Am 19. Mai feiert mit dem Controlling & Performance Management-Dialog das CPMC an der Franfurt School for Finance and Management seinen Einstand als Think Tank für die Controlling-Branche. Das Panel könnte kaum hochkarätiger besetzt sein – führende Theoretiker und Praktiker nehmen in ihren Beiträgen die derzeit meist diskutierten Controlling-Themen aufs Korn. Da bleibt es kaum aus, dass die einen oder anderen Branchen-Buzzwords fallen.
In solchen Fällen kann es sich lohnen, nachzuhaken. Ein riskantes Unterfangen zwar, kann es doch in der unbefriedigenden (dann immerhin beruhigenden) Entlarvung reiner Worthülsen resultieren. Aber man kann auch ein bisschen Glück haben – und landet bei jemandem wie Prof. Matthias Mahlendorf, Forschungsdirektor am CPMC, der differenzierte und durchdachte Antworten auf solche Fragen hat.
Dr. Matthias Mahlendorf, der eine Professur für Managerial Accounting an der Frankfurt School of Finance & Management hält, befasst sich mit Performance Messung, dynamischen Zielanpassungen, Data Analytics und der digitalen Transformation des Controllings und ist ist Initiator und akademischer Direktor des berufsbegleitenden Master of Science Studiengangs Corporate Performance & Restructuring.
Im Rahmen des Controlling und Performance Management-Dialogs hält er einen Impulsvortrag zu innovativer Datennutzung. Wir haben genauer nachgehakt, was es damit auf sich hat.
Herr Professor Mahlendorf, was ist Innovation im Controlling? Passt das eigentlich beides zusammen?
Mahlendorf: Innovation im Controlling heißt für mich, sich mit den sich wandelnden Informationsbedürfnissen und neuen Technologien weiterzuentwickeln. Ich denke, das passt nicht nur zusammen, sondern ist von zentraler Bedeutung, wenn das Controlling entscheidungsrelevant bleiben will. Die erste Schrift im alten Mesopotamien nahm mit der Buchführung ihren Anfang. Von damals (ca. 3.500 Jahre vor Christus) bis zu den heutigen Cloud-basierten Enterprise Resource Planning (ERP) Systemen mit Predictive-Analytics-Funktionen und Ähnlichem gab es jede Menge Innovationen!
Was sind für Controller innovative Wege Daten zu nutzen?
Mahlendorf: Der Kreativität sind kaum Grenzen gesetzt; lassen Sie mich drei Beispiele geben: Erstens gibt es eine Fülle von Äußerungen von Kunden in sozialen Medien, beispielsweise auf Twitter. Automatisierte Textanalysen helfen dabei, die Kunden besser zu verstehen. Das Controlling kann diese Analysen nutzen, um Ressourcen auf die wertstiftenden Aktivitäten zu fokussieren, neue Trends zu erkennen, Qualitätsmängel schnell zu erkennen und vieles mehr.
Zweitens werden immer mehr technische Geräte „smart“. Die dabei entstehenden Daten können vom Controlling genutzt werden, um Ressourcenverbräuche besser zuzuordnen und damit die Effizienz zu steigern.
Drittens gibt es rasante Fortschritte in der automatisierten Analyse von Bilddaten. Dabei reichen die Anwendungsbeispiele von Lagerbestandsanalysen (nicht nur des eigenen Unternehmens) aus Satellitenbildern bis zur Erfassung und Optimierung von Abläufen aller Art – wie beispielsweise im Amazon Store, wo mit Videobildanalysen erfasst wird, welche Produkte ein Kunde kauft und die Kasse damit überflüssig wird.
Utz Schäffer sagt: „Digitalisierung und das Potenzial von Big Data stellen infrage, ob Small Financial Data und das damit verbundene Handwerkszeug als traditionelle Basis des Controllings ausreichen.“ Bedeutet das, dass Controller nicht um Big Data herum kommen? Worin genau liegt das Potenzial von Big Data?
Mahlendorf: Zunächst müssen natürlich die klassischen Finanzdaten im Unternehmen gut beherrscht und mit weiteren internen Daten verknüpft werden. Für viele Unternehmen ist es noch immer eine große Herausforderung, Daten aus verschiedenen internen Systemen zusammenzuführen. Die konzeptionell innovativsten Entwicklungen spielen sich aber bei den unstrukturierten Daten (also z.B. Texten und Bildern) ab, die außerhalb des klassischen ERP Systems entstehen. Wenn es gelingt, unstrukturierte Daten/Big Data zu erschließen, können damit neue Erkenntnisse über Wettbewerber, Kunden, Mitarbeiter, interne Prozesse und vieles mehr gewonnen werden.
Die Rolle des Controllers wird dadurch noch spannender, weil er – eine gewisse Offenheit für Data Science vorausgesetzt – neue faktenbasierte Anregungen für das Management geben kann.
Menschen neigen dazu an ihrem Vorgehen festzuhalten, auch wenn neue Informationen andeuten, dass die Vorgehensweise nicht zum gewünschten Ziel führt. Ein Phänomen, das unter dem Begriff „Escalation of Commitment“ bekannt ist. Insbesondere Change-Prozesse haben ein hohes Fail-Potenzial, wie etliche Studien der jüngeren Zeit nahelegen. Wie kann eine innovative Nutzung von Daten dem entgegenwirken und (strategisches) Controlling wirksamer machen?
