Sandbox 2026 - Versionsgeschichte

Weber.benjamin: Die Seite wurde geleert.

2026-04-26T20:24:08Z

Die Seite wurde geleert.

Weber.benjamin am 26. April 2026 um 18:42 Uhr

2026-04-26T18:42:37Z

@@ Zeile 157: / Zeile 157: @@
 * Jeremy Stutz
 * Benjamin Weber
@@ Zeile 187: / Zeile 190: @@
 Beispielsweise überwacht ein KI-System der Finanzabteilung in einem Energieversorgungsunternehmen die Stromnetz- und Wetterdaten. Es erkennt ein Muster, dass abrupt steigende Netzlasten und Wetterschwankungen mit erhöhten Ausfallkosten korrelieren. Die Controller können dadurch frühzeitig Rückstellungen bilden und Investitionen priorisieren.

Weber.benjamin am 26. April 2026 um 16:11 Uhr

2026-04-26T16:11:47Z

← Nächstältere Version	Version vom 26. April 2026, 18:11 Uhr
Zeile 162:	Zeile 162:




		Ein Frühwarnsystem stellt im Controlling ein übergeordnetes Konzept zur proaktiven Unternehmenssteuerung dar. Wie Brokmann und Weinrich (2012, S. 24) aufzeigen, dienen isolierte Frühwarnindikatoren (wie Leading oder Lagging Indicators) dem Management zwar zur frühen Erkennung möglicher Gefahren, sie bilden für sich genommen jedoch noch kein vollständiges System. Ein vollumfängliches Frühwarnsystem umfasst vielmehr die systematische Identifikation, kontinuierliche Beobachtung und strukturierte Einordnung dieser vielfältigen Informationen. Das primäre Ziel eines solchen Systems besteht darin, aus einzelnen, oft noch schwachen Signalen ein verdichtetes und steuerungsrelevantes Wissen zu generieren, welches der Geschäftsleitung rechtzeitige, präventive Massnahmen ermöglicht.

		__TOC__

Weber.benjamin am 26. April 2026 um 15:54 Uhr

2026-04-26T15:54:52Z

← Nächstältere Version		Version vom 26. April 2026, 17:54 Uhr
Zeile 157:		Zeile 157:
	* Jeremy Stutz		* Jeremy Stutz
	* Benjamin Weber		* Benjamin Weber








			== Predictive Analytics, Explainable AI und KI-gestützte Frühwarnsysteme ==
			Künstliche Intelligenz, insbesondere [[Machine_Learning\|Maschinelles Lernen]] und Deep Learning, hilft in der heutigen komplexen Welt stark, den Wechsel von reaktivem zu proaktivem Controlling voranzutreiben. Ihr entscheidender Vorteil liegt in der Fähigkeit, nichtlineare Muster in grossen und komplexen Datenmengen, den [[Big_Data\|Big Data]], zu erkennen und daraus verständliche, präventive Handlungsempfehlungen abzuleiten (Nishat et al., 2025, S. 807).

			=== [[Predictive_Forecasting\|Predictive Analytics]] ===
			Im Projektgeschäft stellen Vorhersagen von Änderungsaufträgen einen zentralen Anwendungsfall dar, da sie die Hauptursachen für Verzögerungen und Kostenüberschreitungen sind (Nishat et al., 2025, S. 808). Machine-Learning-Modelle schaffen es, mögliche Risiken aus den Big Data des Unternehmens vorherzusagen und sie frühzeitig zu positionieren, was letztendlich für die Projektmitarbeitenden das Kosten-, Zeitplan- und Ressourcenzuweisungsmanagement optimieren kann (Nishat et al., 2025, S. 821).

			Beispielsweise erkennt ein Algorithmus durch [[Data_Mining\|Data Mining]] eines Bauunternehmens in historischen Projektdaten, dass sich bei bestimmten Lieferantenkonstellationen und Designänderungen mit hoher Wahrscheinlichkeit Mehrkosten ergeben. Das Controlling kann daraufhin frühzeitig zusätzliche Ressourcen einplanen und Budgetreserven aktivieren.

