full download Anforderungen An Das Controlling Auswirkungen Von Big Data Und Digitalisierung Auf Das Zukunftige Kompetenzprofil Des Controllers German Edition Anastasios Georgopoulos online full chapter pdf

Anforderungen an das Controlling:
Auswirkungen von Big Data und

Digitalisierung auf das zukünftige
Kompetenzprofil des Controllers
(German Edition) Anastasios
Georgopoulos
Visit to download the full and correct content document:
https://ebookstep.com/product/anforderungen-an-das-controlling-auswirkungen-von-b
ig-data-und-digitalisierung-auf-das-zukunftige-kompetenzprofil-des-controllers-germa
n-edition-anastasios-georgopoulos/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Big Data e Internet das Coisas Larissa Kakizaki De

Alcantara
https://ebookstep.com/product/big-data-e-internet-das-coisas-
larissa-kakizaki-de-alcantara/
Planung und Reporting im BI-gestützten Controlling:

Grundlagen, Business Intelligence, Mobile BI und Big-
Data-Analytics, 3te Dietmar Schön
https://ebookstep.com/product/planung-und-reporting-im-bi-
gestutzten-controlling-grundlagen-business-intelligence-mobile-
bi-und-big-data-analytics-3te-dietmar-schon/
Selbstführung Auf dem Pfad des Business Häuptlings Als

Manager von Naturvölkern lernen Intuition und das Wesen
der Kommunikation 1st Edition Daniel Goetz
https://ebookstep.com/product/selbstfuhrung-auf-dem-pfad-des-
business-hauptlings-als-manager-von-naturvolkern-lernen-
intuition-und-das-wesen-der-kommunikation-1st-edition-daniel-
goetz/
Digitalisierung von industriellen Dienstleistungen Wie

Servitization das Service Business voranbringt 1st
Edition Esther Bollhöfer
https://ebookstep.com/product/digitalisierung-von-industriellen-
dienstleistungen-wie-servitization-das-service-business-
voranbringt-1st-edition-esther-bollhofer/
Requirements-Engineering und -Management: Das Handbuch
für Anforderungen in jeder Situation 7th Edition
Christine Rupp
https://ebookstep.com/product/requirements-engineering-und-
management-das-handbuch-fur-anforderungen-in-jeder-situation-7th-
edition-christine-rupp/
Berechenbarkeit der Welt Philosophie und Wissenschaft

im Zeitalter von Big Data 1st Edition (Hrsg)
https://ebookstep.com/product/berechenbarkeit-der-welt-
philosophie-und-wissenschaft-im-zeitalter-von-big-data-1st-
edition-hrsg/
Big Brain Unindo Big Data e a Internet das Coisas para

criar robôs cada vez mais inteligentes Portuguese
Edition Rogério Figurelli
https://ebookstep.com/product/big-brain-unindo-big-data-e-a-
internet-das-coisas-para-criar-robos-cada-vez-mais-inteligentes-
portuguese-edition-rogerio-figurelli/
Die Digitalisierung der Kommunikation im Mittelstand

Auswirkungen von Marketing 4 0 1st Edition Jan Lies
(Auth.)
https://ebookstep.com/product/die-digitalisierung-der-
kommunikation-im-mittelstand-auswirkungen-von-marketing-4-0-1st-
edition-jan-lies-auth/
Das wundersame Leuchten Von der Fackel bis zur Photonik

der Mensch auf der Spur des Lichts 1st Edition Andrea
Stegemann
https://ebookstep.com/product/das-wundersame-leuchten-von-der-
fackel-bis-zur-photonik-der-mensch-auf-der-spur-des-lichts-1st-
edition-andrea-stegemann/
Anastasios Georgopoulos
Stefan Georg
Anforderungen
an das
Controlling
Anforderungen an das Controlling
Anastasios Georgopoulos • Stefan Georg
Anforderungen an das
Controlling
Anastasios Georgopoulos Stefan Georg
Dillingen, Deutschland Saarbücken, Deutschland
ISBN 978-3-658-34937-0 ISBN 978-3-658-34938-7 (eBook)

https://doi.org/10.1007/978-3-658-34938-7
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte
bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
Springer Gabler
© Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden
GmbH, ein Teil von Springer Nature 2021
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich
vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere
für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verar-
beitung in elektronischen Systemen.
Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem
Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung
unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen
Zeicheninhabers sind zu beachten.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem
Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag noch die Autoren oder
die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder
Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröf-
fentlichten Karten und Institutionsadressen neutral.
Lektorat: Vivien Bender

Springer Gabler ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist
ein Teil von Springer Nature.
Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany
Hinweis im Sinne des Gleichbehandlungsgesetzes
Aus Gründen der leichteren Lesbarkeit werden personenbezogene Bezeichnungen nur in der männ-
lichen Form angeführt. Es wird darauf hingewiesen, dass personenbezogene Bezeichnungen männ-
lich/weiblich/divers als gleichgestellt betrachten und daher für alle Geschlechter gelten.
V
Inhaltsverzeichnis
1 Controlling im Wandel – der Einfluss von Big Data und Digitalisierung. . . . 1
1.1 Digitale Transformation�� 1
1.2 Zielsetzungen des Buches �� 3
Literatur�� 4
2 Big Data und die digitalisierte Welt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Digitalisierung�� 7
2.2 Facetten von Big Data�� 8
2.2.1 Daten und Informationen�� 9
2.2.2 Big Data�� 9
2.2.3 Datenqualität in Zeiten von Big Data �� 10
2.3 Ursachen und Quellen für den großen Datenzuwachs�� 11
2.4 Eigenschaften, Nutzung und Nutzen von Big Data�� 13
2.5 Technologien für den Einsatz von Big Data �� 16
2.5.1 Not Only SQL (NoSQL)�� 16
2.5.2 Apache Hadoop�� 16
2.5.3 In-Memory-Technologie �� 17
2.5.4 Cloud Computing�� 18
2.5.5 Blockchain-Technologie �� 19
2.6 Methodische Ansätze für die Analyse von Big Data�� 19
2.6.1 Business Intelligence (BI)�� 20
2.6.2 Business Analytics (BA) �� 20
2.6.3 Data Mining�� 21
2.6.4 Machine Learning �� 22
2.6.5 Visual Analytics�� 23
2.6.6 Advanced Analytics mit Big Data�� 23
2.7 Prädestinierte Branchen für den Einsatz von Big Data�� 26
2.8 Perspektiven und Herausforderungen von Digitalisierung und Big Data�� 26
2.8.1 Perspektiven und Nutzenpotentiale�� 27
2.8.2 Herausforderungen und Hemmnisse�� 28
Literatur�� 29
VII
VIII Inhaltsverzeichnis
3 Digitalisierung, Big Data und Controlling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.1 Veränderungen im Controllingumfeld�� 35
3.1.1 Von Big Data zum Smart Controlling�� 36
3.1.2 Auswirkungen auf die Kompetenzen und Ausbildung der
Controller�� 38
3.2 Digitalisierung und Big Data im Controlling�� 39
3.2.1 Zukunftsthemen für das Controlling�� 40
3.2.2 Aspekte der Digitalisierung im Controlling�� 40
3.2.3 Aktive Begleitung der Digitalisierung durch das Controlling�� 42
3.3 Verbesserung der Informationsversorgung durch Big Data�� 43
3.3.1 Analytische Verfahren für Big Data�� 44
3.3.2 Unsicherheitsabsorption mit Big Data�� 45
3.4 Anwendungsfelder von Business Analytics im Controlling �� 47
3.5 Aufgaben des Controllings hinsichtlich Big Data�� 49
3.6 Die Rolle des Controllers beim Thema Big Data und Digitalisierung �� 50
3.7 Potenziale von Digitalisierung und Big Data für die klassischen
Controllingaufgaben �� 52
3.7.1 Big Data im Reporting und der Analyse �� 53
3.7.2 Big Data in der Planung, Budgetierung und im Forecasting�� 55
Literatur�� 56
4 Die neuen Big Data-Berufsfelder rund um das Controlling. . . . . . . . . . . . . . . 61
4.1 Vorstellung der neuen Rollenbilder rund um das Controlling�� 62
4.1.1 Der Controller �� 64
4.1.2 Data Engineer�� 64
4.1.3 Data Scientist�� 65
4.1.4 Der Business Analyst�� 70
4.1.5 Eignung der neuen Rollenbilder als Weiterentwicklung für den
Controller�� 71
4.2 Empirische Analysen anhand von Stellenausschreibungen für Controller
und Data Scientists�� 72
4.2.1 Empirische Analyse von Matanovic et al. zur Abgrenzung des
Anforderungsprofils von Controllern und Data Scientists�� 73
4.2.2 Empirische Analyse von Freistühler uns Kempkes zur Abgrenzung
des Anforderungsprofils von Controllern und Data Scientists�� 77
4.2.3 Gemeinsamkeiten und Unterschiede von Controller und Data
Scientist aus den empirischen Analysen �� 80
4.2.4 Weitere Differenzierung in der Literatur�� 80
4.3 Empirische Analysen anhand von Stellenausschreibungen für Controller im
digitalen Zeitalter�� 83
4.3.1 Empirische Analyse von Drerup et al. bezüglich des
Anforderungsprofils des Controllers im digitalen Zeitalter�� 83
Inhaltsverzeichnis IX
4.3.2 Empirische Analyse von Werner und Vester bezüglich des

Anforderungsprofils für den „idealen“ Controller�� 85
4.3.3 Zusammenfassung der Ergebnisse der beiden empirischen
Analysen �� 88
4.3.4 Weitere Differenzierung in der Literatur�� 88
4.4 Aktualisierte Anforderung an den Controller �� 90
Literatur�� 91
5 Möglichkeiten für den Ausbau der digitalen Skills. . . . . . . . . . . . . . . . . . . . . . 95
5.1 Einfluss der Digitalisierung auf die Weiterbildung�� 96
5.1.1 Neue Weiterbildungsformate�� 97
5.1.2 Auswirkungen auf die Hochschullehre�� 98
5.2 Präsenzschulungen�� 99
5.2.1 Weiterbildungen für Controller�� 99
5.2.2 Executive Education�� 105
5.2.3 Weiterbildung für Spezialisten�� 107
5.2.4 Weiterbildungen an Hochschulen �� 112
5.3 Digitale Schulungen�� 116
5.3.1 Massive Open Online Courses�� 116
5.3.2 Kurse und berufsbegleitende Studiengänge an Hochschulen und
offiziellen Bildungsinstitutionen�� 121
5.3.3 Kurse von IT-Unternehmen�� 121
5.3.4 Standardkurse kommerzieller Anbieter�� 122
5.4 Individuelle Schulungsprogramme �� 124
5.4.1 Die Accenture Finance Academy�� 124
5.4.2 Erfolgsfaktoren, Stärken und Schwächen des Academy
Ansatzes�� 126
5.5 Bewertung der Weiterbildungen�� 127
Literatur�� 130
6 Zusammenfassung und Ausblick. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7 Glossar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.1 Begrifflichkeiten�� 137
Literatur�� 141
Anhang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Abkürzungsverzeichnis
Ad hoc lateinisch für „zu diesem, hierfür“

