Advertisement

Wird der Controller zum Data Scientist? Herausforderungen und Chancen in Zeiten von Big Data, Predictive Analytics und Echtzeitverfügbarkeit

  • Thomas HeupelEmail author
  • Victoria W. Lange
Chapter
Part of the FOM-Edition book series (FOMEDITION)

Zusammenfassung

Berufsbilder wandeln sich und die sich vollziehende Entwicklungen in den Bereichen Industrie 4.0, Digitale Transformation sowie Neugestaltung der Arbeitswelt werden auch das Berufsbild des Controllers verändern. Der vorliegende Beitrag analysiert die technologischen Veränderungen im Arbeitsumfeld des Controllers. Nach Analyse der Möglichkeiten durch Big Data, Predictive Analytics und Echtzeitverfügbarkeit wird ein zukünftiges Bild für das Controlling 4.0 generiert. Ferner werden Implikationen für das zukünftige Berufsbild des Controllers abgeleitet.

Literatur

  1. Bachem, C. (2015). Big Data, ein Missverständnis? Oder: Warum Daten erst sprechen, wenn man über sie spricht. In T. Schwarz (Hrsg.), Big Data im Marketing (S. 28–34). Freiburg i. Br.: Haufe.Google Scholar
  2. Bakhshaliyeva, N., Chen, J. L., Dommer, U., Smlenski, E., Schmedt, H., Schulze, N., et al. (2016). SAP® Predictive Analytics. Bonn: Rheinwerk.Google Scholar
  3. Bauer, J. (2017). Produktionscontrolling und -management mit SAP® ERP (5. Aufl.). Wiesbaden: Springer Vieweg.CrossRefGoogle Scholar
  4. Bauernhansl, T., Hompel, M., ten & Vogel-Heuser, B. (2014). Industrie 4.0 in Produktion, Automatisierung und Logistik. Wiesbaden: Springer Vieweg.Google Scholar
  5. Baum, G., Borcherding, H., Broy, M., Eigner, M., & Huber, A. S. (2013). Industrie 4.0 Beherrschung der industriellen Komplexität mit SysLM. Heidelberg: Springer Vieweg.Google Scholar
  6. Baumöl, U. (2016). Die digitale Transformation und die erfolgsorientierte Unternehmenssteuerung – die Geschichte einer Revolution? Controlling, 28(4/5), 230–234.CrossRefGoogle Scholar
  7. Becker, J., & Winkelmann, A. (2006). Handelscontrolling Optimale Informationsversorgung Kennzahlen. Heidelberg: Springer.Google Scholar
  8. Becker, W., Reitelshöfer, E., & Prainer, A.-E. (2018). Industrie 4.0 Neue Herausforderungen für den Controller? Controller Magazin, 1, 84–88.Google Scholar
  9. Behringer, S. (2018). Controlling. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  10. Biel, A. (2018). Quo Vadis Controlling, Controller und Internationaler Controller Verein ICV? Controller Magazin, 2, 4–10.Google Scholar
  11. Borell, N. (2016). Das Industrie 4.0 Arbeitsbuch: Sind Digitalisierung, Industrie 4.0 und Disruption unterschiedliche Dinge?! Hamburg: Tredition.Google Scholar
  12. Bornemann, H. (1985). Controlling heute: Eine Einführung in die Praxis mit Fallbeispielen. Wiesbaden: Gabler.CrossRefGoogle Scholar
  13. Botzkowski, T. (2017). Digitale Transformation von Geschäftsmodellen im Mittelstand. Wiesbaden: Springer Gaber.Google Scholar
  14. Brodnig, I. (2017). Lügen im Netz. Wien: Brandstätter.Google Scholar
  15. Busch, O. (2014). Realtime Advertising Digitales Marketing in Echtzeit: Strategien, Konzepte und Perspektiven. Wiesbaden: Springer Gabler.Google Scholar
  16. Buschbacher, F. (2016). Wertschöpfung mit Big Data Analytics. Controlling & Management Review, 1, 49–55.Google Scholar
  17. Dorschel, J. (2015). Praxishandbuch Big Data. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  18. Drerup, B., Suprano, F., & Wömpener, A. (2018). Controller 4.0. Controlling, 30(1), 57–63.CrossRefGoogle Scholar
  19. Eiselmeyer, K. (2018). ICV als beruflicher Fitness-Partner. In A. Biel (Hrsg.), Quo Vadis Controlling, Controller und Internationaler Controller Verein ICV? https://www.icv-controlling.com/fileadmin/Wissen/Bericht/2018_Quo_Vadis_ICV_-_Interview_mit_den_Vorstandsmitgliedern.pdf. Zugegriffen 25. Juli 2018.
  20. Eiselmayer, K., & Kottbauer, M. (2015). Trends im Controlling. Controller Magazin, 21(2), 24–25.Google Scholar