			=== Explainable AI ===
			Auch im Hinblick auf das Planungs- und Bedarfscontrolling können Deep- sowie auch Machine-Learning-Modelle zum Einsatz kommen, um Prognoseergebnisse herzuleiten, zu erklären und Trends zu identifizieren. Der Fokus liegt hierbei auf der Übersetzung der Outputs durch Large Language Models in rollenbasierte, handlungsorientierte Einblicke für die Entscheidungsträger (Venkatachalam, 2025, S. 6). Ergänzend erstellt es Performance-Scorecards, welche die Prognosegüter über umsatzgewichtete Kennzahlen darstellen und so regionale oder produktspezifische Abweichungen sichtbar machen (Venkatachalam, 2025, S. 9). Eine zusätzliche Trenddiagnose bewertet die Entwicklung der eruierten Kennzahlen über die Zeit und kennzeichnet Verbesserungen oder Verschlechterungen, was Korrekturmassnahmen ermöglicht (Venkatachalam, 2025, S. 9).

			Beispielsweise erkennt eine KI-gestützte Bedarfsplanung, dass Prognosefehler für eine bestimmte Produktlinie zunehmen. Das System weist in der Scorecard aus, dass die Abweichung durch veränderte Kundentrends verursacht wird, was die Planer veranlasst, Marketing- und Logistikstrategien anzupassen.

			=== KI-gestützte Frühwarnsysteme ===
			Im Bereich der vorausschauenden Risikoerkennung bieten Deep-Learning-Modelle neuartige Möglichkeiten für die Entwicklung intelligenter Frühwarnsysteme. Diese sind in der Lage, „Kipppunkte“, also abrupte, qualitative Zustandswechsel in komplexen Systemen, frühzeitig zu identifizieren (Bury et al., 2021, S. 1). Darüber hinaus erlauben sie eine qualitative Bewertung des Risikos. Damit ermöglichen diese KI-Modelle nicht nur eine frühzeitige Warnung, sondern auch eine strategische Vorbereitung oder Prävention von unerwünschten Entwicklungen (Bury et al., 2021, S. 5-6).

			Beispielsweise überwacht ein KI-System der Finanzabteilung in einem Energieversorgungsunternehmen die Stromnetz- und Wetterdaten. Es erkennt ein Muster, dass abrupt steigende Netzlasten und Wetterschwankungen mit erhöhten Ausfallkosten korrelieren. Die Controller können dadurch frühzeitig Rückstellungen bilden und Investitionen priorisieren.

Weber.benjamin: /* Kritische Würdigung */

2026-04-26T15:39:20Z

Kritische Würdigung

← Nächstältere Version		Version vom 26. April 2026, 17:39 Uhr
Zeile 108:		Zeile 108:

	== Kritische Würdigung ==		== Kritische Würdigung ==
	Die Implementierung und Nutzung von Frühwarnindikatoren als Frühwarnsysteme bieten erhebliche Chancen für ein proaktives Controlling, unterliegt jedoch in der Praxis spezifischen Limitationen. Die Wirksamkeit eines solchen Frühwarnsystems hängt massgeblich davon ab, wie das Unternehmen mit den folgenden Herausforderungen umgeht.		Die Implementierung und Nutzung von Frühwarnindikatoren als [[Frühwarnsysteme]] bieten erhebliche Chancen für ein proaktives Controlling, unterliegt jedoch in der Praxis spezifischen Limitationen. Die Wirksamkeit eines solchen Frühwarnsystems hängt massgeblich davon ab, wie das Unternehmen mit den folgenden Herausforderungen umgeht.