AI Artificial Intelligence
BA Business Analytics
BARC Business Application Research Center
BI Business Intelligence
BISS BI Summer School
BITKOM Bundesverband Informationswirtschaft, Telekommunikation und neue
Medien e. V.
BW Business Warehouse
bzw. beziehungsweise
CH Länderkennzeichen Schweiz
CRF Controlling, Rechnungswesen und Finanzmanagement
d. Verf. der Verfasser
DIN Deutsche Institut für Normung
DSBC Data Science Boot Camp
DSVGO Datenschutz-Grundverordnung
ECTS European Credit Transfer and Accumulation System
ERP Enterprise Resource Planning
ESMT European School of Management and Technology
EN Europäische Norm
F&E Forschung und Entwicklung
Hrsg. Herausgeber
IAIS Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme
IBM International Business Machines Corporation (IT- und
Beratungsunternehmen)
ICV Internationaler Controller Verein
IDC International Data Corporation
IGC International Group of Controlling
ISO Internationale Organisation für Normung
IMD International Institute for Management Development
XI
XII Abkürzungsverzeichnis
IoT Internet of Things

IT Informationstechnologie
IPSDS International Program in Survey and Data Science
KI künstliche Intelligenz
KPI Key Performance Indicator
MCI Management Center Innsbruck
MES Manufacturing Execution-System
Mio. Millionen
MOOCs Massive Open Online Courses
MSc Master of Science
MIT Massachusetts Institute of Technology
NLP Natural Language Processing
NoSQL Not only Structured Query Language
o. V. ohne Verfasser
OLAP Online Analytical Processing
PC Personal Computer
QMS Qualitätsmanagementsystem
RAM Random Access Memory
RPA Robotic Process Automation
SAP Börsennotierter Softwarekonzern
SUCCESS Say, Unify, Condense, Check, Express, Simplify, Structure
SQL Structured Query Language
TDWI The Data Warehousing Institute
VUCA Volatility, Uncertainty, Complexity, Ambiguity
WHU Wissenschaftliche Hochschule für Unternehmensführung
ZB Zetabytes
z. T. zum Teil
Abbildungsverzeichnis
Abb. 2.1 Entwicklung der globalen Datensphäre. (Quelle: Eigene Darstellung in

Anlehnung an Reinsel et al. (2018), S. 6)�� 9
Abb. 2.2 Big Data Eigenschaften, Nutzung und Nutzen. (Quelle: Eigene
Darstellung in Anlehnung an Gleich et al. (2015), S. 66; Ideenwerk-
statt im ICV (2015), S. 103 f.)�� 15
Abb. 2.3 Hadoop MapReduce Beispiel – Word Count. (Quelle: Eigene Darstel-
lung in Anlehnung an Wuttke (2020), Onlinequelle)�� 17
Abb. 2.4 Einsatz von Business Intelligence und Business Analytics. (Quelle:
Eigene Darstellung in Anlehnung an Ereth und Kemper (2016), S. 459;
Horváth et al. (2020), S. 475; Seiter (2019), S. 22; Gronau et al.
(2016), S. 472)�� 24
Abb. 3.1 Entwicklungsstufen der Informationsverarbeitung im Controlling.
(Quelle: Eigene Darstellung in Anlehnung an
Gadatsch et al. (2017), S. 73)�� 37
Abb. 3.2 Perspektiven der digitalen Transformation. (Quelle: Eigene Darstel-
lung in Anlehnung an Sejdic (2020), S. 61; ICV-Ideenwerkstatt (2018),
S. 25)�� 39
Abb. 3.3 Rangfolge der Controlling-Zukunftsthemen nach der erwarteten
Bedeutung in 2022. (Quelle: Eigene Darstellung in Anlehnung an
Schäffer und Weber (2018), S. 43)�� 40
Abb. 3.4 Aspekte der Digitalisierung im Controlling. (Quelle: Eigene Darstel-
lung in Anlehnung an Horváth et al. (2020), S. 469)�� 41
Abb. 3.5 Aktive Begleitung der Digitalisierung durch das Controlling. (Quelle:
Eigene Darstellung in Anlehnung an Horváth et al. (2020), S. 471)�� 43
Abb. 3.6 Analytics Maturity. (Quelle: Eigene Darstellung in Anlehnung an
Wiehr (2012), Onlinequelle)�� 45
Abb. 4.1 Mögliche Rollen für Controller im Big Data Umfeld. (Quelle: Eigene
Darstellung in Anlehnung an Ropers (2018), S. 19)�� 63
Abb. 4.2 Die fünf Rollen des Data Scientists. (Quelle: In Anlehnung an Matano-
vic et al. (2019), S. 56; Horváth und Aschenbrücker (2014), S. 51)�� 67
XIII
XIV Abbildungsverzeichnis
Abb. 4.3 Vergleich der vier Rollenbilder. (Quelle: Eigene Darstellung)�� 72

Abb. 4.4 Häufigkeit der Nennung von Controller-Aufgaben in Controlling- und
Data Science-Stellenanzeigen. (Quelle: Eigene Darstellung in Anleh-
nung an Matanovic et al. (2019), S. 58)�� 74
Abb. 4.5 Häufigkeit der Nennung von Data Scientist-Aufgaben in Data Science-
und Controlling-Stellenanzeigen. (Quelle: Eigene Darstellung in
Anlehnung an Matanovic et al. (2019), S. 59)�� 75
Abb. 4.6 Die am häufigsten genannten Aufgaben und deren Schnittmenge.
(Quelle: Eigene Darstellung in Anlehnung an Matanovic et al. (2019),
S. 61)�� 77
Abb. 4.7 Gegenüberstellung der Aufgabenprofile des Controllers und des Data
Scientists. (Quelle: Eigene Darstellung in Anlehnung an Freistühler
und Kempkes (2019), S. 65) �� 78
Abb. 4.8 Aufgaben von Manager, Controller und Data Scientist. (Quelle: Eigene
Darstellung in Anlehnung an Horváth und Aschenbrücker (2014), S. 57)�� 81
Abb. 4.9 Dimensionen der digitalen Kompetenzen. (Quelle: Eigene Darstellung
in Anlehnung an Egle und Keimer (2018), S. 51)�� 89
Abb. 5.1 Seminarmodule Information Management. (Quelle: Eigene Darstel-
lung in Anlehnung an CA Controller Akademie (2020b), Onlinequelle)�� 100
Abb. 5.2 Module Advanced Analytics & Business Intelligence. (Quelle: Eigene
Darstellung in Anlehnung an Horváth Akademie (2019/2020), S. 28)�� 103
Abb. 5.3 Seminare für ADVANCED Business Controller. (Quelle: Eigene
Darstellung in Anlehnung an Horváth Akademie (2019/2020), S. 15)�� 103
Abb. 5.4 Digital Transformation Programs. (Quelle: Eigene Darstellung nach
IMD (2020), Onlinequelle) �� 105
Abb. 5.5 Module des Lehrgang Digital Business Analytics. (Quelle: Eigene
Darstellung nach MCI Flyer zum Zertifizierungslehrgang „Digital
Business Analytics“, S. 17)�� 108
Abb. 5.6 Die drei Schritte zum Data Scientist. (Quelle: Fraunhofer (2020),
Onlinequelle)�� 111
Abb. 5.7 Methodenspezifische Schulungen Fraunhofer IAIS. (Quelle: Eigene
Darstellung nach Fraunhofer IAIS (2018b), S. 6)�� 112
Abb. 5.8 Branchenspezifische Schulungen Fraunhofer IAIS. (Quelle: Eigene
Darstellung in Anlehnung an Fraunhofer IAIS (2018b), S. 11)�� 112
Abb. 5.9 Kurse zum Thema Datenverarbeitung. (Quelle: Eigene Darstellung in
Anlehnung an Coursera (2020), Onlinequelle)�� 117
Abb. 5.10 Module des IPSDS Studiengangs. (Quelle: Eigene Darstellung in
Anlehnung an Universität Mannheim (2021), Onlinequelle) �� 122
Abb. 5.11 Angebot für Data Science von Skillsoft. (Quelle: Eigene Darstellung
in Anlehnung an Skillsoft (2020), Onlinequelle)�� 123
Abbildungsverzeichnis XV
Abb. 5.12 Themenbereiche der Accenture Academy. (Quelle: Eigene Darstellung

in Anlehnung an Accenture (2020), Onlinequelle) �� 125
Abb. 5.13 Accenture Academy Curriculum. (Quelle: Eigene Darstellung in
Anlehnung an Accenture (2016), S. 2) �� 126
Abb. 5.14 Bewertungsmatrix Gewichtung und Punkte. (Quelle: Eigene
Darstellung)�� 129
Abb. 5.15 Bewertungsmatrix gewichtete Punktzahlen. (Quelle: Eigene
Darstellung)�� 130
Abb. A.1 Datenerhebung für die Analyse von Controller-Stellenanzeigen.
(Quelle: Eigene Darstellung, vgl. Drerup et al.
(2018), S. 12 f.)�� 143
Abb. A.2 Datenerhebung für die Analyse von Controller-Stellenanzeigen.
(Quelle: Eigene Darstellung in Anlehnung an Werner und Vester
(2017), S. 57 f.)�� 144
Abb. A.3 Datenerhebung für die Analyse von Controller- und Data Scien-
tist-Stellenanzeigen. (Quelle: Eigene Darstellung in Anlehnung an
Matanovic et al. (2019), S. 56 f.)�� 144
Abb. A.4 Datenerhebung für die Analyse von Controller- und Data Scientist-
Stellenanzeigen. (Quelle: Eigene Darstellung in Anlehnung an
Freistühler und Kempkes (2019), S. 64 f.)�� 145
Abb. B.1 Veränderung der Aufgabenschwerpunkte eines Controllers. (Quelle:
Eigene Darstellung in Anlehnung an Kuhr (2018), S. 29; Kuhr und
Derbal (2017), S. 68)�� 148
Abb. B.2 Rollenspezifische Kompetenzprofile von Controllern (Teil 1/2).
(Quelle: Eigene Darstellung in Anlehnung an Schäffer und Brückner
(2019), S. 27)�� 149
Abb. B.3 Rollenspezifische Kompetenzprofile von Controllern (Teil 2/2).
(Quelle: Eigene Darstellung in Anlehnung an Schäffer und Brückner
(2019), S. 27)�� 150
Abb. D.1 Bewertungsmatrix Punktezahl Präsenzschulungen. (Quelle: Eigene
Darstellung auf Basis subjektiver Bewertungen)�� 158
Abb. D.2 Bewertungsmatrix Punktezahl digitale Schulungen. (Quelle: Eigene
Darstellung auf Basis subjektiver Bewertungen)�� 159
Tabellenverzeichnis
Tab. 5.1 Certified Information Manager CA�� 100

