Die Bedeutung des Einsatzes von Corporate Performance Management für Unternehmen mit Business Intelligence im Hinblick auf eine erfolgreiche Unternehmensführung

Inhaltsverzeichnis

Eidesstattliche Erklärung

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einführung
1.1 Motivation und Zielsetzung
1.2 Aufbau der Arbeit

2 Business Intelligence (BI) – eigenständiges Konzept der Managementunterstützung
2.1 Historische Entwicklung der BI – kurzer Überblick
2.2 Begriffsdefinition und Merkmale von BI
2.3 Die Komponenten von Business Intelligence
2.3.1 Ebene der externen Datenquellen und operativer Vorsysteme
2.3.2 Datenerfassungsebene und Übernahme der Daten: ETL – Prozess (Extraktion, Transformation, Laden)
2.3.3 Ebene der Datenhaltung: Data Warehouse und Data Marts
2.3.4 Online Analytical Processing – OLAP
2.3.6 Präsentationsebene: Frontendsysteme der Wissensgenerierung
2.4 Grenzen von Business Intelligence

3. Performance Management als Konzept der ganzheitlichen Unternehmenssteuerung
3.1 Grundlagen des Corporate Performance Management
3.1.1 Begriffsdefinition und wesentliche Unterschiede zu Business Intelligence
3.1.2 Performance Measurement als Basis für Performance Management: Begriffserläuterungen und Verfahren
3.1.3 Der Performance Management-Prozess
3.2 Instrumente des Corporate Performance Management
3.2.1 Entwicklungsüberblick: von der Prozess- zur Strategieorientierung
3.2.2 Performance Pyramid
3.2.3 Balanced Scorecard
3.2.4 Performance Prism
3.2.5 Value-Based Performance Management
3.3 Corporate Performance Management-System: Aktualität und Einsatznotwendigkeit

4 Effizientes Reporting als Aufgabe des Corporate Performance Management und die Voraussetzung für eine erfolgreiche Unternehmensführung
4.1 Reporting als wichtigste Erscheinungsform der Planungs- und Kontrollsysteme
4.2 Zusammengestellte Reports-Merkmalssammlung anhand eines Morphologischen Kastens
4.3 Neue Ansprüche an das Reporting aus Sicht der Performance Management-Philosophie
4.3.1 Aufgaben des Reporting
4.3.2 Konzeptionelle Anforderungen an das Reporting

5 Kritische Würdigung und Fazit

Literaturverzeichnis

Anhang

Eidesstattliche Erklärung

Ich erkläre hiermit, dass ich diese Diplomarbeit selbstständig ohne Hilfe Dritter und ohne Benutzung anderer als der angegebenen Quellen und Hilfsmittel verfasst habe. Alle den benutzten Quellen wörtlich oder sinngemäß entnommenen Stellen sind als solche einzeln kenntlich gemacht.

Diese Arbeit ist bislang keiner anderen Prüfungsbehörde vorgelegt worden und auch nicht veröffentlicht worden.

Ich bin mir bewusst, dass eine falsche Erklärung rechtliche Folgen haben wird.

Abbildung in dieser Leseprobe nicht enthalten

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abb. 1: Chronologische Entwicklung der MUS

Abb. 2: Zusammenspiel der beiden Sichtweisen von BI

Abb. 3: Abgrenzung von Business Intelligence

Abb. 4: Architektur von BI-System

Abb. 5: Umsatz(in tsd. Euro), definiert über die Dimensionen Kunden, Produkte und Zeit

Abb. 6: OLAP-Operationen im Überblick

Abb. 7: Dimensionen von Corporate Performance Management

Abb. 8: Ablauf der Leistungssteuerung

Abb. 9: Regelkreis für Aktivitäten der Unternehmenssteuerung

Abb. 10: Von der Leistungsmessung zur Leistungssteuerung

Abb. 11: Der CPM-Kernprozess als Prozess der ganzheitlichen Unternehmenssteuerung.

Abb. 12: Instrumente der Leistungssteuerung

Abb. 13: Die Performance Pyramid

Abb. 14: Die vier Standardperspektiven der Balanced Scorecard

Abb. 15: Performance Prism

Abb. 16: Das Value-Based Performance Managementkonzept

Abb. 17: Aufgaben des Reporting

Abb. 18: Slice – Würfelschnitt als Analyse-Möglichkeit

Abb. 19: Rotate/Pivoting – Drehen des Würfels als Analyse-Möglichkeit

Abb. 20: Dicing – Subwürfel als Analyse-Möglichkeit

Abb. 21: Drill-up und Drill-Down als Analyse Möglichkeit (Quartalumsatz)

Abb. 22: Beispiel eines Dashbords „Executive Sales Dashboard“

Abb. 23: Aufgaben von Business Intelligence

Abb. 24: Rahmenkonzept zu Corporate Performance Management-Systemen

Abb. 25: Formular zur Definition von Messgrößen

Abb. 26: Aufgaben von Kennzahlen

Abb. 27: Key Performanceindikatoren nach Hierarchieebenen

Abb. 28: Regelkreise der Performancepyramide

Abb. 29: Die Balanced Scorecard als strategischer Handlungsrahmen

Abb. 30: Beispiel für eine Ursache-Wirkungskette

Abb. 31: Beispiel für eine Balanced Scorecard

Abb. 32: Die drei letzten Facetten des Performanceprismas

Abb. 33: Morphologischer Kasten für computergestützte Planungs- und Kontrollsysteme

Abb. 34: Morphologischer Kasten "Klassisches Berichtswesen"

Abb. 35: Morphologischer Kasten "Frühwarnsystem zur Konkurrenzbeobachtung"

Abb. 36: Morphologischer Kasten "Briefing Book"

Abb. 37: Morphologischer Kasten "Konkurrenzanalyse"

Abb. 38: Morphologischer Kasten "Entscheidungsunterstützung"

Abb. 39: Beispiel eines Topmanagement –Reporting eines Unternehmens

Abb. 40: Beispiel für einen interaktiven Bericht

Tabellenverzeichnis

Tabelle 1: Charakteristika operativer und dispositiver Daten

Tabelle 2: Möglichkeiten der Aufbereitung und Kategorisierung von Kennzahlen.

Tabelle 3: Das Unternehmensfundament

1 Einführung

1.1 Motivation und Zielsetzung

Die aktuelle und künftige Wettbewerbssituation, mit der sich Unternehmen auseinander setzen müssen, ist durch zunehmende Globalisierung der Wirtschaftsräume und Internationalisierung der Märkte, geringes Wirtschaftswachstum bzw. Stagnation und starken Preiswettbewerb gekennzeichnet.^[1] Die hohen und sehr differenzierten Erwartungen der Kunden sowie die stetige Verkürzung der Innovationszyklen zwingen die Unternehmen dazu, hochwertige, konkurrenzfähige Leistungen anzubieten, flexibel und schnell auf Veränderungen zu reagieren und gleichzeitig ihre Kosten im Griff zu behalten.^[2]

Um diesen Anforderungen gerecht zu werden, benötigen die Unternehmen für ihre Unternehmenssteuerung eine verlässliche Informations- und Datenbasis.^[3] Da die Menge der Informationen, die zur Entscheidungsfindung verwendet werden können, stetig zunimmt, wird es verlangt, dass die entscheidungsrelevanten Informationen besser aufbereitet werden und in vergleichbarer und strukturierter Form vorliegen. Unternehmen können es sich nicht mehr leisten, viel Zeit für das Zusammentragen, Strukturieren und Aufbereiten der Daten zu Informationen aufzuwenden, sondern müssen die verfügbare Kapazität für die Entscheidungsfindung verwenden.^[4]

Zur Unterstützung dieser Aufgaben bietet sich die Nutzung Analytischer Informationssysteme vor allem in Form von Business Intelligence (BI) und Data Warehousing (DWH) an. Analytische Informationssysteme bilden eine spezielle Systemkategorie der Informationsverarbeitung, deren Zweck die Unterstützung von Fach- und Führungskräften bei der Untersuchung von betriebswirtschaftlichen Sachzusammenhängen zur Lösung von Problemsituationen ist. Diese Konzepte und Systeme versorgen die Mitarbeiter auf allen Ebenen mit umfassenden Informationen zur Situation des Unternehmens und unterstützen sie so bei ihren Tätigkeit und Entscheidungen.^[5]

Die Erkenntnis, dass die Führungsverantwortlichen für ihre Entscheidungsfindung eine verlässliche, vollständige und konsistente Informations- und Datenbasis benötigen, führte zur raschen Verbreitung von Business Intelligence (BI) in den 1990er Jahren.