	=== Methodische und datenbezogene Grenzen ===		=== Methodische und datenbezogene Grenzen ===

Weber.benjamin: /* Quellen */

2026-04-26T15:20:12Z

Quellen

Weber.benjamin: /* Fallbeispiel: Frühwarnindikatoren im Controlling der Mecorva AG */

2026-04-26T13:52:33Z

Fallbeispiel: Frühwarnindikatoren im Controlling der Mecorva AG

← Nächstältere Version		Version vom 26. April 2026, 15:52 Uhr
Zeile 127:		Zeile 127:

	Diese Limitationen verdeutlichen, dass Frühwarnindikatoren zwar kein Allheilmittel sind, aber bei korrekter Einbettung in die Entscheidungsprozesse ein unverzichtbares Instrument für ein vorausschauendes Controlling bleiben. Ihr Erfolg hängt massgeblich von einer validen Datenbasis und der Bereitschaft ab, auch unsichere Informationen proaktiv zu nutzen. Zukünftig bieten insbesondere die Digitalisierung und KI-gestützte Analyseverfahren das Potenzial, die Prognosegüte dieser Indikatoren weiter zu präzisieren und die Unternehmenssteuerung somit von einer reaktiven Berichterstattung hin zu einem datengetriebenen Frühwarnsystem zu entwickeln.		Diese Limitationen verdeutlichen, dass Frühwarnindikatoren zwar kein Allheilmittel sind, aber bei korrekter Einbettung in die Entscheidungsprozesse ein unverzichtbares Instrument für ein vorausschauendes Controlling bleiben. Ihr Erfolg hängt massgeblich von einer validen Datenbasis und der Bereitschaft ab, auch unsichere Informationen proaktiv zu nutzen. Zukünftig bieten insbesondere die Digitalisierung und KI-gestützte Analyseverfahren das Potenzial, die Prognosegüte dieser Indikatoren weiter zu präzisieren und die Unternehmenssteuerung somit von einer reaktiven Berichterstattung hin zu einem datengetriebenen Frühwarnsystem zu entwickeln.

	~~== Fallbeispiel: Frühwarnindikatoren im Controlling der Mecorva AG ==~~
	Das folgende Fallbeispiel basiert auf einem fiktiven Unternehmen. Es zeigt, wie Frühwarnindikatoren im Controlling eingesetzt werden können, um Risiken und Leistungsabweichungen frühzeitig sichtbar zu machen. Im Zentrum steht die Frage, wie sich Leading und Lagging Indicators in die Unternehmenssteuerung einbinden lassen.

	~~=== Ausgangssituation ===~~
	Die Mecorva AG ist ein mittelständisches Maschinenbauunternehmen mit rund 900 Mitarbeitenden. Nach mehreren Jahren stabiler Nachfrage haben die Schwankungen im Auftragseingang zugenommen. Gleichzeitig sind die Umsätze rückläufig, und auch die Kundenzufriedenheit entwickelt sich negativ. Hinzu kommen Lieferverzögerungen bei einem Hauptzulieferer, die bereits zu Verschiebungen in laufenden Projekten geführt haben.

	Die Geschäftsleitung fordert deshalb ein Frühwarnsystem, das kritische Entwicklungen frühzeitig sichtbar macht und eine rechtzeitige Reaktion ermöglicht. Mit der Konzeption eines solchen Systems wird die Controllerin Tina Amacher beauftragt. Bislang stützt sich die Unternehmenssteuerung vor allem auf klassische, nachlaufende Kennzahlen wie EBIT, Umsatzwachstum und Reklamationsquote. Künftig sollen zusätzlich geeignete Frühwarnindikatoren identifiziert und in das bestehende Controlling-System integriert werden.

	~~=== Analyse der Kennzahlen ===~~

	~~{\| class="wikitable"~~
	\|-
	~~! Kennzahl !! Entwicklung (18 Monate) !! Beobachtung~~
	\|-
	~~\| EBIT-Marge \|\| -1,8% gegenüber Vorjahr \|\| Rückläufig~~
	\|-
	~~\| Auftragsbestand \|\| +10% \|\| Schwankend~~
	\|-
	~~\| Liefertermintreue der Zulieferer \|\| 94% -> 86% \|\| Deutlicher Rückgang seit 6 Monaten~~
	\|-
	~~\| Reklamationsquote \|\| +25% \|\| Steigt 2 Monate nach Lieferrückgang~~
	\|-
	~~\| Fluktuation im F&E \|\| +4% \|\| Schlüsselpositionen betroffen~~
	\|-
	~~\| Kundenzufriedenheit \|\| -8 Punkte \|\| Seit vier Quartalen rückläufig~~
	\|-
	~~\| Anzahl Produktideen \|\| -30% \|\| Deutlich rückläufig~~
	\|}