Tab. 5.2 Certified Business Data Scientist�� 101
Tab. 5.3 Certified Digital Leader in Controlling & Finance�� 101
Tab. 5.4 Digital Business Management�� 102
Tab. 5.5 Advanced Analytics & BI Professional (HWG LU)�� 103
Tab. 5.6 ADVANCED Business Controller (EBS) �� 104
Tab. 5.7 Digital Excellence Diploma�� 106
Tab. 5.8 Digital at Scale Programm�� 106
Tab. 5.9 Managing Technology and Strategy �� 107
Tab. 5.10 Digital Business Analytics�� 108
Tab. 5.11 TDWI Online-Seminare�� 109
Tab. 5.12 BARC Seminare und Webinare�� 110
Tab. 5.13 Data Scientist�� 112
Tab. 5.14 Studiengänge aus dem Fachbereich Informatik (Teil 1/2)�� 113
Tab. 5.15 Studiengänge aus dem Fachbereich Informatik (Teil 2/2)�� 114
Tab. 5.16 Studiengänge aus dem Fachbereich Rechts- und Wirtschaftswissen-
schaften, speziell Wirtschaftsinformatik�� 115
Tab. 5.17 Online-Kurse von Coursera�� 117
Tab. 5.18 Online-Kurse der Udacity�� 118
Tab. 5.19 Kursorganisation der Udemy�� 119
Tab. 5.20 Certificate in Data Science der Bildungsplattform Edx�� 119
Tab. 5.21 LinkedIn Learning�� 120
Tab. 5.22 Bildungsangebot von Skillshare �� 120
Tab. 5.23 International Program in Survey and Data Science�� 122
Tab. 5.24 Kursangebot von Skillsoft�� 123
Tab. 5.25 Bildungsangebot von Lecturio�� 124
Tab. 5.26 Übersicht der verschiedenen Lernformate�� 125
Tab. 5.27 Stärken und Schwächen des Academy Ansatzes�� 127
XVII
XVIII Tabellenverzeichnis
Tab. B.1 Auswirkungen von Big Data auf die Determinanten des Kennzahle-
neinsatzes und Herausforderungen für Controller�� 146
Tab. C.1 Data Science Online-Kurse von Hochschulen (Stand Dezember 2020)
Teil 1/2�� 151
Tab. C.2 Data Science Online-Kurse von Hochschulen (Stand Dezember 2020)
Teil 2/2�� 153
Tab. C.3 Data Science Online-Kurse von IT-Unternehmen
(Stand Dezember 2020)�� 155
Tab. E.1 Weitere Qualitätskriterien für den Vergleich von Weiterbildungen�� 160
Controlling im Wandel – der Einfluss von Big
Data und Digitalisierung 1
„The data-driven world will be always on, always tracking, always

monitoring, always listening, and always watching – because it
will be always learning“
International Data Corporation (IDC) (Reinsel et al. 2018, S. 1)
„Alles was digitalisiert werden kann, wird digitalisiert“
Carly Fiorina (Lemke et al. 2017, S. 5)
1.1 Digitale Transformation
Im aktuellen Jahrhundert sind Unternehmen komplexen und sich schnell verändernden

Umweltbedingungen ausgesetzt.1 Digitalisierung und Vernetzung sind die beiden Schlag-
wörter unserer Zeit. In der digitalen Welt werden Informationen und Daten über den gan-
zen Globus verteilt, verbunden und integriert. Schätzungsweise 6,5 Mrd. Menschen und
23 Mrd. Objekte sind heute bereits miteinander vernetzt.2 Die fortschreitende Digitalisie-
rung verändert gravierend die Art und Weise, wie wir leben, arbeiten und Wertschöpfung
generieren. Gleichzeitig ermöglicht sie für viele Unternehmen völlig neuartige Wachs-
tums-, Effizienz- und Entwicklungspotenziale. Herausforderungen wie neue digitale
Wettbewerber, veränderte Kundenanforderungen oder neuartige Rollen- und Kompetenz
1
Vgl. Sesler und Georg (2020), S. 11.
2
Vgl. Lemke et al. (2017), S. IX.
© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden 1

A. Georgopoulos, S. Georg, Anforderungen an das Controlling,
https://doi.org/10.1007/978-3-658-34938-7_1
2 1 Controlling im Wandel – der Einfluss von Big Data und Digitalisierung
anforderungen gilt es zu meistern, um weiterhin erfolgreich zu sein. Viele Unternehmen

befinden sich deshalb in einer digitalen Transformation.3
Als eine der größten Herausforderungen (Klimawandel, COVID-19) der Gegenwart
birgt die digitale Transformation nicht nur Chancen, sondern auch Risiken.4 Bestehende
Geschäftslogiken werden in Frage gestellt, und die Disruption bestehender Technologien
bedroht viele Industriezweige.5 In diesem Zusammenhang wird auch von einem „digitalen
Krieg“6 und von der „schöpferischen Zerstörung“ gesprochen. Alte Strukturen werden
durch eine Neukombination von Produktionsfaktoren, die sich durchsetzen, zunächst ver-
drängt und anschließend zerstört.7 Die steigende Diskontinuität, Dynamik und Komplexi-
tät des Arbeitsumfelds macht eine Neuorientierung in der Unternehmensführung und in
der Organisationsstrukturierung erforderlich.8 Nach Schmachtenberg, werden die „…
Auswirkungen der Digitalisierung […] absehbar […] jedes Unternehmen betreffen – und
es gibt nur eine falsche Strategie: Abwarten.“9
Für das Controlling ist die Digitalisierung kein neues Thema, seit jeher haben sich
Controller mit IT im Allgemeinen und mit Tools wie SAP-R3, Excel und anderer Software
im Besonderen beschäftigt. In der aktuellen Situation ist also nicht dieses Themenfeld neu,
sondern die Dynamik, mit der es sich entwickelt. Die Digitalisierung verändert als Hilfs-
mittel nicht nur die Tätigkeit des Controllers, sondern auch die ihm zur Verfügung stehen-
den Daten und Auswertungsmethoden.10 Langmann betont, dass nicht nur die zentralen
Controlling-Prozesse von der Digitalisierung betroffen sind, sondern sich auch IT-
Systeme, Rollen und Organisation verändern.11 Und dennoch betreffen auch weiterhin die
Aufgaben des Controllings die Informationsversorgung, Planung, Kontrolle und Steue-
rung des Unternehmens.12
In einer Online-Erhebung von Ulrich und Stier im Jahr 2019 wurden 200 Controller
zum Thema Digitalisierung befragt. Auswahlkriterien für die Teilnahme an der Erhebung
waren deutsche Unternehmen mit einem jährlichen Umsatz über 10 Mio. € und einer Mit-
arbeiterzahl über 100.13 Bei der Einschätzung hinsichtlich der Auswirkungen der
Digitalisierung auf das Controlling ihres Unternehmens gab der Großteil (61 %) der Teil-
3
Vgl. Schönherr und Wehrum (2020), S. 37.
4
Vgl. Horváth et al. (2020), S. 5; Gräf et al. (2017), S. 62.
5
Vgl. Gänßlen (2018), S. 23; Derr et al. (2021), S. 1 f.
6
Vgl. Grothe (2014), S. 28.
7
Vgl. Schmachtenberg (2015), S. 26.
8
Vgl. Horváth et al. (2020), S. 26.
9
Schmachtenberg (2015), S. 28.
10
Vgl. .Ulrich und Stier (2020), S. 10; Schäffer (2017), S. 52.
11
Vgl. Langmann (2019), S. 2.
12
Vgl. Georg (o. J.). Onlinequelle.
13
Für weitere Informationen bezüglich des Untersuchungsrahmens und zur Beschreibung der Stich-
probe vergleiche Ulrich und Stier (2020), S. 11.
1.2 Zielsetzungen des Buches 3
nehmer „stark“ an, wobei 18 % sogar von „sehr starken Auswirkungen“ ausgingen. Hin-
gegen fühlte sich die Mehrheit (54 %) nur „mittelmäßig“ auf die Herausforderungen und
Auswirkungen der Digitalisierung vorbereitet. Immerhin gaben 36 % an, dass sie sich
„stark“ auf die Herausforderungen der Digitalisierung vorbereitet fühlten.14
Auch auf dem 44. Controller-Kongress 2019 mit dem Motto „Bereite dich auch deine
Zukunft vor“ war das Hauptthema die Digitalisierung und ihre Gestaltungsmöglichkeiten
im Controlling. Zentrale Fragen waren hierbei, ob das Controlling als Steuerungsprozess
durch Digitalisierung automatisiert werde und ob Controller damit ihren Arbeitsplatz und
ihre Bedeutung verlören. Nach Weber ist die „… intensive Auseinandersetzung mit Digi-
talisierung […] weder für Unternehmen noch für Controller eine freiwillige Kür, sondern
Pflicht.“15
Der Begriff Big Data ist eng mit dem Thema Digitalisierung verknüpft. Es geht hierbei
nicht nur um riesige Datenmengen, sondern auch um eine neue, disruptive Technologie,
die das Ergebnis der zunehmenden Digitalisierung in allen Lebensbereichen ist.16 Thomas
H. Davenport, Professor für Informationstechnologie und -management am Babson Col-
lege und Forschungswissenschaftler am MIT Center for Digital Business, beschäftigt sich
seit Jahren mit dem Thema Big Data, „… my goal is to persuade you that big things are
coming from big data and that you should start thinking now about how to react“.17 Doch
die Verarbeitung von mehr Daten bedeutet nicht automatisch, dass bessere Entscheidun-
gen getroffen werden (bekannt als das Phänomen der Big-Data-Hybris).18 Die modernsten
Methoden und Systeme haben keinen Nutzen, wenn diese niemand adäquat anzuwenden
weiß. Oft wird in den Medien entsprechend das Fehlen von Fachpersonal bemängelt.19 Der
richtige Umgang mit den neuen Analysetools und die korrekte Interpretation der Ergeb-
nisse müssen erlernt werden. Die Controller müssen sich überlegen, welche Rolle sie im
Zusammenhang mit den Veränderungen durch Digitalisierung und Big Data zukünftig
spielen wollen.20
1.2 Zielsetzungen des Buches
Das Themenumfeld Digitalisierung und Big Data hat erhebliche Konsequenzen für die
von Controllern benötigten Fähigkeiten und Kompetenzen. Schon immer zählt die Daten-
und Informationsversorgung zu einer der zentralen Aufgabengebiete des Controllings.21
14
Vgl. Ulrich und Stier (2020), S. 11 f.
15
Vgl. Weber (2016), S. 45.
16
Vgl. Schermann et al. (2014), S. 281.
17
Davenport (2014), S. 32.
18
19
Vgl. Grönke und Heimel (2015), S. 243; Seufert et al. (2019), S. 11.
20
Vgl. Weichel und Hermann (2016), S. 14.
21
Vgl. Georg (2021), S. 15.
4 1 Controlling im Wandel – der Einfluss von Big Data und Digitalisierung
Controller müssen lernen, digitale Geschäftsmodelle zu verstehen, und sich neue Instru-
mente aneignen. Sie müssen sich im Angesicht der digitalen Transformation neu positio-
nieren und in der Digitalisierung bestehen können. Ziel dieses Buches ist es zu zeigen,
• welche neuen Rollenbilder im Controlling entstanden sind,