Business Intelligence-Lösungen helfen, aus der Vielzahl der vorhandenen aber meist unverbundenen Daten und Informationen, wie z. B. interne Leistungs- und Abrechnungsdaten sowie externe Marktdaten, die richtigen herauszufiltern, aufzubereiten, auswerten und so miteinander in Beziehung zu setzen, dass darauf basierend unternehmensrelevante Entscheidungen getroffen werden können.^[6] Business Intelligence stellt somit ein System dar, das Management in seiner planenden, steuernden und koordinierenden Tätigkeit unterstützt.^[7]

Relativ bald musste man jedoch feststellen, dass Topmanager trotz der nun vorhandenen Entscheidungsgrundlage nicht durch Datenmeere navigieren, um z. B. die Ursachen von Planabweichungen zu finden. Die Analyse der in einem Data Warehouse (DW) gespeicherten und unternehmensweit verfügbaren Daten mittels Business Intelligence-Werkzeugen überließ man den Controllern und den Anwendern in den Fachabteilungen.^[8]

Die Ursache dafür war die Tatsache, dass die Sichtweise von Business Intelligence (BI) sich auf die Analyse von Ergebnissen vergangener Prozesse richtet. Die Aufgabe von Managern besteht aber im frühzeitigen Antizipieren von Trends und im zielgerichteten Einleiten von Maßnahmen zur Verbesserung der Wettbewerbsfähigkeit. Im Mittelpunkt ihres Interesses stehen damit die zukunftsgerichteten Aktivitäten. Hier setzt das Corporate Performance Management (CPM) an.^[9]

Unter Corporate Performance Management (CPM) wird ein Ansatz verstanden, der über die Aufbereitung von Transaktionsdaten hinaus auch die operative und strategische Planung, Forecasting- und Budgetierungsfunktionen sowie die gebündelte Darstellung der kritischen Erfolgsfaktoren und des Unternehmenserfolgs in Form von Frühwarn- und Kennzahlensystemen beinhaltet.^[10] Darüber hinaus geht es beim Performance Management um viel mehr als die Vergangenheitsanalyse.^[11] Die laufende Überprüfung der Ergebniswirkung der Unternehmensaktivitäten durch BI-Werkzeuge ist nur ein Schritt im CPM-Prozess.^[12] Nichtsdestotrotz werden Performance Management und Business Intelligence in der Praxis häufig im gleichen Kontext verwendet. Der wesentliche Unterschied liegt in der Handlungsorientierung des Performance Management, die sich in der Entwicklung strategischer Aktionen vor dem Eintreten der sie auslösenden Bedingung ausdrückt.^[13]

Im Mittelpunkt aller Performance Management-Anstrengungen steht die zielgerichtete Beeinflussung der Unternehmensleistung zur Verbesserung der Wettbewerbsposition, d. h. die leistungsorientierte Unternehmensführung.^[14] Die Umsetzung des Performance Management-Gedankens erfolgt durch den Einsatz von Performance Management-Systemen.^[15] Ein CPM-System verknüpft Ziele, Strategien und Ergebnisse und unterstützt so den Entscheider bei der konsequenten Umsetzung der gewählten Strategie genauso wie bei ihrer durch Umweltveränderungen erzwungene Anpassung.^[16] Mit dem Einsatz eines CPM-Systems wird die ganzheitliche Unternehmenssteuerung gewährleistet, da die gesamte Steuerungskette des Unternehmens betrachtet wird.^[17]

Die vorliegende Arbeit beschäftigt sich mit der Darstellung des Corporate Performance Management-Konzeptes. Da es für ein funktionierendes Corporate Performance Management jedoch einer in einem Data Warehouse geschaffenen validen Datenbasis und des Einsatzes von BI-Instrumenten bedarf, werden in der vorliegenden Arbeit auch interessante DW- und BI-Aspekte und -Werkzeuge betrachtet.^[18]

Ziel der Arbeit ist es, die Bedeutung des Einsatzes von Corporate Performance Management in Unternehmen mit implementierten Business Intelligence deutlich zu machen.

Die Verschmelzung (Synthese) dieser beiden Konzepte führt einerseits zu einer Erweiterung bestehender BI- bzw. DWH-Lösungen und andererseits zu einer Ausweitung des Geschäftsmanagements in Richtung einer zielgerichteten und leistungsorientierten Unternehmensführung. Die zeitnahe Überwachung der Frühwarn- und Kennzahlensystemen zielt dabei auf das frühzeitige Erkennen potenzieller Probleme und Engpässe und somit auf die rechtzeitige Einleitung von Gegenmaßnahmen und steuernden Eingriffen ab, um so eine kontinuierliche Verbesserung der Wettbewerbsposition zu erreichen.^[19]

1.2 Aufbau der Arbeit

Die vorliegende Arbeit gliedert sich in fünf Teilen. Der erste Teil stellt eine Einleitung mit der Problemstellung und Zielsetzung vor. Im Mittelpunkt des zweiten Kapitels steht Business Intelligence als eigenständiges Konzept der Managementunterstützung. Nach kurzem Überblick über historische Entwicklung der Business Intelligence werden hier der Begriff Business Intelligente definiert und heute herrschende Verständnisse von Business Intelligence erläutert. Ferner in der Arbeit werden die Komponenten von Business Intelligence strukturiert dargestellt sowie die Funktionen und das Zusammenspiel dieser Komponenten illustriert. Die in der Praxis festgestellten Grenzen der Business Intelligence, schließen das zweite Kapitel ab.

Performance Management als Konzept der ganzheitlichen Unternehmenssteuerung wird im Kapitel drei dargestellt. Im Fokus des Betrachtens stehen sowohl die Grundlagen als auch die Instrumente des Performance Management. Im Anschluss des Kapitels wird die Aktualität und Einsatznotwendigkeit des Corporate Performance Management-Systems erläutert.

Effizientes Reporting stellt eine Voraussetzung für die erfolgreiche Unternehmensführung dar. Deswegen erfolgt im Kapitel vier eine Darstellung des Reporting, samt Begriffsdefinitionen, Merkmalen, und Aufgaben. Ein besonderer Akzent wird dabei auf die neuen Ansprüche an das Reporting aus Sicht der Performance Management-Philosophie gesetzt.

Fazit und kritische Würdigung erfolgen im fünften Kapitel.

2 Business Intelligence (BI) – eigenständiges Konzept der Managementunterstützung

2.1 Historische Entwicklung der BI – kurzer Überblick

Die Entwicklung der IT-basierten Managementunterstützung hat eine relativ lange Geschichte. In den 60er Jahren des letzten Jahrhunderts, mit dem Beginn der kommerziellen Nutzung der elektronischen Datenverarbeitung, wurden erste Versuche unternommen, die Führungskräfte mit Hilfe von Informationssystemen zu unterstützen. Im Laufe der Jahre konnte ein Konglomerat der benutzergruppenspezifischen und aufgabenorientierten Einzelsysteme für Management entwickelt werden. In den 80er Jahren etablierte sich für diese Systeme ein Sammelbegriff „Management Support System: MSS“, im deutschsprachigen Raum als „Managementunterstützungssystem: MUS“ bezeichnet.^[20] Abbildung 1 gibt einen Überblick über eine chronologische Entwicklung von Managementunterstützungssystemen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Chronologische Entwicklung der MUS^[21]