	Tina Amacher geht davon aus, dass mehrere dieser Kennzahlen nicht nur den aktuellen Zustand abbilden, sondern auch Hinweise auf spätere operative und finanzielle Entwicklungen geben. Ziel ist es, geeignete Frühwarnindikatoren zu strukturieren, zu beurteilen und in ein integriertes Frühwarnsystem zu überführen.

	~~=== Fragen zur Fallstudie ===~~
	~~'''1) Analyse und Einordnung'''<br/>~~
	Ordnen Sie die aufgeführten Kennzahlen Leading Indicators beziehungsweise Lagging Indicators zu. Begründen Sie Ihre Einordnung anhand der zeitlichen Abfolge sowie möglicher Ursache-Wirkungs-Beziehungen.

	~~'''2) Beurteilung ausgewählter Frühwarnindikatoren'''<br/>~~
	Beurteilen Sie die Liefertermintreue der Zulieferer und die Fluktuation im F&E-Bereich anhand geeigneter Kriterien, beispielsweise Eindeutigkeit, Vorlaufzeit, Stabilität, Wirtschaftlichkeit und Handlungsrelevanz. Wie aussagekräftig sind diese Indikatoren im vorliegenden Fall?

	~~'''3) Einbettung in bestehende Steuerungssysteme'''<br/>~~
	Zeigen Sie auf, wie ausgewählte Frühwarnindikatoren in bestehende Steuerungssysteme integriert werden könnten. Gehen Sie dabei beispielhaft auf die Balanced Scorecard ein und ordnen Sie mindestens einen Leading Indicator einer Perspektive zu.

	~~'''4) Ausgestaltung eines Frühwarnsystems'''<br/>~~
	~~Skizzieren Sie, wie ein Frühwarnsystem für die Mecorva AG aufgebaut werden könnte. Berücksichtigen Sie dabei insbesondere Datenquellen, Warnsignale, Schwellenwerte und Eskalationsmechanismen.~~

	~~'''5) Weiterentwicklung durch datenbasierte Verfahren'''<br/>~~
	Beurteilen Sie, inwiefern KI-basierte Prognosemodelle die Aussagekraft eines solchen Frühwarnsystems erhöhen könnten. Gehen Sie dabei auf Chancen und Grenzen für das Controlling und die Entscheidungsfindung ein.

	~~=== Lösungsvorschläge ===~~
	~~'''1) Analyse und Einordnung'''<br/>~~
	Zu den Leading Indicators zählen insbesondere die Liefertermintreue der Zulieferer, die Fluktuation im F&E-Bereich, die Kundenzufriedenheit und die Anzahl Produktideen. Diese Kennzahlen weisen auf Entwicklungen hin, die sich erst später in Qualität, Innovationsfähigkeit, Marktposition oder finanziellen Ergebnissen niederschlagen. Auch der Auftragsbestand kann als Frühindikator interpretiert werden, da er Hinweise auf die künftige Umsatzentwicklung gibt.
	Zu den Lagging Indicators zählen vor allem die EBIT-Marge und die Reklamationsquote. Beide Kennzahlen zeigen die Folgen vorgelagerter Entwicklungen mit zeitlicher Verzögerung. Die EBIT-Marge verdichtet die Wirkung mehrerer Einflussgrössen, während die Reklamationsquote auf bereits eingetretene Qualitäts- oder Lieferprobleme hinweist.

