Sandkasten: Unterschied zwischen den Versionen

Aus Controlling-Wiki
Zeile 396: Zeile 396:


=== Weiterführende Literatur ===
=== Weiterführende Literatur ===
* Brockmann, Ch. & Brezinski, H. (2015). [https://elearning.hslu.ch/ilias/goto.php?target=file_4994570_download&client_id=hslu Experience Curve Effects in Bridge Construction], 15 (21), 563-570 (E-Book). Amsterdam: Elsevier.
* Brockmann, Ch. & Brezinski, H. (2015). [https://elearning.hslu.ch/ilias/goto.php?target=file_4994570_download&client_id=hslu Experience curve effects in bridge construction], 15 (21), 563-570 (E-Book). Amsterdam: Elsevier.
* Econmist.com (2009, 14. September). The experience curve. Abgerufen am 19.03.2021 von https://www.economist.com/news/2009/09/14/the-experience-curve
* Econmist.com (2009, 14. September). The experience curve. Abgerufen am 19.03.2021 von https://www.economist.com/news/2009/09/14/the-experience-curve
* Kleinaltenkamp, M. & Plinke, W. (Hrsg.) (2000). Strategisches Business-to-Business Marketing. Berlin Heidelberg: Springer.
* Kleinaltenkamp, M. & Plinke, W. (Hrsg.) (2000). Strategisches Business-to-Business Marketing. Berlin Heidelberg: Springer.

Version vom 16. Mai 2021, 21:57 Uhr

Datenmanagement ist derjenige Prozess, der am meisten von der digitalen Transformation beein-flusst wird (Gleich & Tschandl, 2018, S. 73). Dies führt dazu, dass die bestehenden Produktionsfak-toren Kapital, Arbeit und Ressourcen laufend mit dem zusätzlichen Faktor Information/Wissen er-gänzt werden (Biesel & Hame, 2018, S. 24). Am Ursprung des zusätzlichen Produktionsfaktors ste-hen Big Data, welche aufgrund von sozialen Netzwerken und Internet der Dinge exponentiell Anwachsen (Göbel, 2018, S. 20). Das Datenmanagement umfasst eine grosse Bandbreite von Themen und damit verbundenen Aktivi-täten. Im weiteren Sinne sind darin Begriffe wie Data Warehouse, Business Intelligence, Business Analytics oder Data Mining enthalten. Wird die Definition enger eingegrenzt, ist das Datenmanagement die Schnittstelle zwischen der Datenerhebung und der Datenverwendung. Wich-tig in diesem Zusammenhang sind die #Datenqualität, die #Single Version of Truth sowie die Begriffe #Datenschutz und Datensicherheit (Langmann, 2019, S. 8).

Definition von Datenmanagement

Vereinfacht steht das Datenmanagement für die Handhabung von unternehmensrelevanten Stamm- und Bewegungsdaten (Langmann, 2019, S. 32). Dabei gibt es viele Daten wie beispielsweise Pro-dukt- oder Kundendaten, die aus internen Systemen gewonnen werden. Auf der anderen Seite lie-fern die Big Data eine enorme Vielfalt an strukturierten und nicht strukturierten, externen Daten (Ereth & Kemper, 2016, S. 458). Weil die Daten sich schnell verändern können, ist es wichtig, diese fortlaufend zu beschaffen, aufzubereiten und zu bereinigen. Nur so kann eine gute Qualität gewähr-leistet werden. Dieser Prozess wird als Datenmanagement bezeichnet (Langmann, 2019, S. 8).

Phase 3: Reife

Kriterium Ausprägung Charakterisierung
Käufer / Kaufverhalten Massenmarkt, Wiederholungskäufer

• Nachfrage weiterhin hoch

• Zusätzliche Konkurrenz führt zu sinkenden Preisen

• Erste Sättigungsphänomene, weshalb spätestens jetzt ein Nachfolgeprodukt entwickelt werden muss

• Umsatzanteil eines Produktes vom Gesamtumsatz ca. 40% - 45%

Umsatz Maximum wird erreicht, anschliessend rückläufig
Kosten Minimale Senkung der Stückkosten
Deckungsbeitrag Positiv, aber fallend
Cash-Flow Maximum wird erreicht
Kapitalbedarf Gering
Zahl der Wettbewerber Sinkend
Erfolgsaussichten bei Eintritt in diese Phase Schlecht
Risiko Beginnende Konjunkutranfälligkeit
Hauptstrategie Marktanteil verteidigen / Kosten und Marketingeffektivität wichtig

Phase 4: Sättigung

Kriterium Ausprägung Charakterisierung
Käufer / Kaufverhalten Käuferkreis erweitern / Kundschaft akzeptieren ungleiche Qualitätsniveaus

• Kundschaft wandern zu innovativeren Produkten

• Nachfrage am Markt sinkt

• Umsatzanteil eines Produktes vom Gesamtumsatz ca. 10% - 25%

Umsatz Sinkend
Kosten Konstant
Deckungsbeitrag Eher Positiv
Cash-Flow Sinkend
Kapitalbedarf Gering
Zahl der Wettbewerber Wenige
Erfolgsaussichten bei Eintritt in diese Phase Sehr Schlecht
Hauptstrategie Produktivität sichern / Kostenkontrolle entscheidend