Die ersten Managementunterstützungssysteme waren die Abfrage- und Berichtsysteme (query and reporting system), sie lieferten regelmäßige Berichte über die finanzielle Situation des Unternehmens, und machten es möglich die einfache Auswertung von Dateien und Datenbanken (Datenextraktion und -aggregation) und die ansprechende Präsentation der Ergebnisse zu realisieren. Bis heute sind derartige Berichtsysteme in fast jedem Unternehmen im Einsatz.^[22] Nachteil dieser Systeme besteht darin, dass die Ad-Hoc-Analysen schwer zu realisieren sind, aufgrund dessen, dass diese Systeme auf einer vorgefertigten Berichtsstruktur basieren. Die darauf folgenden in den 70er Jahre entwickelten Entscheidungsunterstützungssysteme (EUS oder Synonym DSS - Decision Support Systems) hatten ihr Schwerpunkt bei der Planung: Untersuchung möglicher Handlungsalternativen durch mathematische Methoden und Modelle (Operations Research: OR).^[23] Jedoch war bei diesen Systemen keine eigene, zentrale Datenhaltung vorgesehen, die Modelle und Lösungen wurden von jeder der betroffenen Abteilung gespeichert. Dies führte zur redundanten Datenhaltung, die Aussagen und Ergebnisse zwischen den Abteilungen widersprachen sich, wenn in einem heterogenen Umfeld der Quellsysteme auf eine andere Datenbasis zugegriffen wurde.^[24] Die Entwicklung von Expertensystemen (Expert Systems: XPS), als den nächsten Vertreter der MUS, stellt eine Teildisziplin des Forschungsbereiches der Künstlichen Intelligenz (Artificial Intelligence, AI) dar. Das Ziel von XPS ist es, das Wissen menschlicher Experten in komplexen, eng abgegrenzten Anwendungsbereich mit Hilfe von IT-Systemen verfügbar zu machen. Die Expertensysteme werden als Subsysteme integrierter Anwendungen in Form von aktiven Hilfssystemen oder intelligenten Agenten eingesetzt.^[25] Auf Basis verbesserter Infrastruktur und zunehmender Vernetzung, wurden in den 80er Jahren Führungsinformationssysteme (Executive Information Systems: EIS) entwickelt. Mit Hilfe neuartiger Anwendungen zur Kommunikationsunterstützung und Möglichkeiten zu Ad-Hoc-Abfragen, auch für ungeübte bzw. EDV-unerfahrene Benutzer wollten diese Systeme vor allem die oberste Managementebene unterstützen. Dennoch waren diese Systeme nicht in der Lage auf schnell wechselnde Anforderungen des Managements ausreichend reagieren zu können, sie scheiterten häufig schon aufgrund technischer Probleme, wie z.B. der Verwaltung großer Datenvolumina und der graphischen Informationspräsentation.^[26] Mit den Jahren stiegen die Datenmengen in den Unternehmen explosionsartig zu. Die verfügbaren Technologien wurden immer Leistungsfähiger. Anfang 90er entsteht ein Konzept der Business Intelligence, in dessen Kern es um eine entscheidungsorientierte Informationsversorgung durch Analytische Informationssysteme geht. Business Intelligence-Systeme verfügten über Instrumente und Prozesse, die in der Lage waren, die Unternehmens- und Wettbewerbsdaten in konkretes Wissen (intelligence) für strategische Entscheidungen umzuwandeln, dabei wurden die unternehmensinternen und –externen Daten als Quellen herangezogen.^[27]

Die BI-Systeme konnten sich spätestens Mitte 90er Jahre in Unternehmen fest etablieren. Den Unternehmen wurde klar, dass mit statischen Informationssystemen eine adäquate analytische Informationsversorgung nicht mehr sichergestellt werden konnte. Die zeitnahe Verfügbarkeit und Nutzung von Informationen wurde immer mehr zum Schlüsselfaktor einer erfolgreichen Unternehmenssteuerung. Die Zunahme von Komplexität und Dynamik in Wettbewerb, Aktionsfeldern und Einflussfaktoren zwang dazu, sich mit neuen Technologien zur Beschleunigung der Informationsversorgung und zur Verkürzung der Analyse- und Entscheidungsprozesse zu beschäftigen^[28]. Heute, ursprünglich eher technologisch getrieben, hat sich Business Intelligence als integrierter Gesamtansatz der IT-basierten Unternehmensteuerung etabliert.

2.2 Begriffsdefinition und Merkmale von BI

Der Begriff Business Intelligence stammt aus der betrieblichen Praxis und konnte sich später in den wissenschaftlichen Diskussionen als innovative IT-Lösungen zur Unternehmensplanung und -steuerung fest aufstellen.^[29] Im deutschen Sprachraum wird Business Intelligence mit verschiedenen Übersetzungen und Interpretationen versehen, wobei der Fokus entweder auf die technischen Gesichtspunkte oder auf die betriebswirtschaftliche Verwendung gelegt wird.^[30] Aus betriebswirtschaftlicher Sicht ist BI ein analytischer Prozess, der fragmentierte Unternehmensinformationen in handlungsgerichtetes Wissen verwandelt, und an die Unternehmensführung für unternehmensrelevante Entscheidungen überführt. Aus technischer Sicht umfangt BI eine Menge an Werkzeugen und Softwaresystemen mit entscheidungsunterstützendem Charakter.^[31] Das Zusammenspiel dieser zwei Sichtweisen kann mit Hilfe folgender Abbildung 2 dargestellt werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Zusammenspiel der beiden Sichtweisen von BI

Chamoni und Gluchowski sehen in Business Intelligence einen Sammelbegriff „zur Kennzeichnung von Systemen, die auf der Basis interner Leistungs- und Abrechnungsdaten sowie externer Marktdaten in der Lage sind, das Management in seiner planenden, steuernden und koordinierenden Tätigkeit zu unterstützen.“^[32] In Zusammenhang mit weiteren in der Fachliteratur gegebenen Definitionen lässt sich feststellen, dass Business Intelligence kein reines IT-Thema ist, sondern vielmehr als betriebswirtschaftliches Betrachtungsfeld mit IT-basierter Grundlage zu sehen ist. Erst eine ganzheitliche Betrachtung von Strategie, Organisation, Prozess, Architektur und Nutzen ermöglicht nachhaltige Wertschöpfung durch den IT-Einsatz. Für das breitere Verständnis ist es aber notwendig, einen Überblick über Komponenten von BI-System zu gewinnen.^[33]
Heute findet man in der Literatur für den Begriff Business Intelligence eine Definitionsvielfalt. Es liegt daran, dass der Begriff BI durch die in BI vorhandene Systemen bzw. Komponenten abgegrenzt wird. Das heißt, jeweilige Definition grenzt sich durch jeweils nur einen Teilaspekt eines unternehmensspezifischen BI-Ansatzes ab.^[34] Deshalb ist es wichtig die BI-Verständnisse zu strukturieren, um den Überblick über die existenten Definitionen nicht zu verlieren. Eine treffende Klassifizierung der möglichen BI-Verständnisse kann mit Hilfe von zwei–dimensionalen Bezugsrahmen dargestellt werden (vgl. Abbildung 3). Auf der vertikalen Achse werden die Phasen des analytischen Datenverarbeitungsprozesses aufgetragen und auf der horizontalen Achse die Schwerpunktbildung zwischen Technik- und Anwendungsorientierung. Auf dieser Basis können drei gängige Typen von BI-Verständnissen abgegrenzt werden:^[35]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Abgrenzung von Business Intelligence^[36]

Enges BI-Verständnis

- Im engeren Sinne werden unter BI lediglich wenige Kernapplikationen verstanden, welche eine Entscheidungsfindung direkt unterstützen. Hierbei sind vor allem die Management Information Systems (MIS) bzw. Executive Information System (EIS) und Online Analytical Processing (OLAP) zu nennen, auf die im Kapitel 2.3 näher eingegangen wird.

Analyseorientiertes BI-Verständnis

- Im analyseorientierten Sinne umfasst BI sämtliche Anwendungen, bei denen der Entscheider oder Entscheidungsvorbereiter direkt mit dem System arbeitet, d.h. einen unmittelbaren Zugriff auf eine Benutzungsoberfläche mit interaktiven Funktionen besitzt. Hierzu gehören neben OLAP und MIS/EIS auch Systeme des Text Mining und Data Mining, das Ad-hoc-Reporting sowie Balanaced Scorecards, der Bereich des analytischen Customer Relationship Management und Systeme zur Unterstützung der Planung und Konsolidierung.