	~~'''2) Beurteilung ausgewählter Frühwarnindikatoren'''<br/>~~
	Die Liefertermintreue der Zulieferer ist im vorliegenden Fall besonders handlungsrelevant, da Lieferverzögerungen direkte Auswirkungen auf Projekttermine, Kundenzufriedenheit und Kosten haben können. Ihre Eindeutigkeit ist relativ hoch, da Verschlechterungen klar messbar sind. Die Vorlaufzeit ist als mittel einzustufen, weil sich Probleme häufig zeigen, bevor sie in Reklamationen oder finanziellen Kennzahlen sichtbar werden. Die Stabilität ist begrenzt, da externe Einflüsse wie Transportprobleme oder Kapazitätsengpässe mitwirken können.
	Die Fluktuation im F&E-Bereich ist ebenfalls relevant, da sie auf Risiken für Wissenserhalt und Innovationsfähigkeit hinweist. Ihre Vorlaufzeit ist eher hoch, weil personelle Veränderungen meist vor späteren Auswirkungen auf Produktentwicklung oder Wettbewerbsfähigkeit auftreten. Die Eindeutigkeit ist jedoch geringer als bei der Liefertermintreue, da Fluktuation unterschiedliche Ursachen haben kann. Ihre Aussagekraft steigt, wenn sie mit Zusatzinformationen zu Schlüsselpositionen oder Austrittsgründen kombiniert wird.

	~~'''3) Einbettung in bestehende Steuerungssysteme'''<br/>~~
	Frühwarnindikatoren können in bestehende Steuerungssysteme integriert werden, indem sie mit strategischen und operativen Zielgrössen verknüpft werden. In einer Balanced Scorecard wäre beispielsweise folgende Zuordnung möglich:
	* Finanzperspektive: Auftragsbestand
	* Kundenperspektive: Kundenzufriedenheit
	* Prozessperspektive: Liefertermintreue der Zulieferer
	* Lernen- und Wachstumsperspektive: Fluktuation im F&E-Bereich oder Anzahl Produktideen
	~~Damit kann die Balanced Scorecard um eine präventive Sicht ergänzt werden.~~

	~~'''4) Ausgestaltung eines Frühwarnsystems'''<br/>~~
	~~Ein mögliches Frühwarnsystem der Mecorva AG könnte auf ERP-Daten, Informationen aus dem Lieferantenmanagement, CRM-Daten, HR-Kennzahlen sowie internen Innovations- und Projektdaten aufbauen.~~
	~~Für ausgewählte Kennzahlen lassen sich Schwellenwerte definieren, beispielsweise:~~
	* Liefertermintreue unter 90 % über zwei aufeinanderfolgende Perioden
	* Anstieg der Fluktuation im F&E-Bereich über einen festgelegten Zielwert
	* Rückgang der Kundenzufriedenheit über mehrere Quartale
	* deutlicher Rückgang der Anzahl neuer Produktideen im Vergleich zum Vorjahr

	~~Die Warnlogik könnte mit Ampelstufen arbeiten. Bei einer gelben Warnstufe würde eine vertiefte Analyse ausgelöst, bei einer roten Warnstufe zusätzlich ein Management-Review mit Gegenmassnahmen.~~

	~~'''5) Weiterentwicklung durch datenbasierte Verfahren'''<br/>~~
	KI-basierte Prognosemodelle können ein Frühwarnsystem erweitern, indem sie Muster in grossen und heterogenen Datenmengen früher erkennen als rein manuelle Auswertungen. Dadurch lassen sich Trends, Abweichungen oder Anomalien schneller identifizieren.
	Dem stehen auch Grenzen gegenüber. Die Aussagekraft solcher Modelle hängt stark von der Datenqualität, der Nachvollziehbarkeit der Ergebnisse und der Akzeptanz im Unternehmen ab. Für das Controlling bedeutet dies, dass datenbasierte Verfahren die Urteilsbildung unterstützen können, diese jedoch nicht ersetzen.