  21. Endres, H., & Helm R. (2015). Predictive analytics. IM + io Fachzeitschrift für Innovation, Organisation und Management – Predictive Analytics, 4, 59–61.Google Scholar
  22. Fasel, D., & Meier, A. (2016). Big Data Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Vieweg.Google Scholar
  23. Ganschar, O., Gerlach, S., Hämmerle, M., Krause, T., Schlund, S., & Spath, D. (2013). Fraunhofer-IAO – Produktionsarbeit der Zukunft-Industrie 4.0. Stuttgart: Fraunhofer.Google Scholar
  24. Geiselberger, H., & Moorstedt, T. (2013). Big Data – Das neue Versprechen der Allwissenheit. Berlin: Suhrkamp.Google Scholar
  25. Gentsch, P., & Kulpa, A. (2016). Mit externen Big Data neue Möglichkeiten erschließen. Controlling & Management Review, 1, 31–39.Google Scholar
  26. Halang, W. A., & Unger, H. (Hrsg.). (2014). Industrie 4.0 und Echtzeit. Heidelberg: Springer Vieweg.Google Scholar
  27. Hanstein, B. (o. J.). IT und IT-Infrastruktur im Kontext von Industrie 4.0. http://www.rittal.com/imf/none/5_2710/Rittal_Whitepaper_IT_und_IT-Infrastruktur_im_Kontext_von__5_2710/. Zugegriffen: 19. Jan. 2018.
  28. Hartmann, M. (2017). Analyse beruflicher Handlungsprozesse und Planung beruflicher Kompetenzentwicklung vor dem Hintergrund von Industrie 4.0. In T. Vollmer, S. Jaschke, & U. Schwenger (Hrsg.), Digitale Vernetzung der Facharbeit: gewerblich-technische Berufsbildung in einer Arbeitswelt des Internets der Dinge, (S. 53). https://www.ssoar.info/ssoar/bitstream/handle/document/55985/ssoar-2017-vollmer_et_al-Digitale_Vernetzung_der_Facharbeit_gewerblich-technische.pdf?sequence=1. Zugegriffen: 29. Okt. 2018.
  29. Hausladen, I. (2018). Instandhaltungscontrolling im Zeitalter von Industrie 4.0. Controlling, 30(1), 21–29.CrossRefGoogle Scholar
  30. Häusser, L. (2016). Controlling in mittelständischen Unternehmen in Russland. Wiesbaden: Springer Gabler.Google Scholar
  31. Henrichs, T.-P. (2018). Bausteine der Industrie 4.0. https://www.yokogawa.com/de/loesungen/industrie-4-0.html. Zugegriffen: 24. Apr. 2018.
  32. Hippmann, S., Klingner, R., & Leis, M. (2018). Digitalisierung – Anwendungsfelder und Forschungsziele. In R. Neugebauer (Hrsg.), Digitalisierung – Schlüsseltechnologien für Wirtschaft und Gesellschaft (S. 9–18). Heidelberg: Springer.Google Scholar
  33. Horváth, P., Gleich, R., & Seiter, M. (2015). Controlling (3. Aufl.). München: Vahlen.CrossRefGoogle Scholar
  34. Kagermann, H. (2013). Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. https://www.bmbf.de/files/Umsetzungsempfehlungen_Industrie4_0.pdf. Zugegriffen: 18. Jan. 2018.
  35. Kahlen, C. (2017). Was ist Industrie 4.0? http://www.plattform-i40.de/I40/Navigation/DE/Industrie40/WasIndustrie40/was-ist-industrie-40.html. Zugegriffen: 18. Jan. 2018.
  36. Kieninger, M., Mehanna, W., & Vocelka, A. (2016). Wie Big Data das Controlling verändert. Controlling 28(4/5), 241–247.CrossRefGoogle Scholar
  37. King, S. (2013). Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext. Wiesbaden: Springer VS.Google Scholar
  38. Knauer, D. (2015). Act Big – Neue Ansätze für das Informationsmanagement. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  39. Kohlhammer, J., Proff, D. U., & Wiener, A. (2013). Visual Business Analytics. Heidelberg: dpunkt.Google Scholar
  40. König, C., Schröder, J., & Wiegand, E. (2018). Big Data: Chancen, Risiken, Entwicklungstendenzen. Wiesbaden: Springer VS.CrossRefGoogle Scholar
  41. Krause, S., & Pellens, B. (2018). Betriebswirtschaftliche Implikationen der digitalen Transformation. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  42. Kubek, M., Suwanich, W., & Wongyaowaruk, K. (2014). Mobile Echtzeitkontrolle von Kommunikationskanälen. In W. A. Halang, & H. Unger (Hrsg.), Industrie 4.0 und Echtzeit (S. 121–128). Heidelberg: Springer Vieweg.Google Scholar
  43. Kuglin, B., & Thielmann, H. (2005). Real-Time Enterprise in der Praxis. Heidelberg: Springer.Google Scholar
  44. Lubos, G. (2018). Schritt halten mit dem digitalen Geschäftsmodell. Controlling & Management Review, 19(3), 24–32.CrossRefGoogle Scholar