Weites BI-Verständnis

- Im weiten Sinne beschreibt BI alle direkt und indirekt für die Entscheidungsunterstützung eingesetzten Anwendungen und umfasst damit den gesamten Prozess der analytischen Datenaufbereitung sowie entsprechende Technologien und Anwendungen.

Das reibungslose Zusammenspiel von den angesprochenen Anwendungen kann als konstituierendes Merkmal von Business Intelligence verstanden werden.^[37]
Heute hat sich Business Intelligence als integrierter Gesamteinsatz der IT-basierten Unternehmenssteuerung etabliert, der in immer stärkerem Maße inhaltlich und prozessgetrieben ist.^[38]

Zusammenfassend kennzeichnet der Begriff „Business Intelligence“ nicht nur ein System mit reibungslosem Zusammenspiel seiner Komponenten, sondern stellt ein eigenständiges, IT-unterstütztes, betriebswirtschaftliches Konzept der Unternehmensteuerung dar.

2.3 Die Komponenten von Business Intelligence

Um ein gemeinsames und eindeutiges Verständnis von BI-System zu erreichen, ist es sinnvoll BI strukturiert in Komponenten zu zerlegen. Wie bereits im vorigen Kapitel festgestellt, zählen zu Business Intelligence-Systemen alle Komponenten, die dabei helfen, entscheidungsrelevantes Datenmaterial zu sammeln und aufzubereiten, dauerhaft und nutzungsorientiert zu speichern, aufgabenadäquat zu analysieren und in geeigneter Form anzuzeigen.^[39] Um das Zusammenspiel dieser Komponenten zu verdeutlichen wird im Folgenden eine Business-Intelligence-Architektur ins Visier genommen. Abbildung 4 zeigt die BI-Architektur im Überblick.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Architektur von BI-System^[40]

Der Begriff Architektur bezeichnet nach klassischem Verständnis eine gegliederte Struktur und beschreibt die Beziehungen zwischen ihrer Komponenten.^[41] In der BI-Architektur werden mehrere Ebenen abgegrenzt, auf denen sich jeweils verschiedene Komponenten finden.^[42] Die Funktionalitäten der Komponenten werden von unterschiedlichen Softwarewerkzeugen erbracht.^[43] Als integrierter, IT-basierter Gesamtansatz kann Business Intelligence selbstverständlich unternehmensspezifisch konkretisiert bzw. festgelegt werden.^[44] Die Komponenten und deren Zusammenwirken innerhalb der BI-Architektur werden des Weiteren zusammenfassend erläutert.

2.3.1 Ebene der externen Datenquellen und operativer Vorsysteme

Die Basis der BI-Architektur bildet die Ebene mit den operativen Vorsystemen und beliebigen externen Datenquellen. Auf dieser Ebene sind unterschiedlichste Anwendungssysteme dargestellt, in denen unternehmensinterne Daten erzeugt werden. Allgemein zählt diese Ebene nicht zu der Business Intelligence und dient lediglich als Datenquelle für das BI-System.

Zu den operativen Vorsystemen gehören vor allem die betriebswirtschaftlich administrativen Systeme, mit denen im Unternehmen täglich Transaktionen wie Auftragserfassung, Rechnungsstellung, Lagerverwaltung, Personalverwaltung, Lohnbuchhaltung, Finanzbuchhaltung, etc. abgewickelt werden. Solche Systeme bezeichnet man aus diesem Grund als OLTP-Systeme (OnLine-Transaction-Prcessing-Systems).^[45] Im Falle der so genannten ERP-Systemen (Enterprise-Ressource-Planung-Systems) unterstützen diese Systeme nicht nur einzelne Bereiche, sondern alle Funktionen der betriebswirtschaftlichen Wertschöpfungskette. Als ERP-Systeme gelten zum Beispiel: DATEV, Infor ERP, Mesonic ERP, Navison, JD Adwards, SAP ERP (bzw. R/3) SAP Business One, SoftM. Die CRM-Systeme (Customer Relationship Management) sind auch operative Anwendungssysteme in Unternehmen. Was die externen Datenquellen betrifft, so gehören hierzu z.B. das Internet und Informationsdienstleister wie Markforschungsinstitute, angebundene Unternehmen oder andere externen Datenanbieter.^[46]

In vielen Unternehmen liegt das entscheidungsrelevante Datenmaterial verteilt in unterschiedlichen Vorsystemen. Darüber hinaus befinden sie sich in Datenstrukturen, die für analytische Auswertungen häufig ungeeignet sind. Diese Daten bilden ein enormes Potenzial an Wissen und Informationen, das leider aus besagten Gründen im Unternehmen nicht genutzt wird. Die Problemlösung hierfür bietet das BI-Konzept.

Bevor diese Datenmengen aus der Ebene der operativen Vorsystemen (aus mehreren operationalen Datenbanken, Dateien, Textdateien, usw.) weiter nach oben an BI-spezifische Datenlager, Auswertungs- und Analysesysteme weitergereicht werden können, müssen sie gesammelt und konsolidiert werden.^[47] Dies geschieht auf der nächsten Ebene der BI-Architektur.

2.3.2 Datenerfassungsebene und Übernahme der Daten: ETL – Prozess (Extraktion, Transformation, Laden)

Auf der Datenerfassungsebene werden relevante Daten aus der Ebene der externen Datenquellen und operativer Vorsysteme über einen ETL-Prozess zunächst extrahiert, dabei erfolgt die Übernahme der Daten in einen temporären Zwischenspeicher, die sog. Stagig Area. Dann folg die Transformation dieser Daten in die für das Data Warehouse vorgesehenen Formate. Anschließend werden die Daten in die nächste Ebene der Architektur, in das Date Warehouse geladen, womit der ETL-Prozess letztlich abgeschlossen wird.^[48] Die erwähnten Prozesse werden mit Hilfe von ETL-Tools (Software) durchgeführt. Mit solchem ETL-Tool kann eine vollautomatische Schnittstelle zu beliebigen Vorsystemen erzeugt werden.^[49]

2.3.3 Ebene der Datenhaltung: Data Warehouse und Data Marts

Auf der Ebene der Datenhaltung befindet sich das Herz des Business Intelligence-Systems, es ist das zentrale Data Warehose (DW) und/oder Data Marts. Data Warehause kennzeichnet einen Speicherort, also eine große Datenbank, für alle Daten eines Unternehmens, die einheitlich von Benutzern verwendet werden können.^[50] Also die Daten, die für die managementunterstützenden Systeme der weiteren Ebenen erforderlich sind. Im zentralen DW werden Daten aus den operativen Systemen über ETL-Prozess übernommen und nicht redundant gehalten, d.h. dass etwa doppelte Datenhaltung, verschiedene Codes oder inkonsistente Daten vermieden werden und die Daten einheitlich angesprochen werden können.^[51] Der gesamte Prozess des Aufbaues eines DW bezeichnet man als Data Warehousing (DWH).^[52] Häufig erfolgt eine Speicherung in so genannten Data Marts. Hierbei geht es um „ein kleines, im Datenvolumen beschränktes, Data Warehause“. Es stellt einen Ausschnitt eines DW dar, der auf die Bedürfnisse einer Abteilung zugeschnitten ist oder funktionsbereichsspezifisch gebildet ist.^[53] Mit dem Begriff Data Warehause sind oftmals sowohl das Zentrale DW als auch die Data Marts gemeint. Einer scharfen Abgrenzung dieser beiden Begriffe existiert beispielsweise in der Praxis nicht.^[54]

Es kann eine gerechte Frage gestellt werden, warum ein Data Warehause erstellen, also eine zusätzliche Datenbank, wenn die operativen Vorsystemen bereits über Datenbanken mit entscheidungsrelevanten Daten verfügen? Die Antwort liegt im Charakter der Daten, die in jeweiligen Systemen zu Verfügung stehen. Die im Data Warehause gehaltene Daten werden als dispositive/historische Daten bezeichnet, während Daten aus operativen Systemen als operative/transaktionale Daten charakterisiert.^[55] Daten im DWH werden dauerhaft gespeichert und werden, im Unterschied zu operativen Daten, nicht mehr verändert oder gelöscht.^[56] Somit hat DWH eine ausgeprägte analytische Orientierung. Wie die Tabelle 1 im Anhang verdeutlicht, unterscheiden sich dispositive Daten erheblich von dem operativen Datenmaterial, so dass ein direkter Durchgriff von managementunterstützenden Systemen auf operative Daten häufig nicht zielführend ist.^[57]