Bild

Änderung (Internet Quelle)

Quellen

Literaturverzeichnis

  • Disselkamp, M. (2012). Innovationsmanagement: Instrumente und Methoden Zur Umsetzung Im Unternehmen. Springer Fachmedien Wiesbaden GmbH.
  • Echchakoui, S. (2018). An analytical model that links customer-perceived value and competitive strategies. Journal of Marketing Analytics (6), 138–149. doi: https//doi.org/10.1057/s41270-018-0043-9
  • Ergenzinger, R., Zenhäusern, R., Janoschka, A., & Thommen, J. (2020). Marketing: Konzepte, Strategien, Instrumente, Controlling. Versus.
  • Gilbert, X., Strebel, P. (1987). Strategies to Outpace the Competition. Journal of Business Strategy, Vol. 8, S. 28-36.
  • Lombriser, R. & Abplanalp, P. A. (2018). Strategisches Management: Visionen entwickeln, Erfolgspotenziale aufbauen, Strategien umsetzen (7. Aufl.). Zürich: Versus Verlag.
  • Müller, B. (2007). Porters Konzept generischer Wettbewerbsstrategien: Präzisierung und empirische Überprüfung (1st ed. 2007.). Deutscher Universitätsverlag.
  • Porter, M., Brandt, V., & Schwoerer, T. (2008). Wettbewerbsstrategie: (Competitive strategy): Methoden zur Analyse von Branchen und Konkurrenten (11. Auflage). Campus Verlag.
  • Porter, M. E. (2010). Wettbewerbsvorteile: Spitzenleistungen erreichen und behaupten (7. Aufl.). Frankfurt: Campus Verlag.
  • Porter, M. E. (2014). Wettbewerbsvorteile: Spitzenleistungen erreichen und behaupten (8. Aufl.). Frankfurt: Campus Verlag.
  • Johnson, G., Whittington, R., Scholes, K., Angwin, D. & Regnér, P. (2016). Strategisches Management: Eine Einführung (10. Aufl.). Hallbergmoos: Pearson Deutschland.
  • Johnson, G., Whittington, R., Scholes, K., Angwin, D. & Regnér, P. (2017). Exploring Strategy: Text and Cases (11. Aufl.). Harlow: Pearson Education.
  • Winkler, H. & Slamanig, M. (2009). Generische und hybride Wettbewerbsstrategien im Überblick. WiSt – Wirtschaftswissenschaftliches Studium, 38 (11), 546-552. doi: https://doi.org/10.15358/0340- 1650-2009-11-546

Weiterführende Literatur

Digital Boardroom

Die Anzahl Möglichkeiten, Daten zu beschaffen und zu analysieren, schreitet exponentiell fort. Jede Sekunde wird eine Unmenge an Daten erzeugt und gesammelt. Big Data stellt eine wertvolle Ressource dar und wartet nur darauf, angewendet zu werden mit dem Ziel, genauere Prognosen über zukünftige Ereignisse aufstellen zu können (Ballwieser & Hachmeister, 2019, S. 149).

Das Executive Dashboard überbrückt dabei die Lücke zwischen Berechnungen und menschlichem Verstand durch besondere Formen der Datenvisualisierung und -analyse. Es erweitert und formatiert die menschliche Entscheidungsfindung in rechnerischer Hinsicht als datengetriebene, algorithmische Entscheidungsfindung. Der Digital Boardroom von SAP ist aktuell die bekannteste und fortgeschrittenste Version eines Executive Dashboard (Beverungen, 2019, S. 225). Dieser dient als Entscheider-Cockpit und bietet Anwendenden ein analytisches und operatives Tool an, mit dem global-vernetzt Entscheidungen basierend auf Real-Time-Fakten getroffen werden können (Weber, 2016, S. 24).

Entstehung und Entwicklungen

Der Begriff des Digital Boardrooms ist stark durch die Unternehmung SAP geprägt. SAP entwickelte die erste bekannte Version eines solchen Digital Boardrooms und führte diesen im Jahr 2016 für ihre eigenen Aufsichtsratssitzungen ein (Weber, 2016, S. 27). Ziel war es, dem Management eine topaktuelle Informationsbasis zu bieten und gleichzeitig von den Standard-PowerPoint-Präsentationen wegzukommen (Weber, 2018, S. 8).

Das Konzept des Digital Boardrooms basiert dabei sehr stark auf bedürfnisgerechten Analysen. Im Digital Boardroom können sowohl Vergangenheits- und Zukunftsdaten, Werttreiberbäume als auch die entsprechenden Kontextinformationen ausgewertet und dargestellt werden (Braun, 2016, S. 64). Alle diese Auswertungen erfolgen dabei mit Echtzeitdaten, welche direkt aus dem Quellsystem gewonnen werden und somit den Single Point of Truth widerspiegeln (Weber, 2016, S. 26). Gerade in der heutigen Zeit gewinnen Real-Time-Daten stark an Bedeutung. Um bessere Entscheidungen treffen zu können, sind frühere und besser verständliche Informationen essenziell und können oft nur durch ein softwaregestütztes Real-Time-Reporting gewährleistet werden (Friedl, 2019, S. 40).