  45. Mayer-Schönberger, V., & Cukier, K. (2013). Big data (2. Aufl.). München: Redline.Google Scholar
  46. Mehanna, W., & Rabe, C. M. (2014). Big Data in der Konsumgüterindustrie: Kunden verstehen, Produkte entwickeln, Marketing steuern. In M. Buttkus & R. Eberenz (Hrsg.), Controlling in der Konsumgüterindustrie (S. 69–90). Wiesbaden: Springer Gabler.Google Scholar
  47. Meier, A. (2018). Werkzeuge der digitalen Wirtschaft, Big Data, NoSQL & Co. Wiesbaden: Springer Vieweg.CrossRefGoogle Scholar
  48. Mendrina, T. (2011). Targeting im Display-Engine-Marketing: Programmatischer Einkauf von Zielgruppen mit Realtime Bidding. In C. Bauer, G. Greve, & G. Hopf (Hrsg.), Online Targeting und Controlling (S. 55–67). Wiesbaden: Gabler.CrossRefGoogle Scholar
  49. Merkl, W. (o. J.). Industrie 4.0. https://it-motive-bcs.com/industrie-4-0. Zugegriffen: 31. März 2018.
  50. Morato, R. (2016). Wir ziehen Daten live und in Farbe raus, um sie im System darzustellen. Controlling & Management Review, 1, 24–31.Google Scholar
  51. Obermaler, R. (2017). Industrie 4.0 als unternehmerische Gestaltungsaufgabe (2. Aufl), Wiesbaden: Springer Gabler.Google Scholar
  52. Ortega, I. (2015). Streaming Analytics: Management in Echtzeit. In T. Schwarz (Hrsg.), Big Data im Marketing (S. 55–65). Freiburg i. Br.: Haufe.Google Scholar
  53. Regelmann, P., Schmelting, J., & Kordus, P. (2018). Business-Partner oder Obsoleszenz. In H. Proff, & T. M. Fojcik (Hrsg.), Mobilität und digitale Transformation (S. 153–166). Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  54. Reichmann, T. (2008). Automotive-Netzwerke – Strategisches und Operatives Management & Controlling. Controlling, 20(4/5), 175–176.CrossRefGoogle Scholar
  55. Reinhart, G. (2017). Handbuch Industrie 4.0 – Geschäftsmodelle, Prozesse, Technik. München: Hanser.Google Scholar
  56. Rouse, M. (2014). Predictive analytics. http://www.searchenterprisesoftware.de/definition/Predictive-Analytics. Zugegriffen: 14. Febr. 2018.
  57. Schleupner, L. (2016). Sichere Kommunikation im Umfeld von Industrie 4.0. In W. A. Halang, & H. Unger (Hrsg.), Internet der Dinge (S. 1–12). Heidelberg: Springet Vieweg.Google Scholar
  58. Schlotmann, R. (2018). Digitalisierung auf mittelständisch. Heidelberg: Springer.CrossRefGoogle Scholar
  59. Schlüchtermann, J., & Siebert, J. (2015). Industrie 4.0 und Controlling: Erste Konturen zeichnen sich ab. Controlling, 27(8/9), 461–465.CrossRefGoogle Scholar
  60. Schön, D. (2016). Planung und Reporting – Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics (2. Aufl.). Wiesbaden: Springer Gabler.Google Scholar
  61. Seiter, M., Sejdic, G., & Rusch, M. (2015). Welchen Einfluss hat Industrie 4.0 auf die Controlling-Prozesse? Controlling, 20(8/9), 466–474.CrossRefGoogle Scholar
  62. Sendler, U. (2013). Industrie 4.0: Beherrschung der industriellen Komplexität mit SysLM. Heidelberg: Springer Vieweg.Google Scholar
  63. Spath, D. (2017). Echtzeitcontrolling in der Industrie 4.0. Die Zukunft des Controllers. Controlling, 29,11–14.CrossRefGoogle Scholar
  64. Steiner, H., & Welker, P. (2016). Wird der Controller zum Data Scientist. Controlling & Management Review, 1, 68–73.Google Scholar
  65. Tröbs, M., & Mengen, A. (2018). Big Data im Controlling – Chancen und Risiken. Wissenschaftliche Schriften des Fachbereichs Wirtschaftswissenschaften, Nr. 26. Koblenz: Hochschule Koblenz.Google Scholar
  66. Weichel, P., & Herrmann, J. (2016). Wie Controller von Big Data profitieren können. Controlling & Management Review, 1, 8–15.Google Scholar
  67. Winter, R. (2009). Management von Integrationsprojekten – Konzeptionelle Grundlagen und Fallstudien aus fachlicher und IT-Sicht. Heidelberg: Springer.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.FOM Hochschule für Oekonomie & ManagementEssenDeutschland
  2. 2.Wenden-ElbenDeutschland

Personalised recommendations