• ob der Controller seine Existenz verlieren oder weiterhin bestehen bleiben wird,
• wo zukünftig die Schwerpunkte im Controlling liegen werden,
• welche Kompetenzen und Anforderungen in Zukunft vom Controller verlangt werden
und
• welche Möglichkeiten zur Erlangung der neuen Kompetenzen und Anforderungen es
im Weiterbildungsmarkt gibt, um die Nachfrage zu decken sowie schließlich,
• wie gut das Weiterbildungsangebot geeignet ist, um die neuen Kompetenzen zu vermitteln.
Gerade in der Corona-Pandemie gewinnen vor allem digitale Lernformate immer mehr
an Bedeutung. Das betrifft sowohl die Schulen und Hochschulen, aber auch gewerbliche
Bildungseinrichtungen und die Unternehmen selbst.
Literatur
Bücher
Davenport, T. H. (2014). Big Data at Work: Dispelling the Myths, Uncovering the Opportunities.
Harvard Business Review Press: Boston.
Derr, T./Georg, S./Heiler, C. (2021). Die disruptive Innovation durch Streamingdienste. Springer
Gabler: Wiesbaden.
Georg, S. (2021). Das Taschenbuch zum Controlling. epubli: Berlin.
Horváth, P./Gleich, R./Seiter, M. (2020). Controlling. Vahlen: München.
Langmann, C. (2019). Digitalisierung im Controlling. Springer Gabler: Wiesbaden.
Lemke, C./Brenner, W./Kirchner, K. (2017). Einführung in die Wirtschaftsinformatik. Band 2: Ge-
stalten des digitalen Zeitalters. Springer Gabler: Berlin.
Sesler, R./Georg, S. (2020). Innovatives Controlling – die 5 wichtigsten Trends. Haufe: Freiburg.
Zeitschriftenartikel
Gänßlen, S. (2018). Controlling.com – was ist Hype, was Realität? Controller Magazin, 43(2), Sup-
plement, 12–14.
Gräf, J./Isensee, J./Schulmeister, A. (2017). Reporting 4.0 – Management Reporting im digitalen
Kontext. Controller Magazin, 42(3), 60–62.
Grothe, M. (2014). Leitplanken für die Digitale Transformation – Fahrplan und Werkzeuge für ein
Social Business Controlling. Controller Magazin, 39(5), 28–31.
Grönke, K/Heimel, J. (2015). Big Data im CFO-Bereich – Kompetenzanforderungen an den Cont-
roller. Controlling, 27(4–5), 242–248.
Schäffer, U. (2017). Der Controller ist tot, es lebe das Controlling! Controller Magazin, 42(3), 52–53.
Literatur 5
Schermann, M./Krcmar, H./Hemsen, H./Markl, V. (2014). Big Data – Eine interdisziplinäre Chance
für die Wirtschaftsinformatik. Wirtschaftsinformatik, 5, 281–287.
Schmachtenberg, D. (2015). Digitalisierung: Eine neue industrielle Revolution? Controller Maga-
zin, 40(3), 26–28.
Schönherr, M./Wehrum, K. (2020). Reporting im digitalen Wandel – Ansatzpunkte und Herausfor-
derungen. Controller Magazin, 45(3), 37–41.
Seufert, A./Engelbergs, J./Von Daacke, M./Treitz, R. (2019). Digitale Transformation und Con-
trolling – Erkenntnisse aus der empirischen Forschung des ICV. Controller Magazin, 44(1), 4–10.
Ulrich, P./Stier, J. (2020). Veränderungen des Rollenprofils von Controllern in Folge der Digitalisie-
rung – Ergebnisse einer empirischen Erhebung. Controller Magazin, 45(2), 10–15.
Weber, J. (2016). Digitalisierung – die nächste Herausforderung für das Controlling. Controller
Magazin, 41(6), 44–45.
Weichel, P./Hermann, J. (2016). Wie Controller von Big Data profitieren können. Controlling &
Management Review, Sonderheft 1, 8–14.
Onlinequellen
Georg, S. (o.J.). Controlling. https://www.wiin-kostenmanagement.de/controlling/. Zugegriffen:

10.06.2021.
Reinsel, D./Gantz, J./Rydning, J. (2018). The Digitalization of the world – From Edge to Core, IDC
White Paper, Doc# US44413318. https://resources.moredirect.com/white-papers/idc-report-the-
digitization-of-the-world-from-edge-to-core. Zugegriffen: 06.01.2021.
Big Data und die digitalisierte Welt
2
„Die Kompetenz, verfügbare Daten so zu analysieren, dass

betriebswirtschaftliche Probleme evidenzbasiert gelöst werden
können, ist für Unternehmen eine zentrale Quelle von dauerhaften
Wettbewerbsvorteilen“ (vgl. Seiter 2019, S. 3)
Mischa Seiter
2.1 Digitalisierung
Im Zusammenhang mit der Digitalisierung werden viele Begriffe synonym verwendet,

die eine andere Bedeutung haben. Unterschieden wird zwischen
• Digitization,
• Digitalization und
• Digital Transformation.
Unter Digitization versteht man lediglich die Konvertierung analoger Informationen

und Prozesse in digitale. Digitalization beschreibt die zweite Stufe, in der auf Basis von
digitalen Technologien die Geschäftsprozesse und Geschäftsmodelle optimiert werden.
Unter Digital Transformation als dritter und letzter Stufe wird die tiefgreifende struktu-
relle Veränderung in Wirtschaft und Gesellschaft mit Hilfe der Informations- und Kommu-
© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden 7

A. Georgopoulos, S. Georg, Anforderungen an das Controlling,
https://doi.org/10.1007/978-3-658-34938-7_2
8 2 Big Data und die digitalisierte Welt
nikationstechnologie verstanden.1 Es werden nicht nur Geschäftsprozesse digitalisiert,

sondern auch Produkte und Geschäftsmodelle.2
Die Digitalisierung in Verbindung mit der internetbasierten Vernetzung ermöglicht eine
umfangreiche Automatisierung, die unmittelbare Folgen auf die Einsatzgebiete menschli-
cher Arbeitskraft hat. Besonders gefährdet sind regelbasierte bzw. repetitive Tätigkeiten
(Abwicklungs- und Supportprozesse). Durch Robotic Process Automation (RPA) lassen
sich regelbasierte Tätigkeiten weltweit und rund um die Uhr ortsunabhängig erledigen.
Das führt dazu, dass in vielen Bereichen des Unternehmens unter anderem auch im Con-
trolling Standardaufgaben wegfallen. Automatisierung setzt aber auch Arbeitszeit frei, die
anderweitig erlösgenerierend eingesetzt werden kann.3 Langmann und Turi weisen zudem
darauf hin, dass RPA häufig im Finanzbereich startet und erste Berichte große Effizienz-
gewinne erwarten lassen.4 Die Mitarbeiter bekommen die Chance, „… sich kreativen,
nachhaltigen und strategischen Aufgaben zu widmen, deren Ziel eine Weiterentwicklung
des Unternehmens ist.“5
2.2 Facetten von Big Data
Die Digitale Transformation führt dazu, dass die Datenmengen explorativ ansteigen.6 Be-
rechnungen zufolge verdoppelt sich das weltweite Datenvolumen alle zwei Jahre. Es han-
delt sich hierbei um Datenmengen, die in den Exabyte-Bereich (1018) gehen.7 Die Interna-
tional Data Corporation (IDC)8 bezeichnet die Summe aller Daten, unabhängig davon, ob
sie erstellt, erfasst oder repliziert wurden, als globale Datensphäre, die ein enormes
Wachstum hat. Die IDC prognostiziert, dass die globale Datensphäre von 33 Zettabytes
(ZB) im Jahr 2018 auf 175 ZB bis zum Jahr 2025 wachsen wird (Abb. 2.1).9
1
Vgl. Nasca et al. (2018), S. 75.
2
Vgl. Seufert et al. (2017), S. 48.
3
Vgl. Kesten (2019), S. 44 f.; Botar et al. (2018), S. 73; Gänßlen (2018), S. 14.
4
Vgl. Langmann und Turi (2020), S. 2.
5
Botar et al. (2018), S. 74.
6
Vgl. Nasca et al. (2019), S. 79.
7
Vgl. Grönke und Heimel (2015), S. 242; Mehanna (2014), S. 203.
8
Die IDC ist der weltweit führende Anbieter von Marktinformationen, Beratungsdiensten und Ver-
anstaltungen für die Märkte Informationstechnologie, Telekommunikation und Verbrauchertechno-
logie. Mit mehr als 1100 Analysten weltweit bietet IDC globales, regionales und lokales Know-how
zu Technologie- und Branchenchancen und -trends in über 110 Ländern. Vgl. www.idc.com.
9
Vgl. Reinsel et al. (2018), S. 3.
2.2 Facetten von Big Data 9
1 75 ZB
180
160
140
120
Zetbytes
100
80
60
40
20
0
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025
Abb. 2.1 Entwicklung der globalen Datensphäre. (Quelle: Eigene Darstellung in Anlehnung an
Reinsel et al. (2018), S. 6)
2.2.1 Daten und Informationen
Daten sind geordnete Zeichenfolgen, die durch operative Transaktionen im Unternehmen

