigen enthalten sind, die z.B. zum Aufbau einer Headhunter-Datei dienen und somit keine realen Stellen repräsentieren.986 Dennoch wurden diese Limitationen bestmöglich begrenzt. Hinsichtlich der empirischen Untersuchung wurden die gleichen hohen wissenschaftlichen Standards wie in ähnlichen Studien angewandt und die intersubjektive Nachvollziehbarkeit während des gesamten Forschungsprozesses sichergestellt. Online- und Printmedien wurden nicht simultan genutzt und StepStone wurde als spezifischer und geeigneter Online-Stellenmarkt identifiziert. Schließlich wurden die Daten zusätzlich manuell überprüft, um verbliebene Duplikate zu entfernen und damit verbundene Fehlinterpretationen zu vermeiden. Darüber hinaus konnte aufgezeigt werden, dass Stellenanzeigen eine geeignete Datenquelle darstellen und dass eine empirische Forschung mit der Methode der quantitativen Inhaltsanalyse im Hinblick auf die Forschungsfrage dieser Untersuchung geeignet ist. In Anbetracht der Forschungsfrage wurden die Ergebnisse der quantitativen Analyse von Stellenanzeigen und folglich die von Unternehmen geforderten Aufgaben und Kompetenzen auf Basis von fünf zentralen Annahmen hinsichtlich eines digital transformierten Profils des Controllers kritisch diskutiert. In Anbetracht der ersten Annahme konnte gezeigt werden, dass die Aufgabenbereiche des Controllers weitestgehend konstant geblieben sind. Nach wie vor sind das Reporting, die Planung sowie die Budgetierung fester Bestandteil der täglichen Arbeit des Controllers. Neue Aufgabenfelder aufgrund der Digitalisierung, wie Tätigkeiten des 983 Vgl. Holtbrügge (2018), S. 116-124; Nicolai (2019), S. 82. 984 Vgl. Nicolai (2019), S. 81; Scherm/Süß (2010), S. 31. 985 Vgl. Mehra/Diez (2017), S. 2; Bott (2007), S. 110 und S. 116; Weber/Schäffer (1998), S. 228. 986 Vgl. Bernstorff (1990), S. 10. 179 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE Change Managements, werden von Controllern nur in sehr begrenztem Umfang gefordert. Wohingegen qualitative Aufgaben, wie Beratungs- oder Analysetätigkeiten, von einem Großteil der Unternehmen nachgefragt wurden. Angesichts der Ergebnisse und im Hinblick auf die erste Annahme würde es jedoch zu weit gehen, von einer vollständigen Aufgabenverlagerung zu sprechen. Hinsichtlich der fachlichen Kompetenzen wurden in den Ausschreibungen auch akademische oder berufliche Ausbildungen in den Bereichen der IT sowie Mathematik nachgefragt. Jedoch sind die einzelnen Anteile eher gering und verkörpern vielmehr eine steigende Tendenz hin zu einem von der Digitalisierung geprägtem fachlichen Kompetenzprofil. Die quantitative Analyse hat im Hinblick auf das methodische Kompetenzprofil gezeigt, dass technologiebasierte methodische Fähigkeiten für den Controller in der Praxis unerlässlich sind. Allerdings finden weiterhin größtenteils klassische Tools, wie MS Excel oder ERP-Systeme, im Controlling Verwendung, was auf einen eher geringen Digitalisierungsgrad des Controllers schließen lässt. Nichtsdestotrotz lassen sich aus der Diskussion unter Berücksichtigung der dritten Schlüsselannahme teilweise auch digitalisierungsbedingte Aspekte, wie z.B. dem gefragten Umgang mit BI-Tools, erkennen. Bezüglich der sozialen Fähigkeiten entsteht ein ambivalenter Eindruck auf Basis der Ergebnisse. Zum einen weisen soziale Kompetenzen, die aufgrund der Digitalisierung an Bedeutung gewinnen, wie z.B. die Kommunikationsfähigkeit, sehr hohe Anteile auf. Zum anderen werden andere soziale Fähigkeiten, die auch im Zuge der Digitalisierung relevanter werden können, wie z.B. die Empathie und Sensibilität, sehr selten explizit gefordert. Infolgedessen ist es problematisch, für die Nachfrage der sozialen Kompetenzen mit hohen Anteilen lediglich die Digitalisierung als Treiber zu deklarieren. Auch Schlussfolgerungen für das persönliche Anforderungsprofil können anhand der Ergebnisse der quantitativen Analyse nicht eindeutig abgeleitet werden. Jedoch fallen im Rahmen der Untersuchung insbesondere die relativ hohe Forderung nach IT-affinen sowie proaktiven Controllern, die aufgrund der Digitalisierung an Bedeutung zunehmen können, auf. Ein ähnliches Bild ergibt sich bei der Entwicklung des Rollenbildes des Controllers. Während die charakterisierenden Aufgaben und Kompetenzen eines Change Agents und eines Data Scientists nur marginal nachgefragt werden, gibt es für eine Entwicklung des Controllers zum Business Partner angesichts der Ergebnisse deutlichere Hinweise. Im Hinblick auf die Forschungsfrage, inwieweit Unternehmen in Deutschland ein digital transformiertes Controller-Profil nachfragen, lässt sich anhand der kritischen Diskussion der Ergebnisse der empirischen Untersuchung festhalten, dass sich das digital gewandelte Profil des Controllers nur bedingt in der Nachfrage der Unternehmen 180 AUFGABEN, KOMPETENZPROFIL UND ROLLENBILD DES CONTROLLERS IM DI- GITALEN ZEITALTER - EINE QUANTITATIVE ANALYSE widerspiegelt. Allerdings lassen einzelne Ergebnisse den Beginn des digital transformierten Controllers in der Praxis erahnen. Dementsprechend ist eine Wiederholung der in dieser Arbeit durchgeführten Forschung zu einem späteren Zeitpunkt besonders interessant. Insbesondere unter Berücksichtigung der Corona-Pandemie, die oft als ein starker Treiber der Digitalisierung angesehen wird,987 sind weitere Veränderungen des Controller-Profils möglich. Insofern wäre ein Vergleich der Ergebnisse dieser Forschung mit zukünftigen ähnlichen Studien informativ, um die getroffenen Aussagen zu prüfen. Darüber hinaus könnte die Einbeziehung gleichartiger Studien aus anderen Nationen spannende Hinweise auf mögliche länderspezifische Gemeinsamkeiten und Unterschiede geben. Auch eine Ergänzung der Stellenanzeigenanalyse durch weitere empirische Forschungsmethoden, wie z.B. mittels standardisierter Fragebögen, könnten die Ergebnisse verifizieren oder Veränderungen aufdecken. Denn es scheint sicher zu sein, dass das Berufsbild des Controllers sich durch die Digitalisierung weiter wandeln wird. Die Auswirkungen der Digitalisierung auf die Aufgaben und das Kompetenzprofil des Controllers bleiben daher ein spannendes Forschungsfeld für die Zukunft. 987 Vgl. Kober (2020), S. 7. 181 ZUSAMMENFASSUNG DER ERGEBNISSE 6 Zusammenfassung der Ergebnisse Ziel der vorliegenden Arbeit war es eine umfassende kritische Analyse hinsichtlich des Wan- dels des Controllings durch die jeweilige Anwendung spezifischer aufkommender digitaler Technologien durchzuführen sowie deren Implikationen für den Controller aufzudecken. Zum Erreichen der Zielsetzung wurden die folgenden vier Forschungsfragen in jeweils einem Auf- satz beantwortet: 1. Forschungsfrage: Inwiefern birgt die Beschaffung und Verwendung von Big Data im Rah- men des Informationsversorgungsprozess des Controllings positive Potenziale wie auch Herausforderungen und Gefahren? 2. Forschungsfrage: Welche Nutzenpotenziale, Herausforderungen sowie Gefahren bestehen durch den Einsatz spezifischer aufkommender digitaler Technologien jeweils für das Fore- casting und Reporting? 3. Forschungsfrage: Welchen Einfluss haben spezifische aufkommende digitale Technologien jeweils auf das Aufgabenfeld, das Kompetenzprofil und auf die Rollenentwicklung des Con- trollers? 4. Forschungsfrage: Inwieweit fragen Unternehmen in Deutschland ein digital transformiertes Controller-Profil nach und welche Implikationen lassen sich dadurch bezüglich der Rollen- entwicklung des Controllers ableiten? Zur Beantwortung der ersten Forschungsfrage wurden potenzielle Veränderungen des Infor- mationsbedarfs durch die Digitalisierung theoretisch offengelegt und in diesem Kontext die Relevanz von Big Data für das Controlling herausgearbeitet. Anschließend wurde der Einfluss von Big Data auf die darauffolgenden Phasen des Informationsversorgungsprozesses erörtert. Für den Informationsbedarf konnte festgestellt werden, dass der Einzug der Digitalisierung im Allgemeinen zahlreiche Auswirkungen auf Unternehmen und eine Ausweitung des Infor- mationsbedarfs z.B. hinsichtlich von Kunden, Wettbewerbern oder neuen Technologien haben kann. Aus der Gesamtheit der potenziellen Effekte wird deutlich, dass sich insbesondere die Forderung nach vielfältigen Daten verstärkt, da z. B. insbesondere Fotos oder Produktempfeh- lungen usw. aus sozialen Netzwerken, Hinweise auf das Kundenverhalten, die Wettbewerbsin- tensität oder neue Trends geben können. Die Ausdehnung der benötigten Daten rückt Big Data in den Fokus des Controllings. Für die Informationsbeschaffung wurden die Herausforderun- gen im Hinblick auf die Beschaffung von Big Data aufgezeigt und herausgearbeitet, dass die klassische Vorgehensweise und die bisher verwendeten Technologien zur Datenspeicherung, - 182 ZUSAMMENFASSUNG DER ERGEBNISSE verarbeitung und -bereitstellung nicht für die Implementierung von Big Data ausreichen und eine Anpassung der technischen Infrastruktur zur Nutzung von Big Data notwendig ist. Inner- halb der Phase der Informationsaufbereitung zeigen sich weitreichende Potenziale durch Big Data. Die Analyse von Big Data begünstigt bspw. eine frühzeitige Erkennung von Chancen und Risiken aus der Umwelt. Die Möglichkeit mittels Big Data Analytics-Methoden externe Quel- len nach schwachen Signalen, wie Äußerungen von Politikern, Vorstandsvorsitzenden eines Konkurrenten oder Kunden via Twitter, Facebook etc. systematisch zu durchleuchten, kann dabei helfen frühzeitig auf Veränderungen reagieren zu können. Darüber hinaus können durch Big Data Analytics-Methoden gewisse Faktoren wie die Genauigkeit, Aktualität und Objekti- vität von Prognosen aufgrund der Analyse von großen, polyvalenten Datenmengen positiv be- einflusst werden. Allerdings sollten hierbei stets Risiken wie bspw. eine mögliche Scheinob- jektivität bedacht werden. Für die Informationsübermittlung stellte sich vor allem die Frage nach einer geeigneten Form, wie die neu gewonnen Erkenntnisse aus Big Data an die Adressa- ten weiterzugeben sind, ohne dass diese aufgrund einer möglichen Information Overload von wichtigen Informationsinhalten abgelenkt werden. Dabei kann sich die Einführung von Self- Service-Systeme als probates Mittel zur Bewältigung dieser Herausforderungen erweisen, da diese Technologie einem Anwender ermöglicht den eigenen Informationsbedarf selbstständig zu decken. Allerdings ist bei der Nutzung dieser Technologie zu beachten, dass anlässlich ver- schiedener Gründe, wie z.B. Fehlanreize oder fehlende Kompetenzen, der Fokus auf Informa- tionen, die lediglich für den Anwender individuell von Bedeutung sind, gelegt werden kann und dadurch relevante Informationen für das Unternehmen im Gesamten unberücksichtigt bleiben. Im Hinblick auf die zweite Forschungsfrage wurden Erkenntnisse aus bestehender Literatur hinsichtlich aufkommender digitaler Technologien und deren Einfluss auf das Forecasting und Reporting um die Ergebnisse aus einer durchgeführten empirischen Untersuchung auf Basis von Experteninterviews ergänzt. Es wurde festgestellt, dass insbesondere Big Data einen weit- reichenden Einfluss auf das Forecasting haben kann. Die Nutzung von Big Data kann nicht nur zu realitätsnäheren und akkurateren Prognosen führen, sondern auch die Grundlage für ein da- tengetriebenes und objektives Forecasting legen, wobei jedoch Gefahren wie eine mögliche Scheinobjektivität oder eine self-fulfilling prophecy zu beachten sind. Darüber hinaus ermög- lichen Big Data-Technologien und Analytics-Methoden ein wesentlich schnelleres und flexib- leres Forecasting, z.B. durch die Nutzung von Arbeitsspeicher und die damit einhergehende Steigerung der Verarbeitungsgeschwindigkeit von Daten. Daneben kann auch durch RPA ne- ben einer Steigerung der Prognosequalität auch ein effizienteres Forecasting dadurch 183 ZUSAMMENFASSUNG DER ERGEBNISSE ermöglicht werden, dass repetitive, standardisierte Abläufe automatisiert und manuelle Fehler verringert werden. Die bislang periodischen und starren Forecastzyklen, welche durch den ho- hen Zeit- und Personenaufwand begründet waren, können durch die Anwendung digitaler Tech- nologien an Bedeutung verlieren. Ob dies sogar in einer gänzlichen Abkehr fester Zyklen hin zu einem anlassbezogenen, dynamischen Forecasting resultiert, ist jedoch schwer abzuschät- zen. Im Rahmen des Reportings können durch Big Data zunehmend qualitative Faktoren wie die Kunden- oder Mitarbeiterzufriedenheit ergänzt werden und womöglich zu einer besseren Informationsversorgung beitragen. Daneben kann durch die Verwendung von Big Data-Tech- nologien und Analytics-Methoden eine Art Real-Time Reporting ermöglicht werden. Zudem können auch im Reporting durch RPA standardisierte Schritte automatisiert werden, was enorme Geschwindigkeitsvorteile bietet. Eine eigenständige Beschaffung von Informationen mit Hilfe von Self-Service-Technologien kann außerdem dazu führen, dass künftig die Nach- frage nach Ad-hoc-Reports zurückgeht und Standard-Reports weniger Beachtung geschenkt wird. Solch eine Entwicklung entlastet auf der einen Seite zwar das Controlling, auf der anderen Seite besteht dadurch allerdings die Gefahr, dass die Verhaltensteuerungsfunktion nicht ange- messen erfüllt wird. Darüber hinaus bieten mobile Lösungen die Möglichkeit Reports jederzeit und ortsunabhängig an Adressaten zu übermitteln. Jedoch müssen hierbei vor allem aufgrund der kleineren Bildschirmgröße von mobilen Endgeräten passende Darstellungsformate geschaf- fen werden, um eine Information Overload zu vermeiden. Zur Beantwortung der dritten Forschungsfrage wurden Erkenntnisse aus bestehender Literatur hinsichtlich der Auswirkungen aufkommender digitaler Technologien auf das Controller-Profil um die Ergebnisse aus einer durchgeführten empirischen Untersuchung auf Grundlage von Ex- perteninterviews ergänzt. Im Hinblick auf das Aufgabenfeld des Controllers konnte herausge- arbeitet werden, dass es zu einer Verschiebung der Aufgabenschwerpunkte kommen kann. Vor allem manuelle, repetitive Tätigkeiten des Controllers können durch digitale Technologien und die damit verbundenen Automatisierungsmöglichkeiten an Bedeutung verlieren, wohingegen eine Intensivierung höherwertiger Aufgaben wie Beratungsleistungen, Analysetätigkeiten oder Aufgaben aus dem Bereich des Change Management zu erwarten ist. Darüber hinaus lässt sich feststellen, dass durch die Etablierung moderner digitaler Technologien sowie die Veränderung der Aufgaben, ein Wandel des Kompetenzprofil des Controllers hervorrufen wird. Neben Fach- und Methodenkompetenzen, wie Kenntnisse in der Statistik, in der IT oder in der An- wendung moderner Datenanalysetools, sollten auch soziale und persönliche Fähigkeiten, wie z.B. die Kommunikationsfähigkeit, Empathie oder Offenheit, vorhanden sein, um auf den 184 ZUSAMMENFASSUNG DER ERGEBNISSE digitalen Wandel vorbereitet zu sein. Weniger Konsens herrscht hingegen bei der Frage der zukünftigen Rolle des Controllers. Es konnte bspw. eine mögliche Entwicklung des Controllers hin zum Business Partner identifiziert werden. Obwohl es sich dabei um kein neues Rollenbild handelt, hat dieses an Relevanz gewonnen und kann nun durch die Unterstützung digitaler Technologien verstärkt eingenommen werden. Daneben gewinnt die Rolle des Data Scientist aufgrund von Big Data an Bedeutung. Hierbei ist allerdings noch unklar, ob der Controller oder bspw. ein Spezialist aus der IT-Abteilung diese Rolle ausüben wird. Darüber hinaus konnte der Change Agent als mögliche Rollenentwicklung des Controllers identifiziert werden. In dieser Rolle besteht für den Controller die Gefahr, den klassischen Controller durch die Implementie- rung von Technologien wie z.B. RPA, die eine Automatisierung