Webinarreihe

Controlling. Innovativ.

Klicken Sie sich durch die sieben Live-Talks unserer Live-Talk-Serie zum Thema "Controlling. Innovativ." und lassen Sie sich beflügeln!

Was ist BI im Kontext von Corporate Performance Management?

Zum vollständigen Corporate Performance Management (CPM) gehört die Business Intelligence (BI) samt Analytik. Sie dient dazu, Unternehmensentscheidungen auf der Basis von Fakten zu treffen.

Daten sind die Grundlage. In den richtigen Strukturen werden sie zu Informationen. Informationen auf der Basis von Ist-Daten sind Fakten.

Dazu werden in der BI folgende Unterdisziplinen kombiniert:

  • Datenerfassung,
  • Aufbereitung und Darstellung der Daten inklusive Datenvisualisierung sowie
  • Datenanalyse, also das eigentliche Heben der Datenschätze – das Gewinnen von Erkenntnissen und die Nutzbarmachung für die strategische Ausrichtung des Unternehmens

Im Gegensatz zum Planning, Budgeting und Forecasting schaut die BI vom Stand heute auf die Vergangenheit zurück. Der Plan wurde verabschiedet, die Umsetzung ist angelaufen, eine gewisse Periode an Ist-Daten steht schon zur Verfügung.

Nach der Datenerfassung geht’s jetzt ans Reporting und Dashboarding. Was passiert im Unternehmen? Was passiert an den Märkten? Meist stellt sich im BI-Reporting raus, dass sich einige relevante Werte anders entwickeln als erwartet.

Und nun?

Die Analyse deckt auf, was hinter den Zahlen steckt, um die Ursachen zu verstehen und aus diesen Erkenntnissen Handlungsempfehlungen abzuleiten.

Es gibt zwei Motivationen, sich mit Planabweichungen zu beschäftigen:

Entweder es läuft schlecht und eine Kurskorrektur ist notwendig. Oder etwas läuft überraschend gut und man möchte die aufgetanen Chancen nutzen – die Stärken stärken. Letzteres ist ein häufig übersehener Hebel in der Unternehmensanalyse, um positive Geschäftsergebnisse zu erzielen. Handlungsbedarf besteht in beiden Fällen.

Business-Intelligence-Software hilft, die Frage zu beantworten: Warum weicht der Ist-Zustand vom Plan ab?

Corporate Performance Management – Serviceware Performance.

 

War der Plan unrealistisch?

Hat es bei der Umsetzung gehapert? Wo genau?

Das BI-Reporting liefert nicht nur die blanken Zahlen. Ein Software-gestütztes BI-System ermöglicht die Ad-hoc-Analyse.

Beispiel Drinks SE: Der Drilldown für sofortige Antworten im Self-Service

Beim Getränkehersteller Drinks SE ist das Ergebnis für EMEA um 20 Prozent kleiner als für das erste Quartal prognostiziert. Die Absatzzahlen entwickeln sich wie erwartet, die Fixkosten sind stabil.

Woher kommt die Unwucht?

Ein Drilldown ergibt, dass der Deckungsbeitrag für Säfte unterdurchschnittlich ausgefallen ist. Auf die Produktgruppen heruntergebrochen sieht man schnell: Die Kosten zur Herstellung von Apfelsaft sind explodiert.

Was ist hier los? Zwei Saisons mit wetterbedingten Ernteausfällen bei diversen Zulieferern aus Nordeuropa haben die Rohstoffpreise in die Höhe getrieben.

Dagegen hatte sich die Drinks SE eigentlich mit Lieferungen aus Neuseeland abgesichert. Doch die Containerschiffe, mit denen die Äpfel kommen sollten, stecken im Stau vor Chinas Häfen fest. Drinks SE kaufte kurzfristig für einen heftigen Aufpreis in Italien ein.

Nachdem der Zusammenhang nun klar ist, kann sich das Unternehmen nun mit den eigentlichen Kernfragen beschäftigen:
Ist das ein vorübergehendes Problem? Oder muss sich Drinks SE langfristig neu aufstellen?