Zusammenfassend lässt sich feststellen, dass die Daten im Data Warehause und/oder Data Marts unabhängig von operativen Geschäftsabläufen, anwendungs- und auswertungsorientiert gespeichert werden. Also sie bilden somit die Datengrundlage für aufsetzende Systeme der BI.^[58]

2.3.4 Online Analytical Processing – OLAP

Auf der nächsten Ebene der Business Intelligence Architektur geht es um die zweckmäßige Aufbereitung der für einen Entscheidungsträger relevanten Informationen. Dies geschieht mit einer analytischen Komponente, die als Online Analytical Processing (OLAP), oder umgangsförmlich als Online-Analyse im Bildschirm, bezeichnet wird. Diese Komponente macht es möglich, betriebliche Daten multidimensional zu analysieren. Mit OLAP erschließt sich ein großer Anwendungsbereich analytischer Informationsverarbeitung, der das ganze Business Intelligence ausmacht.^[59] Technisch gesehen bezeichnet man OLAP als einen bestimmten Datenbanktyp bzw. eine Technologie, die speziell für Planung, Analyse und Reporting konzipiert wurde. Für Problemlösungsprozesse werden in Unternehmen oftmals Betrachtungen bestimmter Tatbestände aus unterschiedlichen Perspektiven notwendig. Als grundlegendes Charakteristikum von OLAP-Funktionalitäten gelten deshalb dynamische, multidimensionale Analysen auf konsolidierten, vom Data Warehause bereitgestellten Datenbeständen.^[60] Eine Wortkreation von Pendse und Creeth namens FASMI fasst treffend die wichtigsten Eigenschaften von OLAP zusammen:^[61]

- Fast: Schneller Zugriff auf die Daten
- Analysis: Implementation von Geschäftslogik und statistischen Analysen
- Shared: Mehrbenutzerfähigkeit
- Multidimensional: Unterstützung der multidimensionalen Beschreibung von betrieblichen Kennzahlen
- Information: Bereitstellung aller benötigten Informationen

Im Vergleich zu den relationalen Datenstrukturen (OLTP-Systemen), die mit den eindimensionalen Datensichten operieren (flache Tabellen), benutzen OLAP-Systeme Dimensionen und Koordinaten, die logisch eine Würfelstruktur ergeben: eine Datenstruktur mit drei oder mehr Dimensionen. Es liegt daran, dass analytische Sichten naturgemäß multidimensional ausgelegt sind.^[62] Das Ergebnis solcher Datenmodellierung sind Datenwürfel, sogenannten Data Cubes.^[63] Dank der Würfelstruktur können die Daten aus unterschiedlichen Perspektiven und in diversen Detaillierungsstufen analysiert werden. Der Analyst springt zwischen verschiedenen Dimensionen hin und her und sucht nach Abweichungen und Zusammenhängen im Würfel.^[64] Der Würfel wird durch Dimensionen und seine Elementen bestimmt. Geht es beispielweise um die Analyse von Umsatzzahlen, dann kann ein Würfel aus den Dimensionen Kunden, Produkte und Zeit bestehen, jeder Dimension gehören eigene Elemente an.^[65] In Abbildung 5 sind Produkt, Zeit, und Kunden die bestimmenden Dimensionen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Umsatz(in tsd. Euro), definiert über die Dimensionen Kunden, Produkte und Zeit^[66]

- Die Dimension Kunde besteht in diesem Beispiel aus den Elementen Kundengruppe 1, Kundengruppe 2, Kundengruppe 3, Kundengruppe 4, und Kundengruppe 5.
- Die Dimension Produkte besteht aus den Elementen Produktgruppe 1 bis Produktgruppe 5.
-Die Dimension Zeit besteht aus den Elementen 2007, 2008, 2009, 2010, und 2011

Der Inhalt der einzelnen Zellen des Data Cubes besteht aus quantitativen Werten.

Die Navigation in solchem Datenwürfel kann nach Bedarf erfolgt werden. Als Navigation im Datenwürfel bezeichnet man die OLAP-Operationen, mit deren Hilfe die Analyse und Auswertungen erfolgt werden können.^[67]

Die Ergebnisse der Navigation können dann am Bildschirm in Tabellen zweidimensional dargestellt werden, was im Folgenden anhand von Beispielen veranschaulicht wird. Wie die Abbildung 6 präsentiert, stehen zur Analyse der Daten im Würfel folgende grundlegenden multidimensionalen Navigationsmöglichkeiten.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: OLAP-Operationen im Überblick^[68]

Im Folgenden werden die OLAP-Operationen anhand von Beispielen kurz erläutert.

Slicing: Schneiden des Datenwürfels in verschiedene Ausschnitte.^[69] Da der Monitor nur eine zweidimensionale Sichtweise (nämlich Zeilen und Spalten) darstellen kann, schneidet sich der Anwender zur Ansicht quasi eine Scheibe aus dem Würfel.^[70] Die Abbildung 18 im Anhang zeigt die Auswertung unter Verwendung dieser Analyse-Möglichkeit aus unserem Beispiel.

Rotate - auch als Pivoting oder Rotation bezeichnet - ermöglicht die Betrachtung der Daten aus unterschiedlichen Perspektiven. Der Datenwürfel wird hierfür „virtuell“ um eine Achse gedreht, so dass die Reihenfolge der aktuell dargestellten Dimensionen vertauscht wird. Diese Operation kommt auch in Form von Pivot-Tabellen bei gängigen Tabellenkalkulationsprogrammen zum Einsatz.^[71] Innerhalb von OLAP-Technologie kann es einfach (meist per Drag und Drop) bewerkstelligt werden. Abbildung 19 im Anhang zeigt diese Analyse-Möglichkeit.

Dicing/Würfelschneider: Zugriff auf Teilwürfel/Subwürfel, dieses Vorgehen ermöglicht den Zugriff auf Detaildaten einer extrahierten Schicht.^[72] Abbildung 20 im Anhang stellt diese Navigationsmöglichkeit dar.

Drill-up und Drill-Down: Schrittweise lassen sich die Analyseergebnisse detailieren bzw. verdichten, was als „Drill down“(Detailieren) bzw. „Drill-up“(Verdichten) bezeichnet wird. Beim Drill-up, häufig auch als Roll-up-Operation genannt, werden alle Einzelwerte zu einem weiter oben liegenden Hierarchiewert verdichtet. Die Funktion Drill-Down ist inverse Operation zum Drill-up und bewirkt eine detailliertere Darstellung der Daten^[73] (vgl. Abbildung 21 im Anhang).

Drill Across und Drill-Throught: die Operation Drill Across erweitert die horizontalen Analysemöglichkeiten, indem diese Operation den Wechsel zwischen den Würfeln und Ihrer Dimensionen ermöglicht. Damit ist es möglich, eine Kennzahl über mehrere Würfel, die eine Wertkette bilden, zu verfolgen. Wichtig ist hierbei zu beachten, dass die Dimensionen der einzelnen Würfel die gleiche Daten-Granularität^[74] aufweisen müssen.^[75] Mit der Operation Drill-Throught ist es möglich auf eine weitere multidimensionale oder relationale Datenquelle zugreifen, mit anderen Worten, es kann physikalische Datenquelle gewechselt werden (z.B. Zugriff auf externes Speichermedium mit neuem Artikel.) Der Wechsel findet ohne erkennbare Veränderungen der Benutzeroberflächen statt und ist somit für den Benutzer unbemerkbar, also transparent.^[76]

Die OLAP-Technik wurde speziell entwickelt, um der Denkweise eines typischen analyseorientierten Benutzers entsprechen zu können.^[77] Die Auswertung dieser Datenwürfel kann anschließend mit Hilfe unterschiedlicher Anwenderwerkzeugen und Programmen erfolgt werden, die sich auf der nächsten Ebene der BI-Architektur befinden.