manueller, standardisierter Tätigkeiten mit sich ziehen, wegzurationalisieren. Allerdings kann solch eine Veränderung auch als Chance betrachtet werden, die eigene Position im Unternehmen zu festigen. Im Hinblick auf die vierte Forschungsfrage erfolgte eine empirische Untersuchung von Stel- lenausschreibungen bezüglich der von Unternehmen geforderten Aufgaben und Kompetenzen eines Controllers. Die Ergebnisse der quantitativen Analyse wurden anschließend in Bezug zu fünf zentralen Annahmen zum digital transformierten Controller-Profil gesetzt. In Anbetracht der ersten Annahme konnte gezeigt werden, dass die Aufgaben, die sich aufgrund der Digita- lisierung entwickelt haben, wie z.B. Tätigkeiten des Change Management, von Controllern bis- her nur in sehr begrenztem Umfang gefordert werden. Wohingegen qualitative Aufgaben wie Beratungs- oder Analysetätigkeiten relativ häufig nachgefragt wurden. Gemessen an den Er- gebnissen kann aber nicht von einer vollständigen Aufgabenverlagerung gesprochen werden. Hinsichtlich der fachlichen Kompetenzen wurden in den Ausschreibungen auch akademische oder berufliche Ausbildungen in den Bereichen der IT oder Mathematik nachgefragt. Jedoch sind die einzelnen Anteile eher gering und verkörpern vielmehr eine steigende Tendenz. Die quantitative Analyse hat im Hinblick auf das methodische Kompetenzprofil gezeigt, dass größtenteils klassische Tools wie MS Excel weiterhin im Controlling Verwendung finden, was auf einen eher geringen Digitalisierungsgrad des Controllers schließen lässt. Nichtsdestotrotz lassen sich aus den Ergebnissen teilweise auch digitalisierungsbedingte Aspekte, wie z.B. dem Umgang mit BI-Tools, erkennen. Bezüglich der sozialen Kompetenzen weisen einzelne Fä- higkeiten, die aufgrund der Digitalisierung an Bedeutung gewinnen, wie z.B. die Kommunika- tionsfähigkeit, sehr hohe Anteile auf, wohingegen andere relevante Fähigkeiten, wie z.B. die Empathie und Sensibilität, sehr selten gefordert werden. Dementsprechend ist es kaum möglich für die Nachfrage der sozialen Kompetenzen mit hohen Anteilen lediglich die Digitalisierung 185 ZUSAMMENFASSUNG DER ERGEBNISSE als Treiber zu erklären. Die Schlussfolgerung für das persönliche Anforderungsprofil ist nicht eindeutig. Jedoch fallen im Rahmen der Untersuchung insbesondere die verstärkte Suche nach IT-affinen sowie proaktiven Controllern auf. Ein ähnliches Bild ergibt sich bei dem Rollenbild des Controllers. Während die Rollen des Change Agent und des Data Scientist marginal ausge- prägt sind, gibt es für eine Entwicklung des Controllers zum Business Partner angesichts der Ergebnisse deutlichere Hinweise. Es lässt sich festhalten, dass sich das digital transformierte Profil des Controllers nur bedingt in der Nachfrage von Unternehmen widerspiegelt. Allerdings lassen sich erste Anzeichen feststellen, die den Beginn des digital transformierten Controllers in der Praxis erkennen lassen. Insgesamt konnte im Rahmen der vorliegenden Arbeit eine umfassende kritische Analyse der Nutzung digitaler Technologien im Controlling vorgenommen und deren Implikationen für den Controller aufgezeigt werden, wobei zahlreiche neue Erkenntnisse für die Forschung und Un- ternehmenspraxis generiert wurden. Es bleibt allerdings abzuwarten, inwieweit aufkommende digitale Technologien den Weg ins Controlling tatsächlich finden werden und in welchem Maße diese das Controlling und das Profil des Controllers langfristig verändern werden. 186 ANHANG ANHANG Anhang 1: Big Data für das Management Mit der Digitalisierung ist die Welt für Unternehmen sowohl intern als auch extern extrem dy- namisch geworden. Um weiterhin auf dem Markt bestehen zu können, müssen sie verstärkt qualitative Informationen in Form von semistrukturierten oder unstrukturierten Daten über ihre Wettbewerber sowie über ihre Kunden sammeln und nutzen. Der Einzug von Big Data in Un- ternehmen ist damit unumgänglich. Mit dieser neuen potenziellen Grundlage an Daten verän- dert sich auch die Wertschöpfung. Essenziell für den Unternehmenserfolg ist die Art und Weise, wie mit den Daten umgegangen wird. Es ist das Controlling, das für die Informationsversorgung zur Entscheidungsunterstützung des Führungspersonals verantwortlich zeichnet und das sich deshalb auch in besonderem Maße mit der Nutzung von Big Data auseinandersetzen muss.988 Was das konkret bedeutet, soll im Folgenden analysiert werden. Wie lassen sich Big Data beschaffen? Die klassische Informationsbeschaffung im Controlling erfolgt hauptsächlich mittels Tabellen- kalkulationsprogramme wie MS Excel, die ihre Informationen vor allem aus klassischen Da- tenbanken wie zum Beispiel operativen Systemen, einem Data Warehouse oder aus Data Marts beziehen.989 Dies hat den Nachteil, dass es sich dabei meist um interne und vergangenheitsbe- zogene Daten handelt und dass aufgrund der Verwendung relationaler Datenbanken lediglich strukturierte Daten gespeichert werden. Der sich nun aufgrund der zunehmenden Digitalisie- rung ergebende Anspruch, eine große, vielfältige Datenmenge, die mit hoher Geschwindigkeit fortwährend ansteigt, zu beschaffen, kann mit klassischen Datenbanken nicht erfüllt werden. Neue Technologien zur Informationsbeschaffung zu nutzen, ist also für Unternehmen unaus- weichlich. Mithilfe von NoSQL-Datenbanken können beispielsweise strukturierte, semistrukturierte und auch unstrukturierte Daten gespeichert werden. NoSQL steht für „Not only SQL“. Damit wer- den Datenbanken bezeichnet, die mit der langen Tradition der relationalen Datenbanken bre- chen. Sie verfolgen einen nicht-relationalen Ansatz, weshalb hierbei im Gegensatz zu relatio- nalen Datenbanken keine festgelegten Tabellenschemata existieren. Dadurch können Daten aus internen sowie aus externen Quellen in ihrem Originalzustand gesammelt werden und behalten so ihren vollen Informationsgehalt. Zur Bewältigung der technischen Herausforderung 988 Vgl. Taschner (2013), S. 30. 989 Vgl. Steiner/Welker (2016), S. 70-71. 187 ANHANG hinsichtlich der Verarbeitung der immensen und fortwährend steigenden Datenmenge trägt zum Beispiel das Java-Framework Hadoop bei. Hadoop ermöglicht es, riesige Datenmengen - bis in den Petabytebereich hinein - auf mehrere Systeme zu verteilen, diese parallel zu verarbeiten und im Anschluss zusammenzufassen. Der große Vorteil von Big Data-Technologien entsteht allerdings erst durch ihre Kombination: Ein wesentlich schnelleres Speichern, Transformieren und Analysieren großer, vielfältiger Datenmengen wird möglich – allerdings nur dann, wenn auch das technische Verständnis für die korrekte Bedienung der neuen Technologien vorhanden ist. Um dies zu gewährleisten, haben Unternehmen zwischen zwei Alternativen abzuwägen: Entweder stellen sie neue Mitarbeiter mit den entsprechenden Qualifikationen ein oder sie för- dern eine engere Zusammenarbeit der einzelnen Fachbereiche mit der IT. Wie und wofür kann man Big Data nutzen? Gelingt dies, bietet Big Data dem Controlling ein großes Wertschöpfungspotenzial. So ist es zum Beispiel möglich, schneller auf Umweltveränderungen zu reagieren. Dazu muss das Con- trolling Früherkennungssysteme (FES) implementieren, welche die Umwelt systematisch auf potenzielle Entwicklungen sichten. Klassische Früherkennungssysteme fokussieren sich in der Regel auf bestimmte Kennzahlen als Indikatoren in einem bestimmten Bereich und identifizie- ren lediglich die Symptome und nicht die Ursache einer Veränderung.990 Auf Big Data basie- rende moderne FES hingegen ermöglichen die Erkennung der potenziellen Ursachen von Chan- cen und Risiken aus der Umwelt, noch bevor deren Symptome auftreten. Die modernen Früherkennungssysteme nutzen dabei die Möglichkeiten von Data Mining-Ver- fahren. Data Mining erlaubt es, externe Quellen wie Social Media-Plattformen und Blogs sys- tematisch nach schwachen Signalen zu durchleuchten. Schwache Signale definieren sich dabei als Äußerungen qualitativer Natur, die Anzeichen auf bevorstehende Diskontinuitäten geben. Beispiele für solche schwachen Signale sind Äußerungen von Kunden, Politikern oder Vor- standsvorsitzenden eines Konkurrenten via Social Media wie Twitter, Facebook oder auch Y- ouTube. Die Berücksichtigung solcher Signale hilft Unternehmen, Markttrends frühzeitig zu erkennen, die eigene Wettbewerbsposition besser zu beurteilen und möglicherweise Handlun- gen zu ergreifen. Im Jahre 2017 wurde z.B. ein unangemessener Werbespot von Pepsi, das ein ernstes Thema in den USA - die Bekämpfung von Polizeigewalt gegen Afroamerikanern - zu kommerziellen Zwecken nutzte, auf Twitter stark von der Öffentlichkeit kritisiert. Dies veran- lasste Pepsi, den Clip von seinem YouTube-Kanal zu löschen und ein Statement zum 990 Vgl. Bea/Haas (2017), S. 315. 188 ANHANG Missgeschick auf dessen Website zu veröffentlichen. Ein weiteres Beispiel stellt Da Grasso, eine bekannte Pizzarestaurant-Kette in Polen, dar. Da Grasso hat in diversen Social Media- Kanälen mittels Data Mining-Verfahren nach Kommentaren gesucht, die Keywords wie „Ich habe Lust auf Pizza“ oder „Ich will Pizza“ enthielten. Nachdem eine solche Aussage entdeckt wurde, fand das Unternehmen anhand von spezifischen Geolocation-Parametern die Adresse der Kommentatoren heraus und lieferte ihnen innerhalb einer Stunde eine Pizza. Dies führte dazu, dass die Kunden ihr Erlebnis auf Facebook, Twitter und Instagram teilten und die Kam- pagne eine stark positive Online-Diskussion über Da Grosso auslöste, wodurch dessen Be- kanntheitsgrad stark zunahm. Die Verwendung von Big Data bedeutet für die etablierten Kennzahlen- und Werttreibermo- delle einen Wandel: Aus klassischen Modellen mit meist ausschließlichem Bezug auf unter- nehmensinterne Daten werden globale Variablenmodelle, die auch unternehmensexterne Daten verstärkt berücksichtigen. Durch die Vernetzung der bereits bekannten Quellen mit den neuen Quellen können komplexere Abhängigkeiten zwischen den Werttreibern im Unternehmen er- mittelt werden, wodurch oft auch die werttreiberbasierten Prognosewerte präziser werden.991 Je komplexer die Modelle werden, umso mehr bietet sich die Verwendung von Algorithmen zu ihrer Berechnung an – was schließlich zu ihrer weitgehenden Automatisierung führen kann. Durch eine Automatisierung können in kürzester Zeit eine weitaus größere Anzahl von ver- schiedenen Szenarien durchgespielt werden, die komplette Historie der Daten kann in die Be- rechnungen einfließen, und die Prognosen werden wesentlich präziser. Mit der Automatisie- rung der Modellberechnungen wird zudem der Einsatz lernender Komponenten möglich. Diese passen die gewichteten Korrelationen der Modellvariablen nach jeder Berechnung und dem Vorliegen der Ist-Werte neu an und optimieren damit laufend die Modelle. Die lernenden, globalen Variablenmodelle machen nicht nur die Prognosewerte präziser, sie werden auch dafür sorgen, dass subjektive Vorhersagen in naher Zukunft zunehmend durch datengetriebene und automatisierte Prognosen abgelöst werden. Voraussetzung für eine Auto- matisierung sind allerdings Informationspfade, welche dem System den genauen Weg der In- formationsbeschaffung und den Zugriff auf die Informationsquellen vorgeben. Wie lassen sich Big Data aufbereiten? 991 Vgl. Mehanna/Tatzel/Vogel (2016), S. 506. 189 ANHANG Nachdem die Informationen aus Big Data erhoben wurden, empfiehlt sich im nächsten Schritt die Bereinigung derselben. Die Informationen sollten dabei auf Unstimmigkeiten, Fehler und Qualitätsmängel und damit auf ihre Validität hin untersucht werden. Insbesondere Informatio- nen aus den neuen, externen Quellen bedürfen einer sorgfältigen Prüfung, da es sich hierbei um schwache Signale handelt, die lediglich Tendenzen aufzeigen. Die daraus erzielten Ergebnisse liefern Hinweise auf zukünftige Entwicklungen, ohne Garantie, dass diese auch tatsächlich ein- treten. Durch die rasant wachsende Datenmenge wird es für das Controlling auch schwieriger zu erkennen, wann es sich um regelmäßige Entwicklungen und wann es sich um wesentliche Veränderungen handelt. Zudem gilt es, die Informationen auf ihren Nutzen zu überprüfen und sie nach ihrer Relevanz zu selektieren. Dies gilt grundsätzlich auch für Informationen, die von automatisierten Modellen mit lernenden Komponenten zusammengetragen werden. Denn ler- nende Komponenten benötigen Zeit und Input, um Geschäftsabläufe richtig lesen zu können, und Vorfälle, die nicht dem regulären Geschäftsvorgang entsprechen, können zu Fehladjustie- rungen im Modell führen. Auswirkungen von Sonderfällen auf das verwendete Modell, wie sie durch Übernahmen oder den Verkauf einzelner Geschäftsbereiche entstehen können, muss das Controlling daher berücksichtigen und manuell bereinigen. Die bereinigten Informationen die- nen bei der Informationsübermittlung als Grundlage, um das Führungspersonal bei der Ent- scheidungsfindung zu unterstützen. Erst durch den Prozess der Analyse gewinnt der Controller ein vertieftes Verständnis der Zu- sammenhänge und Abhängigkeiten und kann aus diesen Erkenntnissen Entscheidungsempfeh- lungen ableiten. Ein großes Potenzial für die Analyse erschließt sich, wenn sowohl die neuen internen als auch die neuen externen Informationsquellen mit dem analytischen Informations- system verknüpft werden. Denn dies ermöglicht eine zunehmende Vereinigung von Analyse und Planung, wodurch Erkenntnisse aus der Analyse direkt in möglichen What-if-Szenarien angewandt werden können. Das bietet dem Controlling die Gelegenheit, nicht nur Ursachenana- lysen, sondern in Form von Predictive und Prescriptive Analytics auch zukunftsorientierte Ana- lysen durchzuführen. Somit ist das Controlling in der Lage, zukünftige, mit hoher Wahrschein- lichkeit auftretende Szenarien sowie deren Auswirkungen auf relevante Steuerungsgrößen dar- zustellen und besser zwischen verschiedenen Entscheidungsalternativen abzuwägen. Informationen übermitteln Um bei der Übermittlung der Analyseergebnisse eine gewisse Übersichtlichkeit zu gewährleis- ten, ist es unerlässlich, die Informationen zu verdichten und ihre Komplexität zu reduzieren. 190 ANHANG Dies geht allerdings oftmals mit einem teilweisen Verlust des Aussagegehalts der ursprüngli- chen Informationen einher. So reichen manchmal zyklische Berichte nicht aus, um den spezifi- schen Informationsbedarf des Managements zu decken. Dann wird in der Regel der Wunsch nach statischen Ad-hoc-Berichten geäußert. Mit Big Data verschärft sich diese Problematik, denn aus einer großen Menge an Daten müssen vom Controlling bestimmte Informationen als zweckspezifisch deklariert und an das Management weitergeleitet werden. Wenn das Manage- ment aber tiefergehende Analysen braucht oder das Zustandekommen der aggregierten Kenn- zahlen nachvollziehen möchte, ist es vorteilhaft, wenn es mittels dynamischer Berichte direkt auf die Daten aus den Quellsystemen zugreifen kann.992 Darum ist zu empfehlen, dass das Re- porting-System eine technische Schnittstelle zum Informationssystem hat. Dem Management stehen damit nicht mehr nur isolierte Informationen, sondern das komplette Netzwerk an Infor- mationen zur Verfügung, und es kann sich nach dem Prinzip des Self-Service Reporting bei Bedarf ein ganzheitliches Bild selbst machen. Der direkte Zugriff auf die Quellsysteme hat einen weiteren Vorteil: Das Management kann den detaillierten Einblick in die aktuellen Geschäftsabläufe ohne zeitliche Verzögerungen be- kommen, denn es muss die Informationen nicht erst anfordern. Besondere Relevanz hat dies für kurzfristige Entscheidungen. Entsprechend verbessert sich auch die Reaktionsgeschwindigkeit auf Veränderungen der Wettbewerber oder der Kunden. Aber auch für langfristige Entschei- dungen kann die neu geschaffene Transparenz genutzt werden. Zwar benötigt die Unterneh- mensleitung im Rahmen des Planungsprozesses zur Erstellung langfristiger Zielvorgaben ins- besondere Informationen auf hoch aggregierter Stufe, doch können detailliertere Informationen helfen, Abweichungen von der Planung besser zu verstehen. Hierbei gewinnen vor allem Ab- weichungsberichte an Bedeutung. Die weitgehende Automatisierung der Informationsprozesse und die erhöhte Präzision der ver- wendeten Modelle erlauben eine laufende Kontrolle der Geschäftsprozesse und eine laufende Suche nach Optimierungsmöglichkeiten. Durch die automatische Berichtserstattung wird die Information über etwaige Überschreitungen von Grenzwerten so zeitnah übermittelt, dass früh- zeitig eingegriffen werden kann. Der direkte Zugriff des Managements auf die Quellsysteme führt zu einem besseren Verständnis der Abweichungen von der Planung und ermöglicht nut- zenschaffende Entscheidungen zu treffen. Dementsprechend kann sich der Detailgrad der In- formationsübermittlung an die Unternehmensleitung bei Entscheidungen mit einem langen 992 Vgl. Gentsch/Kulpa 2016, S. 34. 