entstehen oder aus externen Datenquellen gespeichert werden. Werden die Daten auf
Grundlage von spezifischen Fragestellungen, den daraus abgeleiteten Entscheidungen und
dem dazugehörigen Informationsbedarf aufbereitet, entstehen Informationen.10 Die intel-
ligente Auswertung und Interpretation dieser Daten macht es Unternehmen möglich, ihre
Leistungen kundenorientierter und passgenau anzubieten.11 Auch in der Politik wird mit
Big Data gearbeitet. Der ehemalige Präsident der USA Barack Obama und auch sein
Nachfolger Donald Trump haben sich bereits der Konzepte von Big Data bedient. Sie ha-
ben verschiedene Nutzerprofile unentschlossener Wähler in sozialen Netzwerken und
deren Interessen analysiert. Die Erkenntnisse daraus stellten für den Wahlkampf der bei-
den Präsidenten einen markanten Vorteil dar.12
2.2.2 Big Data
Wie der Namensbestandteil Big schon andeutet, handelt es sich um eine sehr hohe Anzahl,
unstrukturierter und verschiedenartiger Daten, die mit traditionellen Datenanalyseverfah-
ren nicht handhabbar sind und daher neuer Techniken und Technologien bedürfen.13 Dabei
ist vielmehr die fehlende Struktur der Daten problematisch als ihre Menge.14 Der Begriff
10
Vgl. Baumöl et al. (2017), S. 4.
11
Vgl. Baumöl und Horváth (2015), S. 219.
12
Vgl. Sack (2013), S. 1.
13
Vgl. Sack (2013), S. 1; Grönke und Heimel (2015), S. 242; Davenport (2014), S. 115.
14
Vgl. Davenport (2014), S. 7; Seufert et al. (2018), S. 65.
Big Data beinhaltet nicht nur riesige Datenmengen, sondern auch die Technologien für
ihre Haltung, Verarbeitung und Auswertung.15 Ziel dieser Technologien ist es, „die richti-
gen Informationen dem richtigen Adressaten zur richtigen Zeit in der richtigen Menge am
richtigen Ort und in der erforderlichen Qualität bereitzustellen.“16 Daten gelten als das
neue Öl und Information als strategische Ressource und Erfolgsfaktor im 21. Jahrhun-
dert.17 Big Data hat das Potenzial, neue Produkte, Geschäftsfelder und Geschäftsmodelle
entstehen zu lassen.
Die Unterschiede von Big Data zu den bisherigen Daten im Unternehmen sind ihr Vo-
lumen, ihre Eigenschaften, die Häufigkeit und die Schnelllebigkeit. Diese liegen meistens
in unstrukturierter Form vor, z. B. als Text.18 Mit Hilfe von neuen Verfahren und Techno-
logien sollen diese bisher nicht analysierten Daten ausgewertet und kombiniert werden,
um zu neuen Erkenntnissen zu gelangen. Für die Verarbeitung werden oftmals statistische
Modelle herangezogen.19 Zusammenfassend zeichnen sich die neuen Dimensionen der
Datenverfügbarkeit aus
• „mehr Daten,
• neue Datentypen,
• besseren Datenzugriff sowie
• bessere Möglichkeiten, Massendaten miteinander zu verbinden.“20
Die Speicherung dieses hohen Datenvolumens stellt heute weder technisch noch wirt-
schaftlich ein Problem dar. Oft wird aber darauf hingewiesen, dass nur ein geringer Teil
(ca. 5 %) aus dieser Datenmenge konkret analysiert und letztendlich verwendet wird.21
2.2.3 Datenqualität in Zeiten von Big Data
Für den erfolgreichen Einsatz von Big Data ist die Datenqualität entscheidend. Sie be-
schreibt, „… wie gut sich Daten zu dem Zweck eignen, für den sie erfasst bzw. generiert
wurden.“22 Die Dimensionen Vollständigkeit, Aktualität, Korrektheit, Konsistenz (frei von
Widersprüchen), Nachvollziehbarkeit (bezüglich der Entstehung) und Redundanzfreiheit
(keine Duplikate) sind entscheidend für die Datenqualität. Da eine 100 %-ige Datenquali-
15
Vgl. Davenport (2014), S. 113.
16
Schermann et al. (2014), S. 281.
17
Vgl. Seufert und Treitz (2020), S. 16; Kleinau (2019), S. 22; Seufert et al. (2019), S. 4.
18
Vgl. Weichel und Hermann (2016), S. 9; Davenport (2014), S. 11.
19
Vgl. Gronau et al. (2016), S. 474.
20
Seiter (2019), S. 5.
21
ICV (2014), S. 1; Aschenbrücker et al. (2014), S. 35.
22
Gürster und Spaar (2017), S. 33.
2.3 Ursachen und Quellen für den großen Datenzuwachs 11
tät nicht mit vertretbarem Aufwand möglich ist, muss zuvor festgelegt werden, wie hoch
die Datenqualität sein muss, damit Anwendungen, die darauf aufbauen, Ergebnisse mit
genügend hoher Güte liefern können. Eine schlechte Datenqualität führt zu höheren Kos-
ten, je später die Probleme bei den Daten festgestellt werden. Die nachträgliche Bereini-
gung ist 5- bis 10-mal teurer als der rechtzeitige Einsatz von qualitätssichernden Maßnah-
men.23 Somit sind die Kosten des Datenmanagements mit den Leistungen in Einklang zu
bringen – wie es auch aus den Bereichen der Prozessoptimierung und der Optimierung der
Produktqualität bekannt ist.24 Der Einsatz entsprechender Software bietet eine gute Mög-
lichkeit, die Datenqualität zu analysieren und zu verbessern.25
2.3 Ursachen und Quellen für den großen Datenzuwachs
Die Ursachen und Quellen für das hohe Datenwachstum sind vielseitig. Sie sind sowohl
unternehmensextern als auch -intern zu finden. Zu den unternehmensexternen Treibern
gehört die weltweite Verbreitung des Internets. Die Rede ist vom Internet der Menschen.26
Mit jedem Klick verursachen Privatanwender Milliarden von Daten pro Minute. Es han-
delt sich hierbei um Daten, die zum einen das Kundenverhalten und zum anderen die
Kundenbedürfnisse widerspiegeln.27 Erzeugt werden sie von stationären PCs, mobilen
Endgeräten, deren Apps und Lokalisierungsservices, Bewertungsplattformen, Smart
Home- und Smart Building-Systemen.28 Die einzelnen Datenpunkte werden mit weiteren
Informationen ergänzt, beispielsweise mit Geodaten. Der Anwender kann aus seiner
News-App die Nachrichten lesen, kommentieren und selbst mittels Social Media in sei-
nem Netzwerk teilen. Der Anwender wird also vom Konsumenten zum Prosumenten, der
selbst eigene Inhalte produziert und distribuiert. Eine weitere wesentliche Datenquelle
bilden öffentlich verfügbare Datenbanken, wie die des Statistischen Bundesamtes und an-
derer Behörden29 oder Publikationsdatenbanken.30,31
Auch unternehmensintern gibt es viele Veränderungen in den letzten Jahren, die zu ei-
nem Anstieg des Datenvolumens geführt haben. Viele Unternehmen setzen verstärkt Cloud
Computing und Software-as-a-Service-Lösungen für ihre Prozesse ein. Modernste Senso-
23
Analytische-, konstruktive- und organisatorische Maßnahmen.
24
Vgl. Georg (2016), S. 2.
25
Vgl. Gürster und Spaar (2017), S. 33–35.
26
Vgl. Seufert et al. (2017), S. 49.
27
Vgl. Seiter (2019), S. 7.
28
29
Z. B. die Datenbanken der Bundesanstalt für Finanzdienstleistungsaufsicht (Bafin) oder der Bun-
desnetzagentur.
30
Z. B. „Web of Science“, „EBSCOhost“ oder „Scopus“, die alle kostenpflichtig sind.
31
Vgl. ICV (2014), S. 5; Horváth et al. (2020), S. 474; Seiter (2019), S. 7 f.
ren werden in der gesamten Produktionskette genutzt. Produktionsgüter, Maschinen und

Endgeräte sind miteinander vernetzt und kommunizieren miteinander (Machine-to-
Machine). Die Rede ist von der vierten industriellen Revolution, kurz Industrie 4.0.32 Die
Entwicklung folgt der Idee, digital vernetzte und dezentral gesteuerte Produktionsanlagen
zu schaffen, die flexibel und autonom reagieren können.33 Analysten schätzen, dass bis
zum Jahr 2025 über 50 Milliarden Sensoren mit dem Internet verbunden sein werden („the
Internet of Things“).34 So mutiert eine Pumpe von ihrer eigentlichen Aufgabenstellung der
Förderung von Medien zusätzlich zum Systemsensor. Sie liefert wertvolle Informationen
und stellt Funktionen und Dienste bereit, die den Anwender in die Lage versetzen, die
Effizienz seiner Produktion transparent zu machen und Optimierungspotenziale aufzude-
cken. Der Pumpenhersteller kann die Daten nutzen, um Ausfälle seiner Pumpen anhand
der Datenentwicklung vorherzusagen. So kann er rechtzeitig reagieren, Servicekräfte schi-
cken und dem Ausfall vorbeugen. Der Kunde spart dadurch die teure Ausfallzeit, und der
Pumpenhersteller kann den Einsatz seiner Servicemannschaft optimieren.35
Die Anwendungsbeispiele für Industrie 4.0 zeigen, dass dieses Thema nicht unbedingt
eine besondere technische Komplexität oder ein hohes technologisches Innovationspoten-
zial erfordern. „Die Innovation ergibt sich vielmehr aus der Vernetzung von mehreren
bislang getrennten Informationsquellen und dem Optimieren technischer oder organisato-
rischer Prozesse.“36 Das Ergebnis sind intelligente Produkte, intelligente Maschinen und
assistierte Bediener. Physische Gegenstände in der Produktion werden entweder mit pas-
siven Identifikationstechnologien oder aktiven Sensoren oder Rechenkernen ausgestattet.
Damit können sie Informationen über sich selbst und ihre Umgebung in Echtzeit an andere
IT-Systeme weitergeben.37 So entsteht inhaltlich und mengenmäßig eine Flut an Informa-
tionen und Daten innerhalb der eigenen Wertschöpfungsprozesse – Big Data.38 „Diese
Datenflut gilt es unter wirtschaftlichen Gesichtspunkten so aufzubereiten, dass dem Bedie-
ner im industriellen Umfeld die für ihn relevanten Informationen nutzungsgerecht, zeit-
punktgerecht und aufgabengerecht zur Verfügung stehen.“39 Nach Horváth et al. sind Da-
ten über die eigenen Wertschöpfungsprozesse der Kern von Effizienzsteigerungen.40
32
Vgl. Kleinau (2019), S. 22 f.; Becker et al. (2018), S. 84; Seufert et al. (2017), S. 49.; Georg (2021),
Onlinequelle.
33
Vgl. Wrobel et al. (2015), S. 375; ICV (2014), S. 5; Bleiber (2018), S. 271; Seiter (2019), S. 5 f.
34
35
Vgl. Paulus und Zeibig (2018), S. 70 f.; Bleiber (2018), S. 269; Davenport (2014), S. 25.
36
ICV (2014), S. 12.
37
Vgl. Wrobel et al. (2015), S. 375; Paulus und Zeibig (2018), S. 69.
38
Vgl. Seiter (2019), S. 6.
39
ICV (2014), S. 12.
40
Vgl. Horváth et al. (2020), S. 474.
2.4 Eigenschaften, Nutzung und Nutzen von Big Data 13
2.4 Eigenschaften, Nutzung und Nutzen von Big Data
Bezüglich der Eigenschaften von Big Data gibt es eine unumstrittene Definition des Un-
ternehmens Gartner, welche 2011 veröffentlicht wurde.41 Darin wird das 3-V-Modell be-
schrieben. Die drei „V“ stehen für „Volume“, „Velocity“ und „Variety“.
Volume
Mit der ersten Eigenschaft Volume wird das Volumen der anfallenden Daten beschrieben.
Soziale Medien wie Facebook, Twitter, Instagram, TikTok und weitere erzeugen eine Viel-
zahl an Daten. Nur Facebook allein verwaltet täglich ein Datenvolumen von 500 Terabyte
(1012). Für die traditionellen Datenbanksystemen stellt diese Datenmenge eine große Her-
ausforderung dar. Es gibt zwar Datenbanken, die im Petabyte (1015) arbeiten, jedoch sind
diese teuer.42 Für die Verarbeitung der Daten ist sowohl der Prozessor als auch der Arbeits-
speicher entscheidend. Das bedeutet, auch wenn größere Festplatten verfügbar sind, kön-
nen die Daten deshalb nicht schneller verarbeitet werden.43 Die Herausforderung besteht
darin, den Wert und Nutzen der Daten mit den Kosten für die Vorratshaltung und Auswer-
tung gegenüberzustellen (Kosten-Nutzen-Analyse).44
Velocity
Die Eigenschaft Velocity bezeichnet zum einen die Geschwindigkeit, mit der die Daten
verarbeitet werden. Daten unterliegen einem permanenten Wandel, womit ihre Aussage-
kraft zeitlich begrenzt ist. In einer rasant wachsenden Marktwirtschaft ist es für Unterneh-
men unabdingbar, Daten möglichst schnell zu verarbeiten und entsprechend darauf zu re-
agieren. Die erforderliche Verarbeitungsgeschwindigkeit nähert sich immer weiter der
Echtzeit.45 Zum anderen ist mit der Velocity auch die Rate, mit der aktuell die Daten aus
den verschiedensten Anwendungsbereichen erzeugt werden, verbunden. Das Datenvolu-
men verdoppelt sich alle zwei Jahre.46
Variety
Mit Variety werden sowohl die Vielfalt und Komplexität der heterogenen Daten als auch
die verschiedenartigen Datenquellen bezeichnet. Die Variety beschreibt auch den wich-
tigsten Aspekt von Big Data und damit auch die größte Herausforderung für Unterneh-
41
Gartner ist eines der weltweit führendem IT-Forschungs- und Beratungsunternehmen mit Kunden
aus mehr als 14.000 verschiedenen Organisationen aus über 100 Ländern. Siehe Website: https://
www.gartner.com/en.
42
Vgl. Sack (2013), S. 2; Davenport (2014), S. 115; Schön (2016), S. 303; Aschenbrücker et al.
(2014), S. 36.
43
Vgl. Freiknecht (2014), S. 11.
44
Vgl. Sack (2013), S. 2; Seufert et al. (2019), S. 11.
45
Vgl. Aschenbrücker et al. (2014), S. 36.
46
Vgl. Sack (2013), S. 2; ICV (2014), S. 4; Schön (2016), S. 303.
men, denn das Problem liegt darin, dass die traditionellen relationalen Datenbanksysteme
nicht mit so unterschiedlichen und oft unstrukturierten Daten47 umgehen können.48 Eine
relationale Datenbank kann nur mit strukturierten Daten – z. B. Kundenstammdaten – ar-
beiten. Es gibt inzwischen jedoch auch eine große Menge unstrukturierter oder halbstruk-
turierter Daten, beispielsweise E-Mails. Der Kopf einer E-Mail mit dem Empfänger, Ab-
sender und dem Betreff beschreibt den strukturierten Teil. Der Text der E-Mail ist jedoch
unstrukturiert – es besteht keine vorgegebene Struktur dafür. Die E-Mail kann auch un-
strukturierte Daten wie Bilder, Videos oder Audiodateien enthalten. Für Big Data-
Technoligen ist das kein Problem, denn sie fassen alle Daten – ob unstrukturiert oder
strukturiert – zusammen und analysieren diese gemeinsam.49
Doch auch diese drei Eigenschaften von Big Data nach Gartner greifen letztlich aus
Sicht des Controllings zu kurz. Die Ideenwerkstatt des Internationalen Controller Vereins
(ICV) hat aus diesem Grund noch zwei weitere „V’s“ (Veracity und Value) und den Begriff
Analytics hinzugefügt, um die Eigenschaften von Big Data zu beschreiben.50
Veracity
Die Eigenschaft Veracity bedeutet Richtigkeit und Echtheit und wurde von IBM geprägt.51
Die Daten können aus unterschiedlichen Quellen stammen, was bedeutet, dass sie auch
zweifelhaft oder ungenau sein können.52 Die Analyse komplexer Sachverhalte entzieht
sich oft einfacher Plausibilitätsprüfungen durch den Menschen. Die Datenqualität ist aber
für den Einsatz von Business- und Advanced Analytics von besonderer Bedeutung.53 Unter
Berücksichtigung der Unternehmensziele (z. B. dem der Gewinnmaximierung) muss die
Verfügbarkeit und Analyse der gesammelten Daten möglichst schnell geschehen. Das
kann aber dazu führen, dass die Daten nicht rechtzeitig bereinigt werden. Diese Ungenau-
igkeit und zugleich Unsicherheit müssen bei der Betrachtung von Big Data berücksichtigt
werden.54
Analytics
Die Analyse der polystrukturierten Daten aus Big Data erfordert neue Technologien, wie
z. B. den Map-Reduce-Ansatz oder die In-Memory-Technik. Die technologische Kompo-
nente der Datennutzung ist ebenfalls entscheidend für den Erfolg von Big Data.55 „Big
Data allein erzielt ohne die Verwendung geeigneter Verarbeitungslogiken keinen Wert für
47
Man spricht auch von polystrukturierten Daten, vgl. Freiknecht (2014), S. 13.
48
Vgl. Schön (2016), S. 298; Aschenbrücker et al. (2014), S. 36.
49
Vgl. Sack (2013), S. 2; Schön (2016), S. 303.
50
Vgl. ICV (2014), S. 3
51
Vgl. IBM (2012), S. 4 f.; Ebner und Smolnik (2015), S. 250.
52
53
Vgl. Klier und Heinrich (2016), S. 488; Schön (2016), S. 304.
54
Vgl. Sack (2013), S. 2.
55
2.4 Eigenschaften, Nutzung und Nutzen von Big Data 15
die Unternehmen. Erst in Verbindung mit den entsprechenden Algorithmen entstehen