Welche Szenarien sind realistisch?

Ein BI-System bringt Entscheider umgehend zu den Ursachen von Business-Problemen.

Was ist der Unterschied zwischen Business Intelligence und Business Analytics?

Für beide Begriffe gibt es keine in der Branche einhellig anerkannte Definition. Sie werden zu weiten Teilen synonym verwendet.
 

Business Intelligence

Business Intelligence ist der ältere Begriff und bezog sich lange Zeit auf das klassische Reporting und Dashboarding – auf die Darstellung aktueller und historischer Daten.

Business Analytics

Business Analytics ist neuzeitlicher und betont das Handwerk der Analyse: den einzelnen Aspekten eines Ganzen mittels einer systematischen Untersuchung auf den Grund kommen. Business Analytics will aufdecken und verstehen, was unter der Oberfläche verborgen ist.

Daten im Kontext – der richtige Referenzrahmen

Für sich genommen sagen die Zahlen aus dem Business-Intelligence-Reporting erstmal nichts aus.

„Wir machen 26 Millionen Euro Umsatz.” Ist das gut? Oder schlecht?

Das kommt darauf an, welchen Kontext diese Werte haben.
 

1. Vergangenheit:

Wie sahen die Zahlen im Vergleich dazu in den letzten Perioden aus? „Das sind 12 Prozent Wachstum gegenüber dem Vorjahr.“ Diese Aussage setzt die Zahlen in den Kontext der Vergangenheit und ermöglicht so erst Erkenntnisse.
 

2. Was war der Plan? Was sind unsere Ziele?

Was wollten wir denn machen? Was hatten wir uns vorgenommen? Wenn 20 Prozent Wachstum geplant waren, sind 12 Prozent unzureichend. Waren dagegen nur 2 Prozent Wachstum geplant, sind 12 Prozent sehr gut.
 

3. Wie bewegt sich der Markt?

Für detaillierte Analysen ist die Datenlage trotz Offenlegungspflichten und Marktforschungsinstituten mit Blick auf die Zahlen der Konkurrenz nicht ausreichend. Aber wenn die Wettbewerber am Markt 40 Prozent Wachstum erwirtschaften, sind meine 12 Prozent schlecht. Weisen die Konkurrenten dagegen geschlossen negatives Wachstum aus, dann sind die eigenen 12 Prozent überdurchschnittlich gut.
 

Actionable Reporting: Jeder Bericht muss eine Handlung auslösen

Ein essenzieller Aspekt der Business Intelligence ist es, die in der Analyse gewonnenen Erkenntnisse aufzubereiten und zu kommunizieren. Das geht über das Teilen von Wissen hinaus. Die Zielgruppe, also die Geschäftsführung, muss die Message verstehen und daraus Handlungen ableiten können. Sonst wirkt sich die „Intelligence“ nicht aufs „Business“ aus.

Bei der Frage, wie die Daten aufbereitet werden müssen, gehen die Vorlieben zwischen Management und Controlling oft auseinander. Hier lässt sich viel aus der Disziplin des Visual Information Design lernen.

Controller trauen Grafiken grundsätzlich nicht über den Weg. Sie sind auf Fakten konzentriert und wollen den Ursprung der Information nachvollziehen und selbst interpretieren können.

Für Controller haben Kuchendiagramme wenn überhaupt nur am Wahlabend etwas verloren.

 

Doch so sehr das Controlling gerne Zahlen in den Blick nimmt, so wenig praktikabel ist es, das Reporting für Entscheider mit Anhängen voller Zahlenkolonnen aufzublähen.



Dashboarding

Auf einem Business-Intelligence-Dashboard müssen die wichtigsten Kennzahlen in einer Ansicht überblickbar sein. Das erfordert vorab eine klare Definition, welche Zielgruppe das Dashboard zu welchem Zweck benutzt. Ansonsten hat man schnell 30 Kennzahlen, Grafen und Kuchendiagramme auf einer Seite, aber weder den Überblick noch die Faktenbasis für Entscheidungen beisammen.