191 ANHANG Zeithorizont von aggregierten Informationen bei Bedarf hin zu detaillierteren Einsichten ver- wandeln (vergleiche Abbildung 1). Abbildung 1: Detailgrad der Informationen993 Schlussbetrachtung Auch wenn sich durch Big Data ein großes Potenzial für die Informationsversorgung des Ma- nagements durch das Controlling ergibt, führt deren Nutzung nicht zwangsläufig zum Erfolg eines Unternehmens. Welche Faktoren hier ausschlaggebend sind, gilt es noch zu untersuchen. Die meisten Unternehmen befinden sich in Sachen Digitalisierung noch in der Entwicklungs- phase, und vor allem große und etablierte Unternehmen stehen vor großen Umstrukturierungen, die Zeit benötigen. Dabei ist die Nutzung von Big Data als ein Projekt zu betrachten und muss einer sorgfältigen Kosten-Nutzen-Analyse unterzogen werden, um das Ausmaß, in dem Big Data in die Unternehmensprozesse einfließen sollte, zu bestimmen. Dieses kann von Unterneh- men zu Unternehmen höchst unterschiedlich sein. In jedem Fall sind Controller gefordert, sich stärker mit datenbasierten Prozessen auseinanderzusetzen und dabei sowohl die Herausforde- rungen als auch die Chancen, die sich durch Big Data ergeben, sorgfältig zu analysieren. 993 Eigene Darstellung. 192 ANHANG Anhang 2: Leitfaden für die Experteninterviews Allgemeines vor dem Interview: • Danken für Bereitschaft und Zeit • Eigene Person vorstellen • Thema und Ziel der Arbeit aufzeigen • Klärung der Tonaufzeichnung; Datenschutz • Vorstellung des Interviewpartners (Charakteristika des Unternehmens, Position im Un- ternehmen, Berufserfahrung) Einstiegsfrage: • Welche aufkommenden digitalen Technologien sehen Sie als bedeutend für das Con- trolling im Allgemeinen? Schlüsselfragen zu Forschungsthema 1 – Einfluss aufkommender digitaler Technologien auf Controlling-Prozesse: • Welche positiven Nutzenpotenziale bestehen durch die von Ihnen als relevant bezeich- neten digitalen Technologien für das Forecasting speziell in Ihrem Unternehmen bzw. im Allgemeinen? • Welche Herausforderungen und Gefahren bestehen durch die von Ihnen als relevant be- zeichneten digitalen Technologien für das Forecasting speziell in Ihrem Unternehmen bzw. im Allgemeinen? • Welche positiven Nutzenpotenziale bestehen durch die von Ihnen als relevant bezeich- neten digitalen Technologien für das Reporting speziell in Ihrem Unternehmen bzw. im Allgemeinen? • Welche Herausforderungen und Gefahren bestehen durch die von Ihnen als relevant be- zeichneten digitalen Technologien für das Reporting speziell in Ihrem Unternehmen bzw. im Allgemeinen? Schlüsselfragen zu Forschungsthema 2 – Einfluss aufkommender digitaler Technologien auf den Controller: • Inwiefern beeinflussen die von Ihnen als relevant bezeichneten digitalen Technologien die Aufgaben eines Controllers speziell in Ihrem Unternehmen bzw. im Allgemeinen? 193 ANHANG • Inwiefern beeinflussen die von Ihnen als relevant bezeichneten digitalen Technologien die Kompetenzen eines Controllers speziell in Ihrem Unternehmen bzw. im Allgemei- nen? • Inwiefern beeinflussen die von Ihnen als relevant bezeichneten digitalen Technologien die Rolle eines Controllers speziell in Ihrem Unternehmen bzw. im Allgemeinen? Abschlussfrage: • Sind aus Ihrer Sicht weitere Themenbereiche oder Aspekte, die noch nicht angesprochen wurden, im Kontext dieser Arbeit wichtig? 194 ANHANG Anhang 3: Rohdaten der Stellenanzeigen Anhang 3.1: Rohdatenblatt (Spalten A-W) 195 ANHANG 196 ANHANG 197 ANHANG 198 ANHANG Anhang 3.2: Rohdatenblatt (Spalten X-AL) 199 ANHANG 200 ANHANG 201 ANHANG 202 ANHANG Anhang 3.3: Rohdatenblatt (Spalten AM-BB) 203 ANHANG 204 ANHANG 205 ANHANG 206 ANHANG Anhang 3.4: Rohdatenblatt (Spalten BC-BV) 207 ANHANG 208 ANHANG 209 ANHANG 210 ANHANG Anhang 3.5: Rohdatenblatt (Spalten BW-CK) 211 ANHANG 212 ANHANG 213 ANHANG 214 ANHANG 215 LITERATURVERZEICHNIS LITERATURVERZEICHNIS Van der Aalst, Wil (2014): Data Scientist: The Engineer of the Future, in: Enterprise Interope- rability VI, hrsg. v. Mertins, Kai/Bénaben, Frédérick/Poler, Raúl/Bourrières, Jean-Paul, Heidelberg et al., 2014, S. 13-26. Abée, Stephan/Andrae, Silvio/Schlemminger, Ralf (2020): Strategisches Controlling 4.0: Wie der digitale Wandel gelingt, Wiesbaden, 2020. Abts, Dietmar/Mülder, Wilhelm (2017): Grundkurs Wirtschaftsinformatik: Eine kompakte und praxisorientierte Einführung, 9. erweiterte und aktualisierte Auflage, Wiesbaden, 2017. Adriaans, Pieter/Zantinge, Dolf (1997): Data Mining, Harlow, 1997. Allweyer, Thomas (2016): Robotic Process Automation – Neue Perspektiven für die Prozess- automatisierung, https://www.kurze-prozesse.de/blog/wp-content/uplo- ads/2016/11/Neue-Perspektiven-durch-Robotic-Process-Automation.pdf, abgerufen am 16.02.2020, S. 1-12. Alpar, Paul/Schulz, Michael (2016): Self-Service Business Intelligence, in: Business & Infor- mation Systems Engineering, Heft 2 (58) 2016, S. 151-155. Altendorf, Michael/Baumöl, Ulrike (2015): Big Data zwischen Hype und Wertschöpfung – Chancen für das Marketing im Facebook-Zeitalter, in: Controlling – Zeitschrift für er- folgsorientierte Unternehmenssteuerung, Heft 4/5 (27) 2015, S. 274-276. Andelfinger, Volker/Hänisch, Till (2017): Industrie 4.0 - Wie cyber-physische Systeme die Ar- beitswelt verändern, Wiesbaden, 2017. Angerer, Martin (2017): Controller als Moderatoren der Digitalisierung, in: Wirtschaftszeitung Forum, 2017, S. 26. 216 LITERATURVERZEICHNIS Ansoff, Harry Igor. (1976): Managing Surprise and Discontinuity – Strategic Response to Weak Signals, in: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, Heft 3 (28) 1976, S. 129-152. Aunkofer, Benjamin (2017): Was ist eigentlich Machine Learning?, https://data-science- blog.com/blog/2017/06/06/was-ist-eigentlich-machine-learning-artikelserie/, abgerufen am 18.02.18. Auth, Gunnar (2004): Prozessorientierte Organisation des Metadatenmanagements für Data Warehouse-Systeme, Norderstedt, 2004. Banerjee, Arindam/Bandyopadhyay, Tathagata/Acharya, Prachi (2013): Data Analytics: Hyped Up Aspirations or True Potential?, in: Vikalpa, Heft 4 (38) 2013, S. 1-11. Bange, Carsten/Grosser, Timm/Janoschek, Nikolai (2015): Big Data Use Cases 2015 – Getting real on data monetization, https://www.sas.com/content/dam/SAS/bp_de/doc/studie/ba- st-barc-bigdata-use-cases-de-2359583.pdf, abgerufen am 04.11.2019. Bange, Carsten/Janoschek, Nikolai (2014): Big Data Analytics 2014 – Auf dem Weg zur da- tengetriebenen Wirtschaft, https://leanbi.ch/wp-content/uploads/studien/LeanBI_Stu- die_BARC-Big-Data-Analytics-2014.pdf, abgerufen am 20.01.2018. Bartel, Jörg/Mester, Axel/Böken, Arnd/Paaß, Gerhard/Buschbacher, Florian/Ribbrock, An- dreas et al. (2014): Big-Data-Technologien – Wissen für Entscheider, Leitfaden, 140228-Big-Data-Technologien-Wissen-fuer-Entscheider.pdf (bitkom.org), abgerufen am 11.11.2017. Bauer, Andreas (2013): Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, Heidelberg, 2013. Bauer, Klaus/Michel, Stefanie (2013): Mit der Smart Factory auf dem Weg in die Produktion der Zukunft, in: MM Maschinenmarkt, 2013, S. 29-31. 217 LITERATURVERZEICHNIS Baumöl, Ulrike (2019): Personal-Controlling der Zukunft - Digitalisierung und die Entwick- lung der HR-Funktion in: Controlling – Zeitschrift für erfolgsorientierte Unternehmens- steuerung, Heft 5, hrsg. v. Horvarth, Peter/Reichmann, Thomas/Baumöl, Ulrike et al., 2019, S. 1-1. Baumöl, Ulrike/Berlitz, Philipp-Dennis (2014): Big Data als Entscheidungsunterstützung: Her- ausforderungen und Potenziale, in: Controlling und Big Data – Anforderungen, Auswir- kungen, Lösungen, hrsg. v. Gleich, Ronald/Grönke, Kai/Kirchmann, Markus/Leyk, Jörg, Freiburg, München, 2014, S. 159-176. Baumöl, Ulrike/Grawe, Christian/Bockshecker, Alina (2017): Data Scientist – Controller in der Digitalisierung?, in: Controlling, Special Heft (29) 2017, S. 42-45. Bea, Franz Xaver/Haas, Jürgen (2017): Strategisches Management, 9. Auflage, Konstanz, Mün- chen, 2017. Beck, Ralf (2003): Erfolg durch wertorientiertes Controlling – Entscheidungen unterstützende Konzepte, Berlin, 2003. Becker, Manfred (2013): Personalentwicklung - Bildung, Förderung und Organisationsent- wicklung in Theorie und Praxis, 6., überarbeitete und aktualisierte Auflage, Stuttgart, 2013. Becker, Wolfgang/Nolte, Matthias (2019): Die Rolle des Controllings im Rahmen der Digita- lisierung – Funktionen, Aufgaben, Instrumente, in: Geschäftsmodelle in der digitalen Welt – Strategien, Prozesse und Praxiserfahrungen, hrsg. v. Becker, Wolfgang/Eierle, Brigitte/Fliaster, Alexander/Ivens, Björn/Leischnig, Alexander/Pflaum, Alexan- der/Sucky, Eric, Wiesbaden, 2019, S. 75-89. Becker, Wolfgang/Nolte, Matthias/Schuhknecht, Felix (2020): Die Rolle des Chief Financial Officer im Rahmen der digitalen Transformation von Geschäftsmodellen, in: Die Digi- talisierung der Controlling-Funktion, hrsg. v. Keimer, Imke/Egle, Ulrich, Wiesbaden, 2020, S. 373-399. 218 LITERATURVERZEICHNIS Becker, Wolfgang/Ulrich, Patrick/Botzkowski, Tim (2016): Data Analytics im Mittelstand, Wiesbaden, 2016. Becker, Wolfgang/Ulrich, Patrick/Botzkowski, Tim (2017): Industrie 4.0 im Mittelstand. Best Practices und Implikationen für KMU, Wiesbaden, 2017. Becker, Wolfgang/Ulrich, Patrick/Botzkowski, Tim/Eurich, Sebastian (2015): Data Analytics in Familienunternehmen – Implikationen für das Controlling, in: Controlling, Heft 4-5 (27) 2015, S. 263-268. Behringer, Stefan (2018): Controlling, Wiesbaden, 2018. Bendel, Oliver (2019): 350 Keywords Digitalisierung, Wiesbaden, 2019. Bengler, Klaus/Schmauder, Martin (2016): Digitalisierung, in: Zeitschrift für Arbeitswissen- schaft, Heft 2 (70) 2016, S. 75-76. Bensberg, Frank (2012): Die technischen Potenziale analytischer Informationssysteme – Eine Grundlage für den interdisziplinären Dialog, in: DGRI Jahrbuch 2011, hrsg. v. Redeker, Helmut/Hoppen, Peter, Köln, 2012, S. 179-198. Bensberg, Frank/Buscher, Gandalf (2017): Controller gesucht! Kompetenzen und Berufsbilder, in: Controlling & Management Review, Heft 8 (61) 2017, S. 8-17. Bensberg, Frank/Schirm, Nicole (2018): Cloud Analytics gestalten, in: Controlling & Manage- ment Review, Heft 5 (62) 2018, S. 60-65. Berens, Wolfgang/Knauer, Thorsten/Sommer, Friedrich/Wöhrmann, Arnt (2013): Gemeinsam- keiten deutscher Controlling-Ansätze, Konzeption und empirische Analyse von Stellen- anzeigen, in: Controlling, Heft 4/5 (25) 2013, S. 223-229. Berinato, Scott (2016): Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations, Boston, 2016. 219 LITERATURVERZEICHNIS Berman, Saul J. (2012): Digital transformation: opportunities to create new business models, in: Strategy & Leadership, Heft 2 (40) 2012, S. 16-24. Bernstorff, Joachim Graf (1990): Quo vadis Controlling? Das Berufsbild Controller/Control- ling im Spiegel der Stellenangebote, in: Der Betriebswirt, Heft 1 (31) 1990, S. 7-13. Berry, Michael J. A./Linoff, Gordon (1997): Data Mining Techniques: For Marketing, Sales and Customer Support, New York et al., 1997. Biel, Alfred (2018): Quo Vadis Controlling, Controller und Internationaler Controller Verein ICV? – Interview mit dem ICV-Vorstand zum 43. Congress der Controller, in: Control- ler Magazin, Heft 2 (43) 2018, S. 4-10. Birkhofer, Ben (2001): E-Commerce als innovativer Absatzkanal: Ein entscheidungsorientier- tes Modell, Dissertation, Universität St. Gallen, 2001. Bischof, Christian/Wilfinger, Daniela (2018): Big Data Analytics im Controlling: Anwen- dungsbereiche, Vorteile und Umsetzung am Beispiel von SAP HANA, in: Digitalisierung & Controlling: Technologien, Instrumente, Praxisbeispiele, hrsg. v. Gleich, Ronald/Tschandl, Martin, Freiburg, 2018, S. 161-174. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. (BITKOM) (2012): Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte, https://www.bit- kom.org/sites/default/files/file/import/BITKOM-LF-big-data-2012-online1.pdf, abge- rufen am 11.08.2019. Bleicher, Knut (2004): Das Konzept integriertes Management: Visionen – Missionen - Pro- gramme, 7. Auflage, Frankfurt am Main, 2004. Blohm, Hans (1975): Informationswesen, Organisation des, in: Handwörterbuch der Betriebs- wirtschaft, hrsg. v. Grochla, Erwin/Wittmann, Waldemar, Band 2, 4. völlig neu gestal- tete Auflage, Stuttgart, 1975, Sp. 1924-1930. 220 LITERATURVERZEICHNIS Bogner, Alexander/Littig, Beate/Menz, Wolfgang (2014): Interviews mit Experten: Eine pra- xisorientierte Einführung, Wiesbaden, 2014. Bollmann, Tilman/Zeppenfeld, Klaus (2015): Mobile computing: Hardware, Software, Kom- munikation, Sicherheit, Programmierung, 2. Auflage, Dortmund, 2015. Borgmeier, Arndt/Grohmann, Alexander/Gross, Stefan F. (2017): Smart Services und Internet der Dinge. Geschäftsmodelle, Umsetzung und Best Practices; In-dustrie 4.0, Internet of Things (IoT), Machine-to-Machine, Big Data, Augmented Reality Technologie, Mün- chen, 2017. Bott, Peter (2001): Stellenanzeigen als Instrument zur Ermittlung neuen Qualifikationsbedarfs, in: Qualifikationen von morgen. Ein deutsch-französischer Dialog, hrsg. v. Schömann, Klaus/Bullinger, Hans-Jörg, Bielefeld, 2001, S. 85-93. Bott, Peter (2007): Stellenanzeigenanalysen, Interessentenbefragungen und Betriebsbefragun- gen, Methoden zur Ermittlung betrieblichen Qualifikationsbedarfs auf repräsentativer Basis, in: Auf der Suche nach neuen Qualifikationen. Methoden der Früherkennung von Qualifikationsentwicklungen, hrsg. v. Abicht, Lothar, Bielefeld, 2007, S. 109-122. Bötzel, Stefan/Schwilling, Andreas (1998): Erfolgsfaktor Wertmanagement: Unternehmen wert- und wachstumsorientiert steuern, München, 1998. Bouée, Charles-Edouard/Schaible, Stefan (2015): Die Digitale Transformation der Industrie, https://bdi.eu/media/user_upload/Digitale_Transformation.pdf, abgerufen am 29.05.2019. Brand, Leif/Hülser, Tim/Grimm, Vera/Zweck, Axel (2009): Internet der Dinge – Perspektive für die Logistik, Düsseldorf, 2009. Bröckermann, Reiner (2016): Personalwirtschaft, Lehr- und Übungsbuch für Human Resource Management, 7. Ausgabe, Stuttgart, 2016. 