neue, vor allem digitale Geschäftsideen.“56
Value
Unter Berücksichtigung aller zuvor genannten V’s und der entsprechenden Auswertung
(Analytics) entsteht ein weiteres „V“ (vgl. Abb. 2.2). Mit Value ist der ökonomische Wert
oder wirtschaftliche Nutzen gemeint, den die Daten für das Unternehmen bringen. Die
Wertschöpfung ist das Ziel des Datenverarbeitungsprozesses. Gerade dieser Mehrwert
macht das Thema Big Data für Unternehmen so interessant.57
Zusammenfassend definiert die Ideenwerkstatt des ICV Big Data wie folgt: „Big Data
beschreibt die Analyse [Analytics] und die Echtzeitverarbeitung [Velocity] großer [Vo-
lume], unstrukturierter [Variety] und kontinuierlich fließender Datenmengen [Velocity]
aus einer Vielfalt unterschiedlicher Datenquellen [Variety] zur Schaffung glaubwürdiger
[Veracity] Informationen als Basis von nutzenschaffenden [Value] Entscheidungen.“58 Im
vorliegenden Buch wird diese Definition von Big Data zugrunde gelegt.
Big Data Big Data Big Data

Eigenschaften Nutzung Nutzen
Volume
Variety
Analytics Value
Veracity
Velocity
Abb. 2.2 Big Data Eigenschaften, Nutzung und Nutzen. (Quelle: Eigene Darstellung in Anlehnung
an Gleich et al. (2015), S. 66; Ideenwerkstatt im ICV (2015), S. 103 f.)
56
Lemke et al. (2017), S. 40.
57
Vgl. ICV (2014), S. 4; Nagel et al. (2014), S. 220; Aschenbrücker et al. (2014), S. 36; Horváth und
Aschenbrücker (2014), S. 48.
58
ICV (2014), S. 5; Aschenbrücker et al. (2014), S. 36.
2.5 Technologien für den Einsatz von Big Data
Big Data-Lösungen setzen auf neue Konzepte, wie z. B. Not Only SQL (NoSQL), Hadoop,
In-Memory-Technologie, Cloudsysteme und Blockchain-Technologie.59 Das Prinzip die-
ser Technologien soll im Nachfolgenden kurz erläutert werden.
2.5.1 Not Only SQL (NoSQL)
Eine NoSQL-Datenbank versucht, unstrukturierte Daten – beispielsweise Texte, Bilder,

Audios und Videos – zu managen. Diese Datenbank kann aber sowohl mit strukturierten
als auch mit unstrukturierten Daten arbeiten („not only SQL“ = nicht nur SQL).60 Vor al-
lem Suchmaschinen, soziale Netzwerke, Bewertungsplattformen, persönliche Assistenten
oder Anwendungen von cloudbasierten Plattformen arbeiten mit NoSQL-Datenbanken.61
Diese benötigen keine vorgefertigten Schemata zur Strukturierung der Datenobjekte. Sie
speichern unstrukturierte Daten vollständig ab und erlauben alternative Abfragemetho-
den.62 Auch neue Infrastruktur-Konzepte zur Datenspeicherung wie das Cloud-Computing
lassen sich dadurch besser umsetzen, weil viele kleine, einfache Rechner die Datenspei-
cherung übernehmen können und somit schnell und flexibel erweiterbar sind. Die Daten
werden verteilt auf mehreren Rechnern redundant vorgehalten.63 Auf der einen Seite ge-
währleistet NoSQL eine schnelle Speicherung und Verarbeitung großer Datenmengen, auf
der anderen Seite verzichtet dieser Ansatz auf absolute Datenkonsistenz und starke Struk-
turierung der gespeicherten Daten.64 Zu den bekanntesten NoSQL-Datenmodellen gehö-
ren Key-Value-, Document-Store-, Column-Family- und Graph-Datenbanksysteme.65
2.5.2 Apache Hadoop
Schwerpunkt der Apache Hadoop-Technologie ist die Bearbeitung großer Datenmengen

(Big Data). Um solche Datenmengen verwalten zu können, werden vorrangig Verfahren
für die verteilte Berechnung und Datenhaltung eingesetzt.66 Die verschiedenen Applikati-
onen können komplexe Computing-Aufgaben auf tausende Rechnerknoten verteilen und
59
Vgl. Sack (2013), S. 2; Ebner und Smolnik (2015), S. 250; Gronau et al. (2016), S. 472; Davenport
(2014), S. 124.
60
Vgl. Schön (2016), S. 305.
61
Vgl. Lemke et al. (2017), S. 354.
62
Vgl. Baars und Kemper (2015), S. 224.
63
Vgl. Lemke et al. (2017), S. 354.
64
Vgl. Sack (2013), S. 3.
65
Vgl. Lemke et al. (2017), S. 349.
66
Vgl. Obermaier (2019), S. 674; Schön (2016), S. 308.
2.5 Technologien für den Einsatz von Big Data 17
Input Map Shuffle Reduce Output
Datei 1
(Hallo, 1)
Hallo Big
(Big, 1)
Data
(Data, 1) (Hallo, 1) (Hallo, 1) (Hallo, 1)
(Big, {1,1}) (Big, 2) (Big, 2)
(Data, {1,1}) (Data, 2) (Data, 2)
Datei 2
(ist, 1) (ist, 1) (ist, 1)
(Big, 1) (überall, 1) (überall, 1) (überall, 1)
Big Data ist (Data, 1)
überall (ist, 1)
(überall, 1)
Abb. 2.3 Hadoop MapReduce Beispiel – Word Count. (Quelle: Eigene Darstellung in Anlehnung
an Wuttke (2020), Onlinequelle)
so Datenvolumina im Petabyte-Bereich verarbeiten. Dabei werden rechenintensive Pro-

zesse auf Server-Clustern abgearbeitet. Ein Server-Cluster ist ein Verbund aus mehreren
Servern. Hadoop enthält dabei eine Implementierung des MapReduce-Algorithmus.
Die Grundidee von MapReduce beruht darauf, Verarbeitungsaufträge in kleine Teile zu
zerlegen (siehe Abb. 2.3). Die kleinen Teile werden auf mehreren Rechnern verteilt und
parallel abgearbeitet, um sie danach wieder zu einem zusammenhängenden Ergebnissatz
zu kombinieren. Diese Datentechnologie ist besonders für fortschrittliche Analysen wie
Predictive Analytics, Data Mining und Machine Learning-Anwendungen geeignet.67
2.5.3 In-Memory-Technologie
Die In-Memory-Technologie erleichtert ebenfalls den Umgang mit großen Datenmen-

gen. Nach Baars und Kemper ist diese Technologie nicht eindeutig dem Big Data-Bereich
zuzuordnen. Sie wurde bereits auch in etablierten Business Intelligence-Technologien
angewendet und kommt heute verstärkt bei Business Analytics-Technologien zum Ein-
satz.68 Es handelt sich um ein Datenbankmanagementsystem, das überwiegend auf den
67
Vgl. Sack (2013), S. 3; Weber (2020), S. 79 ff.; Ebner und Smolnik (2015), S. 250; Davenport
(2014), S. 115 f.; Schön (2016), S. 308.
68
Hauptspeicher zur Datenspeicherung, -verwaltung und -manipulation angewiesen ist.69