2.3.6 Präsentationsebene: Frontendsysteme der Wissensgenerierung

Die oben beschriebenen OLAP-Operationen stellen die grundsätzlichen Analysemöglichkeiten auf multidimensionalen Datenbeständen dar. Welche Anwenderwerkzeuge und Programme tatsächlich gewählt werden, ist damit noch nicht entschieden. Auf der Präsentationsebene stehen für den interaktiven Zugriff auf OLAP-Server komfortable Schnittstellen für sogenannte Frontendsysteme der Wissensgenerierung (FW) zur Verfügung. Unter den FW versteht man analyse- und entscheidungsunterstützende Anwendungsprogramme /Systeme. Deren Ziel ist es - dem Entscheider die benötigten Informationen möglichst zum richtigen Zeitpunkt in der gewünschten Form online zu Verfügung zu stellen. Als Beispiel sind hier Anwendungsprogramme wie Tabellenkalkulationsprogramme (MS EXEL, Lotus), individualisierte Webbrowser Zugriffe, Management Cockpits, Balanced Scorecards, Dashboards, spezielle Analysefrontends (OLAP-Clients), Management Views zu nennen.^[78] Bei diesen Systemen, die vor allem auf das obere Management abzielen, wird es versucht eine einfache Bedienbarkeit mit mächtigen Abfrage- und Visualisierungstechniken zu verbinden. Geeignete Visualisierungsform trägt dazu bei, dass ein Mehr an Information wahrgenommen wird, was auch die Komplexität für den Benutzer bei der Wahrnehmung von Informationen reduziert und somit die informationelle Fundierung von Entscheidungen verbessert.^[79] Als vergleichsweise neue und derzeit intensiv diskutierte Lösungsansätze der Visualisierungstechniken bieten sich Dashboards und Management Cockpits.^[80] Die beiden Begriffe werden oft in der Literatur als Alternativbegriffe zu einander verwendet. Noch bevor BI-Welt Dashboards verwendete, war ähnliche Visualisierungstechnik mit Tachometern und Ampeln bereites in Executive Information Systemen (EIS) oder Managementinformationssystemen (MIS) zur Versorgung von Topentscheidern mit den wichtigsten Informationen eingesetzt worden.^[81] Eine Dashboard ist ein Kommunikationselement und erinnert bewusst an das Armaturenbrett eines Autos. Ein Beispiel für ein Dashboard ist im Anhang in Abbildung 22 zu sehen. Die Dashboards stellen steuerungsrelevante Informationen in einem aussagekräftigen Kontext zur Verfügung dar, um eine qualitativ gute Informationsgrundlage für Entscheidungen zu schaffen. Sie müssen die Adressaten informieren und nicht unterhalten. Aus diesem Grunde sind sie sachlich nüchtern und nicht visionär-technisch ausgestaltet.^[82] Nach dem Bericht von RAAD Research^[83] erfolgte der Einsatz von Dashboards und Management Cockpits im Jahre 2010 bei etwa jedem vierten Unternehmen. Das heißt, In 24% der Unternehmen ab 100 Mitarbeitern in Deutschland wird diese Technik genutzt. Im Vergleich zur RAAD BI-Studie aus 2009 hat sich der Einsatz von um knapp zehn Prozentpunkte erhöht.^[84] Viele Reportig- und Analysewerkzeuge können individuelle Sichten im Sinne von Cockpits bereitstellen. Weiterhin gibt es Spezialwerkzeuge für den individuellen Aufbau von Management-Cockpits, z.B. von Arxplan, Board, Cubeware, IBM Cognos, Information Builders, Oraxle, SAP BusinessObjects oder SAS.^[85]

Die Präsentationsebene kann auch, abhängig vom Unternehmen, ein Data Mining Werkzeug beinhalten. Data Mining bezeichnet die automatische Auswertung vorhandener Daten mit dem Ziel, bisher nicht direkt hergestellte Zusammenhänge offen zu legen, um wirtschaftliche Vorteile zu erkennen. Man spricht in diesem Zusammenhang auch von Knowledge Discovery.^[86] Dabei kommen Methoden der Statistik sowie der künstlichen Intelligenz zum Einsatz. Ein typisches Anwendungsbeispiel hierfür wäre in Handelsunternehmen und Onlineshops die Warenkorbanalyse der gekauften Produkte. Hier interessiert z.B. die Fragestellung, ob es bestimmte Kaufmuster gibt, die darauf schließen lassen, welche Produkte in Kombination gekauft werden. Darauf aufbauend lassen sich entsprechende Kaufempfehlungen aussprechen.^[87] Hier ist ein sehr anschauliches Erklärungsbeispiel von Data Mining:^[88] In einem Kaufhaus wird das Kaufverfahren der Kunden untersucht. Mit Hilfe von Data Mining wird ermittelt, dass Freitagnachmittags signifikant auffällig verstärkt Bier in Kombination mit Babywindeln gekauft wird. Man kann sich das so erklären, dass Freitagnachmittags scheinbar auch Jungväter Zeit haben, Windeln einzukaufen und dabei eben gleichzeitig Bier mit einkaufen. Das Warenhaus platziert daraufhin gleich neben dem Regal mit den Babywindeln das Bier, um den Absatz dadurch zu steigen.

2.4 Grenzen von Business Intelligence

Die Erfahrung zeigt, dass der Einsatz von BI kein Garant für ein erfolgreicheres Management ist. Nicht selten dort, wo BI eingesetzt wird, fehlt die Methodik. In Unternehmen, wo die Funktionsbereiche hierarchisch gegliedert und voneinander getrennt sind, wird letztlich nur das analysiert, was dem Management der jeweiligen Ebene nutzt. Information wird nicht eingesetzt, um besser zu werden, sondern um seine Meinung besser durchsetzen zu können oder das eigene Handeln im Nachhinein für richtig zu erklären. Den Beitrag, den solche Berichte und Analysen leisten, kann man deswegen als Desinformation bezeichnen. Eine Kupplung von Strategie und Aktion fehlt ebenso. Deshalb werden Zahlen in einem BI-gestützten Informationssystem gerne "veredelt" oder anders gesagt: einfach manipuliert. Die Frage ist, ob Business Intelligence eine bessere Lösung wäre, wenn man mit Informationen demokratisch zum Wohl des Unternehmens umgehen würde. Wohl kaum. Die Begründung lässt sich mit einer kleinen Analogie darstellen: Würden sie sicher fahren, schneller, besser und erfolgreicher an ihr Ziel gelangen, wenn sie ihr Auto nur über die Rückspiegel und daraus resultierenden Eindrücke steuern? So könnte man es sich bei einer Unternehmenssteuerung mit reiner BI vorstellen.^[89]

In diesem Zusammenhang sind zwei Problemstellungen zu erwähnen: BI-Systeme sind oft an rein quantitative, zu fast 95 Prozent an monetäre Größen gekoppelt und haben einen vergangenheitsorientierten Fokus. Zweifellos entstehen aus solchen Daten auch wichtige Informationen, sie besitzen aber sehr selten Steuerungscharakter. Die Kenntnis über negativen Zahlen aus den klassischen Plan/Ist-Abweichungen ist natürlich wichtig für einen Manager, weist aber einen recht bescheidenen Wert auf. Hier mangelt es an entscheidungsrelevanter Information, wie die Situation im nächsten Monat/Quartal/Jahr verbessert werden könnte. Hierzu sind andere Größen relevant, die selten monetärer Art sind und direkt aus den Leistungsprozessen des Unternehmens gewonnen werden. In der Informationsaufbereitung und Informationspräsentation ist eindeutige Dominierung der vergangenheitsorientierten unternehmensinternen Daten zu finden.^[90]

Es darf also gefordert werden, ein System einzusetzen, welches auf Basis der momentanen Leistungsprozesse in Bezug zu der gewählten Strategien und unter Einbezug von externen Faktoren, wie Wettbewerber und Kunden, Informationen liefert, um die Leistung des Unternehmens zu sichern oder gar zu steigern: ein Corporate Performance Management-System.^[91]