	== Lern- und Praxismaterialien ==		== Lern- und Praxismaterialien ==

Weber.benjamin: /* Lern- und Praxismaterialien */

2026-04-26T13:43:13Z

Lern- und Praxismaterialien

← Nächstältere Version		Version vom 26. April 2026, 15:43 Uhr
Zeile 212:		Zeile 212:
	{\| class="wikitable"		{\| class="wikitable"
	\|-		\|-
	! Fallstudie ~~(inkl. Aufgaben und Lösungen)~~		! Fallstudie
	\|-		\|-
	\|		\|

Weber.benjamin: /* Lern- und Praxismaterialien */

2026-04-26T13:42:55Z

Lern- und Praxismaterialien

← Nächstältere Version		Version vom 26. April 2026, 15:42 Uhr
Zeile 215:		Zeile 215:
	\|-		\|-
	\|		\|
	* [[~~Fallstudie_Mecorva_AG~~\|Fallstudie~~: Frühwarnindikatoren im Controlling der~~ Mecorva AG]]		* [[Fallstudie_Mecorva_AG_-_Frühwarnindikatoren\|Fallstudie Mecorva AG - Frühwarnindikatoren]]
	\|}		\|}

Weber.benjamin: /* Lern- und Praxismaterialien */

2026-04-26T13:18:30Z

Lern- und Praxismaterialien

← Nächstältere Version		Version vom 26. April 2026, 15:18 Uhr
Zeile 212:		Zeile 212:
	{\| class="wikitable"		{\| class="wikitable"
	\|-		\|-
	! Aufgaben ~~!! Fallstudie~~		! Fallstudie (inkl. Aufgaben und Lösungen)
	\|-		\|-
	\|		\|
	* (Hier könnt ihr später Links zu euren Aufgaben setzen)
	\|\|
	* [[Fallstudie_Mecorva_AG\|Fallstudie: Frühwarnindikatoren im Controlling der Mecorva AG]]		* [[Fallstudie_Mecorva_AG\|Fallstudie: Frühwarnindikatoren im Controlling der Mecorva AG]]
	\|}		\|}




	== Quellen ==		== Quellen ==

← Nächstältere Version		Version vom 26. April 2026, 17:20 Uhr
Zeile 138:		Zeile 138:
	\|}		\|}