Bei traditionellen Datenbanksystemen werden Daten von der Festplatte auf den Haupt-
speicher in einem Cache verschoben, wenn auf diese zugegriffen wird. Der wiederholte
Zugriff der Daten aus diesem Cache ist zwar effizient, aber die ständige Notwendigkeit,
Daten von der Festplatte auf den Hauptspeicher zu verschieben, führt zu Performance-
Problemen. Bei einem In-Memory-Datenbankmanagementsystem befinden sich die Daten
bereits im Hauptspeicher und müssen nicht mehr verschoben werden. Dadurch kann die
Performance von Anwendungen und Abfragen deutlich verbessert werden.70 Die Zugriffs-
geschwindigkeiten sind sehr viel höher als bei üblichen Festplattenspeicher, was für Echt-
zeitanwendungen notwendig ist. Zudem werden auch die Algorithmen für den Zugriff
einfacher. Dadurch, dass die Hardwarekosten stark gesunken sind, gewinnt die In-
Memory-Technologie immer mehr an Bedeutung.71
2.5.4 Cloud Computing
Der Bundesverband Informationswirtschaft, Telekommunikation und neue Medien

e.V. (BITKOM) definierte Cloud Computing wie folgt: „Cloud Computing ist eine Form
der Bereitstellung von gemeinsam nutzbaren und flexibel skalierbaren IT-Leistungen
durch nicht fest zugeordnete IT-Ressourcen über Netze.“72 Die Cloud-Technologie hat sich
aufgrund neuer Regulierungen und der größeren Anzahl an Anbietern in Europa, die der
EU-Gesetzgebung unterliegen (mehr Datenschutz und Sicherheit), auch im Finanzbereich
etabliert.73 Die angebotene IT-Infrastruktur beinhaltet in der Regel Speicherplatz und Re-
chenleistung (Infrastructure-as-a-Service), Softwareumgebung (Platform-as-a-Service)
oder Anwendungssoftware (Software-as-a-Service) als Dienstleistung.74 Es wird unter-
schieden zwischen Private Clouds, die Cloud-Dienstleistungen für einen vorab definierten
Nutzerkreis zur Verfügung stellen, und kostenpflichtigen Public Clouds ohne einen vorab
definierten Nutzerkreis. Bei den lPublic Clouds ist der Cloud-Betreiber zumeist ein IT-
Provider. Schließlich gibt es noch Hybrid Clouds, die eine Kombination der beiden zuvor
genannten Cloud-Systeme darstellen. Hybrid Clouds sind für die Verarbeitung und Spei-
cherung von Big Data und Big Data-Anwendungen besonders gut geeignet. Sie gewähr-
leisten eine hohe Skalierbarkeit der Speicherkapazitäten über verteilte Systeme mit
schnellerer Rechenzeit. Kombiniert mit der zuvor erwähnten In-Memory-Technologie
69
Vgl. Schmitz (2018), S. 31 f.; Davenport (2014), S. 116; Ruf und Schwab (2016), S. 496; Gröber
et al. (2018), S. 50.
70
Vgl. Weber (2020), S. 78; Horváth et al. (2020), S. 479; Sinzig (2015), S. 236; Schön (2016),
S. 304 f.
71
Vgl. Sack (2013), S. 3; Kramer (2018), S. 104 f.; Sinzig (2015), S. 236.
72
BITKOM (2010), S. 15.
73
Vgl. Vierkorn (2019), S. 58.
74
Schön (2016), S. 317 f.
2.6 Methodische Ansätze für die Analyse von Big Data 19
wird die notwendige Geschwindigkeit für die Datenverarbeitung von Big Data erreicht.75
Die International Data Corporation (IDC) prognostiziert, dass bis zum Jahr 2025 49 % des
weltweiten Datenvolumens in einer Public Cloud-Umgebung gespeichert wird.76 Anwen-
der und Management erwarten wie selbstverständlich, dass sie ortsunabhängig und jeder-
zeit von ihren mobilen Geräten auf benötigte Daten und Informationen zugreifen können
und tagesaktuelle Berichte generieren können.77
2.5.5 Blockchain-Technologie
Besonders für die Finanzbrache offenbart die Blockchain Einsatzmöglichkeiten.78 Im

Bankenwesen ermöglicht die Blockchain-Technologie Geldtransfers zwischen Bankkon-
ten in Echtzeit und zu sehr niedrigen Kosten (ohne Intermediär). Big Data Analytics er-
laubt es, Muster mit Verbraucherausgaben zu identifizieren und risikobehaftete Transakti-
onen sehr schnell zu erkennen. Für andere Branchen ist die Hauptantriebkraft für die
Blockchain-Technologie die Sicherheit, um Hacking und Datenlecks in Unternehmen zu
verhindern. So kann die Blockchain-Technologie dafür sorgen, dass auf jeder Ebene des
Datenzugriffs mehrere Signaturen geprüft werden, damit ein Datendiebstahl verhindert
wird. Da die Blockchain für jede Transaktion einen Datenbankeintrag enthält, können In-
stitutionen bei Bedarf nach Mustern in Echtzeit suchen. Dadurch verbessert diese Techno-
logie die Transparenz in der Datenanalyse.79
2.6 Methodische Ansätze für die Analyse von Big Data
Big Data erhöht die Komplexität der Methoden und Verfahren zur Analyse von Daten.
Benötigt werden Kenntnisse über neuartige Analyseverfahren und -konzepte.80 Es existiert
eine Vielzahl an methodischen Ansätzen für die Analyse von Big Data, die man dem Ober-
begriff Business Analytics zuordnen kann. Eine eindeutige Differenzierung der Begriffe
rund um Business Analytics ist schwierig und ist auch in der einschlägigen Literatur nicht
einheitlich. Viele verwandte Begriffe haben sich etabliert, die vor allem von Seiten der
Software-Hersteller und spezialisierten Beratungshäusern zum Zweck der Markenbildung
entstanden sind.81
75
Vgl. BITKOM (2010), S. 13–22; Horváth et al. (2020), S. 482; Ebner und Smolnik (2015), S. 251;
Schön (2016), S. 318.
76
Vgl. Reinsel et al. (2018), S. 4.
77
Vgl. Plass (2019), S. 79.
78
Vgl. Georg (o. J.). Onlinequelle.
79
Vgl. Tisson und Rieck (2018), S. 12 f.; Horváth et al. (2020), S. 478; Biel (2018b), S. 19.
80
81
Vgl. Seiter (2019), S. 23; Baars und Kemper (2015), S. 227; Davenport (2014), S. 7; Biel
(2018a), S. 36.
2.6.1 Business Intelligence (BI)
Im Fokus von Business Intelligence (BI) sind Geschehnisse in der Vergangenheit und de-
ren Auswirkungen auf die Gegenwart.82 Damit werden Fragen beantwortet, wie z. B. etwas
und wann etwas passiert ist, welche Menge betroffen war und welche Häufigkeit oder Ur-
sache ein Ereignis hatte. Nach Ruf und Schwab handelt es sich bei BI um Fragen erster
Ordnung, deren Antworten bekanntes Wissen widerspiegeln.83 In der Regel werden struk-
turierte Daten für BI-Systeme verwendet, die in Data Warehouses und Data Marts (Daten-
würfeln) organisiert sind.84 Typische Werkzeuge von BI sind Reportings mit Kennzahlen,
automatisierte Monitorings (mit Warnfunktion beim Über- oder Unterschreiten eines
Schwellenwerts), Dashboards, Ad-hoc-Anfragen oder OLAP (Online Analytical Proces-
sing). OLAP verwendet eine deduktive Arbeitsweise, d. h. es werden zunächst Hypothesen
aufgestellt, anschließend werden gezielt Informationen abgefragt, um die Hypothesen zu
bestätigen oder zu verwerfen. Oft werden diese typischen BI-Komponenten für die Daten-
haltung und Analyse (OLAP, Data Warehouse) dem Begriff Big Data zugeordnet.85 Nach
Baars und Kemper sind Big Data-Lösungen für bestehende performante BI-Anwendungen
wie z. B. im Standardberichtswesen kein Ersatz. Big Data-Lösungen sollten nur dort einge-
setzt werden, wo gänzlich neue Fragestellungen angegangen werden sollen.86
2.6.2 Business Analytics (BA)
Der Begriff Business Intelligence existiert schon viel länger als der Begriff Business Ana-
lytics (BA). Daraus lässt sich aber nicht ableiten, dass BA eine Weiterentwicklung von BI
ist.87 Bei BA wird der Fokus von BI um den Blick in die Zukunft erweitert.88 Bei BA han-
delt es sich um Fragen zweiter Ordnung. Deren Antworten helfen dabei, Erklärungen für
das bekannte Wissen zu finden, wodurch ein Mehrwert entsteht.89 Um die Unternehmens-
daten zu analysieren, werden hierbei statistische Verfahren eingesetzt. Diese Verfahren
geben Antworten auf die Fragen nach Gründen, Auswirkungen, Wechselwirkungen oder
Folgen von Ereignissen. Weiterhin können auch verschiedene Szenarien simuliert werden,
um herauszufinden, an welcher Stellschraube nachjustiert werden muss, um das ge-
82
Vgl. Egle und Keimer (2018), S. 52.
83
Vgl. Ruf und Schwab (2016), S. 495.
84
Vgl. Seiter (2019), S. 21; Gronau et al. (2016), S. 474; Biel (2018a), S. 36.
85
86
87
Vgl. Horváth et al. (2020), S. 475; Seiter (2019), S. 21; Baars und Kemper (2015), S. 222; Biel
(2018a), S. 35.
88
Vgl. Gronau et al. (2016), S. 472; Egle und Keimer (2018), S. 52.
89
Vgl. Ruf und Schwab (2016), S. 495.
wünschte Ergebnis zu erhalten. Die Analysetools und Methoden von Business Ana-
lytics sind:90
• A/B-Tests oder multivariate Tests mit mehreren Variablen dienen dazu, um Entschei-
dungen zu überprüfen.
• Außerdem haben statistische oder quantitative Analysen die Aufgabe zu erklären, wa-
rum ein bestimmtes Ergebnis eingetreten ist.
• Mit Hilfe von Data Mining wird nach Mustern und Zusammenhängen in den Daten
gesucht. Die Vorgehensweise hier ist nicht wie bei OLAP deduktiv, sondern induktiv,
d. h. es wird nicht zu Beginn eine Hypothese aufgestellt, sondern erst nachdem die
Datensätze – ohne eine Vorannahme nach Auffälligkeiten oder Mustern – analysiert
wurden.
• Es erfolgen Vorhersagen künftiger Ergebnisse (Predictive Analytics).
Der Einsatz von BA ist in den Unternehmensbereichen General Management, Vertrieb,