221 LITERATURVERZEICHNIS Brosius, Hans-Bernd/Haas, Alexander/Koschel, Friederike (2016): Methoden der empirischen Kommunikationsforschung, Eine Einführung, 7. Ausgabe, Wiesbaden, 2016. Brühl, Volker (2015): Wirtschaft des 21. Jahrhunderts. Herausforderungen in der Hightech- Ökonomie, Wiesbaden, 2015. Brühl, Volker (2019): Big Data, Data Mining, Machine Learning und Predictive Analytics: Ein konzeptioneller Überblick, Working Paper, Johann Wolfgang Goethe-Universität Frank- furt, 2019. Brynjolfsson, Erik/McAfee, Andrew (2014): The second machine age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, New York, 2014. Buhl, Hans/Röglinger, Maximilian/Moser, Florian/Heidemann, Julia (2013): Big Data: Ein (ir- )relevanter Modebegriff für Wissenschaft und Praxis?, in: Wirtschaftsinformatik, Heft 2 (55) 2013, S. 63-68. Bühler, Pascal/Maas, Peter (2017): Transformation von Geschäftsmodellen in einer digitalisier- ten Welt, in: Dienstleistungen 4.0, hrsg. v. Bruhn, Manfred/Hadwich, Karsten, Wiesba- den, 2017, S. 43-70. Bundesministerium für Wirtschaft und Energie (2016): Digitalisierung und du – Wie sich unser Leben verändert, https://www.bmwi.de/Redaktion/DE/Publikationen/Digitale-Welt/di- gitalisierung-und-du.pdf?__blob=publicationFile&v=5, abgerufen am 25.05.2020. Bundesministerium für Wirtschaft und Energie (o.J.): Den digitalen Wandel gestalten, https://www.bmwi.de/Redaktion/DE/Dossier/digitalisierung.html, abgerufen am 05.06.2020. Buschbacher, Florian (2016): Wertschöpfung mit Big Data Analytics, in: Controlling & Ma- nagement Review, Sonderheft 1 2016, S. 40-45. Buschbacher, Florian/Konrad, Ralf/Mußmann, Bernd/Weber, Mathias (2014): Big Data-Pro- jekte: Vorgehen, Erfolgsfaktoren und Risiken, in: Controlling und Big Data: 222 LITERATURVERZEICHNIS Anforderungen, Auswirkungen, Lösungen, hrsg. v. Gleich, Ronald/Grönke, Kai/Kirch- mann, Markus/Leyk, Jörg, Freiburg, 2014, S. 83-106. Chamoni, Peter/Gluchowski, Peter/Hahne, Michael (2004): Business Information Warehouse - Perspektiven betrieblicher Informationsversorgung und Entscheidungsunterstützung auf der Basis von SAP-Systemen, Berlin, 2004. Chen, Min/Mao, Shiwen/Zhang, Yin/Leung, Victor C.M. (2014): Big Data – Related Technol- ogies, Challenges and Future Prospects, Heidelberg et al., 2014. Chenhall, Robert H./Morris, Deigan (1986): The Impact of Structure, Environment, and Inter- dependence on the Perceived Usefulness of Management Accounting Systems, in: The Accounting Review, Heft 61 (1) 1986, S. 16-35. Christ, Oliver/Ebert, Nico (2016): Predictive Analytics im Human Capital Management: Status Quo und Potentiale, Wiesbaden, 2016. Christensen, Clayton/Raynor, Micheal/McDonald, Rory (2015): What is Disruptive Innova- tion?, in: Harvard Business Review, Heft 93 (12) 2015, S. 44-53. Cleve, Jürgen/Lämmel, Uwe (2020): Data Mining, 3. Auflage, 2020. Controller Akademie (2020): Ausbildungsprogramme & Seminare im Überblick, https://www.controllerakademie.de/alle-seminare/, abgerufen am 02.11.2020. Cornelsen, Jörg (2017): Digital Trends 2017. smart. real. “fency”, Erlangen, 2017. Czarnecki, Christian/Auth, Gunnar (2018): Prozessdigitalisierung durch Robotic Process Au- tomation, in: Digitalisierung in Unternehmen - Von den theoretischen Ansätzen zur praktischen Umsetzung, hrsg. v. Barton, Thoma/Müller, Christian/Seel, Christian, Wiesbaden, 2018, S. 113-132. Davenport, Thomas H. (2013): Analytics 3.0, in: Harvard Business Review, Heft 91 (12) 2013, S. 64-72. 223 LITERATURVERZEICHNIS Davenport, Thomas H. (2014): Big data @ work: Dispelling the Myths, Uncovering the Op- portunities, Boston, 2014. Davenport, Thomas H./Patil, Dhanurjay (2012): Data Scientist: The Sexiest Job of the 21st Century, in: Harvard Business Review, Heft 5 (90) 2012, S. 70-76. De Mauro, Andrea/Greco, Marco/Grimaldi, Michele (2014): What is Big Data? A Consensual Definition and a Review of Key Research Topics, Rom, 2014. Deckert, Roland (2019): Digitalisierung und Industrie 4.0. Technologischer Wandel und indust- rielle Weiterentwicklung, Wiesbaden, 2019. Deeken, Michael/Fuchs, Tobias (2018): Agiles Management als die Antwort auf die Heraus- forderungen der Digitalisierung. Praktische Erkenntnisse und Gestaltungshinweise für die Bankenbranche, Wiesbaden, 2018. Deinert, Mark (2013): Wie IT-Trends das Controlling verändern werden, in: Controlling inte- griert und global: erfolgreiche Steuerung von komplexen Organisationen, Stuttgart, 2013, S. 277-283. Deipenbrock, Sebastian/Landewee, Lars/Sälzer, Gerhard (2019): Digitale Transformation des Controllings bei Deutsche Post International – Potentiale und Herausforderungen durch Nutzung von Predictive Analytics, in: Controller Magazin, Heft 1 2019, S. 45-50. Deleker, Oliver (2008): Inhaltliche und organisatorische Verbesserungen im Management-Be- richtswesen bei Bayer MaterialScience, in: Management Reporting – Grundlagen, Pra- xis und Perspektiven, hrsg. v. Gleich, Roland/Horváth, Péter /Michel, Uwe, München, 2008, S. 131-150. Delen, Dursun/Demirkan, Haluk (2013): Data, information and analytics as services, in: Deci- sion Support Systems, Heft 1 (55) 2013, S. 359-363. 224 LITERATURVERZEICHNIS Derwisch, Sebastian/Iffert, Lars (2018): Status quo Advanced Analytics in der DACH-Region, http://barc.de/uploads/static/images/BARC_Guide_Advanced_Analytics_2018.pdf, abgerufen am 09.06.2019. Deyhle, Albrecht (1980): Controller Handbuch, Ergänzungsband A, 2. Auflage, Gauting, 1980. Dholakia, Nikhilesh/Dholakia, Ruby Roy/Zwick, Detlev/Laub, Martin (2001): Electronic Com- merce und die Transformation des Marketing, in: Internet-Marketing: Marktorientiertes E-Business in Deutschland und den USA, hrsg. v. Fritz, Wolfgang, 2. Auflage, Stuttgart, 2001, S. 61-96. Döbel, Inga/Leis, Miriam/Vogelsang, Manuel/Neustroev, Dmitry/Petzka, Henning/Rüping, Stefan/Voss, Angelika/Wegele, Martin/Welz, Juliane (2018): Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf, https://www.bigdata.fraun- hofer.de/content/dam/bigdata/de/documents/Publikationen/BMBF_Fraunhofer_ML- Ergebnisbericht_Gesamt.pdf, abgerufen am 20.01.2019. Döhrn, Roland (2014): Konjunkturdiagnose und -prognose: Eine anwendungsorientierte Ein- führung, Berlin, Heidelberg, 2014. Dorschel, Joachim (2015): Einführung und Überblick, in: Praxishandbuch Big Data – Wirt- schaft-Recht-Technik, hrsg. v. Dorschel, Joachim, Wiesbaden, 2015, S. 5-13. Dorschel, Joachim (2015): Praxishandbuch Big Data. Wirtschaft - Recht -Technik, Wiesbaden, 2015. Drerup, Bianca/Suprano, Francesco/Wömpener, Andreas (2018): Controller 4.0. Anforde- rungsprofil des Controllers im digitalen Zeitalter, in: Controlling, Sonderheft 1 (30) 2018, S. 12-19. Drumm, Hans Jürgen (2008): Personalwirtschaft, 6. Auflage, Berlin, Heidelberg, 2008. Dubrau, Hans-Joachim (1992): Bit, Entropie und Information, in: Physik und Informatik - In- formatik und Physik, hrsg. v. Krönig, D./Lang, M., Berlin, Heidelberg, 1992, S. 57-64. 225 LITERATURVERZEICHNIS Duchmann, Christian/Töpfer, Armin (2005): Das Dresdner Modell des wertorientierten Mana- gements: Konzeption, Ziele und integrierte Sicht, in: Wertorientiertes Management - Werterhaltung – Wertsteuerung – Wertsteigerung ganzheitlich gestalten, hrsg. v. Schweickart, Nikolaus/Töpfer, Armin, Berlin, 2005, S. 3-60. Durmus, Murat (2017a): Wie Big Data Analytics und KI (maschinelles lernen) Ihr Unterneh- men intelligenter machen, https://www.aisoma.de/wp-content/uploads/2017/09/An- wendungsm%C3%B6glichkeiten-KI.pdf, abgerufen am 10.06.2018. Durmus, Murat (2017b): Künstliche Intelligenz: Wie Maschinelles Lernen (Machine Learning) funktioniert, https://www.aisoma.de/kuenstliche-intelligenz-wie-maschinelles-lernen- machine-learning-funktioniert/, abgerufen am 10.01.19. Dursun, David (2019): Big Data für das Management, in: Controlling & Management Review, Heft 2 2019. S. 46-52. Dursun, David (2021): Der Controller im Lichte von aufkommenden digitalen Technologien - Aufgaben, Kompetenzprofil und Rollenbild, Working Paper, Johannes Gutenberg-Uni- versität Mainz, 2021. Ebner, Katharina/Bühnen, Thilo/Urbach, Nils (2014): Think Big with Big Data: Identifying Suitable Big Data Strategies in Corporate Environments, Konferenzbeitrag, 47th Hawaii International Conference on System Science, Waikoloa, 2014. Eckerson, Wayne W. (2007): Predictive Analytics – Extending the Value of Your Data Ware- housing Investment, TDWI Best Practice Report, http://hosteddocs.ittoolbox.com/sas- predictive-analytics-062508.pdf, abgerufen am 11.06.2019. Eckhardt, Jens/Kramer, Rudi (2013): EU-DSGV - Diskussionspunkte aus der Praxis, in: Da- tenschutz und Datensicherheit – DuD, Heft 5 (37), 2013, S. 287-294. Eggers, Bernd/Hoppen, Gerrit (2001): Strategisches E-Commerce-Management: Er-folgsfak- toren für die Real Economy, Wiesbaden, 2001. 226 LITERATURVERZEICHNIS Egle, Ulrich/Keimer, Imke (2017): Digitaler Wandel im Controlling, Schriften aus dem Institut für Finanzdienstleistungen Zug IFZ, Working Paper, Hochschule Luzern Zug, 2017. Ehlbeck, Marc/Schosser, Stephan/Wind, Jan (2017): E-Commerce-Controlling: Zahlenbasier- tes Arbeiten im E-Commerce – Ein Wunschszenario, in: Handbuch Marketing-Control- ling: Grundlagen – Methoden – Umsetzung, hrsg. v. Zerres, Christopher, 4., vollständig überarbeitete Auflage, Berlin, Heidelberg, 2017, S. 357-381. Eilers, Christina (2016): SAP S/4HANA: Neue Funktionen, Einsatzszenarien und Auswirkun- gen auf das Finanzberichtswesen, in: Konzerncontrolling 2020 – Zukünftige Herausfor- derungen der Konzernsteuerung meistern, hrsg. v. Gleich, Ronald/Grönke, Kai/Kirch- mann, Markus/Leyk, Jörg, Freiburg, München, Stuttgart, 2016, S. 183-200. El Gourii, Nezha (2016): Introduction to Hadoop, https://www.supinfo.com/articles/sin- gle/2090-hadoop, abgerufen am 02.01.2018. Endres, Herbert/Helm, Roland (2015): Predictive Analytics. Welchen Beitrag können vorausschauende Analysen bei der Anpassungsfähigkeit von Unternehmen leisten?, in: IM+io: Das Magazin für Innovation, Organisation und Management, , Heft 4 (30) 2015, S. 58-61. Engelbergs, Jörg (2016): Big Data und Predictive Analytics – Ansätze für die Unternehmens- steuerung, in: Digital Controlling & Simple Finance – Die Zukunft der Unternehmens- steuerung, hrsg. v. Horváth, Péter/Michel, Uwe, Stuttgart, 2016, S. 3-12. Eppler, Martin J./Mengis, Jeanne (2004): The Concept of Information Overload – A Review of Literature from Organization Science, Accounting, Marketing, MIS, and Related Disciplines, in: Kommunikationsmanagement im Wandel – Beiträge aus 10 Jahren, hrsg. v. Meckel, Miriam/Schmid, Beat F., Wiesbaden, 2008, S. 271-305. Erichsen, Jörg (2019): Controlling: Digitalisierung, Automatisierung und Disruption verändern Aufgabenfelder und Anforderungen nachhaltig, in: Controlling & Innovation 2019: 227 LITERATURVERZEICHNIS Digitalisierung, hrsg. v. Kümpel, Thomas/Schlenkrich, Kay/Heupel, Thomas, Wiesba- den, 2019, S. 1-22. Esser Joachim/Müller, Michael (2007): Empirische Erkenntnisse zur Organisation des Control- ling, in: Organisation des Controlling, hrsg. v. Gleich, Roland/Michel, Uwe, Freiburg, S 33-54. Ewert, Ralf/Wagenhofer, Alfred (2005): Interne Unternehmensrechnung, Berlin, Heidelberg, 2005. Ewert, Ralf/Wagenhofer, Alfred (2014): Interne Unternehmensrechnung, 8. Auflage, Berlin, 2014. Faber, Oliver (2019): Digitalisierung – ein Megatrend: Treiber & Technologische Grundlagen, in: Management 4.0 – Unternehmensführung im digitalen Zeitalter, hrsg. v. Erner, Mi- chael, Berlin, Heidelberg, 2019, S. 3-42. Fahner, Gerald/Bastert, Oliver (2012): Ursache-Wirkungsmodelle berechnen die Ergebnisse künftiger Maßnahmen, in: Wirtschaftsinformatik & Management, Heft 4 (4) 2012, S. 30-35. Fasel, Daniel (2016): Übersicht über NoSQL-Technologien und –Datenbanken, in: Big Data: Grundlagen, Systeme und Nutzungspotenziale, hrsg. v. Meier, Andreas, Wiesbaden, 2016, S. 109-137. Fasel, Daniel/Meier, Andreas (2016): Was versteht man unter Big Data und NoSQL?, in: Big Data: Grundlagen, Systeme und Nutzungspotenziale, hrsg. v. Fasel, Daniel/Meier, An- dreas, Wiesbaden, 2016, S. 3-16. Fastermann, Petra (2016): 3D-Drucken. Wie die generative Fertigungstechnik funktioniert, 2. aktualisierte Auflage, Wiesbaden, 2016. Fayyad, Usama/Uthurusamy, Ramasamy (2002): Evolving Data Mining into solutions for in- sights, in: Communications of the ACM, Heft 8 (45) 2002, S. 28-31. 228 LITERATURVERZEICHNIS Felden, Carsten/Koschtial, Claudia/Buder, Johannes (2012): Predictive Analytics in der Strategischen Anlagenwirtschaft, in: Prognoserechnung, hrsg. v. Mertens, Peter/Rässler, Susanne, 7. Auflage, Heidelberg, 2012, S. 519-537. Fels, Gernot/Schinkel, Fritz (2015): IT-Infrastrukturen für Big Data, in: Praxishandbuch Big Data: Wirtschaft – Recht – Technik, hrsg. v. Dorschel, Joachim, Wiesbaden, 2015, S. 278-307. Fenzlein, Eugen (2009): Berufsbild des Controllers. Eine empirische Untersuchung zur Ent- wicklung des Controllings im Spiegel von Stellenanzeigen 2003 bis 2007, Hamburg, 2009. Finance CFO Panel (2017): CFOs sehen Trump kritisch, Finance CFO Panel:Umfrage Frühjahr 2017, FINANCE - CFO Panel (finance-magazin.de), abgerufen am 23.04.2020. Fleisch, Elgar/Weinberger, Markus/Wortmann, Felix (2015): Geschäftsmodelle im Internet der Dinge, in: ZfbF, Heft 4 (67) 2015, S. 444-464. Flick, Uwe (2019): Gütekriterien qualitativer Sozialforschung, in: Handbuch Methoden der em- pirischen Sozialforschung, hrsg. v. Baur, Nina/Blasius, Jörg, 2. Auflage, Wiesbaden, 2019, S. 473-488. Föhr, Silvia (1998): Die Rolle der Personalberatung bei der Suche nach Führungskräften – Make or buy-Entscheidungen am Beispiel der Stellenanzeige, in: German Journal of Human Resource Management, Heft 3 (12) 1998, S. 319-336. Freiknecht, Jonas/Papp, Stefan (2018): Big Data in der Praxis: Lösungen mit Hadoop, Spark, HBase und Hive: Daten speichern, aufbereiten, visualisieren, 2. überarbeitete Auflage, München, 2018. Freistühler, Sven/Kempkes, Jan A./Suprano, Francesco/Wömpener, Andreas (2019): Controller und Data Scientist in der Unternehmenspraxis, in: Controlling, Heft 3 (31) 2019, S. 63- 69. 229 LITERATURVERZEICHNIS Frick, Dirk (2019): IT als Enabler moderner Planungsprozesse, in: Planung, Budgetierung und Forecasting: Innovative und digitale Instrumente für die Unternehmenssteuerung, hrsg. v. Gleich, Ronald/Kappes, Michael/Leyk, Jörg, Freiburg, München, Stuttgart, 2019, S. 143-158. Friedag, Jannis (2017): Wie wachsen Controlling und Business Analytics zusammen?, in: Con- trolling, Heft K (29) 2017, S. 80-82. Friedl, Gunther (2019): Neue Aufgaben im Controlling durch digitale Transformation, in: Con- trolling, Heft 3 (31) 2019, S. 38-41. Früh, Werner (2017): Inhaltsanalyse, Theorie und Praxis, 9. Auflage, Konstanz, 2017. Gabor, Martin (2011): Commitment von High Potentials in Unternehmen – Mitarbeiterbindung durch immaterielle Anreizsysteme, Hamburg, 2011. Gadatsch, Andreas (2016): Die Möglichkeiten von Big Data voll ausschöpfen, in: Controlling & Management Review, Sonderheft 1 2016, S. 62-66. Gadatsch, Andreas/Krupp, Alfred/Wiesehahn, Andreas (2017): Smart Controlling – Führungs- unterstützung im digitalen Wandel, in: Controller Magazin, Heft 2 (42) 2017, S. 72-75. Gadatsch, Andreas/Landrock, Holm (2017): Big Data für Entscheider: Entwicklung und Um- setzung datengetriebener Geschäftsmodelle, Wiesbaden, 2017. Gadatsch, Andreas/Mayer, Elmar (2014): Masterkurs IT-Controlling: Grundlagen und Praxis für IT-Controller, Wiesbaden, 2014. Gandomi, Amir/Haider, Murtaza (2015): Beyond the hype: Big data concepts, methods and analytics, in: International Journal of Information Management, Heft 35 (2) 2015, S. 137-144. 