Anwendung

Abb. 1: Beispiel eines Digital Boardrooms (SAP (a), online)

Der Digital Boardroom ist darauf ausgelegt, dass auf drei verschiedenen Bildschirmen differenzierte Informationen und Funktionen ersichtlich und nutzbar sind. Ein Beispiel eines Digital Boardrooms wird in Abbildung 1 dargestellt. Der linke Bildschirm dient dabei als eine Art Übersicht, welcher die wichtigsten KPIs beinhaltet. Diese bleiben während der Besprechung meist statisch. Der Bildschirm in der Mitte kann für tiefere Erkundungen der KPIs genutzt werden. Er erlaubt die einzelnen Kennzahlen vertieft zu analysieren und explorativ zu erforschen. Der rechte Bildschirm zeigt ausführlichere Kontextinformationen des mittleren Bildschirms, wie beispielsweise den geografischen Zusammenhang, auf (Bliznak, 2017, S. 148).

Der Digital Boardroom verfügt über zahlreiche Funktionen, wovon nachfolgend einige davon aufgelistet sind (Bliznak, 2017, S. 148):

  • Daten analysieren und visualisieren mithilfe von Kennzahlen, Grafiken mit Drill-Down, Tabellen, explorativen Recherchen, geographischen Diagrammen, usw.
  • Darauf aufbauend können Simulationen, Planungsszenarien, Werttreiberbäume, Prognosen und Kollaborations-Funktionen verwendet und erstellt werden.

Damit der Digital Boardroom sinnvoll genutzt werden kann, sollten die Anwendenden beim Gebrauch des Executive Dashboards insbesondere die folgenden Punkte beachten bzw. sich vorgängig folgende Fragen stellen (Bliznak, 2017, S. 149):

  • Welche Geschichte möchte unsere Analyse erzählen und mit welchem Ziel?
  • Welche Rollen/Personen sind beteiligt?
  • Welche analytische Fragestellung ist relevant und in welchem Kontext (Finanzen, Vertrieb, Kunden, Personal, Logistik usw.)?
  • Welche Kennzahlen/Informationen sind essenziell, um die Fragestellung zu beantworten?
  • Welche visuelle Darstellung ist am besten geeignet?
  • Welche internen bzw. externen Daten werden dafür benötigt?
  • Welche Zusatzfunktionen (explorative Erkundung, Ranking, Drill-Down, Simulation, Planung, Prognose, Werttreiberbäume usw.) werden wo benötigt?
  • Wie sehen die Agenda und die Bildschirmseiten konkret aus?

Der Digital Boardroom ist für verschiedene Ebenen im Unternehmen geeignet. Er ist nicht ausschliesslich für den Vorstand oder die Geschäftsleitung innerhalb eines Unternehmens sinnvoll, sondern auch für internationale Controlling Abteilungen sehr gut anwendbar. Durch den Digital Boardroom lassen sich sowohl die Arbeit als auch der Austausch untereinander noch effizienter gestalten (Ernst et al., 2017, S. 21-22).

Voraussetzungen

Idealerweise sollte die Implementierung des Digital Boardrooms Teil der eigenen Unternehmenstransformation sein (Bliznak, 2017, S. 144). Damit das Executive Dashboard bestmöglich angewendet und in Echtzeit gesteuert werden kann, sind mindestens die folgenden zwei Erfolgsfaktoren notwendig:

Harmonisierte Datengrundlage:

Abb. 2: Aufbau der IT-Struktur eines Digital Boardrooms (SAP (c), online)

Es ist von entscheidender Bedeutung, dass für den Einsatz die Datengrundlage harmonisiert wird, damit die starken Visualisierungsmöglichkeiten wirksam eingesetzt werden können. Das bedeutet konkret, dass firmeneigene und externe Daten in einer Quelle bzw. Systemlandschaft als fehlerfreie Roh- und Stammdaten integriert werden, um eine hohe Datenqualität und schnelle Antwortzeiten der Abfragen zu gewährleisten (Bliznak, 2017, S. 147). Der Import der Daten in den digitalen Konferenzraum von SAP erfolgt idealerweise durch ein SAP-Datenverwaltungssystem wie zum Beispiels SAP Business Warehouse (BW) oder SAP HANA. Doch ist auch der Import durch Drittanbieter wie z. B. Google Drive, Google Sheet oder sogar Excel möglich (SAP (b), online). Die Abbildung 2 zeigt dabei die IT-Struktur eines Digital Boardrooms und die möglichen Importquellen.

Harmonisierte Berichte, Kennzahlen und Definitionen:

Damit Berichte, Kennzahlen und Definitionen harmonisiert werden können, sollte eine unternehmensweite Business Analytics Funktion eingeführt werden. Damit kann verhindert werden, dass dezentrale Dashboards bzw. nicht-abgestimmte Indikatoren wie Kennzahlen und Definitionen im Berichtswesensprozess auftauchen. Gleichzeitig ist zu beachten, dass auch innerhalb des gesamten Berichtswesensprozess, und somit über unterschiedliche Funktionsbereiche und Hierarchiestufen, dessen Umsetzung einheitlich erfolgt. Damit werden Insellösungen beseitigt und Reporting-, Planungs- und Prognose-Prozessschritte zusammengeführt (Bliznak, 2017, S. 145).