Hier gilt: Validierung durch Nutzung. Zahlen, die niemand vermisst, wenn sie fehlen, gehören nicht aufs Dashboard. Grafische Elemente, die nicht Teil der inhaltlichen Aussage sind, haben ebenfalls auf dem Dashboard nichts verloren.



Die 3 klassischen Formen der Datenaufbereitung im Reporting

1. Tabellarisch:

Eignet sich hervorragend für Gegenüberstellungen. Aber Vorsicht: suggeriert manchmal eine Vergleichbarkeit, die es nicht gibt und verleitet dazu, zu große Zahlenkolonnen ohne Handlungsaufforderung abzubilden.

2. Grafisch:

Mit dem richtigen Fokus auf die Aussage sind klassische Business Charts sehr hilfreich. Wenn allerdings nur hübsch, aber ohne Aussagekraft, dann haben sie wenig Chancen, die Handlungsebene zu beeinflussen.

3. In Textform:

Was die Zahlen und Trendlinien tatsächlich bedeuten und wie wenig sich von selbst erklärt, stellt sich dann raus, wenn man die Fakten im Fließtext zusammenfassen und als Entscheidungsgrundlage fürs Management ausschreiben muss. Die Ereignisse müssen verbal zusammengefasst, der Kontext erläutert und die möglichen Entscheidungsoptionen aufgezeigt werden.

Kontextualisierung: Das ist der Mehrwert, den Controller immer liefern werden, auch wenn BI-Software, Machine Learning und KI sie bei den mühseligen Klickarbeiten zunehmend entlasten.

Wichtig für den BI-Software-Vergleich: Was muss ein gutes BI- und Analytics-Tool leisten?

Die größte Herausforderung für die Analyse der Unternehmenssituation ist die Datenintegration: das Zusammenführen der Daten aus verschiedenen Quellen, Systemen und Formaten, um Erkenntnisse zu gewinnen. Die beste BI-Software sorgt mit verlässlicher Datenintegration für erstklassige Datenqualität.
 

Ein Business-Intelligence-System liefert diese Features:

  • konsistente Daten: über verschiedene Perioden und Systeme mit unterschiedlichen Dateiformaten hinweg
     
  • richtige/korrekte Daten: die Zahlen stimmen
     
  • gut aufbereitete Daten: der Kontext erschließt sich
     
  • aktuelle Daten: dann, wenn sie für Entscheidungen gebraucht werden, sind sie verfügbar  
Eine Gruppe Menschen in einem Besprechungsraum.

Ein Szenario aus der Praxis:

Als Entscheidungsgrundlage für die Vorstandssitzung hat das Controlling der betrieblichen Leitung den Report mit den aktuellen Geschäftszahlen vorgelegt. Eigentlich schon vor anderthalb Wochen, aber der Manager schafft es erst heute, sich auf die Sitzung vorzubereiten. Nun stolpert er über eine Unstimmigkeit im Report und hat Rückfragen. Sicher, dass die Zahlen stimmen? Woher kommt die Abweichung?

a) So läuft es ohne eine gute BI-Lösung:

Anruf im Controlling. Dort bricht jetzt Hektik aus. Zunächst wird geprüft, ob die Formeln in der Tabellenkalkulation korrekt funktionieren. Dann der Doublecheck, ob die Zahlen mit den Daten in den Quellsystemen übereinstimmen – oder nur falsch übernommen wurden? Das zieht sich, aber alles korrekt. Also rein in die Analyse und herleiten, wie es zur Abweichung kommt.

Wie in einem virtuellen Warenlager ziehen die Controller einen Aktenordner nach dem anderen aus dem digitalen Regal, schauen rein, finden (meistens) nicht, wonach sie suchen, und nehmen sich den nächsten Ordner vor. Damit der erweiterte Report rechtzeitig fertig wird, muss der Feierabend dran glauben.

b) So läuft es in einem Betrieb mit zuverlässiger BI-Software:

Hier greift der Manager gar nicht erst zum Hörer. Entweder geht er selbst in die Ad-hoc-Analyse – aus der Vogelperspektive per Drilldown in die Details – und findet seine Antworten einfach mittels Self-Service-Business-Intelligence (Self-Service-BI oder auch SSBI).