230 LITERATURVERZEICHNIS Gänßlen, Siegfried/Losbichler, Heimo/Niedermayr, Rita/Rieder, Lukas/Schäffer, Utz/Weber, Jürgen (2012): Grundsatzposition des Internationalen Controller Vereins (ICV) und der International Group of Controlling, http://www.czsg.com/__DATEIENcms/tools/IGC- ICV-Grundsatzposition.pdf, abgerufen am 14.10.2017. Gantz, John/Reinsel, David (2011): Extracting Value from Chaos, IDC Research Study, 2011, https://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos- ar.pdf, abgerufen am 29.03.2018. Gartner Corporation (2011): Gartner Says Solving “Big Data” Challenge Involves More Than Just Managing Volumes of Data, https://www.gartner.com/newsroom/id/1731916, abgerufen am 11.02.2018. Gartner Corporation (2016): 2017 Planning Guide for Data and Analytics, https://www.gart- ner.com/binaries/content/assets/events/keywords/catalyst/catus8/2017_plan- ning_guide_for_data_analytics.pdf, abgerufen am 25.08.2019. Gärtner, Bernhard/Hiebl, Martin (2018): Issues with Big Data, in: The RoutledgeCompanion to Accounting Information Systems, hrsg. v. Quinn, Martin/Strauss, Erik, Abingdon, New York, 2018, S. 161-172. Gärtner, Bernhard/Rockenschaub, Thomas (2015): Cloud Computing und Controlling: Chan- cen und Risiken, in: Controlling - Zeitschrift für erfolgsorientierte Unternehmenssteue- rung, Heft 12 (27), 2015, S. 709-714. Gaus, Wilhelm (2005): Dokumentations- und Ordnungslehre: Theorie und Praxis des Informa- tion Retrieval, Berlin, 2005. Geisberger, Eva/Broy, Manfred (2012): agendaCPS-Integrierte Forschungsagenda Cyber-Phy- sical Systems, München, 2012. Gentsch, Peter (2003): Data Mining im Controlling – Methoden, Anwendungsfelder und Ent- wicklungsperspektiven, in: Controlling & Management, Sonderheft 2 (47) 2003, S. 14- 23. 231 LITERATURVERZEICHNIS Gentsch, Peter/Kulpa, Andreas (2016): Mit externen Big Data neue Möglichkeiten erschließen, in: Controlling & Management Review, Sonderheft 1 2016, S. 32-38. Gieseking, Sina/Grönke, Kai (2019): How to Use Robotics Within Finance Functions, in: Per- formance management in retail and the consumer goods industry: Best practices and case studies, hrsg. v. Buttkus, Michael/Eberenz, Ralf, Cham, Switzerland, 2019, S. 153- 164. Gigerenzer, Gerd/Gaissmaier, Wolfgang (2011): Heuristic Decision Making, in: The Annual Review of Psychology, Heft 62 2011, S. 451-482. Gioia, Dennis A./Corley, Kevin G./Hamilton, Aimee L. (2013): Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology, in: Organizational Research Methods, 16 (1) 2013, S. 15-31. Gladen, Werner (2003): Kennzahlen- und Berichtssysteme: Grundlagen zum Performance Measurement, 2. überarbeitete Auflage, Wiesbaden, 2003. Gläser, Jochen/Laudel, Grit (2010): Experteninterviews und qualitative Inhaltsanalyse als In- strumente rekonstruierender Untersuchungen, 4. Auflage, Wiesbaden, 2010. Gleich, Ronald (2013): Die Rolle des Controllers im Wandel – wie gestalten sich die Anforde- rungen an die Controller zukünftig, in: Controllingprozesse optimieren, hrsg. v. Gleich, Ronald, Müchen, 2013, S. 25-38. Gleich, Ronald/Göttling, Alexander/Lauber, Alina/Overesch, Anna (2013): Entwicklung eines Kompetenzmodells für Controller, in: Controlling integriert und global: erfolgreiche Steuerung von komplexen Organisationen, Stuttgart, 2013, S. 71-85. Gleich, Ronald/Lauber, Alina (2013): Ein aktuelles Kompetenzmodell für Controller, in: Con- trolling, Heft 10 (25) 2013, S. 512-514. 232 LITERATURVERZEICHNIS Gleich, Ronald/Munck, Jan Christoph/Schulze, Mike (2016): Industrie 4.0: Revolution oder Evolution? Grundlagen und Auswirkungen auf das Controlling, in: Unternehmenssteu- erung im Zeitalter von Industrie 4.0, hrsg. v. Gleich, Ronald/Losbichler, Heimo/Zier- hofer, Rainer M., München, 2016, S. 21-41. Gluchowski, Peter (2016): Business Analytics – Grundlagen, Methoden und Einsatzpotenziale, in: HMD Praxis der Wirtschaftsinformatik, Heft 3 2016, S. 273-286. Gluchowski, Peter/Chamoni, Peter (2016): Analytische Informationssysteme Business Intelli- gence-Technologien und -Anwendungen, 5. Auflage, Berlin, 2016. Gluchowski, Peter/Gabriel, Roland/Dittmar, Carsten (2008): Management Support Systeme und Business Intelligence: Computergestützte Informationssysteme für Führungskräfte und Entscheidungsträger, Berlin, 2008. Goretzki, Lukas/Weber, Jürgen (2010): Der Wandel der Controller – Eine rollentheoretische Betrachtung am Beispiel der Hansgrohe AG, in: Zeitschrift für Controlling & Manage- ment, Heft 3 (54) 2010, S. 163-169. Goretzki, Lukas/Weber, Jürgen (2012): Die Zukunft des Business Partners – Ergebnisse einer empirischen Studie zur Zukunft des Controllings, in: Zeitschrift für Controlling & Ma- nagement, Heft 1 (56) 2012, S. 22-29. Gräf, Jens/Isensee, Johannes/Kirchmann, Markus/Leyk, Jörg (2013): KPI-Studie 2013: Effek- tiver Einsatz von Kennzahlen im Management Reporting, KPI-Studie 2013 - Effektiver Einsatz von Kennzahlen im Management Rep… (slideshare.net), abgerufen am 03.03.2020. Gräf, Jens/Isensee, Johannes/Mehanna, Walid (2014): Reporting: Einsatzszenarien für die IT- Unterstützung im Berichtswesen, in: Reporting und Business Intelligence, hrsg. v. Klein, Andreas/Gräf, Jens, Freiburg, München, 2014, S. 163-176. Graschitz, Sabine (2018): Digitalisierung in der Abschlussprüfung, in: Wirtschaftsprüfer-Jahr- buch 2018, hrsg. v. Institut Österreichischer Wirtschaftsprüfer, Wien, 2018, S. 3-22. 233 LITERATURVERZEICHNIS Gröber, Markus/Schlecht, Laura/Esch, Martin/Gleich, Ronald (2018): In-Memory-Technologie - 10 Thesen und Experteneinschätzungen zu Nutzenpotenzialen und Auswirkungen, in: Controller Magazin, Heft 3 (43) 2018, S. 50-53. Grönke, Kai/Heimel, Jana (2015): Big Data im CFO-Bereich – Kompetenzanforderungen an den Controller, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteue- rung, Heft 4-5 2015, S. 242-248. Grönke, Kai/Kirchmann, Markus/Leyk, Jörg (2014): Big Data: Auswirkungen auf Instrumente und Organisation der Unternehmenssteuerung, in: Controlling und Big Data: Anforde- rungen, Auswirkungen, Lösungen, hrsg. v. Gleich, Ronald/Grönke, Kai/Kirchmann, Markus/Leyk, Jörg, München, 2014, S. 63-82. Grönke, Kai/Wenning, Achim/Glöckner, Adrian (2017): Die Digitale Finanzorganisation –Au- tomatisierte Prozesse, veränderte Rollen und neue Organisationsformen, in: Unterneh- menssteuerung der Zukunft –Innovativ, flexibel, proaktiv, hrsg. v. Horváth, Péter/Mi- chel, Uwe, Stuttgart 2017, S. 97-111. Gualtieri, Mike (2013): The Forrester Wave: Big Data Predictive Analytics Solutions, Q1 2013, http://ignitepossible.bramasol.com/hs-fs/hub/170090/file-28148567- pdf/docs/forrester_wave_predictive_q12013_copy.pdf, abgerufen am 14.12.2018. Gügi, Christian/Zimmermann, Wolfgang (2016): Betriebswirtschaftliche Auswirkungen bei der Nutzung von Hadoop innerhalb des Migros-Genossenschafts-Bund, in: Big Data: Grundlagen, Systeme und Nutzungspotenziale, hrsg. v. Fasel, Daniel/Meier, Andreas, Wiesbaden, 2016, S. 3-16. Hamidian, Kiumars/Kraijo, Christian (2013): DigITalisierung – Status quo, in: Digitalisierung und Innovation, hrsg. v. Keuper, Frank/Hamidian, Kiumars/Verwaayen, Eric/Kalino- wski, Torsten/Kraijo, Christian, Wiesbaden, 2013, S. 1-23. Hans, Lothar/Warschburger, Volker (2009): Controlling, 3. aktualisierte und erweiterte Auf- lage, München, 2009. 234 LITERATURVERZEICHNIS Hansen, Hans Robert/Mendling, Jan/Neumann, Gustaf (2015): Wirtschaftsinformatik, 11. Auf- lage, Berlin, München, Boston, 2015 Heimel, Jana/Müller, Michael (2019): Controlling 4.0 – Wie veränderte Datenverfügbarkeit und Analysemöglichkeiten das Controlling erneuern, in: Management 4.0 – Unterneh- mensführung im digitalen Zeitalter, hrsg. v. Erner, Michael, Berlin, Heidelberg, 2019, S. 389-430. Helbing, Dirk/Frey, Bruno S./Gigerenzer, Gerd/Hafen, Ernst/Hagner, Michael/Hofstetter, Yvonne/Van den Hoven, Jeroen/Zicari, Roberto V./Zwitter, Andrej (2015): Digitale De- mokratie statt Datendiktatur - Das Digital-Manifest, in: Spektrum der Wissenschaft, Heft 1 (39) 2016, S. 50-61. Helfferich, Cornelia (2019): Leitfaden- und Experteninterviews, in: Handbuch Methoden der empirischen Sozialforschung, hrsg. v. Baur, Nina/Blasius, Jörg, 2. Auflage, Wiesbaden, 2019, S. 669-686. Henning, Stephan (2015): Open Source Software: Wirtschaftlichkeitsanalysen, Hamburg, 2015. Hentschel, Raoul/Leyh, Christian (2018): Cloud Computing: Status quo, aktuelle Entwicklun- gen und Herausforderungen, in: Cloud Computing. Die Infrastruktur der Digitalisie- rung, hrsg. v. Reinheimer, Stefan, Wiesbaden, 2018, S. 3-20. Hermann, Kathrin/Stoi, Roman/Wolf, Björn (2018): Robotic Process Automation im Finance & Controlling der MANN+HUMMEL Gruppe, in: Controlling, Heft 3(30) 2018, S. 28- 34. Herterich, Matthias/Uebernickel, Falk/Brenner, Walter (2015): Nutzenpotentiale cyber-physi- scher Systeme für industrielle Dienstleistungen 4.0, Wiesbaden, 2015. 235 LITERATURVERZEICHNIS Heyse, Volker (2010): Verfahren zur Kompetenzermittlung und Kompetenzentwicklung, KODE im Praxistest, in: Grundstrukturen menschlicher Kompetenzen, hrsg. v. Heyse, Volker/Erpenbeck, John, 5. Ausgabe, Münster, 2010, S. 55-174. Hieß, Florian (2017): Drei Einsatzmöglichkeiten von Social Media Monitoring für Unterneh- men, https://upload-magazin.de/20774-social-media-monitoring-unternehmen/, abge- rufen am 07.03.2018. Hippmann, Sophie/Klingner, Raoul/Leis, Miriam (2018): Digitalisierung – Anwendungsfelder und Forschungsziele, in: Digitalisierung. Schlüsseltechnologien für Wirtschaft und Ge- sellschaft, hrsg. v. Neugebauer, Reimund, München, 2018, S. 9-18. Hippner, Hajo/Rentzmann, Rene (2006): Text Mining, in: Informatik Spektrum, Heft 4 (29) 2006, S. 287-290. Hippner, Hajo/Wilde, Klaus D. (2017): Data Mining im CRM, in: Effektives Customer Relati- onship Management: Instrumente – Einführungskonzepte – Organisation, hrsg. v. Helmke, Stefan/Uebel, Matthias/Dangelmaier, Wilhelm, 6. überarbeitete Auflage, Wiesbaden, 2017, S. 143-159. Hoder, Kathrin/Kuhr, René (2015): Die Rolle des Controllers in der Digitalisierung – Digital Controlling, in Controller Magazin, Heft 2 2015, S. 15-30. Hofer, Peter/Perkhofer, Lisa/Mayr, Albert (2020): Interaktive Big Data Visualisierungen – Po- tenzial für das Management Reporting: Eine Zusammenfassung empirischer Untersu- chungen zur Auswahl, zum Einsatz und zum Design neuartiger Visualisierungstypen, in: Die Digitalisierung der Controlling-Funktion: Anwendungsbeispiele aus Theorie und Praxis, hrsg. v. Keimer, Imke/Egle, Ulrich, Wiesbaden, 2020, S. 159-187. Hoffjan, Andreas/Rohe, Marcel (2018): Konzeptionelle Analyse von Self-Service Business In- telligence und deren Gestaltungsmöglichkeiten, in: Controlling, Heft 4 (30) 2018, S. 17- 23. 236 LITERATURVERZEICHNIS Hoffmeister, Christian (2015): Digital business modelling, digitale Geschäftsmodelle entwi- ckeln und strategisch verankern, München, 2015. Holtbrügge, Dirk (2018): Personalmanagement, 7th Edition, Berlin, Heidelberg, 2018. Holtforth, Dominic Große (2017): Schlüsselfaktoren im E-Commerce. Innovationen, Skalenef- fekte, Datenorientierung und Kundenzentrierung, Wiesbaden, 2017. Homburg, Christian (2017): Marketingmanagement, Strategie – Instrumente – Umsetzung – Unternehmensführung, 6th Edition, Wiesbaden, 2017. Horstenkamp, Benedikt/Göbel, Viktoria (2019): Predictive Analytics bei McDonald´s, in: Con- troller Magazin, Heft 2 2019, S. 10-15. Horváth, Péter (2008): Grundlagen des Management Reportings, in: Management Reporting – Grundlagen, Praxis und Perspektiven, hrsg. v. Gleich, Roland/Horváth, Péter/Michel, Uwe, München, 2008, S. 15-42. Horváth, Péter (2011): Controlling, München, 2012. Horváth, Péter/Aschenbrücker, Andreas (2014): Data Scientist: Konkurrenz oder Katalysator für den Controller?, in: Controlling und Big Data, hrsg. v. Ronald Gleich/Kai Grönke/Markus Kirchmann/Jörg Leyk, Freiburg/München, 2014, S. 47-62. Horváth, Péter /Gleich, Ronald/Seiter, Mischa (2015): Controlling, 13. komplett überarbeitete Auflage, München, 2015. Horváth, Péter/Gleich, Ronald/Seiter, Mischa (2020): Controlling, 14. überarbeitete Auflage, München, 2020. hrsg. v. Lutz, André et al., Wiesbaden, 2018, S. 3-78. Huch, Burkhard/Behme, Wolfgang/Ohlendorf, Thomas (2004): Rechnungswesen-orientiertes Controlling: Ein Leitfaden für Studium und Praxis, Heidelberg, 2004. 237 LITERATURVERZEICHNIS Humm, Bernhard/Wietek, Frank (2005): Architektur von Data Warehouses und Business Intel- ligence Systemen, in: Informatik-Spektrum, Heft 1 (28) 2005, S. 3-14. International Group of Controlling (2013): Das Controller-Leitbild der IGC, https://www.icv- controlling.com/fileadmin/Verein/Verein_Dateien/Sonstiges/Das_Controller-Leit- bild.pdf, abgerufen am 11.07.2019. International Group of Controlling (2017): Controlling-Prozessmodell 2.0: Leitfaden für die Beschreibung und Gestaltung von Controllingprozessen, 2. Ausgabe, Freiburg, 2017. Internationaler Controller Verein (2012): Controller-Statements Grundlagen, Controller Anfor- derungen, Selbstverständnis und Chancen, https://www.icv-controlling.com/de/control- ling-wissen.html, abgerufen am 14.08.2020. Internationaler Controller Verein (2014): Big Data – Potenzial für den Controller, https://www.icv-controlling.com/fileadmin/Assets/Content/AK/Ideenwerkstatt/Fi- les/ICV_Ideenwerkstatt_DreamCar-Bericht_BigData.pdf, abgerufen am 25.05.2020, S. 1-43. Internationaler Controller Verein (2015): Industrie 4.0 - Controlling im Zeitalter der intelligenten Vernetzung, https://www.icv-controlling.com/fileadmin/Assets/Con- tent/AK/Ideenwerkstatt/Files/Dream_Car_Industrie4.0_DE.pdf, abgerufen am 11.07.2019. Internationaler Controller Verein (2016): Business Analytics – Der Weg zur datengetriebenen Unternehmenssteuerung, https://www.icv-controlling.com/fileadmin/Assets/Con- tent/AK/Ideenwerkstatt/Dream_Car_Business_Analytics_DE.pdf, abgerufen am 20.05.2020, S. 1-58. Isensee, Johannes (2017): Reporting 4.0: Management Reporting im digitalen Kontext, in: Re- porting and Business Intelligence, hrsg. v. Klein, Andreas/Gräf, Jens, München, 3th Edition, Freiburg, 2017, S. 23-40. 238 LITERATURVERZEICHNIS Isensee, Johannes/Hüsler, Lukas (2020): Effizienz im Reporting steigern! Mit den richtigen Maßnahmen den Aufwand reduzieren, in: Reporting und Business Analytics, hrsg. v. Klein, Andreas/Gräf, Jens, Freiburg, 2020, S. 25-40. Jacob, Michael (2018): Kundenmanagement in der digitalen Welt, Wiesbaden, 2018. Janisch, Monika (1992): Das strategische Anspruchsgruppenmangement, Vom Shareholder Value zum Stakeholder Value, Bamberg, 1992. Jannidis, Fotis/Kohle, Hubertus/Rehbein, Malte (2017): Digital Humanities, Eine Einführung, Heidelberg, 2017. Jarchow, Thomas/Estermann, Beat (2015): Big Data: Chancen, Risiken und Handlungsbedarf des Bundes: Ergebnisse einer Studie im Auftrag des Bundesamts für Kommunikation, Bern, 2015. Jonen, Andreas (2020): Aktuelle Trends und zukünftige Potenziale der Digitalisierung im Be- schaffungscontrolling, in: Die Digitalisierung der Controlling-Funktion, hrsg. v. Kei- mer, Imke/Egle, Ulrich, Wiesbaden, 2020, S. 349-372. Joos, Thomas/Litzel, Nico (2014): MapReduce und Java zur Datenverarbeitung nutzen, https://www.bigdata-insider.de/so-funktioniert-apache-hadoop-a-457897/, abgerufen am 02.11.2017. Jung, Hans (2014): Controlling, 4. aktualisierte Auflage, München, 2014. Junqué de Fortuny, Enric /Martens, David/Provost, Foster (2013): Predictive Modeling With Big Data: Is Bigger Really Better?, in: Big data, Heft 4 (1) 2013, S. 215-226. Kagermann, Henning/Wahlster, Wolfgang/Helbig, Johannes (2013): Umsetzungsempfehlun- gen für das Zukunftsprojekt Industrie 4.0 - Abschlussbericht des Arbeitskreises Indust- rie 4.0, Frankfurt/Main, 2013. 