Vorteile

Der Einsatz eines Digital Boardrooms bringt verschiedene Vorteile mit sich. Einige davon werden nachfolgend etwas genauer erläutert:

Vorteile Erläuterung
Zugriff auf Echtzeitdaten Einer der grössten Vorteile des Digital Boardrooms ist die Arbeit mit Echtzeitdaten. Damit wird eine hochwertige Entscheidungsgrundlage für das Management geschaffen (Weber, 2018, S. 9).
Ad-hoc-Analysen und Simulationen Der Digital Boardroom lässt Ad-hoc- Analysen und Simulationen mit nur wenigen Mausklicks oder Touchs zu und ist ein Instrument der Business Intelligence. Durch die Ad-hoc-Analysen kann während einer Sitzung spontan ein Problem genauer analysiert und muss dadurch nicht auf die nächste Sitzung verschoben werden. Falls beispielsweise bisher mit Excel oder PowerPoint gearbeitet wurde, musste vor dem Meeting entschieden werden, welche Unterlagen und Reports an die Sitzung mitgenommen werden müssen, um das Thema umfassend präsentieren zu können und für Rückfragen gewappnet zu sein. Wurden noch weitergehende Fragen gestellt oder detailliertere Auswertungen durch das Management verlangt, musste die Entscheidung auf ein nächstes Meeting vertagt werden, da die Daten nicht sofort verfügbar waren. Dieses Problem kann mit dem Digital Boardroom behoben werden (Weber, 2018, S. 9).
Single Point of Truth Da die Daten direkt aus den Quellsystemen bezogen werden, ist der Single Point of Truth gewährleistet. Da keine aggregierten Daten verwendet werden, können die Daten flexibler ausgewertet und neu miteinander verknüpft werden. Dadurch werden alle verfügbaren Daten übermittelt und es gehen keine Daten bei der Aggregation verloren (Weber, 2016, S. 26).
Übersichtliche Darstellung Cockpits visualisieren die Daten mit geeigneten Darstellungen und passenden Farben. Ziel ist es dabei, Führungskräfte zu unterstützen sowie Trends, Ausreisser und Zielabweichungen schneller erkennbar zu machen (Schön, 2018, S. VI). Der Digital Boardroom übernimmt als Dashboard genau diese Aufgaben. Obwohl die Daten visualisiert werden, besteht dennoch jeder Zeit die Möglichkeit, dass auf jeden einzelnen Beleg und die einzelnen Daten zurückgegriffen werden könnte (Berdou, online).
Interaktive Diskussionen Durch die verschiedenen Bildschirme mit den unterschiedlichen Inhalten (Übersicht, KPIs und Kontextinformationen) werden die Sitzungsteilnehmenden vermehrt dazu gezwungen, verschiedene Perspektiven einzunehmen und auch den Kontext der Zahlen in die Entscheidung miteinzubeziehen. Dadurch werden die Diskussionen tendenziell interaktiver (Weber, 2018, S. 11).

Nachteile

Neben den zahlreichen Vorteilen hat der Digital Boardroom auch einige Nachteile, welche nicht ausser Acht gelassen werden dürfen. Nachfolgend werden einige näher erklärt:

Nachteile Erläuterung
Zu viele Informationen Wie bei vielen Datenanalysen besteht auch beim Digital Boardroom die Gefahr, dass zu viele Informationen vorhanden sind. Mit wachsenden Anforderungen ist die Verlockung gross, dass die angezeigten Kennzahlen und Berichte immer grösser werden und die nutzende Person am Schluss die Übersicht verliert (Weber, 2018, S. 10).
Verlieren im Detail Ein zweiter Nachteil, welcher eng mit dem ersten verbunden ist, ist die Gefahr der Detailanalyse. Dadurch, dass die vorhandenen Daten in Echtzeit bis ins Detail abgerufen werden können, geht der Überblick schneller verloren und es überwiegen die kleinen Details. Gerade hier ist es die zentrale Aufgabe der Controllerin und des Controllers, die Anwendenden des Digital Boardrooms davor zu schützen (Braun, 2016, S. 64).
Vollständige Transparenz Mit dem Digital Boardroom werden die Zahlen und Daten transparent und einsehbar. Obwohl Transparenz grundsätzlich eine gute Eigenschaft ist, kann sie je nach Brisanz der Daten nicht immer erwünscht sein (Berdou, online).
Starke Prägung durch SAP Dadurch dass der Digital Boardroom sehr stark durch SAP geprägt ist, ist die vollständige Nutzung aller Funktionen auch von den bestehenden Datenaufbereitungssoftwaren abhängig. Obwohl SAP verspricht, dass auch Datenimporte von anderen Quellen wie Google Drive oder Excel möglich sind, basiert das Produkt hauptsächlich auf den bestehenden SAP-Produkten wie SAP HANA oder SAP BW/4HANA und verlangt somit indirekt nach der Einführung von SAP Analytics Cloud (SAP (c), online).