3. Performance Management als Konzept der ganzheitlichen Unternehmenssteuerung

3.1 Grundlagen des Corporate Performance Management

3.1.1 Begriffsdefinition und wesentliche Unterschiede zu Business Intelligence

Gegen Mitte der 1980er Jahre kam in den USA der Terminus Performance^[92] Management (PM) als Überbegriff für alle Kontroll- und Leistungssteigerungsmaßnahmen in Unternehmen auf. Es wurde festgestellt, dass eine Leistungsoptimierung allein durch Steuerung der Mitarbeiter nicht ausreicht. Auch die Ansprüche von anderen Interessen- bzw. Einflussgruppen, so genannten Stakeholdern, besonders der Kapitalgeber und der Kunden, müssen berücksichtigt werden. Zu Anfang des neuen Millenniums tauchte der Begriff Corporate Performance Management (CPM) dann vermehrt in Europa auf. Mit gleicher Bedeutung werden heute auch die Begriffe Enterprise Performance Management und Business Performance Management verwendet. In der Praxis spricht man normalerweise nur von Performance Management oder im Zusammenhang mit Wirtschaftsunternehmen von Corporate Performance Management.^[93]

Die gebräuchlichste Definition stammt von den Analysten der Gartner Group, die Corporate Performance Management (CPM) als „(…) processes, methologies, metrics and technologies (…) to measure, monitor and manage their performance“ verstehen.^[94] Abbildung 7 verdeutlicht die im Rahmen dieser Definition angesprochenen Ebenen mit ihren wesentlichen Inhalten.^[95]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Dimensionen von Corporate Performance Management^[96]

Der Begriff Performance Management oder Leistungsmanagement bezeichnet also den Teil des Managements eines Unternehmens, der sich mit der Steuerung der Leistung beschäftigt. Voraussetzung für ein Performance Management ist die Leistungsmessung und -kontrolle, um damit die Steuerung der Leistung zu erreichen oder durchzuführen.^[97] Ablauf der Leistungssteuerung ist in Abbildung 8 veranschaulich dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 8: Ablauf der Leistungssteuerung^[98]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 9: Regelkreis für Aktivitäten der Unternehmenssteuerung^[99]

Der Regelkreis schildert die allgemeine Systematik und die typische Abfolge von Aktivitäten, die im Rahmen der Führung eines Unternehmens auftreten. Als erstes werden die grundsätzlichen Ziele des Unternehmens erarbeitet, d. h. die Strategie wird fixiert. Die strategischen Ziele werden in operative Pläne umgesetzt. Von Bedeutung in dieser Phase ist neben der Analyse auch die Suche von etwaigen Alternativen und deren Bewertung aufgrund von Prognosen. Nach der Entscheidung, die Pläne umzusetzen, beginnt die Realisierung. Die Ist-Größen werden mittels der Ermittlung von Plan-/Ist-Abweichungen laufend einer Kontrolle unterzogen. Insbesondere mit diesem Schritt ist der Terminus Performance Measurement verbunden. Performance Management setzt im Anschluss daran ein.^[100]

Zu den zentralen Aufgaben des Topmanagements eines Unternehmens zählen das frühzeitige Antizipieren von Trends und das zielgerichtete Einleiten von Maßnahmen im Hinblick auf eine Verbesserung der Wettbewerbsfähigkeit. Im Mittelpunkt des Interesses stehen also die zukunftsgerichteten Aktivitäten. Dabei helfen IT-lastige Business Intelligence-Systeme wenig.^[101] Business Intelligence (BI) erlaubt hauptsächlich die Zugriffs- und Analysemöglichkeiten von Anwendern auf die im Unternehmen gespeicherten Daten und Informationen jeder Herkunft. BI-Software bietet also die Lösungen für Abfrage und Reporting, multidimensionale Analyse sowie Data Mining.^[102] Die Sichtweise auf die Analyse der Ergebnisse vorwiegend interner Prozesse ist dabei ex post konzentriert. Das Interesse ist auf die Entdeckung von Abweichungen der Ist- von den Planzahlen, die Suche nach den Ursachen hierfür und die Dokumentation des in der Vergangenheit Geschehenen sowie die Information der Organisationsmitglieder hierüber fokussiert (siehe Abbildung 23 im Amhang).^[103]

Kennzeichnend für die aktuellen Informationssysteme zum Corporate Performance Management ist die Integration der strategischen Unternehmensziele mit den Geschäftsprozessen und der Informationstechnologie; dabei entsteht ein geschlossener Regelkreis aus strategischer Prozessgestaltung und operativer Prozessoptimierung. Abbildung 24 im Anhang verdeutlicht den Regelkreisgedanken und die Verbindung von der Strategie zur Ausführung mit Hilfe der Informationstechnologie.^[104]

Unter Corporate Performance Management wird demnach ein Ansatz verstanden, der über die Aufbereitung von Transaktionsdaten hinaus auch die operative und strategische Planung, Forecasting- und Budgetierungsfunktionen sowie die gebündelte Darstellung der kritischen Erfolgsfaktoren und des Unternehmenserfolgs in Form von Frühwarn- und Kennzahlensystemen beinhaltet. Diese werden dem Endanwender z. B. in Form von Cockpits, grafisch aufbereiteten Dashboards und Balanced Scorecards (siehe Kapitel 3.2.3) gezeigt.^[105] Darüber hinaus geht es beim Performance Management um viel mehr als die Vergangenheitsanalyse, wenngleich die laufende Messung der Ergebniswirkung der Unternehmensaktivitäten ein wichtiger Schritt des PM-Prozesses ist, der durch BI-Werkzeuge unterstützt wird. Deshalb werden PM und BI in der Praxis häufig im gleichen Kontext verwendet. Der wesentliche Unterschied liegt in der Handlungsorientierung des Performance Management, die sich in der Entwicklung strategischer Aktionen vor dem Eintreten der sie auslösenden Bedingung ausdrückt.^[106]

Einige Beispiele aus der Praxis sollen diese Unterschiede noch deutliche aufzeigen. Zum Beispiel, die Umsetzung einer mehrstufigen und multidimensionalen Deckungsbeitragsrechnung wird erst auf Basis von Business Intelligence-Technologien durch die flexible und schnelle Analyse von Massendaten und die anschauliche Darstellung von Informationen ermöglicht. Doch der Aufbau einer Datenbasis sowie die Installation eines Frontends zur Ergebnisdarstellung gehen nicht weit genug. Um eine Deckungsbeitragsrechnung als Mittel der Unternehmenssteuerung zu etablieren, muss die Verbindung von betriebswirtschaftlichen Instrumenten, Geschäftsprozessen und Technologien gelingen. Genau das ist der Ansatzpunkt des Performance Management: die Verknüpfung von Informationen mit betriebswirtschaftlichen Vorgehensweisen und Prozessen. Vor diesem Hintergrund gewinnen solche klassische betriebswirtschaftliche Verfahren, wie die Deckungsbeitragsrechnung, durch Performance Management an Bedeutung.^[107]

[...]

^[1] Vgl. Scheld, G. (2008), S. V

^[2] Vgl. Becker, M. (2008), S. 1-2

^[3] Vgl. Pacher, H. (2008), S. 127

^[4] Vgl. Bode, J. / Reuter, B. (2008) *, S. 104; Vgl. Findeisen, D. (2008), S. 80

^[5] Vgl. Becker, M. (2007), S. 1-2, 51; Vgl. Töpfer, J. / Winter, R. (2008), S. V

^[6] Vgl. Pacher, H. (2008), S. 127; Vgl. Többen, N. (2009), S. 10; Vgl. Töpfer, J. / Winter, R. (2008), S. V

^[7] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010), S. 3; Vgl. Bode, J. / Reuter, B. (2008) *, S. 104