239 LITERATURVERZEICHNIS Kaiser, Tobias (2015): Die deutsche Wirtschaft muss sich neu erfinden, https://www.welt.de/wirtschaft/article147074058/Die-deutsche-Wirtschaft-muss-sich- neu-erfinden.html, abgerufen am 17.09.2020. Kajüter, Peter/Schaumann, Kai/Schirmacher, Henrik (2019): Einfluss aktueller IT-Trends auf das interne Berichtswesen, in: Controlling & Innovation 2019: Digitalisierung, hrsg. v. Kümpel, Thomas/Schlenkrich, Kay/Heupel, Thomas, Wiesbaden, 2019, S. 135-154. Kalwait, Rainer/Maginot, Stephan (1998): Wenn Controller wechseln wollen: Controller’s An- forderungsprofil, in: Controller Magazin, Heft 1 (23) 1998, S. 57-60. Kanning, Uwe Peter (2003): Diagnostik sozialer Kompetenzen, Göttingen, 2003. Kasthuri, Henry (2012): The FP&A Squad: Financial Agents for Change, in: Strategic Finance, Heft 4 (10) 2012, S. 37-43. Katz, Daniel/Kahn, Robert Louis (1978): The social Psychology of Organizations, 2. Auflage, New York, 1978. Kaufmann, Timothy (2015): Geschäftsmodelle in Industrie 4.0 und dem Internet der Dinge: Der Weg vom Anspruch in die Wirklichkeit, Wiesbaden, 2015. Ke, Ming/Shi, Yuxin (2014): Big Data, Big Change: In the Financial Management, in: Open Journal of Accounting, Heft 4 (3) 2014, S. 77-82. Keimer, Imke/Egle, Ulrich (2018): Die Treiber der Digitalisierung im Controlling, in: Contro- ling & Management Review, Heft 4 (62), 2018, S. 62-76. Keimer, Imke/Egle, Ulrich (2020): Digital Controlling – Grundlagen für den erfolgreichen di- gitalen Wandel im Controlling, in: Die Digitalisierung der Controlling-Funktion, hrsg. v. Keimer, Imke/Egle, Ulrich, Wiesbaden, 2020, S. 1-16. Kellner, Florian/Lienland, Bernhard/Lukesch, Maximilian (2018): Produktionswirtschaft. Pla- nung, Steuerung und Industrie 4.0, Berlin, 2019. 240 LITERATURVERZEICHNIS Kemper, Hans-Georg/Baars, Henning/Mehanna, Walid (2010): Business Intelligence-Grundla- gen und praktische Anwendungen - Eine Einführung in die IT-basierte Managementun- terstützung, 3. Auflage, Wiesbaden, 2010. Kieninger, Michael/Mehanna, Walid/Michel, Uwe (2015): Auswirkungen der Digitalisierung auf die Unternehmenssteuerung, in: Controlling im digitalen Zeitalter: Herausforderun- gen und Best-Practice-Lösungen, hrsg. v. Horváth, Péter/Michel, Uwe, Stuttgart, 2015, S. 3-13. Killer, Stefan (2017): Wie das Internet of Things die Produktion vernetzt, https://www.it- zoom.de/it-mittelstand/e/wie-das-internet-of-things-die-produktion-vernetzt-18433/, abgerufen am 24.08.2019. King, Stefanie (2014): Big Data: Potential und Barrieren der Nutzung im Unternehmenskon- text, Wiesbaden, 2014. Kirchberg, Andreas/Müller, Daniel (2016): Digitalisierung im Controlling: Einflussfaktoren, Standortbestimmung und Konsequenz für die Controllerarbeit, in: Konzerncontrolling 2020: Zukünftige Herausforderungen der Konzernsteuerung meistern, hrsg. v. Gleich, Ronald/Grönke, Kai/Kirchmann, Markus/Leyk, Jörg, Freiburg, München, Stuttgart, 2016, S. 79-96. Klein, Dominik/Tran-Gia, Puoc/Hartmann, Matthias (2013): Big Data, in: Informatik Spekt- rum, Heft 3 (36) 2013, S. 319-323. Knack, Robert (2009): Wissen über Wettbewerber vor dem Hintergrund der Digitalisierung, in: Wissens- und Informationsmanagement: Strategien, Organisation und Prozesse, hrsg. v. Keuper, Frank/Neumann, Fritz, Wiesbaden, 2009, S. 372-411. Knauer, Dirk (2015): Act Big – Neue Ansätze für das Informationsmanagement, Wiesbaden, 2015. 241 LITERATURVERZEICHNIS Knorre, Susanne/Müller-Peters, Horst/Wagner, Fred (2020): Die Big-Data-Debatte: Chancen und Risiken der digital vernetzten Gesellschaft, Wiesbaden, 2020. Kober, Stephan (2020): Digitalisierung im B2B-Vertrieb, Ergebnisse verbessern mit digitalen Tools – Impulse zur Entscheidung und Umsetzung, Wiesbaden, 2020. Koch, Rosemarie/Storm, Lisa (2020): Controller 4.0 – Die Rolle des Controllers im digitalen Zeitalter, in: Zeitschrift Führung und Organisation, Heft 1 (89) 2020, S. 38-42. Kofler, Thomas (2018): Das digitale Unternehmen. Systematische Vorgehensweise zur zielgerichteten Digitalisierung, Wiesbaden, 2018. Kohavi, Ron/Longbotham, Roger/Sommerfield, Dan/Henne, Randal (2009): Controlled exper- iments on the web: survey and practical guide, in: Data Mining and Knowledge Discov- ery, Heft 1 (18) 2009, S. 140-181. Kolbe, Clemens (1991): Eintrittsbarrieren und die Eintrittsfähigkeit potenzieller Konkurrenten, Göttingen, 1991. Koltay, Tibor (2017): Information Overload in a Data-Intensive World, in: Understanding In- formation: From the Big Bang to Big Data, hrsg. v. Schuster, Alfons Josef, Tokio, 2017, S. 197-217. Koropp, Christian/Treitz, Ralph (2019): Performance Management mit Advanced Analytics, in: Controlling & Management Review, Heft 6 (63) 2019, S. 32-39. Koß, Ronald (2016): Ein Reifegradmodell für das digitale Controlling, in: Controling & Man- agement Review, Heft 6 (60), 2016, S. 32-39. Koubaa, Anis/Andersson, Björn (2009): A vision of cyber-physical internet, Porto, 2009. Kräuter, Patrick (2003): Die Geschichte des Computers, München, 2003. Krcmar, Helmut (2010): Informationsmanagement, Heidelberg, 2010. 242 LITERATURVERZEICHNIS Kreher, Markus/Gundel, Ulrich/Sellhorn, Thorsten/Hess, Thomas/Köster, Antonia/Weiß, Ka- tharina (2020): Digitalisierung im Rechnungswesen 2020: https://hub.kpmg.de/studie- de-digitalisierung-im-rechnungswesen-2020?utm_campaign=Digitalisie- rung%20im%20Rechnungswesen%202020&utm_source=AEM&utm_content=de, ab- gerufen am 18.01.2021. Krickel, Frank (2015): Digitalisierung in der Energiewirtschaft, in: Zukunftsorientierte Unter- nehmenssteuerung in der Energiewirtschaft, hrsg. v. Hecker, Werner/Lau, Carsten/Mül- ler, Arno, 2015, Wiesbaden, S. 41-74. Kristandl, Gerhard/Quinn, Martin/Strauß, Erik (2015): Controlling und Cloud Computing: Wie die Cloud den Informationsfluss in KMU ändert, in: Zeitschrift für KMU und Entrepre- neurship, 3-4 (63), 2015, S. 281-304. Kroll, Christian/Bujak, Adam/Darius, Volker/Enders, Wolfgang/Esser, Marcus (2017): Robotic Process Automation-Robots conquer business processes in back offices, https://www.capgemini.com/consulting-de/wp-content/uploads/sites/32/2017/08/robo- tic-process-automation-study.pdf, abgerufen am, 13.03.2019. Kropp, Miron/Töbel, Lisa (o.J.): Machine Learning, https://www.akquinet.de/Java/Flyer- Praesentationen/Machine-Learning.pdf, abgerufen am 15.11.2018. Kudyba, Stephan (2014): Big Data, Mining, and Analytics: Components of Strategic Decision Making, Boca Raton, 2014. Kümpel, Thomas/Schlenkrich, Kay/Heupel, Thomas (2019): Controlling und Innovation 2019. Digitalisierung, Wiesbaden, 2019. Küpper, Hans-Ulrich (2008): Controlling: Konzeption, Aufgaben, Instrumente, 5. überarbeitete Auflage, Stuttgart, 2008. Küpper, Hans-Ulrich/Friedl, Gunther/Hofmann, Christian/Hofmann, Yvette/Pedell, Burkhard (2013): Controlling Konzeption, Aufgaben, Instrumente, 6. Auflage, Stuttgart, 2013. 243 LITERATURVERZEICHNIS Kuß, Alfred/Wildner, Raimund/Kreis, Henning (2014): Marktforschung: Grundlagen der Da- tenerhebung und Datenanalyse, 5. vollständig überarbeitete und erweiterte Auflage, Wiesbaden, 2014. Laney, Doug (2001): 3D Data Management: Controlling Data Volume, Velocity, and Variety, https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Con- trolling-Data-Volume-Velocity-and-Variety.pdf, abgerufen am 27.10.2017. Langmann, Christian (2019): Digitalisierung im Controlling, Wiesbaden, 2019. Langmann, Christian/Turi, Daniel (2020): Robotic Process Automation (RPA) - Digitalisierung und Automatisierung von Prozessen: Voraussetzungen, Funktionsweise und Implemen- tierung am Beispiel des Controllings und Rechnungswesens, Wiesbaden, 2020. Lanquillon, Carsten/Mallow, Hauke (2015): Advanced Analytics mit Big Data, in: Praxishand- buch Big Data: Wirtschaft – Recht – Technik, hrsg. v. Dorschel, Joachim, Wiesbaden, 2015, S. 55-89. Large, Rudolf (2009): Strategisches Beschaffungsmanagement, Eine praxisorientierte Einfüh- rung, Mit Fallstudien, 4th Edition, Wiesbaden, 2009. Larose, Daniel T./Larose, Chantal D. (2014): Discovering Knowledge in Data: An Introduction to Data Mining, 2. Auflage, Hoboken, New Jersey, 2014. Laudon, Kenneth C./Laudon, Jane P./Schoder, Detlef (2016): Wirtschaftsinformatik: Eine Ein- führung, 3. vollständig überarbeitete Auflage, Hallbergmoos, 2016. Lechner, Werner (2008): Data Mining Verfahren, Working Paper, Fachhochschule Hannover, 2008. Lee, In (2017): Big Data: Dimensions, evolution, impacts, and challenges, in: Business Hori- zons, Heft 3 (60) 2017, S. 293-303. 244 LITERATURVERZEICHNIS Lengsfeld, Jörn (2019): Methodenwandel durch Digitalisierung, Bad Waldsee, 2019. Lepistö, Lauri/Järvenpää, Marko/Ihantola, Eeva-Mari/Tuuri, Iida (2016): The Tasks and Char- acteristics of Management Accountants: Insights from Finnish Recruitment Processes, in: Nordic Journal of Business, Heft 3/4 (65) 2016, S. 76-82. Leyk, Jörg/Kirchmann, Markus/Tobias, Stefan (2017): Planung, Forecast und Reporting in der digitalen Welt, in: Digitalisierung der Unternehmenssteuerung, hrsg. v. Kieninger, Mi- chael, Stuttgart, 2017, S. 51-63. Lindemann, Udo (2017): Handbuch Produktentwicklung, München, 2017. Link, Christian/Orbán, Csaba (2002): Unternehmensplanung – Wertschöpfung oder Pflicht- übung?, in: krp, Heft 1 (46) 2002, S. 11-17. Lippold, Dirk (2017): Marktorientierte Unternehmensführung und Digitalisierung: Manage- ment im Digitalen Wandel, Berlin und Boston, 2017. Lips, Thorsten/Horváth, Peter (2016): Big Data im Vertriebscontrolling, in: Digitalisierung im Vertrieb: Strategien zum Einsatz neuer Technologien in Vertriebsorganisationen, hrsg. v. Binckebanck, Lars/Elste, Rainer, Wiesbaden, 2016, S. 507-518. Lips, Thorsten/Mayer, Thomas-Ludwig (2017): Mit Digital Forecasting den Vertrieb besser steuern: Methodik und Nutzen automatisierter Forecasts, https://www.horvath- partners.com/fileadmin/horvath- partners.com/assets/05_Media_Center/PDFs/deutsch/White_Paper_Predictive_Forecas t_web_g.pdf, abgerufen am 04. 03. 2019. Loebbecke, Claudia (2006): Digitalisierung – Technologien und Unternehmensstrategien, in: Handbuch Medienmanagmenet, hrsg. v. Scholz, Christian, Berlin/Heidelberg, 2006, S. 357-374. Löhnert, Peter (1996): Shareholder Value: Reflexionen der Adaptionsmöglichkeiten in Deutschland, München, 1996. 245 LITERATURVERZEICHNIS Losbichler, Heimo (2013): Das neue Controller-Leitbild und die Kernelemente des Control- lings, in: CM, Heft 5 (38) 2013, S. 68-73. Losbichler, Heimo/Ablinger, Katharina (2018): Digitalisierung und die zukünftigen Aufgaben des Controllers, in: Digitalisierung & Controlling, hrsg. v. Gleich, Ronald/Tschandl, Martin, München, 2018, S. 49-72. Losbichler, Heimo/Eisl, Christoph/Plank, Thomas (2016): Neue Visualisierungsformen auf dem Prüfstand, in: Controlling & Management Review, Sonderheft 1 2016, S. 46-53. Losbichler, Heimo/Gänßlen, Siegfried (2015): Performance Measurement in Zeiten von Big Data, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, Heft 6 (27) 2015, S. 307-312. Luber, Stefan/Litzel, Nico (2017): Was ist Hive?, https://www.bigdata-insider.de/was-ist-hive- a-654184/, abgerufen am 22.06.2020. Luber, Stefan/Litzel, Nico (2018): Was ist ETL (Extract, Transform, Load)?, https://www.bigdata-insider.de/was-ist-etl-extract-transform-load-a-776549/, abgeru- fen am 23.02.2018. Luber, Stefan/Litzel, Nico (2020): Was ist KNIME?, https://www.bigdata-insider.de/was-ist- knime-a-933183/, abgerufen am 22.06.2020. Lv, Zhihan/Song, Houbing/Basanta-Val, Pablo/Steed, Anthony/Jo, Minho (2017): Next-Gen- eration Big Data Analytics: State of the Art, Challenges, and Future Research Topics, in: IEEE Transactions on Industrial Informatics, Heft 4 (13) 2017, S. 1891-1899. Malmi, Teemu/Seppälä, Tomi/Rantanen, Mika (2001): The practice of management accounting in Finland: A change? in: Finnish Journal of Business Economics, Heft 4 (50) 2001, S. 480-501. 246 LITERATURVERZEICHNIS Manutiu, Sven (2018): Digitalisierung im Controlling – Mehrwert durch Robotic Process Au- tomation, in: Controlling, Heft 3 (30) 2018, S. 4-10. Matzer, Michael/Litzel, Nico (2016): So bereitet Machine Learning Big Data auf, https://www.bigdata-insider.de/so-bereitet-machine-learning-big-data-auf-a-544189/, abgerufen am 14.02.2018. Mayer, Christian/Wiesehahn, Andreas (2018): Controlling im Digitalisierungswahn?, in: Con- troller Magazin, Heft 5 (43) 2018, S. 29-33. Mayer, Thomas-Ludwig (2013): Big Data: Neue Chancen und Herausforderungen für die Un- ternehmenssteuerung, in: Controlling integriert und global: erfolgreiche Steuerung von komplexen Organisationen, Stuttgart, 2013, S. 284-297. Mayr, Albert (2019): Veränderungen im Kostenmanagement durch die Digitalisierung, in: Con- trolling – Aktuelle Entwicklungen und Herausforderungen: Digitalisierung, Nachhaltig- keit und Spezialaspekte, hrsg. v. Feldbauer-Durstmüller, Birgit/Mayr, Stefan, Wiesba- den, 2019, S. 137-161. Mayr, Albert/Losbichler, Heimo/Heindl, Maximilian (2017): Aufgaben, Anforderungen und Karriereperspektiven im Controlling, in: Controller Magazin, Heft 5 (42) 2017, S. 22- 25. Mayring, Philipp (2008): Qualitative Inhaltsanalyse - Grundlagen und Techniken, 10. Auflage, Weinheim/Basel, 2008. McAfee, Andrew/Brynjolfsson, Erik (2012): Big Data: The Management Revolution, http://tarjomefa.com/wp-content/uploads/2017/04/6539-English-TarjomeFa-1.pdf, ab- gerufen am 02.11.2017. McKendrick, Joe (2011): Decision Making on the Go, in: Teradata Magazine, Heft 1 2011, S. 48-50. 247 LITERATURVERZEICHNIS Medhat, Walaa/Hassan, Ahmed/Korashy, Hoda (2014): Sentiment analysis algorithms and ap- plications: A survey, in: Ain Shams Engineering Journal, Heft 4 (5), 2014, S. 1093- 1113. Mehanna, Walid (2016): "Digital Forecasts.", in: Business Intelligence Magazine, Heft 1(13) 2016, S. 22-25. Mehanna, Walid/Müller, Florian/Tunco, Can (2015): Predictive Forecasting und die Digitali- sierung der Unternehmenssteuerung, in: IM+io – Fachzeitschrift für Innovation, Orga- nisation und Management, Heft 4 (o.Jg.) 2015, S. 28-32. Mehanna, Walid/Tatzel, Jan/Vogel, Philipp (2016): Business Analytics im Controlling – Fünf Anwendungsfelder, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmens- steuerung, Heft 8-9 (28) 2016, S. 502-508. Mehanna, Walid/Tatzel, Jan/Vogel, Philipp (2018): Business Analytics im Controlling: Fünf Anwendungsfehler, in: Controlling, Heft S (30) 2018, S. 38-45. Mehra, Schew-Ram/Diez, Kathrin (2017): Stellenanzeigenanalyse zur Ermittlung von zu ver- mittelnden Kompetenzen im Rahmen des neuen berufsbegleitenden Studiengang „Mas- ter Online Akustik“, https://de.mintonline.de/fyls/482/download_file, abgerufen am 07.08.2020. Meier, Andreas/Kaufmann, Michael (2016): SQL- & NoSQL-Datenbanken, 8. überarbeitete und erweiterte Auflage, Berlin/Heidelberg, 2016. Meier, Andreas/Stormer, Henrik (2012): eBusiness & eCommerce: Management der digitalen Wertschöpfungskette, 3. Auflage, Berlin/Heidelberg, 2012. Melchert, Florian (2004): Metadatenmanagement im Data Warehousing, Ergebnisse einer em- pirischen Studie, St. Gallen, 2004. 248 LITERATURVERZEICHNIS Melchert, Florian/Auth, Gunnar/Herrmann, Clemens (2002): Integriertes Metadatenmanage- ment für das Data Warehousing - Grundlagen, Nutzenpotenziale, Architektur, St. Gal- len, 2002. Merkel, Angela (2016): Merkel: Wir müssen uns sputen, https://www.bundesregie- rung.de/breg-de/aktuelles/merkel-wir-muessen-uns-sputen-746750, abgerufen am 12.09.2019. Mertens, Peter/Barbian, Dina/Baier, Stephan (2017): Digitalisierung und Industrie 4.0 - eine Relativierung, Wiesbaden, 2017. Mertens, Peter/Meier, Marco C. (2009): Integrierte Informationsverarbeitung. Planungs- und Kontrollsysteme in der Industrie, Wiesbaden, 2009. Merv, Adrian (2011): It’s going mainstream, and it’s your next opportunity., in: Teradata Ma- gazine, Heft 1 2011, S. 1-5. Metz, Rainer (2010): Zeitreihenanalyse, in: Handbuch der sozialwissenschaftlichen Datenana- lyse, hrsg. v. Wolf, Christof/Best, Henning, Wiesbaden, 2010, S. 1053-1090. Michel, Uwe/Tobias, Stefan (2017): Was bedeutet die Digitalisierung für den Controller?, in: Controller Magazin,, 2017, S. 38-43. Misoch, Sabina (2019): Qualitative Interviews, 2. erweiterte und aktualisierte Auflage, Berlin, Boston, 2019. Mödritscher, Gernot/Wall, Friederike (2017): Controlling als interner Dienstleister 4.0, in: Dienstleistungen 4.0 – Konzepte-Methoden-Instrumente, hrsg. v. Bruhn, Manfred/Had- wich, Karsten, Band 1, Wiesbaden, 2017, S. 410-434. Mödritscher, Gernot/Wall, Friederike (2019): Controlling und Digitalisierung – Änderungen im Kompetenzprofil, in: Controlling – Aktuelle Entwicklungen und Herausforderungen: Digitalisierung, Nachhaltigkeit und Spezialaspekte, hrsg. v. Feldbauer-Durstmüller, Birgit/Mayr, Stefan, Wiesbaden, 2019, S. 65-81. 249 LITERATURVERZEICHNIS Möhrle, Martin G./Walter, Lothar (2009): Patentierung von Geschäftsprozessen: Monitoring - Strategien - Schutz, Heidelberg, 2009. Möller, Jasmin/Bogaschewsky, Ronald (2019): Digitale Trends und ihre Auswirkungen auf Die Nachhaltigkeitsperformance