Auswirkungen auf das Tätigkeitsgebiet des Controllings

Mit dem Einsatz des Digital Boardrooms kann die zur Unternehmenssteuerung erforderliche Transparenz in Echtzeit geschaffen werden. Gleichzeitig werden die traditionellen Grenzen zwischen unternehmenseigenen Systemen aufgebrochen und mittels Ad-hoc-Analysen Echtzeit-Einblicke in die Finanzkennzahlen ermöglicht. Eine höhere Verfügbarkeit an Daten führt allerdings nicht automatisch zu einer besseren Steuerung. Die geschaffene Transparenz in der Unternehmenssteuerung muss vielmehr im Hinblick auf die Empfängerinnen und Empfänger strukturiert und adressatengerecht bereitgestellt werden (Hofmann et al., 2017. S. 121).

Der Digital Boardroom bietet Managerinnen und Manager die Möglichkeit mittels Self-Service-Zugang zu Real-Time-Daten zu gelangen. Dies bedeutet aber nicht automatisch, dass die Controllerinnen und Controller die Steuerungskontrolle verlieren (Braun, 2016, S. 65). Im Gegenteil, die Controllerin und der Controller sind umso mehr gefragt als Story-Teller, welcher die Anwendenden des Digital Boardrooms davor bewahren soll, sich zu sehr in Detailfragen zu verlieren (Braun, 2016, S. 64). Gelingt es der Controllerin und dem Controller sich in der neuen Rolle als Story-Teller und liefernde Person von Kontextinformationen zurecht zu finden und die Herausforderungen anzunehmen, kann er oder sie das Management zukünftig in der neuen Rolle als Business Partner unterstützen (Friedl, 2019, S. 39-40).

Kritische Würdigung

Die Einführung des Digital Boardrooms muss ein Bestandteil der unternehmenseigenen digitalen Transformation sein, damit dieser bestmöglich eingesetzt werden kann. In erster Linie sind dabei wichtige Erfolgsfaktoren zu berücksichtigen wie die Optimierung und Standardisierung von Geschäftsprozesse, die Gewährleistung einer hohen Qualität der Daten und deren Zugriff, das Vorhandensein von einheitlichen Kennzahlen- bzw. Werttreiberdefinitionen, sowie die Integration von einheitlichen Reporting-Lösungen (Bliznak, 2017, S. 156).

Die Anwendung des Digital Boardrooms bietet dem Entscheidungstragenden eine hohe Transparenz, indem alle relevanten Daten über die gesamte Wertschöpfungskette in Echtzeit angezeigt werden können (Schäffer & Weber, 2016, S. 10).

Dem Digital Boardroom sind jedoch auch Grenzen gesetzt. Die wohl grösste Herausforderung besteht in der starken Prägung durch die Unternehmung SAP und den damit verbundenen notwendigen, weiteren BI-Produkten. Da der Digital Boardroom jedoch noch ein sehr junges Produkt ist, lässt die zukünftige Entwicklung einen grossen Spielraum – auch für weitere mögliche Anbieter – offen.

Lern- und Praxismaterialien

Aufgaben Fallstudien


Quiz

Quellen

Literaturverzeichnis

Weiterführende Literatur

Autoren

Christa Mathis, Corinne Michel, Sofija Milosavljevic, Gianluca Montaquilla

Tabelle

Digital Newbie Digital Mainstream Digital Pioneer
• Richtlinien für Controlling zwar vorhanden, aber ohne Bezug zur Digitalisierung • Zentrale Richtlinien im Controlling dokumentiert mit Bezug zur Digitalisierung • Zentrale Richtlinien im Controlling dokumentiert mit Bezug zur Digitalisierung
• Keine eigene Govenance-Verantwortung für Controlling • Dezidierte Governance-Verantwortung vorhanden • Dezidierte Governance-Einheit vorhanden
• Unregelmässige Prüfung der Einhaltung von Richtlinien • Manuelle Prüfung der Einhaltung von Richtlinien • Systemgestützte Prüfung der Einhaltung von Richtlinien (u.a. mit Analytics-Werkzeugen)

Organisatorische Eingliederung

Abb. 3: Rollenverteilung innerhalb einer modernen Controlling-Organisation (Heimel & Müller, 2019, S. 419)

Durch die veränderte Controller-Rolle infolge der Digitalisierung ist es empfehlenswert, das Controlling nach organisatorischen Modulen, zum Beispiel Teams, zu organisieren (Müller & Schmidt, 2011). Dies zeigt sich auch in der Praxis. Entsprechend wird dort die Governance-Rolle meist in einer getrennten Einheit innerhalb des Controllings geführt, somit ähnlich wie die Revision. Die Abbildung 3 zeigt eine solche Organisation. Des Weiteren resultiert aus der Ansiedlung unterhalb der 1. oder 2. Führungsebene die nötige Durchsetzungskompetenz sowie Beachtung (Langmann, 2019, S. 44).