Oder aus dem Controlling kommt die Analyse samt Kontext gleich mitgeliefert. Denn wenn das Controlling seine Zeit weniger mit dem fehleranfälligen Kopieren und Umformatieren von Daten aus einem System ins andere beschäftigt ist, um dann ganze Nächte in die händische Datenintegration und Aufbereitung zu stecken, bleibt mehr Zeit für die spannenden Fragen und Analysen. Dann können die Profis die wirklich dicken Bretter bohren und ihre Reportings als echte Entscheidungsgrundlagen aufbereiten.

Und sollte der Anruf aus der Geschäftsführung doch kommen: dann gilt natürlich auch hier der Komfort des Self-Service. Die Analyse ist fix gefahren und der Report ergänzt.

Data Warehouse, Data Lake, Data Mart und Datenbanken

Was ein Data Warehouse von einfachen Datenbanken unterscheidet, ist, dass es Daten aus verschiedenen Quellen und Systemen aus sämtlichen Geschäfts- und Unternehmensbereichen importiert und integriert, so dass die Daten in einem standardisierten, konsistenten Dateiformat vorliegen und zur Ad-hoc-Analyse bereitstehen.

Das ist auch der entscheidende Unterschied zu einem Data Lake, in dem ebenfalls große Datenmengen (Big Data) vorliegen – oft in der Cloud, aber als unstrukturierte Rohdaten oder in den unterschiedlichsten Formaten, was Vergleiche und Analysen erst nach weiteren Arbeitsschritten möglich macht.

Ein Data Mart ist meist ein Teilbereich im Data Warehouse, der die Daten nur für einen bestimmten Geschäftsbereich oder eine bestimmte Stakeholder-Zielgruppe integriert. Data Marts werden oft im Rahmen von Rechte-Rollen-Konzepten entwickelt, um Ansicht, Zugriff und Komplexität beim Datawarehousing einzuschränken. Data Marts können aber auch bottom-up ohne Data-Warehouse-Dach konzeptioniert und gebaut werden.

Ein BI-System, vor allem eine Business Intelligence Cloud, in der man aus Big Data umgehend zu Analyseergebnissen und Erkenntnissen für unternehmerische Entscheidungen kommen möchte, funktioniert am besten basierend auf dem Data-Warehousing-Konzept.

Machine Learning (ML) und Artificial Intelligence (AI) in der BI

Im Cloud-Kontext wird es immer kostengünstiger, umfassende Datensätze anzulegen und zu verwalten.

Je mehr die Anzahl der Datenströme einerseits anschwillt und andererseits in einheitliche, konsistente Formate gebracht und aggregiert werden kann, desto sinnvoller lässt sich menschliche Intelligenz durch künstliche Intelligenz (KI), Machine Learning (ML) und Big-Data-Analysen ergänzen.

Dieses Versprechen hat einst schon das Data-Mining abgegeben – eine eigene Disziplin, dich sich in Unternehmen nicht hat durchsetzen können. Die KI scheint dieses Versprechen nun einzulösen.

In der Mustererkennung – inklusive der Erkennung von Musterabweichungen – sowie dem Durchprüfen riesiger Datensätze sind Algorithmen dem Menschen um ein Vielfaches voraus. In der Bewertung einzelner Risikoszenarien unter Bedingungen der Unsicherheit, kommen dagegen Menschen mit Expertise und Erfahrung zu besseren Ergebnissen.

An dieser Schnittstelle ergänzen sich Mensch und Maschine perfekt. BI-Software schafft die fundierte Faktenbasis, um die Realität möglichst gut abzubilden. Controller entwickeln auf dieser Grundlage Szenarien und geben Entscheidungsempfehlungen für das Management ab, so dass die Unternehmensführung optimal entscheiden kann.

Online demo

Demo buchen oder kostenlose Testversion starten

Buchen Sie noch heute eine persönliche Demo mit unseren fachkundigen Beratern, um zu sehen, was unsere Lösungen für Sie tun können.