in der Beschaffung, in: Nachhaltiges Beschaffungsma- nagement. Strategien - Praxisbeispiele - Digitalisierung, hrsg. v. Wellbrock, Wanja/Lu- din, Daniela Wiesbaden, 2019, S. 345-368. Möller, Klaus/Seefried, Johannes/Wirnsperger, Franz (2017): Wie Controller zu Business-Part- nern werden, in: Controlling & Management Review, Heft 2 (61) 2017, S. 64-67. Morato, Rouven/Weber, Jürgen (2016): „Wir ziehen Daten live und in Farbe raus, um sie im System darzustellen“, in: Controlling & Management Review, Sonderheft 1 2016, S. 24-30. Mühleck, Klaus Hardy (2016): Harmonisierung und Standardisierung durch die Cloud, in: Was treibt die Digitalisierung? Warum an der Cloud kein Weg vorbeiführt, hrsg. v. Abol- hassan, Ferri, Wiesbaden, 2016, S. 129-139. Müller, Bernhard et.al. (2010): Latein Wörterbuch. Latein-Deutsch, München, 2010. Müller, Stefan (2016): Erweiterung des Data Warehouse um Hadoop, NoSQL & Co, in: Big Data: Grundlagen, Systeme und Nutzungspotenziale, hrsg. v. Meier, Andreas, Wiesba- den, 2016, S. 139-158. Nagel, Mathias/Nagel, Matthes/Nagel, Markus/Prosch, Robin (2014): Reporting-Nutzen mit Little Data und Big Data steigern, in: Reporting und Business Intelligence: Berichte klar gestalten, effizient erstellen, prägnant kommentieren, 2. Auflage, München, 2014, S. 209-231. Nann, Dennis/Eichenberger, Philipp (2018): Forecasting mittels Predictive Analytics, in: rechnungswesen & controlling, Heft 3 (42) 2018, S. 5-9. 250 LITERATURVERZEICHNIS Nasca, Deborah/Munck, Christoph/Gleich, Ronald (2018): Controlling-Hauptprozesse: Ein- fluss der digitalen Transformation, in: Digitalisierung & Controlling – Technologien, Instrumente, Praxisbeispiele, hrsg. v. Gleich, Ronald/Tschandl, Martin, Freiburg, Mün- chen, Stuttgart, 2018, S. 73-88. Neugebauer, Reimund (2018): Digitale Information – der „genetische Code“ moderner Tech- nik, in: Digitalisierung. Schlüsseltechnologien für Wirtschaft und Gesellschaft, hrsg. v. Neugebauer, Reimund, München, 2018, S. 1-7. Nickel, Oliver (2018): Amazon verwirft sexistisches KI-Tool für Bewerber, https://www.go- lem.de/news/machine-learning-amazon-verwirft-sexistisches-ki-tool-fuer-bewerber- 1810-137060.html, abgerufen am 06.01.2020. Nicolai, Christiana (2019): Personalmanagement, 6. Auflage, München, 2019. Nobach, Kai (2019): Bedeutung der Digitalisierung für das Controlling und den Controller, in: Wertschöpfung in der Betriebswirtschaftslehre, hrsg. v. Ulrich, Patrich/Baltzer, Björn, Wiesbaden, 2019, S. 247-269. Nobach, Kai/Immel, Christoph (2017): Vom Controller zum Business-Partner bei Bosch, in: Controlling & Management Review, Heft 3 (61) 2017, S.78-85. O.V. (2003): Empfehlung der Kommission vom 6. Mai 2003 betreffend die Definition der Kleinstunternehmen sowie der kleinen und mittleren Unternehmen 2003/361/EG, https://eur-lex.europa.eu/legal-con- tent/DE/TXT/PDF/?uri=CELEX:32003H0361&from=EN, abgerufen am 11.01.2021. O.V. (2012a): Big Data, https://www.gartner.com/it-glossary/big-data, abgerufen am 27.10.2017. O.V. (2012b): Big Data – Vorsprung durch Wissen Innovationspotentialanalyse, Innovations- potenzialanalyse_Big-Data_FraunhoferIAIS_2012.pdf, abgerufen am 02.12.2020. 251 LITERATURVERZEICHNIS O.V. (2013a): Big Data: A Practical Guide To Transforming The Business of Governement, https://bigdatawg.nist.gov/_uploadfiles/M0068_v1_3903747095.pdf, abgerufen am 27.10.2017. O.V. (2013b): Big Data and Analytics: Seeking Foundations for Effective Privacy Guidance, https://www.huntonak.com/files/Uploads/Documents/News_files/Big_Data_and_Anal ytics_February_2013.pdf, abgerufen am 14.12.2018. O.V. (2014): Big Data: Potenzial für den Controller, https://www.icv-controlling.com/de/ar- beitskreise/ideenwerkstatt/big-data.html, abgerufen am 08.09.2020. O.V. (2016): Mit Daten Werte schaffen: Report 2016, https://cdn2.hubspot.net/hubfs/571339/LandingPages-PDF/kpmg-mdws-201-sec.pdf, abgerufen am 19.11.2019. O.V. (2018): Deloitte – Virtual Financial Controller, How digital technologies affect the eve- ryday life of a financial controller, https://www2.deloitte.com/con- tent/dam/Deloitte/de/Documents/finance-transformation/CFO-Insights_Virtual-Finan- cial-Controller.pdf, abgerufen am 11.08.2020. O.V. (2019a): Hamburgs Schulen bei Digitalisierung spitze, https://www.sueddeutsche.de/bil- dung/schulen-hamburg-hamburgs-schulen-bei-digitalisierung-spitze-dpa.urn-newsml- dpa-com-20090101-190731-99-284947, abgerufen am 14.09.2019. O.V. (2019b): Wie die Digitalisierung den Sport verändert, https://www.wiwo.de/technolo- gie/digitale-welt/glaeserne-athleten-wie-die-digitalisierung-den-sport-veraen- dert/23973204.html, abgerufen am 14.09.2019. O.V. (o.J.): „Nichts ist so beständig wie der Wandel.“, https://www.uni-bamberg.de/filead- min/uni/fakultaeten/ppp_lehrstuehle/psychologie_4/dokumente/WS1718/Down- load_Newsletter_2019-01.pdf, abgerufen am 06.03.2021. Obermaier, Robert/Grottke, Markus (2017): Controlling in einer „Industrie 4.0“ – Neue Mög- lichkeiten und neue Grenzen für die Steuerung von Unternehmen, in: 252 LITERATURVERZEICHNIS Betriebswirtschaftliche Aspekte von Industrie 4.0, hrsg. v. Seiter, Mischa/Grünert, Lars/Berlin, Sebastian, Wiesbaden, 2017, S. 111-148. OECD (2016): OECD Science, Technology and Innovation Outlook 2016, Paris, 2016. Oehler, Karsten (2002): Beyond Budgeting – Hindernis Planung, in: is report, Dachau, 4/2002, S. 18-21. Oehler, Karsten/Schmidt, Walter/Seufert, Andreas (2016): Bedeutung von Big Data für Con- troller: Chancen der Digitalisierung bei der Umsetzung moderner Wertorientierung, in: Controller Magazin, Heft 3 (41), S. 62-69. oniert, Berlin/Heidelberg, 2016. Paefgen, Anne (2008): Rationalitätssicherung im Controlling, in: Controlling & Management, Sonderheft 3 (52) 2008, S. 80-88. Paluv, Rastislav (2018): Machine Learning in 6 Schritten – So sieht die Prozesskette aus, https://plus-it.de/blog/machine-learning-in-6-schritten-so-sieht-die-prozesskette-aus/, abgerufen am 11.01.19. Peemöller, Volker (2005): Controlling: Grundlagen und Einsatzgebiete, Herne, Berlin, 2005. Pellens, Bernhard/Tomaszewski, Claude/Weber, Nicolas (2000): Wertorientierte Unterneh- mensführung in Deutschland – Eine empirische Untersuchung der DAX 100-Unterneh- men, in: Der Betrieb, Heft 37, S. 1825-1833. Peric, Fran (2019): R oder Python, https://www.statworx.com/de/blog/r-oder-python/, abgeru- fen am 25.02.2020. Petzold, Jürgen/Westerkamp, Markus (2018): Informationssysteme im wertorientierten Con- trolling: Grundlagen – Aufbau – Anforderungen – Integration – Anwendungen, Wies- baden, 2018. 253 LITERATURVERZEICHNIS Pfaff, Dietmar (2015): Competitive Intelligence in der Praxis. Mit Informationen über ihre Wettbewerber auf der Überholspur, Frankfurt, 2015. Pfläging, Niels (2004): Das Ende der Budgetierung, in: Geno, Heft 3 2004, S. 51-56. Piontek, Jochem (2005): Controlling – Managementwissen für Studium und Praxis, Oldenburg, 2005. Plag, Martin (2017): Die Macht des Business Partners, in: Controlling & Management Review, Heft 7 (61) 2017, S. 50-58. Plattner, Hasso/Zeier, Alexander (2011): In-Memory data management - An inflection point for enterprise application, Berlin, 2011. Ploier, Dietmar/Mayr, Stefan (2019): Digitalisierung im Rechnungswesen und Controlling – praktische Aspekte der Steuer- und Unternehmensberatung, in: Controlling – Aktuelle Entwicklungen und Herausforderungen: Digitalisierung, Nachhaltigkeit und Spezialas- pekte, hrsg. v. Feldbauer-Durstmüller, Birgit/Mayr, Stefan, Wiesbaden, 2019, S. 183- 206. Ploss, Robert (2016): Der digitale Controller, in: Controlling & Management Review, Heft 2 (60) 2016, S. 60-64. Plümecke, Marvin (2006): Konzepte der Budgetierung, Saarbrücken, 2006. Poeschl, Hanno (2013): Strategische Unternehmensführung zwischen Shareholder-Value und Stakeholder-Value, Wiesbaden, 2013. Preis, Anton (2011): Controller-Anforderungsprofile, in: Schriften des Center for Controlling & Management, hrsg. v. Weber, Jürgen, Vallendar, 2011. Preißner, Andreas (1998): Was machen Controller? Eine Analyse von 600 überregionalen Stel- lenangeboten, in: Controller Magazin, Heft 3 (23) 1998, S. 217-221. 254 LITERATURVERZEICHNIS Press, Gil (2013): A very short history of Big Data, https://www.forbes.com/sites/gilpress/2013/05/09/a-very-short-history-of-big- data/#10e655a565a1, abgerufen am 26.10.2017. Provost, Foster/Fawcett, Tom (2013): Data Science and its Relationship to Big Data and Data- Driven Decision Making, in: Big Data, Heft 1 2013, S. 51-59. Przyborski, Aglaja/Wohlrab-Sahr, Monika (2014), Qualitative Sozialforschung, Ein Arbeits- buch, 4th Edition, München, 2014. Puma, Jörg (2002): Implementierung wertorientierter Unternehmensführung: Konzeption und Evaluation einer unternehmensweiten Maßnahme zum Kompetenzaufbau, Frankfurt am Main, 2002. Quinn, Martin (2014): The Elusive Business Partner Controller, in: Controlling & Management Review, Heft 2 (58) 2014, S. 22-27. Raab, Gerhard/Unger, Alexander/Unger Fritz (2018): Methoden der Marketing Forschung. Grundlagen und Praxisbeispiele, Wiesbaden, 2018. Raden, Neil (2010): Get Analytics Right from the Start, http://viewer.media.bitpipe.com/937603713_268/1281029095_670/Primary1_Analytic sfromtheStart.pdf, abgerufen am 10.02.2019. Rappaport, Alfred (1999): Shareholder Value: Ein Handbuch für Manager und Investoren, Stuttgart, 1999. Reimer, Bernd/Messerschmidt, Marcus/Stüben, Jan/Rasch, Michael/Ehring, Marc (2013): Big Data – Bedeutung Nutzen Mehrwert, https://www.pwc.de/de/prozessoptimierung/as- sets/pwc-big-data-bedeutung-nutzen-mehrwert.pdf, abgerufen am 18.03.2019. Reinnarth Jörg (2018): Megatrends zur Digitalisierung, in: Chefsache Digitalisierung 4.0, Rein- narth, Jörg/Schuster, Claus/Möllendorf, Jan/Lutz, André, Wiesbaden, 2018, S. 1-75. 255 LITERATURVERZEICHNIS Reinsel, David/Gantz, John/Rydning, John (2017): Data Age 2025: The Evolution of Data to Life-Critical, https://www.seagate.com/files/www-content/our-story/trends/files/idc- seagate-dataage-whitepaper.pdf, abgerufen am 02.01.2018. Reißig-Thust, Solveig (2018): Controller-Kompetenzen in Praxis und Lehre, in: Controlling & Management Review, Heft 6 (62) 2018, S. 20-31. Rentzmann, René/Hippner, Hajo/Hesse, Frank/Wilde, Klaus D. (2011): IT-Unterstützung durch CRM-Systeme, in: Grundlagen des CRM: Strategie, Geschäftsprozesse und IT-Unter- stützung, hrsg. v. Hippner, Hajo/Hubich, Beate/Wilde, Klaus D., 3. vollständig überar- beitete und erweiterte Auflage, Wiesbaden, 2011, S. 129-156. Reuschenbach, Daniel/Isensee, Johannes/Ostrowicz, Sebastian (2019): RPA im Controlling: Steigerung der Effizienz im Reporting durch Robotic Process Automation, in: Control- ler Magazin, Heft 5 (44) 2019, S. 8-13. Rieg, Robert (2018): Eine Prognose ist (noch) kein Plan, in: Controlling, Heft 6 (30) 2018, S. 22-28. Rohweder, Jan/Kasten, Gerhard/Malzahn, Dirk/Piro, Andrea/Schimd, Joachim (2018): Infor- mationsqualität – Definitionen, Dimensionen und Begriffe, in: Daten- und Informati- onsqualität: Auf dem Weg zur Information Excellence, hrsg. v. Hildebrand, Knut/Ge- bauer, Marcus/Hinrichs, Holger/Mielke, Michael, 4. überarbeitete Auflage, Wiesbaden, 2018, S. 23-43. Rost, Katja/Osterloh, Margit (2009): Management Fashion Pay-for-Performance for CEOs, in: Schmalenbach Business Review, Heft 4 (61) 2009, S. 119-149. Roy, Daniel Thomas (2017): Industrie 4.0 - Gestaltung cyber-physischer Logistiksysteme zur Unterstützung des Logistikmanagements in der Smart Factory, Berlin, 2017. Russel-Walling, Edward (2011): 50 Schlüsselideen Management, Heidelberg, 2011. 256 LITERATURVERZEICHNIS Sailer, Maximilian (2009): Anforderungsprofile und akademischer Arbeitsmarkt, Die Stellen- anzeigenanalyse als Methode der empirischen Bildungs- und Qualifikationsforschung, Münster, 2009. Saini, Shipra/Pandey, Mohan Hari (2015): Review on Web Content Mining Techniques, in: International Journal of Computer Applications, Heft 18 (118) 2015, S. 33-36. Sánchez, Marisa Analía (2017): A Framework to Assess Organizational Readiness for the Dig- ital Transformation, in: Dimensión Empresarial, Heft 2 (15) 2017, S. 27-40. Satzger, Gerhard/Holtmann, Carsten/Peter, Susanne (2015): Advanced Analytics im Control- ling – Potenzial und Anwendung für Umsatz- und Kostenprognosen, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, Heft 4-5 2015, S. 229-235. Schäfer, Andreas/Knapp, Melanie/May, Michael/Voß, Angelika (2012): Big Data – Vorsprung durch Wissen: Innovationspotenzialanalyse, Innovationspotenzialanalyse_Big- Data_FraunhoferIAIS_2012.pdf, abgerufen am 10.09.2020. Schäffer, Utz (2017a): Der Controller ist tot, es lebe das Controlling!, in: Controller Magazin, Heft 3 (42) 2017, S. 52-53. Schäffer, Utz (2017b): „Predictive Analytics macht Planung und Steuerung flexibler“, in: Controlling & Management Review, Heft 4 (61) 2017, S. 34-40. Schäffer, Utz/Brückner, Lars (2019): Rollenspezifische Kompetenzprofile für das Controlling der Zukunft, in: Controlling & Management Review, Heft 7 (63) 2019, S. 14-31. Schäffer, Utz/Weber, Jürgen (2015): Controlling – Trends & Benchmarks, Vallendar, 2015. Schäffer, Utz/Weber, Jürgen (2016): Die Digitalisierung wird das Controlling radikal verän- dern, in: Controlling & Management Review, Heft 6 (60) 2016, S. 6-17. Schäffer, Utz/Weber, Jürgen (2017): Persönliche Überlebensstrategien für Controller im Zei- chen der Digitalisierung, in: Controlling, Sonderheft 1 (29) 2017, S. 56-59. 257 LITERATURVERZEICHNIS Schaffner, Petra/Mayer-Uellner, Richard (2010): Notwendigkeit, Konzeption und Elemente ei- nes effektiven Compliance-Systems, in: Controlling, Heft 11 (22) 2010, S. 611-616. Scherm, Ewald/Süß, Stefan (2010): Personalmanagement, 2. Auflage, München, 2010. Schlick, Jochen/Stephan, Peter/Loskyll, Matthias/Lappe, Dennis (2014): Industrie 4.0 in der praktischen Anwendung, in: Industrie 4.0 in Produktion, Automatisierung und Logistik. Anwendung, Technologien, Migration, hrsg. v. Bauernhansl, Thomas/Vogel-Heuser, Birgit/ten Hompel, Michael, 1. Auflage, Wiesbaden, 2014, S. 57-84. Schlösser, Fabian/Borkenhagen, Bastian/Schentler, Peter (2019): Digitale Planung: Integriert, automatisiert, analytics-gestützt, in: Planung, Budgetierung und Forecasting: Innovative und digitale Instrumente für die Unternehmenssteuerung, hrsg. v. Gleich, Ronald/Kap- pes, Michael/Leyk, Jörg, Freiburg, München, Stuttgart, 2019, S. 37-54. Schnider, Dani (2015): So beschleunigen Sie Ihre ETL-Prozesse, 2015, https://danischnider.fi- les.wordpress.com/2017/11/etl_performance.pdf, abgerufen am 07.07.2018. Schön, Dietmar (2016): Planung und Reporting: Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics, 2. Auflage, Wiesbaden, 2016. Schön, Dietmar (2018): Planung und Reporting im BI-gestützten Controlling – Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics, 3. Auflage, Wiesbaden. 2018. Schöning, Stephan/Mendel, Viktor/Köse, Aylin (2020): Mit neuen Controller-Kompetenzen in die Zukunft, in: Controlling & Management Review, Heft 1 (64) 2020, S. 58-63. Schreib, Gernot (2013): Applikationsanbindung an das Data Warehouse: ETL vs. ELT, 2013, https://www.doag.org/formes/pubfiles/4820500/2013-03-News-Gernot-Schreib-Appli- kationsanbindung-an-das-Data-Warehouse--ETL-vs-ELT.pdf, abgerufen am 07.07.2018. 258 LITERATURVERZEICHNIS Schreiner, Jakob/Mundt, Elisa (2020): Was ist Predictive Maintenance? Definition, Anwen- dung und Beispiele, 2020, https://www.industry-of-things.de/was-ist-predictive-main- tenance-definition-anwendung-und-beispiele-a-693842/, abgerufen am 24.02.2020. Schroeck, Michael/Shockley, Rebecca/Smart, Janet/Romero-Morales, Dolores/Tufano, Peter (2012): Analytics: The real-world use of big data: How innovative enterprises extract value from uncertain data, IBM Executive Report, 2012, https://www.ibm.com/down- loads/cas/5JM9G2AV, abgerufen am 20.01.2018. Schulte, Alexander/Bülchmann, Oliver (2016): Wie Big Data die Rolle des Controllers verän- dert, in: Controlling & Management Review, Sonderheft 1 2016, S. 54-60. Schulte, Christoph et.al. (2019): Lexion des Controllings, Berlin, 2019. Schupp, Florian/Rehm, Matthias (2018): Supplier innovation can be measured - How digitali- zation allows to effectively