Monte-Carlo-Simulation

Die Monte-Carlo-Simulation ist ein Begriff aus der Stochastik und stellt ein Verfahren dar, welches zur Analyse und Beurteilung von Risiken verwendet wird (Sartor & Bourauel, 2013, S. 77). Mithilfe dieser computerbasierten Simulationsmethode können Wahrscheinlichkeiten berechnet werden. Die Idee darin besteht, ein Experiment viele Male zu simulieren und mithilfe des Gesetzes der grossen Zahl eine Wahrscheinlichkeit zu ermitteln (Kroese et al., 2014, S. 386). Daraus entsteht eine repräsentative Anzahl möglicher Zukunftsszenarien (Gleißner & Wolfrum, 2019, S. 51). Die heute verfügbare Rechenleistung ermöglicht es, nahezu beliebig komplexe Planungsmodelle zu simulieren (Gleißner & Wolfrum, 2019, S. 25). Ihr Einsatzgebiet ist hauptsächlich im Bereich Risikomanagement, sie findet jedoch auch ihre Anwendung in anderen Gebieten wie der allgemeinen Unternehmensplanung (Grisar & Meyer, 2015, S. 262).

Begriffsdefinition

Im Fürstentum Monaco gibt es einen Stadtteil Monte-Carlo, in welchem sich die weltbekannte Spiel- bank Monte-Carlo befindet (Hager, 2004, S. 145). Wie beim Roulette hängt auch bei der Monte-Carlo- Simulation alles von der Simulation von Zufallszahlen ab. Der Unterschied liegt jedoch darin, dass beim Roulette lediglich ein mechanischer Zufallsgenerator der Simulation zu Grunde liegt. Bei der Monte-Carlo-Simulation hingegen werden die Simulationen anhand mathematischer Algorithmen generiert. Die Zahlen wirken auch bei der Monte-Carlo-Simulation zufällig, sind aber in Wirklichkeit nur scheinzufällig, da sie von einem Algorithmus abhängig sind (Romeike & Hager, 2020, S. 380). Es wird deshalb angenommen, dass der Name Monte-Carlo von der weltbekannten Spielbank abstammt.

Ziele der Monte-Carlo-Simulation

Die Monte-Carlo-Simulation, welche ihren Ursprung in den stochastischen und statistischen Methoden hat, verfolgt das primäre Ziel der experimentellen Ermittlung von Wahrscheinlichkeitsverteilungen bei Zufallsgrössen. Dabei können, basierend auf den Risikofaktoren und deren Wahrscheinlichkeitsvertei- lungen, unbekannte Strukturen und Verhalten simuliert werden (Sartor & Bourauel, 2013, S. 76). Damit eine plausible und praxisnahe Einschätzung des Gesamtrisikoumfangs vorgenommen werden kann, werden bei der Monte-Carlo-Simulation mehrere zukünftig mögliche Risikoszenarien kalkuliert sowie analysiert (Gleißner, 2017, S. 254).

Der Auftraggeber der Monte-Carlo-Simulation hat dabei die Möglichkeit, anhand der Simulation zu er- kennen, mit welcher Auftretenswahrscheinlichkeit die Ergebnisse aus zuvor getroffenen Handlungsweisen erfolgen. Es wird also aufgezeigt, was passieren könnte, wenn eine sehr riskante oder eine sehr konservative Entscheidung getroffen wird. Das Instrument bietet den Vorteil, dass nicht zwangsweise nur Extrementscheidungen gemessen werden können, sondern auch die möglichen Konsequenzen aus moderaten Entscheidungen miteinfliessen (Palisade, online).

Monte-Carlo-Simulation am Beispiel der Unternehmensplanung (Anwendungsgebiete)

In der Unternehmensplanung müssen immer wieder Entscheidungen gefällt werden, welche grossen Einfluss auf die Zukunft des Unternehmens haben. Dabei müssen in der operativen Planung die Investitions-, Kosten- oder Absatzplanungen gemacht werden (Wolf, 2009, S. 545). Hierbei hängen viele verschiedene Komponenten zusammen, welche die Planung schwierig gestalten lassen. An dieser Stelle kommt die Monte-Carlo-Simulation ins Spiel. Mithilfe dieser lassen sich verschiedene Szenarien durchrechnen.

Abb. 1: Ergebnis einer Simulation in der Unternehmensplanung (Flath et al., 2015, S. 86)

Sie ermöglicht es, für umstrittene Variablen, wie beispielsweise den Umsatz oder einzelne Kostenpositionen, unterschiedliche Planannahmen zu treffen. Schliesslich können Ergebnisse berechnet und danach in einer konsolidierten Planung zusammengeführt werden (Wolf, 2009, S. 545). Unter Berücksichtigung von Einflussfaktoren und Korrelationen wird die Entwicklung von Planpositionen ( Predictive Forecasting ) berechnet (Flath et al., 2015, S. 85). Die daraus entstehenden Auswertungsmöglichkeiten sind in Abbildung 1 aufgezeigt und können die Basis für Unternehmensentscheidungen bilden. Denn dadurch erhält eine Unternehmung, unter Berücksichtigung von Chancen, Gefahren und Risiken, eine konkrete Vorstellung über die Zukunft des Unternehmens (Gleißner & Wolfrum, 2019, S. 26).