	== ~~Quellen~~ ==		=== Literaturverzeichnis ===
	* Bork, M. & Elsholz, C. (2015). [https://doi.org/10.15358/0935-0381-2015-7-384 Projektcontrolling als vorausschauendes Führungsinstrument.] Controlling, 27(7), 384–390. München: Vahlen.		* Bork, M. & Elsholz, C. (2015). [https://doi.org/10.15358/0935-0381-2015-7-384 Projektcontrolling als vorausschauendes Führungsinstrument.] Controlling, 27(7), 384–390. München: Vahlen.
	* Brocal Fernandez, F., Sanchez-Lite, A., Fuentes-Bargues, J. L., Sebastian, M. Á., & González-Gaya, C. (2021). Conceptual Classification of Leading Indicators for the Dynamic Analysis of Emerging Risks in ~~Integrated Management Systems.~~ Applied Sciences, 11(22), Article 10921. ~~https://doi.org/10.3390/app112210921~~		* Brocal Fernandez, F., Sanchez-Lite, A., Fuentes-Bargues, J. L., Sebastian, M. Á., & González-Gaya, C. (2021). [https://doi.org/10.3390/app112210921 Conceptual Classification of Leading Indicators for the Dynamic Analysis of Emerging Risks in Integ…] Applied Sciences, 11(22), Article 10921.
	* Brokmann, T., & Weinrich, G. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_1 Frühwarnindikatoren und Krisenfrühaufklärung – Ansätze und Praxisanforderungen.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 13–39). Springer Gabler.		* Brokmann, T., & Weinrich, G. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_1 Frühwarnindikatoren und Krisenfrühaufklärung – Ansätze und Praxisanforderungen.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 13–39). Springer Gabler.
	* Heinemann, M. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_4 Konjunkturelle Frühindikatoren und Konjunkturprognosen.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 95–120). Springer Gabler.		* Heinemann, M. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_4 Konjunkturelle Frühindikatoren und Konjunkturprognosen.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 95–120). Springer Gabler.
	* Lingard, H., Hallowell, M., Salas, R., & Pirzadeh, P. (2017). Leading or lagging? Temporal analysis of safety indicators on a large infrastructure construction ~~project.~~ Safety Science, 91, 206–220. ~~https://doi.org/10.1016/j.ssci.2016.08.020~~		* Lingard, H., Hallowell, M., Salas, R., & Pirzadeh, P. (2017). [https://doi.org/10.1016/j.ssci.2016.08.020 Leading or lagging? Temporal analysis of safety indicators on a large infrastructure construction p…] Safety Science, 91, 206–220.
	* Nishat, M. M., Ahsan, A. & Olsson, N. O. E. (2025). Applying Machine Learning for Predictive Analysis in Project-Based Data: Insights into Variation ~~Orders.~~ Journal of Information Technology in Construction, 30, 807–825. ~~https://doi.org/10.36680/j.itcon.2025.033~~		* Nishat, M. M., Ahsan, A. & Olsson, N. O. E. (2025). [https://doi.org/10.36680/j.itcon.2025.033 Applying Machine Learning for Predictive Analysis in Project-Based Data: Insights into Variation Or…] Journal of Information Technology in Construction, 30, 807–825.
	* Riegler, J.-J., Basse, T. & Grosse, S. (2012). [https://doi.org/10.1007/978-3-8349-6794-7 Krisenfrühaufklärung durch Frühwarnindikatoren.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 323–344). Springer Gabler.		* Riegler, J.-J., Basse, T. & Grosse, S. (2012). [https://doi.org/10.1007/978-3-8349-6794-7 Krisenfrühaufklärung durch Frühwarnindikatoren.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 323–344). Springer Gabler.
	* Romeike, F. (2005). [https://doi.org/10.15358/0935-0381-2005-4-5-271 Frühaufklärungssysteme.] Controlling, 17(4–5), 271–280. München: Vahlen.		* Romeike, F. (2005). [https://doi.org/10.15358/0935-0381-2005-4-5-271 Frühaufklärungssysteme.] Controlling, 17(4–5), 271–280. München: Vahlen.
	* Schäffer, U. & Botta, J. (2012). [https://doi.org/10.1365/s12176-012-0375-9 Hilfe, die Welt ist volatiler geworden! Implikationen für das Controlling.] Controlling & Management, 56(2), 8–12. Springer Gabler.		* Schäffer, U. & Botta, J. (2012). [https://doi.org/10.1365/s12176-012-0375-9 Hilfe, die Welt ist volatiler geworden! Implikationen für das Controlling.] Controlling & Management, 56(2), 8–12. Springer Gabler.
	* Weinrich, G. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_15 Einsatz eines Frühwarnradars am Beispiel der Karstadt-Insolvenz.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 363–393). Springer Gabler.		* Weinrich, G. (2012). [https://doi.org/10.1007/978-3-8349-6794-7_15 Einsatz eines Frühwarnradars am Beispiel der Karstadt-Insolvenz.] In J. Jacobs, J.-J. Riegler, H. Schulte-Mattler, & G. Weinrich (Hrsg.), Frühwarnindikatoren und Krisenfrühaufklärung: Konzepte zum präventiven Risikomanagement (S. 363–393). Springer Gabler.
	* xraydelta videos. (2017, 23. Oktober). ~~PE Metrics Leading and Lagging Indicators~~ [~~Video]. YouTube.~~ https://www.youtube.com/watch?v=VsGhp2m0QMQ		* xraydelta videos. (2017, 23. Oktober). [https://www.youtube.com/watch?v=VsGhp2m0QMQ PE Metrics Leading and Lagging Indicators] [Video]. YouTube.
	* Zheng, L., Baron, C., Esteban, P., Xue, R., Zhang, Q., & Yang, S. (2019). [https://doi.org/10.1007/s11518-019-5414-z Using leading indicators to improve project performance measurement.] Journal of Systems Science and Systems Engineering, 28(5), 529–554. Springer Gabler.		* Zheng, L., Baron, C., Esteban, P., Xue, R., Zhang, Q., & Yang, S. (2019). [https://doi.org/10.1007/s11518-019-5414-z Using leading indicators to improve project performance measurement.] Journal of Systems Science and Systems Engineering, 28(5), 529–554. Springer Gabler.