Mahlendorf: Laut der Escalation of Commitment Forschung (zu der ich übrigens meine Doktorarbeit geschrieben habe) liegen die Gründe für das Festhalten an scheiternden Projekten oft an psychologischen Gründen (Biases) wie selektiver Wahrnehmung, Self-Justification (also: das Gesicht wahren wollen), Sunk Costs Effekt, und Überoptimismus. Andererseits gibt es natürlich auch das gegenteilige Problem, also dass innovative Projekte zu früh abgebrochen werden. Innovative Datennutzung kann helfen, unbewusste Biases aufzudecken und zu hinterfragen. Um ein Finance-Beispiel zu nennen: Bei Aktienkäufen existiert der sogenannte Home Bias, was bedeutet, dass man zu viel im eigenen Heimatland investiert. Es gibt Systeme, die automatisch warnen und fragen ob man das wirklich tun will, wenn man eine Art von Entscheidung trifft, die sich in der Vergangenheit als nicht so erfolgreich herausgestellt hat (also z.B. schon wieder in ein Unternehmen im eigenen Land investieren). Das geht natürlich nur, wenn genug Daten vorliegen, was bei strategischen Projekten häufig nicht der Fall ist.
Der Ansatz des Treiberbasierten Controllings scheint eine Denkrichtung zu reflektieren, auf die Sie auch in einigen Schriften Bezug genommen haben: die der abnehmenden Abstraktion. Je abstrakter Modelle, desto handhabbar sind sie (und desto mehr ‚erklären‘ sie) – desto stärker ‚verzerrt‘ ist aber notwendigerweise das Explanandum. Der Umkehrschluss scheint aber nicht unbedingt gültig zu sein: Denn eine maximale Granularität meiner Cause-Effect-Schlangen scheint nicht hilfreich zu sein, wenn ich im Controlling auf der Suche nach einem geeigneten Zielkorridor bin. Was also ist zu tun?
Mahlendorf: Treiberbasierte Modelle sind meiner Meinung nach ein sehr spannendes und zukunftsträchtiges Feld. Tendenziell sind natürlich mehr Inputfaktoren besser. Aber man darf nicht vergessen, dass es in Daten auch immer viel „Rauschen“ gibt. Wenn man zu granular und in zu kleinen Zeit-Intervallen Daten analysiert, sieht man vielleicht nur zufällige Ereignisse. Das ist nicht nur Zeitverschwendung, sondern kann auch zu Überreaktionen führen. Was das richtige Abstraktionslevel und der richtige Zeithorizont ist, hängt vom konkreten Entscheidungsproblem und der Art der Daten ab. Mich persönlich reizt vor allem die Schnittstelle zwischen treiberbasierten Modellen und der Strategy-Map. In der Strategy-Map skizziert ja das Top Management, wie es glaubt, dass die Welt funktioniert. Also was die kausalen Zusammenhänge sind, mit denen das Unternehmen seine Performance steigern kann. Mit treiberbasierten Analysen lässt sich im Idealfall statistisch ermitteln, ob die Kausalzusammenhänge tatsächlich durch die Daten bestätigt werden. Führt also beispielsweise Kundenzufriedenheit bei einem bestimmten Produkt tatsächlich zu mehr Umsatz oder ist Kundenzufriedenheit im konkreten Kontext irrelevant weil alle nur das billigste kaufen?
„Mehr Transparenz!“ scheint ein Imperativ dieser Zeit zu sein. Ein Trend, den die Digitale Transformation und die neuen Arbeits- und Organisationsformen bedingen und befeuern. Schäffer schreibt, dadurch „steigen die Anforderungen an die Qualität von Daten dramatisch an.“ Wieso?
Mahlendorf: Mehr Transparenz bedeutet, dass mehr Personen Einblick – z.B. in bestimmte Kennzahlen – erhalten. Damit steigt einerseits die Wahrscheinlichkeit, dass Fehler von Dritten bemerkt werden – eine Peinlichkeit, die man vielleicht durch bessere Datenqualität reduzieren möchte. Zum anderen heißt mehr Transparenz natürlich auch, dass fehlerhafte Daten weitreichende Konsequenzen haben können, wenn Datenfehler nicht erkannt werden aber viele Menschen basierend auf den Daten Entscheidungen treffen.
Warum bedeuten In-Memory-Technologien einen Wandel in der Art, wie Controller mit Daten umgehen?
Mahlendorf: Die In-Memory-Technologie ermöglicht Datenverarbeitung in Echtzeit. Das heißt statt statischen Monatsberichten auf Papier oder in Powerpoint können plötzlich in Echtzeit Entwicklungen in Dashboards analysiert und den Ursachen mit sogannnten „Drill-downs“ – also dem Reinklicken bis auf die Transaktionsebene schneller auf den Grund gegangen werden.
Welche Kontroverse erwarten Sie in der Panel-Diskussion?
Mahlendorf: Die Kontroverse liegt vielleicht vor allem darin, bei welchen Daten das Aufwand-Nutzen-Verhältnis stimmt. Es gibt unglaublich viele neue Datenquellen, aber die Frage ist, wie genau man daraus in begrenzter Zeit wertgenerierende Entscheidungen ableitet. Der Datenprovider Quandl hat sehr schön formuliert: Wirklich entscheidungsrelevante innovative Daten zu finden gleicht der Suche der Nadel im Heuhaufen. Aber der Heuhaufen wächst jetzt schneller als die Anzahl der Nadeln. Trotzdem sollten wir meiner Meinung nach nicht den Heuhaufen ignorieren, sondern gespannt beobachten, welche Nadeln gefunden werden, um zu entscheiden wann es für das eigene Unternehmen auch lohnend wird innovative Daten zu erschließen!