Zusätzliche Einsatzmöglichkeiten sind die Berechnungen von Auswirkungen bei Veränderungen von Komponenten der Produkt- und/oder Produktionskosten oder vergleichbaren Punkten des Controllings (RiskNet GmbH, online). Ein weiteres Beispiel ist die Auswirkung eines Wechselkursrisikos, welches nicht ein Einmaliges, sondern ein dauerhaftes Risiko ist (Gleißner, 2015, online). Bei der Berechnung der Value at Risk Kennzahl erfreut sich die Monte-Carlo-Simulation ebenfalls grosser Beliebtheit (Bleuel, 2006, S. 372).

Vorgehensweise

Abb. 2: Vorgehensweise der Monte-Carlo-Simulation nach Wolf (2009, S. 547)

Die Durchführung einer Monte-Carlo-Simulation erfolgt in vier Schritten, welche in Abbildung 2 ersichtlich sind (Wolf, 2009, S. 547).

1. Schritt

Als erster Schritt soll das Problem formuliert und mittels eines mathematischen Models abgebildet werden. Beispielsweise kann das Problem eine Illiquidität sein, welche während den nächsten 12 Monaten verhindert werden soll. Es ist dabei eine grundlegende Voraussetzung, dass die folgenden drei Bestandteile vorhanden sind respektive die Informationen dazu gesammelt werden können. Ansonsten ist eine Monte-Carlo-Simulation nicht möglich (Wolf, 2009, S. 547):

  1. Beeinflussbare und nicht-beeinflussbare Zufallszahlen (Beispiel: variable und fixe Kostenpositionen)
  2. Wirkungszusammenhänge und Abhängigkeiten dieser Zufallszahlen (Beispiel: Preis-Absatz-Funktion)
  3. Grundlegende Annahmen und Bedingungen (Beispiel: Weighted Average Cost of Capital (WACC))

Wesentlich ist, dass dieses Modell die Maximen «Reduzieren» und «Abstrahieren» einhält (Steinhausen, 1994, S. 21). Es sollen diejenigen Zufallszahlen ausgewählt werden, welche in der Realität tatsächlich einen wesentlichen Einfluss auf die Problemstellung haben. Mit Abstrahieren ist gemeint, dass die bestehenden Beziehungen zwischen den Zufallszahlen durch geeignete Regeln wiedergegeben werden.

2. Schritt

Die Quelle für den zweiten Schritt der Informationsbeschaffung bilden finanzinterne Daten wie Budgets, Jahresrechnungen und Cash-Flow-Rechnungen (Romeike, 2018, S. 178) wie auch Studien, Herstellerangaben, Expertenbefragungen und unternehmensinterne Daten (Wolf, 2009, S. 546). Einen entscheidenden Einfluss auf die realitätsgetreue Abbildung der Monte-Carlo-Simulation hat die Beurteilung der Eintrittswahrscheinlichkeit dieser Zahlen. Bei der Beschaffung der Daten wird ersichtlich, dass die Monte-Carlo-Simulation nur eine Annäherung darlegen kann. Um die Modellkomplexität gewissermassen zu reduzieren, müssen gewisse Annahmen getroffen werden.

Durch diese Annahmen wird die Komplexität des Modells verringert, gleichzeitig aber auch die vollständige und realitätsgetreue Abbildung aller Möglichkeiten eingeschränkt (Wolf, 2009, S. 547).

3. Schritt

Als dritter Schritt werden die gesammelten Daten in eine Wahrscheinlichkeitsverteilung transformiert (Wolf, 2009, S. 547). Dazu muss für jede Zufallszahl ein Intervall abgrenzt werden, in welchem der Zufallswert liegen kann. Schliesslich muss die geeignete Verteilungsfunktion gewählt werden (Bleuel, 2006, S. 373). Abbildung 3 zeigt die häufigsten Verteilungsformen und deren Anwendung auf.

Abb. 3: Häufige Verteilungsformen in Monte-Carlo-Simulationen (Bleuel, 2006, S. 373)

Diese sind gemäss Bleuel (2006) wie folgt definiert (S. 373):

Normalverteilung: Die Normalverteilung kommt zum Einsatz bei Zufallsvariablen die gleichmässig um den Mittelwert gestreut sind, sowie zur Approximierung anderer Verteilungen. Der Bezug liegt dabei bei natürlichen Merkmalen wie beispielsweise der Verteilung von Schuhgrössen.

Dreiecksverteilung: Handelt es sich um asymmetrische Verteilungen, welche ein Minimum-, Maximum- und Basisfall darstellen, wird die Dreiecksverteilung eingesetzt. Als Beispiel dient die Tagesabsatzprognose einer Tankstelle.

Gleichverteilung: Ist die Verteilungsform nicht bekannt oder können alle Werte mit der gleichen Wahrscheinlichkeit auftreten, so wird die Gleichverteilung gewählt. Diese Form der Verteilung kommt oft bei der Preisprognose von sensitiven Rohstoffen zum Einsatz.

4. Schritt

Als vierter Schritt wird die Simulation gemäss dem Gesetz der Grossen Zahl solange durchgeführt und wiederholt, bis aus den Simulationen stabile Verteilungen und Statistiken abgeleitet werden können (Möbius & Pallenberg, 2016, S. 18–20). Eine mögliche Entwicklung der Simulationsergebnisse zeigt die Abbildung 4.