^[8] Vgl. Hannig, U. (2008)**, S. 1

^[9] Vgl. Hannig, U. (2008)**, S. 1

^[10] Vgl. Schulze, U. / Wolf, S. (2008), S. 136-137

^[11] Vgl. Hannig, U. (2008), S. 245-246

^[12] Vgl. Hannig, U. (2008)**, S. 1

^[13] Vgl. Hannig, U. (2008), S. 245-246

^[14] Vgl. Hannig, U. (2008)**, S. 1

^[15] Zell, M. (2008), S. 176

^[16] Vgl. Hannig, U. (2008)**, S. 1

^[17] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 41

^[18] Vgl. Hannig, U. (2008)**, S. 1

^[19] Vgl. Becker, M. (2007), S. 2; Vgl. Chamoni, P. (2007)*, S. 1

^[20] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 1

^[21] Modifiziert entnommen aus Bächle, M. / Kolb, A. (2007), S. 55

^[22] Vgl. Chamoni, P. / Gluchowski P. (2006), S. 6

^[23] Vgl.Bächle, M. / Kolb, A. (2007), S. 54

^[24] Vgl. Chamoni, P. / Gluchowski P. (2006), S.13

^[25] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 113

^[26] Goeken, M. (2005)

^[27] Vgl. Bächle, M. / Kolb, A. (2007), S. 56

^[28] Vgl. Wegener, H.-U. (2005), S. 3

^[29] Vgl. Gluchowski, P. (2007), S. 105

^[30] Vgl. Winter, P. / Nietzel, V. / Otte, M. (2006), S. 471

^[31] Vgl. Becker, M. (2005), S. 19; Vgl. Többen, N. (2009), S. 10

^[32] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010), S. 3

^[33] Vgl. Winter, P. / Nietzel, V. / Otte, M. (2006), S. 472; Vgl. Töpfer, J. / Winter, R. (2008), S. V

^[34] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010), S.3

^[35] Vgl. Seufert, A. / Oehler, K. (2009), S. 10

^[36] In Anlehnung an Kremper, H.-G.; Baars, H.: Mehanna, W. (2010), S.4; Hebben, H. / Kottbauer, M. (2008), S. 30

^[37] Vgl. Gluchowski, P. (2007), S. 105

^[38] Seufert, A. / Oehler, K. (2009), S. 11

^[39] Vgl. Gluchowski, P. (2007), S 106

^[40] In Anlehnung an Hebben, H.; Kottbauer, M. (2008), S. 31, 46; Becker, M. (2007), S.58; Gluchowski, P. (2007), S. 107; Schildhauer, T. / Grothe, M. / Braun, M. / Schultze, M. (2004), S.252

^[41] Vgl. Becker, M. (2007), S. 57

^[42] Vgl. Goeken, M. (2005), S. 26

^[43] Vgl. Gluchowski, P. (2007), S 106

^[44] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 10

^[45] Vgl. Hebben, H. / Kottbauer, M. (2008), S.31

^[46] Vgl. Becker, M. (2007), S. 59; Vgl. Hebben, H. / Kottbauer, M. (2008), S.44

^[47] Vgl. Petkovic, D.(2005), S.505

^[48] Vgl. Goeken, M. (2005), S.30; Vgl. Becker, M. (2007), S. 60

^[49] Vgl. Hebben, H. / Kottbauer, M. (2008), S.36

^[50] Vgl. Petkovic, D.(2005), S.505

^[51] Vgl. Muksch, H. / Behme, W. (2000), S. 11ff

^[52] Vgl. Schildhauer, T. / Grothe, M. / Braun, M. / Schultze, M. (2004), S.28

^[53] Vgl. Goeken, M. (2005), S.32; Vgl. Herrmann, C. (2006)S. 31

^[54] Vgl. Hebben, H. / Kottbauer, M. (2008), S.32

^[55] Marx, G. J. / Rautenstrauch, C. / Cissek, P. (2009), S. 63

^[56] Stock, S. / Büttner, A. (2005), S. 5

^[57] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 10

^[58] Vgl. Kemper, H.-G./Baars, H/Mehanna, W. (2010) , S. 19; Vgl. Hebben, H/Kottbauer, M. (2008), S. 32

^[59] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 21

^[60] Vgl. Goeken, M. (2005), S. 35

^[61] Vgl. Becker, M. (2007), S.56

^[62] Vgl. Wegener, H.-U. (2005), S. 7

^[63] Vgl. Becker, M. (2007), S.22; Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 101

^[64] Vgl. Schildhauer, T. / Grothe, M. / Braun, M. / Schultze, M. (2004), S.30

^[65] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 21

^[66] Modifiziert übernommen aus Hebben, H./Kottbauer, M. (2008), S. 22; Petkovic, D. (2006), s.512; Burri, R. (2008). S.69; , T. / Grothe, M. / Braun, M. / Schultze, M. (2004), S.31; Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 101;

^[67] Vgl. Wegener, H.U. (2005), S.7

^[68] In Anlehnung an Becker, M. (2007), S.76; Seufert, A. / Oehler, K. (2009), S.46; , T. / Grothe, M. / Braun, M. / Schultze, M. (2004), S. 39

^[69] Vgl. Findeisen, D (2008), S. 86; Vgl. Goeken, M. (2006), S. 38; Vgl. Becker, M. (2007), S. 35

^[70] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 23

^[71] Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 102

^[72] Vgl. Becker, M. (2007), S. 75; Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 105

^[73] Vgl. Goeken, M. (2006), S. 37; Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 103; Vgl. Becker, M. (2007), S. 76

^[74] Der Begriff „Granularität“ bezeichnet hier den Detaillierungsgrad der Dimensionen im Datenwürfel

^[75] Vgl. Robert, R. / Wortmann, D.A. (2008), S. 79; Vgl. Becker, M. (2007), S. 76; Vgl. Kemper, H.-G. / Baars, H. / Mehanna, W. (2010) , S. 103

^[76] Vgl. Becker, M. (2007), S. 76;Vgl. Robert, R. / Wortmann, D.A. (2008), S. 79

^[77] Hebben, H. / Kottbauer, M. (2008), S. 28

^[78] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 28; Becker, M. (2007), S.199

^[79] Vgl. Goeken, M. (2005), S. 43

^[80] Vgl. Gluchowski, P. (2007), S 106

^[81] Vgl. Findeisen, D. (2008), S.89

^[82] Vgl. Findeisen, D. (2008), S.89

^[83] RAAD Research erstellt Marktstudien und Analysen im Umfeld von betriebswirtschaftlicher Standardsoftware. Die relevanten Markttrends in Bezug auf Softwaresysteme, Infrastruktur und IT-Dienstleistungen werden durch empirische Marktforschung auf wissenschaftlich fundierter Basis ermittelt, analysiert und verständlich aufbereitet. Vgl. http://www.computerwoche.de/software/bi-ecm/1896363/

^[84] Vgl. http://www.raad.de/news/20100916/management_cockpitsdashboards/

^[85] Vgl. Bange, C. (2009), S.162

^[86] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 35

^[87] Vgl. Bächle, M. / Kolb, A. (2007), S. 60

^[88] Vgl. Hebben, H. / Kottbauer, M. (2008), S. 35

^[89] Vgl. Findeisen, D. (2008), S. 101; Vgl. Többen, N. (2009), S. 10

^[90] Vgl. Hannig, U. (2008), S. 245; Vgl. Findeisen, D. (2008), S. 102

^[91] Vgl. Findeisen, D. (2008), S. 102

^[92] Der Begriff „Performance“ wird mit „Leistung“ übersetzt.

^[93] Vgl. Hannig, U. (2008), S. 244; Vgl. Zell, M. (2008), S. 5, 203

^[94] Vgl. Linke, M. P. (2008), S. 270; Vgl. Zell, M. (2008), S. 203

^[95] Vgl. Zell, M. (2008), S. 203

^[96] Entnommen aus Zell, M. (2008), S.204

^[97] Vgl. Merz, P. (2008), S. 241

^[98] Entnommen aus Hanning, U. (2008), S. 254

^[99] In Anlehnung an Merz, P. (2008), S. 236

^[100] Vgl. Merz, P. (2008), S. 236-237

^[101] Vgl. Hannig, U. (2008), S. 245

^[102] Vgl. Schulze, U. / Wolf, S. (2008), S. 136

^[103] Vgl. Hannig, U. (2008), S. 245; Vgl. Findeisen, D. (2008), S. 102

^[104] Vgl. Zell, M. (2008), S. 205

^[105] Vgl. Schulze, U. / Wolf, S. (2008), S. 136-137

^[106] Vgl. Hannig, U. (2008), S. 245-246

^[107] Vgl. Proff, D. U. / Schröer, G. (2008), S. 363