include the technology dimension
into sourcing decisions, in: Digitalisierung im Einkauf, hrsg. v. Schupp, Florian/Wöhner, Heiko, Wiesbaden, 2018, S. 1-10. Schupp, Florian/Wöhner, Heiko (2018): Ansatz für Digitalisierung im Bereich Einkauf, in: Di- gitalisierung im Einkauf, hrsg. v. Schupp, Florian/Wöhner, Heiko, Wiesbaden, 2018, S. 1-10. Schuster, Claus (2018): Die strategische Ordnung für die digitale Transformation, in: Chefsache Digitalisierung 4.0, hrsg. v. Lutz, André et al., Wiesbaden, 2018, S. 79-129. Schwarzmaier, Ulrich (2014): Reporting gestern und heute. Der Wandel des Reportings in den letzten 20 Jahren, in: CM, Heft 3 (39) 2014, S. 22-26. Sehgal, Naresh Kumar/Bhatt, Pramod Chandra P. (2018): Cloud Computing: Concepts and Practices, Cham, 2018. Sendler, Ulrich (2016): Industrie 4.0 grenzenlos, Berlin, Heidelberg, 2016. 259 LITERATURVERZEICHNIS Setnicka, Martin (2016): Predictive Analytics in der österreichischen Finanzverwaltung, in: In- formatik 2016, hrsg. v. Mayr, Heinrich Christian/Pinzger, Martin, Bonn, 2016, S. 629- 633. Seufert, Andreas (2014): Entwicklungsstand, Potentiale und zukünftige Herausforderungen von Big Data - Ergebnisse einer empirischen Studie, in: HMD Praxis der Wirtschaftsinfor- matik, Heft 4 (51) 2014, S. 412-423. Seufert, Andreas (2016): Die Digitalisierung als Herausforderung für Unternehmen: Status Quo, Chancen und Herausforderungen im Umfeld BI & Big Data, in: Big Data: Grund- lagen, Systeme und Nutzungspotenziale, hrsg. v. Fasel, Daniel/Meier, Andreas, Wies- baden, 2016. Seufert, Andreas/Oehler, Karsten (2016): Controlling und Big Data: Anforderungen an die Me- thodenkompetenz, in: Controlling & Management Review, Sonderheft 1 2016, S. 74- 81. Seufert, Andreas/Treitz, Ralph/von Daacke, Matthias (2017): Information als strategische Res- source – die Digitalisierung wird Unternehmen und Controlling radikal verändern, in: Controller Magazin, Heft 4 (42) 2017, S. 48-53. Shapiro, Carl/Varian, Hal (1999a): Information Rules: A Strategic Guide to the Net-work Economy, Boston, 1999. Shapiro, Carl/Varian, Hal (1999b): Online zum Erfolg: Strategie für das Internet-Business, München, 1999. Shmueli, Galit/Koppius, Otto (2011): Predictive Analytics in Information Systems Research, in: MIS Quarterly, Heft 3 (35) 2011, S. 553-572. Singh, Maurizio (2018): Wenn Roboter zu Bankern werden, in: Controlling & Management Review, Heft 8 (62) 2018, S. 38-47. Skaleneffekte, Daten und Kundenzentrierung, Wiesbaden, 2017. 260 LITERATURVERZEICHNIS Smeets, Mario/Erhard, Ralph/Kaußler, Thomas (2019): Robotic Process Automation (RPA) in der Finanzwirtschaft – Technologie-Implementierung-Erfolgsfaktoren für Entscheider und Anwender, Wiesbaden, 2019. Sonnenmoser, Karin (2016): Disruptive Technologien und neue Geschäftsmodelle und die Im- plikationen für Controlling und Finanz, in: Digital Controlling & Simple Finance, hrsg. v. Horváth, Péter/Michel, Uwe, Stuttgart, 2016, S. 87-94. Spath, Diether (2017): Echtzeit-Controlling in der Industrie 4.0, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, Sonderheft September 2017 (29) 2017, S. 11-13. Statista (2018): Prognose zum Volumen der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2018 und 2025, https://de.statista.com/statistik/daten/studie/267974/um- frage/prognose-zum-weltweit-generierten-datenvolumen/, abgerufen am 15.02.2020. Steiner, Heinz/Welker, Peter (2016): Wird der Controller zum Data Scientist? in: Controlling & Management Review, Sonderheft 1 (60) 2016, S. 68-73. Stichter, Maximilian (2013): Controlling-Lexikon – Predictive Analytics, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, Heft 10 2013, S. 573-574. Strauß, Erik /Reuter, Christoph (2019): Die Rolle des Controllers – lokale Entwicklungen, glo- bale Trends und Ausblick in die Zukunft, in: Controlling – Aktuelle Entwicklungen und Herausforderungen: Digitalisierung, Nachhaltigkeit und Spezialaspekte, hrsg. v. Feld- bauer-Durstmüller, Birgit/Mayr, Stefan, Wiesbaden, 2019, S. 49-63. Strecker, Frank/Kellermann, Jörn (2016): Die Cloud in der Praxis, in: Was treibt die Digitali- sierung? Warum an der Cloud kein Weg vorbeiführt, hrsg. v. Abolhassan, Ferri, Wies- baden, 2016, S. 75-89. Strohmeier, Stefan (2015): Analysen der Human Resource Intelligence und Analytics, in: Human Resource Intelligence und Analytics, hrsg. v. Strohmeier, Stefan/Piazza, Franca, Wiesbaden, 2015, S. 3-47. 261 LITERATURVERZEICHNIS Svatopluk, Alexander/Haisermann, Alexa/Schabicki, Theodor/Frank, Sophie (2018): Robotic Process Automation (RPA) im Rechnungswesen und Controlling – welche Chancen er- geben sich?, in: Controlling, Heft 3 (30) 2018, S. 11-19. Taschner, Andreas (2013): Management Reporting: Erfolgsfaktor internes Berichtswesen, Wiesbaden, 2013. Tattyrek, Christoph/Waniczek, Mirko (2018): Der digitale Controlling-Regelkreis: Digitalisie- rung aus dem Blickwinkel des Controllings, in: CFO Aktuell Zeitschrift für Finance & Controlling, Heft 3 (12) 2018, S. 113-116. Tischler, Robert/Fuchs, Christian/Engel, Annika (2018): Predictive Planning and Forecasting hebt die Unternehmensplanung auf die nächste Stufe – BARC Research Study, https://barc.de/docs/predictive-planning-and-forecasting-hebt-die-unternehmenspla- nung-auf-die-nachste-stufe, abgerufen am 04.06.2019. Trachsel, Viviane/Bitterli, Christian (2020): Controller-Profile in der Schweiz–Bedeutung der Digitalisierung, Stellenanzeigenanalyse in der Schweiz, in: Die Digitalisierung der Con- trolling-Funktion, hrsg. v. Keimer, Imke/Egle, Ulrich, Wiesbaden, 2020, S. 199-210. Tretbar, Torben/Wiegmann, Leona/Strauß, Erik (2013): Controlling & IT – Hype oder nach- haltige Entwicklung?, in: Controlling & Management Review, Sonderheft 2 (57) 2013, S. 12-19. Treyer, Oscar A. G. (2010): Business Forecasting: Anwendungsorientierte Theorie quantitati- ver Prognoseverfahren, Bern, 2010. Tschandl, Martin/Mallaschitz, Christopher (2016): Industrie 4.0: Controller als Treiber einer strategischen Neuausrichtung, in: Unternehmenssteuerung im Zeitalter von Industrie 4.0, hrsg. v. Gleich, Ronald/Losbichler, Heimo/Zierhofer, Rainer M., München, 2016, S. 85-106. 262 LITERATURVERZEICHNIS Tseng, Hsing (o.J.): Power BI vs Tableau vs QlikView: Which BI Tool is the Winner?, https://www.selecthub.com/business-intelligence/tableau-vs-qlikview-vs-microsoft- power-bi/, abgerufen am 18.12.2019. Urbach, Nils/Ahlemann, Frederik (2016): IT-Management im Zeitalter der Digitalisierung – Auf dem Weg zur IT-Organisation der Zukunft, Berlin, Heidelberg, 2016. Urban, Sabine (2017): Sabine Urban im Dialog mit Utz Schäffer: Entscheidend ist die Allianz aus Controlling, Strategie und IT, in: Controlling & Management Review, Heft 4 (61) 2017, S. 18-23. Vaquero, Luis/Rodero-Merino, Luis/Caceres, Juan/Lindner, Maik (2009): A Break in the Clouds: Towards a Cloud Definition, in: ACM SIGCOMM Computer Communication Review, Heft 1(39) 2009, S. 50-55. Verhoef, Peter C./Kooge, Edwin/Walk, Natasha (2016): Creating Value with Big Data Analyt- ics: Making Smarter Marketing Decisions, London, New York, 2016. Vogel, Jürgen (2015): Prognose von Zeitreihen: Eine Einführung für Wirtschaftswissenschaft- ler, Wiesbaden, 2015. Volnhals, Martina/Hirsch, Bernhard (2008): Information Overload und Controlling, in: Con- trolling & Management, Heft 1 (52) 2018, S. 50-57. Von Daacke, Matthias (2016): Integrierte Vertriebsplanung mit SAP BW on HANA bei der BLANCO-Gruppe, in: Digital Controlling & Simple Finance, hrsg. v. Horváth, Péter /Michel, Uwe, Stuttgart, 2016, S. 49-58. Voß, Oliver (2018): Was sich für wen im Datenschutz ändert, https://www.tagesspie- gel.de/wirtschaft/die-folgen-der-dsgvo-was-sich-fuer-wen-im-datenschutz-aen- dert/22584412.html, abgerufen am 26.09.2019. Wagener, Bernadette (2018): Digital Skills ausbauen – aber wie?, in: Controlling & Manage- ment Review, Heft 6 (62) 2018, S. 32-36. 263 LITERATURVERZEICHNIS Wall, Friederike (2008): Controlling zwischen Entscheidungs- und Verhaltenssteuerungsfunk- tion: konzeptionelle Gemeinsamkeiten und Unterschiede innerhalb des Fachs, in: Die Betriebswirtschaft, Heft 4 (68) 2008, S. 463-482. Waniczek, Mirko (2020): Controlling: Umbruch ins digitale Zeitalter, https://www.ey.com/de_at/consulting/controlling-umbruch-ins-digitale-zeitalter, abge- rufen am 29.12.2020. Weber, Jürgen (2008): Das Advanced-Controlling-Handbuch, Richtungsweisende Konzepte, Steuerungssysteme und Instrumente, Weinheim, 2008. Weber, Jürgen (2008): Von Top-Controllern lernen, Weinheim, 2008. Weber, Jürgen (2017): Controller als Change Agents?, in: Controller Magazin, Heft 3 (42) 2017, S. 71. Weber, Jürgen/Bramsemann, Urs/Heineke, Carsten/Hirsch, Bernhard (2017): Wertorientierte Unternehmenssteuerung: Konzepte Implementierung Praxis-Statement, 2. Auflage, Wiesbaden, 2017. Weber, Jürgen/Gschmack, Sigrid/Tretbar, Torben/Wiegmann, Leona (2013): IT-Trends und ihre Auswirkung auf Management und Controlling, Vallendar, 2013. Weber, Jürgen/Malz, Regina/Lührmann, Thomas (2008): Excellence im Management-Report- ing: Transparenz für die Unternehmenssteuerung, Weinheim, 2008. Weber, Jürgen/Sandt, Joachim (2001): Erfolg durch Kennzahlen: Neue empirische Erkennt- nisse, Vallendar, 2001. Weber, Jürgen/Schäffer, Utz (2014): Einführung in das Controlling, Stuttgart, 2014. Weber, Jürgen/Schäffer, Utz (2016): Einführung in das Controlling, 15. überarbeitete und ak- tualisierte Auflage, Stuttgart, 2016. 264 LITERATURVERZEICHNIS Weber, Jürgen/Schäffer, Utz (2020): Einführung in das Controlling, 16. Auflage, Stuttgart, 2020. Weber, Jürgen/Strauß, Erik/Spittler, Sabine (2012): Controlling & IT: Wie Trends und Heraus- forderungen der IT die Controllingfunktion verändern, in: Controlling & Management, Heft 2 (56) 2012, S. 105-109. Weber, Jürgen/Voußem, Ludwig/Rehring, Jochen (2010): Aktuelle Ergebnisse aus dem WHU- Controllerpanel: Benchmarks und Trends in der Budgetierung, in: Controlling & Ma- nagement Review, Heft 5 (54) 2010, S. 323-327. Weichel, Petra/Herrmann, Jochen (2016): Wie Controller von Big Data profitieren können, in: Controlling & Management Review, Sonderheft 1 (60), S. 8-14. Weinreich, Uwe (2016): Lean Digitization: Digitale Transformation durch agiles Management, Berlin, Heidelberg, 2016. Weißenberger, Barbara E./Göbel, Sebastian/Kleine, Christian: (2010): Wertorientierte Steue- rung in der Krise? Perspektiven für eine Neuausrichtung der Controllerarbeit, Working Paper, Universität Gießen, 2010. Weißenberger, Barbara/Bauch, Kai (2017): Chancen und Risiken der digitalen Transformation für die Rechnungslegung, in: Langfristige Perspektiven und Nachhaltigkeit in der Rech- nungslegung, hrsg. v. Wagner, Udo/Schaffhauser-Linzatti, Michaela-Maria, Wiesba- den, 2017, S. 203-220. Weißenberger, Barbara/Wolf, Sebastian/Neumann-Giesen, Axel/Elbers, Gunnar (2012): Con- troller als Business Partner: Ansatzpunkte für eine erfolgreiche Umsetzung des Rollen- wandels, in: ZfCM, Heft 5 (56) 2012, S. 330-335. Weitzel, Tim/Eckhardt, Andreas/Laumer, Sven/Maier, Christian/von Stetten, Alexan- der/Weinert, Christoph/Wirth, Jakob/Kraft, Bernd (2015): Recruiting Trends 2015. Eine empirische Untersuchung mit 1.000 Unternehmen aus dem Deutschen Mittelstand, 265 LITERATURVERZEICHNIS https://www.uni-bamberg.de/fileadmin/uni/fakultaeten/wiai_lehrstuehle/isdl/Re- cruiting_Trends_im_Mittelstand_2015.pdf, abgerufen am 18.09.2020. Werkmeister, Christoph/Brandt, Elena (2016): Datenschutzrechtliche Herausforderungen für Big Data, in: Computer und Recht, Heft 4 2016, S. 233-238. Werner, Peter/Vester, Amelie (2017): Was macht den „idealen“ Controller aus? Eine Analyse von Online-Stellenanzeigen, in: Controller Magazin, Heft 2 (42) 2017, S. 57-61. Whinnery, Steve: (2020): Data Analysis in Excel vs. Business Intelligence, https://ecapitalad- visors.com/blog/data-analysis-excel-business-intelligence/, abgerufen am 13.01.2021. Wiegmann, Leona/Tretbar, Torben/Strauß, Erik (2014): Business Partner 2.0 – Wie IT-Trends die Rolle des Controllers verändern, in: Controlling, Heft 3 (26) 2014, S. 197-201. Wierse, Andreas/Riedel, Till (2017): Smart Data Analytics: Mit Hilfe von Big Data Zusam- menhänge erkennen und Potenziale nutzen, Berlin, Boston, 2017. Wildgrube, Mathias (2018): Kompetenzen in der Beschaffung, Kompetenzmanagement für den Beschaffungsbereich eines Automobilunternehmens, Wiesbaden, 2018. Willcocks, Leslie/Lacity, Mary/Craig, Andrew (2015): The IT function and robotic process au- tomation, London, 2015. Willmes, Christian/Hess, Thomas/Gschmack, Sigrid (2015): Die Bedeutung von Big Data im Controlling – Eine empirische Studie, in: Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung, Heft 4-5 2015, S. 256-262. Wittmann, Waldemar (1959): UNTERNEHMUNG UND UNVOLLKOMMENE INFORMA- TION: Unternehmerische Voraussicht – Ungewißheit und Planung, Köln, 1959. Wolf, Tanja/Heidlmayer, Melanie (2019): Die Auswirkungen der Digitalisierung auf die Rolle des Controllers, in: Controlling – Aktuelle Entwicklungen und Herausforderungen, hrsg. v. Feldbauer-Durstmüller, Birgit/Mayr, Stefan, Wiesbaden, 2019, S. 21-48. 266 LITERATURVERZEICHNIS Wolf, Thomas/Strohschen, Jacqueline-Helena (2018): Digitalisierung: Definition und Reife – Quantitative Bewertung der digitalen Reife, in: Informatik-Spektrum, Heft 1 (41) 2018, S. 56-64. Wölfl, Steffen/Leischnig, Alexander/Ivens, Björn/Hein, Daniel (2019): From Big Data to Smart Data – Problemfelder der systematischen Nutzung von Daten in Unternehmen, in: Ge- schäftsmodelle in der digitalen Welt, hrsg. v. Becker, Wolfgang/Eierle, Brigitte/Fliaster, Alexander/Ivens, Björn/Leischnig, Alexander/Pflaum, Alexander/Sucky, Eric, Wiesba- den, 2019, S. 213-231. Wrobel, Stefan/Voss, Hans/Köhler, Joachim/Beyer, Uwe/Auer, Sören (2015): Big Data, Big Opportunities: Anwendungssituation und Forschungsbedarf des Themas Big Data in Deutschland, in: Informatik Spektrum, Heft 5 (38) 2015, S. 370-378. Yin, Robert (2003): Case Study Research: Design and Methods, SAGE Publications, New York, 2003. Zehnder, Carl August (1998): Informationssysteme und Datenbanken, Zürich, 1998. Zimmer, Franziska/Scheibe, Katrin/Schmoly, Lorenz/Dreisiebner, Stefan (2019): Fake News im Zeitalter der Social Media, in: Die digitale Transformation in Institutionen des kul- turellen Gedächtnisses: Antworten aus der Informationswirtschaft, hrsg. v. Büttner, Ste- phan, Berlin, 2019, S. 211-239. Zipf, Michael (2017): Autonome Systeme werden sicherer sein als Menschen, https://news.sap.com/germany/2017/10/maschinelles-lernen-predictive-analytics/, ab- gerufen am 12.09.2018. Zöller, Sascha (2019): Ja zur Digitalisierung! Mit der richtigen Einstellung die Zukunftsfähigkeit des Unternehmens sichern, Wiesbaden, 2019. 267 268