Abb. 4: Szenarienanalyse mittels Monte-Carlo-Simulation (Diederichs, 2017, S. 167)

Anschliessend erfolgt eine essenzielle Validierung. Ohne sie kann keine finale Auswertung und Interpretation der Ergebnisse aus den zuvor durchgeführten Berechnungen gewonnen werden. Ebenfalls soll Transparenz bezüglich der getroffenen Annahmen und des Berechnungsweges geschaffen werden. Ansonsten droht eine Ablehnung der Ergebnisse durch die Entscheidungsträger wegen fehlender Plausibilität und Transparenz (Wolf, 2009, S. 546).

Die Auswertung und Interpretation der Simulation erfolgen in mathematischen Kennzahlen und grafischen Darstellungen. Beispiele für mathematische Kennzahlen sind Mittelwerte, Standardabweichungen oder Minimum und Maximum. Besonders geeignet für die grafische Darstellung sind Histogramme, welche die Ausprägung und Häufigkeit gruppieren und so proportional aufzeigen (Wolf, 2009, S. 547).

Die getätigten Auswertungen und Interpretationen führen anschliessend im Idealfall zur Ergreifung von Massnahmen zur Risikosteuerung (Bleuel, 2006, S. 372). Computerbasierte Tools können die Rechenarbeit von Menschen übernehmen, trotzdem liegt die Validierung und Interpretation der Daten in der Verantwortung der Menschen. Dazu wird mathematisches und finanztechnisches Fachwissen benötigt (S. 376–377).

Kritische Würdigung

In diesem Abschnitt werden die Vor- und Nachteile aufgezählt und zum Schluss noch ein zusammenfassendes Fazit abgegeben.

Vorteile

  • Das Vorgehen scheint nachvollziehbar und verständlich (Wolke, 2016, S. 283).
  • Die Anzahl der Faktoren und unterschiedlichen Verteilungen, welche verwendet werden können, sind unbeschränkt (Wolke, 2016, S. 283).
  • Es ist möglich, mehrere Einflussgrössen mit etlichen Ausprägungsmöglichkeiten zu verwenden (Wolke, 2016, S. 283).
  • Die Verteilungen der Monte-Carlo-Simulation bilden die Realität besser und genauer ab als die in der Praxis gängigen Planszenarien (Wolf, 2009, S. 552).

Nachteile

  • Damit die Simulation exakt ist, benötigt es eine ausreichende Anzahl an Szenarien, welche den Rechenaufwand erhöhen (Wolke, 2016, S. 284).
  • Die Beziehung zwischen den generierten Zufallszahlen ist zufällig (Wolke, 2016, S. 284).
  • Durch den Einsatz von unterschiedlichen Zufallsgeneratoren werden bei den verschiedenen Simulationen unterschiedliche Verteilungen der Ergebnisse und somit auch verschiedene Value at Risk erzeugt. Dadurch ist das Vergleichen der Ergebnisse nicht mehr gewährleistet. Denn der Value at Risk hängt von der verwendeten Software ab und die Genauigkeit und Transparenz sind somit nur eingeschränkt gegeben (Wolke, 2016, S. 284).
  • Da oftmals keine stichfesten Daten vorliegen, müssen diese geschätzt werden. Gröbere Fehler in diesen Schätzungen führen zu Verzerrungen oder sogar falschen Ergebnissen, woraus anschliessend nicht die optimalen Rückschlüsse und Entscheidungen getroffen werden können (Romeike, 2018, S. 183).
  • Die zugrundeliegenden Annahmen müssen nicht nur der Realität entsprechen, sie müssen auch nachvollziehbar sein und mit den Ansichten des Managements übereinstimmen. Ansonsten fehlt die Akzeptanz der Ergebnisse und die Simulation muss von neuem durchgeführt werden (Wolf, 2009, S. 552).

Zusammenfassung Vor- und Nachteile

Der grosse Vorteil von Monte-Carlo-Simulationen ist, dass sie als einfach anwendbare Berechnungsmethode (Romeike, 2018, S. 183), verschiedene Einzelpositionen mit unterschiedlichen Eigenschaften zu einem Gesamtbild kombiniert (Wolf, 2009, S. 552).

Trotzdem sollte sie nur dann eingesetzt werden, wenn es nicht möglich ist, eine analytische Berechnung zu machen. Denn normalerweise sind analytische Methoden in Bezug auf Vergleichbarkeit, Transparenz und insbesondere Genauigkeit deutlich besser (Wolke, 2016, S. 284, Wolf, 2009, S. 552). Monte-Carlo-Simulationen haben eher in der Forschung ihren Platz, obwohl sie auch in der Praxis einen deutlichen Zusatznutzen bringen können (Wolf, 2009, S. 552).

Lern- und Praxismaterialien

Aufgaben Quiz

 

Quellen

Literaturverzeichnis

Weiterführende Literatur

Autoren

Dario Rosamina, Jonathan Schmid, Anja Strebel und Pirmin Ulrich

Quellen

Literaturverzeichnis

Weiterführende Literatur

Abgerufen von „https://wiki.hslu.ch/controlling/index.php?title=Sandkasten&oldid=15817“