Marketing sowie Finanzen & Controlling vielversprechend. Oft fehlen jedoch den Unter-
nehmen das notwendige Know-how und die internen Ressourcen zur Erschließung der
Datenquellen und zur Entwicklung von Prognosemodellen.91
2.6.3 Data Mining
Nach Seiter umfasst Data Mining „… eine Menge von Algorithmen, mit denen aus Daten
etwas gewonnen werden kann, was oftmals als Information, Wissen, Insight oder […] als
Evidenz bezeichnet wird.“92 Data Mining stellt ein wichtiges Element von Business Ana-
lytics im Bereich der deskriptiven Analysen von Daten dar.93 Alternativ ausgedrückt, be-
zeichnet Data Mining das Schürfen in den Daten. Hierfür verwendet man anspruchsvolle
statistische und mathematische Verfahren sowie Algorithmen, um verborgene Muster,
Trends und Zusammenhänge in großen Datenmengen zu erkennen. Zu den Data Mining
Methoden gehören:94
• Clustering: Hier versucht man, Daten aus einer großen Datenmenge zu gruppieren und
so neue Gruppen mit ähnlichen Daten zu identifizieren.
• Klassifizierung: Im Gegensatz zum Clustering werden hier die Gruppen nicht neu ge-
bildet, sondern die Daten werden bestehenden Klassen zugeordnet (z. B. Fahrzeugda-
90
Vgl. Sejdic (2020), S. 64.
91
Vgl. Gronau et al. (2016), S. 478.
92
Seiter (2019), S. 22.
93
Vgl. Seiter (2019), S. 22.
94
Vgl. Mauerer (2021), Onlinequelle.
ten werden automatisch in den Gruppen LKW, PKW und Zweirad zugeordnet). Zur
Klassifikation gehört auch die Entscheidungsbaumanalyse.
• Regressionsanalyse: Sie wird dann angewendet, wenn Wirkungsbeziehungen zwischen
einer abhängigen und einer oder mehreren unabhängigen Variablen identifiziert werden
sollen (z. B. die Absatzmenge von Produkt A hängt von den Werbeausgaben, der Zahl
der Verkaufsstätten und dem Volkseinkommen ab). Das Verfahren kann die abhängige
Variable prognostizieren, wenn die unabhängigen Variablen bekannt sind.
• Assoziationsanalyse: Sie versucht, Korrelationen zwischen gemeinsam auftretenden
Merkmalen zu beschreiben. Es handelt sich um Abhängigkeiten zwischen den Daten-
sätzen, bei denen eine Wenn-Dann-Beziehung (z. B. Wenn jemand Cola kauft, dann
kauft er mit 10 % Wahrscheinlichkeit auch Salzstangen) besteht.95
• Neuronale Netze: Neuronale Netze arbeiten ähnlich wie das menschliche Gehirn. Es
handelt sich um Algorithmen, die ständig mit Daten versorgt werden und über mehrere
Durchläufe bestehende Strukturen und Muster erlernen. Sie können Zusammenhänge
zwischen Daten erkennen und eignen sich zur Optimierung nicht-linearer Probleme.
Deshalb ist Data Mining auch eng verwandt mit dem maschinellen Lernen, bei dem
sich Computerprogramme selbstständig neues Wissen aneignen.
2.6.4 Machine Learning
Machine Learning beschreibt ein Verfahren, das dem Bereich der Künstlichen Intelligenz
(KI) zugeordnet wird.96 Es wird neben neuronalen Netzen und Deep Learning-Verfahren
bei kognitiven Systemen angewendet, die in der Lage sind, menschliche Aufgabenstellun-
gen selbständig zu lösen und Strategien zu entwickeln.97 Speziell beim Machine Learning
geht es um Algorithmen, die im Rahmen von Business Analytics über den Zeitverlauf
Wissen aus Daten extrahieren können, um Lösungen für individuelle Problemstellungen
zu entwickeln.98 Die Modelle für das maschinelle Lernen werden nicht explizit von einem
Programmierer vorgegeben, vielmehr werden sie algorithmisch aus einem bestehenden
Datenbestand erlernt.99 Diese Verfahren kommen aber nicht ohne menschliche Hilfe zu-
recht. Der Mensch muss einerseits zuvor entscheiden, welche Systeme zur Problemlösung
herangezogen werden, und andererseits muss er die Datenmenge auf ein für die Entschei-
dungsfindung relevantes Maß reduzieren.100 Der Vorteil beim Einsatz von Machine
Learning-Verfahren besteht darin, dass sie schnell Modelle generieren können, um
95
Zu beachten ist jedoch, dass Korrelation nicht mit Kausalität gleichzusetzen ist. Vgl. Kesten
(2019), S. 46; Mayer und Wiesehahn (2018), S. 32; Biel (2018a), S. 38.
96
Vgl. Lubos (2020), S. 45.
97
Vgl. Hedfeld und Pütz (2019), S. 27.
98
Vgl. Silveira Pereira (2020), S. 65; Weiser et al. (2020), S. 86; Portal (2020), S. 69.
99
Vgl. Seiter (2019), S. 22.
100
Vgl. Silveira Pereira (2020), S. 65; Seiter (2019), S. 22 f.
eziehungen von sich schnell entwickelnden Daten zu erklären und vorherzusagen. Hin-
B
gegen sind die Ergebnisse nur schwierig zu interpretieren und zu erklären.101 Der Unter-
schied zwischen Data Mining und Machine Learning liegt darin, dass beim Data Mining
der Fokus auf das Finden neuer Muster in den bestehenden Daten liegt, während es beim
maschinellen Lernen um das Ableiten neuer Berechnungsfunktionen aus vorhandenen Da-
ten geht.102
2.6.5 Visual Analytics
Visual Analytics stellt keinen wirklich neuen Ansatz dar: schon seit jeher versucht man,
Informationen durch Bilder greifbar zu machen. Was neu ist, ist die Einfachheit und
Schnelligkeit, mit denen moderne Technologien aus der Datenverarbeitung und -visuali-
sierung Erkenntnisse gewonnen werden. „Mit Visual Analytics erhält man nicht nur
Einblicke in großen Datenbestände, sondern kann auch völlig neue Einsichten gewin-
nen.“103 Es können viele Daten gleichzeitig in einer Übersicht dargestellt und analysiert
werden.104 Der Zusatznutzen von Visual Analytics besteht darin, dass die bekannten Dar-
stellungsformen (Linien, Balken oder Kreisdiagramme) von Informationen um weitere
analytische Funktionen ergänzt werden, wie z. B. um statistische Prognosen oder um die
Verwendung neuer bzw. anderer Visualisierungen.105 Analysiert werden strukturierte und
vor allem unstrukturierte Rohdaten aus unterschiedlichen Quellen. Die Arbeitsweise ist
hoch interaktiv und explorativ. Oft ist zu Beginn der Analyse noch nicht klar, welche Er-
kenntnisse aus den Daten gewonnen werden können.106
2.6.6 Advanced Analytics mit Big Data
Bevor auf die Methoden von Advanced Analytics eingegangen wird, sind zunächst die
Begriffe Analyse und Analytics abzugrenzen, zumal sie oft in der Praxis unsauber verwen-
det werden. Die Analyse (hier Datenanalyse) beschreibt einen Prozess, bei dem aus Daten
Informationen und Erkenntnisse gewonnen werden. Der Begriff Analytics (zu Deutsch
Analytik) ist die Lehre des Analysierens und wird auch als Bezeichnung für die Menge
aller Analysemethoden verwendet. Er umfasst insbesondere alle Methoden aus den Berei-
chen der Statistik, des Data Minings und des maschinellen Lernens. Aber auch unterstüt-
101
102
Vgl. Maurer (2021), Onlinequelle.
103
Ruf und Schwab (2016), S. 496.
104
Davenport (2014), S. 94.
105
Vgl. Ruf und Schwab (2016), S. 495 f.
106
Vgl. Kohlhammer et al. (2013), S. 176 f.; Seufert et al. (2018), S. 67.
zende Technologien und Werkzeuge für den Analyseprozess werden mit dem Begriff Ana-
lytics assoziiert.107
Der Begriff Analytics wird auch für die Art der adressierten Fragestellung verwendet.
Die einzelnen Fragestellungen sollen nachfolgend mit Hilfe des Analytics-Reifegradmo-
dells erläutert werden (vgl. Abb. 2.4):108
Descriptive Analytics: Was ist geschehen? Der Fokus von Descriptive Analytics liegt in
der Vergangenheit. Mit Hilfe von Informationen aus der Vergangenheit versucht man,
Auswirkungen auf die Gegenwart zu verstehen. Die Informationen stecken in Form
von unbekannten Mustern (z. B. Korrelationen, Cluster, Ausreißer und Trends), die es
zu identifizieren gilt. Viele dieser Fragestellungen können mit einfachen methodischen
Werkzeugen wie dem Berichtwesen oder OLAP beantwortet werden. Zu den typischen
Algorithmen gehören einfache deskriptive Statistiken, Assoziationsanalysen, Clus-
teranalysen, Ausreißeranalysen und Social Network-Analysen. Mit Real-Time Ana-
lytics wird die Echtzeitverarbeitung von Daten mit geringen Latenzzeiten vom Ereignis
informieren optimieren
Wertbeitrag
Prescriptive Analytics
Predictive Analytics
Visual Analytics
Data Mining Was ist zu tun?
Ad-hoc- Was wird geschehen?

Auswertungen
(OLAP)
Warum ist es geschehen?
Reporting
(MIS/EIS)
Was ist geschehen?
Einsatzgebiet von Schwierig-

Einsatzgebiet von Business Analytics keitsgrad
Business Intelligence
Abb. 2.4 Einsatz von Business Intelligence und Business Analytics. (Quelle: Eigene Darstellung in
Anlehnung an Ereth und Kemper (2016), S. 459; Horváth et al. (2020), S. 475; Seiter (2019), S. 22;
Gronau et al. (2016), S. 472)
Vgl. Dorschel (2015), S. 55.

107
Vgl. Dorschel (2015), S. 56 f.; Mehanna et al. (2018), S. 40 f.; Schlatter et al. (2020), S. 58 f.;
108
Sejdic (2020), S. 64; Horváth et al. (2020), S. 475; Seiter (2019), S. 25 f.; Mehanna (2014), S. 204 f.
bis zur Maßnahme beschrieben. Hier geht es um die Fragestellung, was gerade
geschieht.
Diagnostic Analytics: Warum ist etwas geschehen? Mit Diagnostic Analytics wird eine
Ursachenanalyse betrieben, die Antworten auf die Fragen nach Gründen, Auswirkun-
gen, Wechselwirkungen oder Folgen von Ereignissen gibt.
Predictive Analytics: Was könnte geschehen? Prädikative Analysen blicken in die Zukunft
und liefern auf Basis von Data Mining, maschinellem Lernen und anderen statistischen
Methoden Vorhersagen über die Wahrscheinlichkeit von zukünftigen Ereignissen. Der
Prädiktor (z. B. der Umsatz) ist das Element, welches durch Predictive Analytics prog-
nostiziert werden soll.109 Hier geht es also vorrangig um die Konstruktion von Progno-
semodellen. Typische Algorithmen basieren auf Klassifikation, Regression und Zeitrei-
henanalysen. Ein bekanntes Beispiel für Predictive Analytics ist Predictive Policing
(vorhersagende Polizeiarbeit).
Prescriptive Analytics: Was soll geschehen, damit ein zukünftiges Ereignis (nicht) eintritt?
Die präskriptive (vorschreibende) Analyse geht noch ein Schritt weiter als Predictive
Analytics. Sie liefert zusätzlich Handlungsempfehlungen, wie man einen bestimmten
Trend in eine gewünschte Richtung beeinflussen, ein vorhergesagtes Ereignis verhin-
dern oder auf ein zukünftiges Ereignis reagieren kann. Hier geht es also um die Konst-
ruktion von Optimierungsmodellen. Die Basis bilden anspruchsvolle analytische Mo-
delle und Monte-Carlo-Simulationen. Diese arbeiten mit bekannten und zufälligen
Variablen, um z. B. die nächsten Aktionen zu empfehlen, Wenn/Dann-Szenarien anzu-
zeigen oder die Bandbreite möglicher Ereignisse besser verstehen zu können.
Von Advanced Analytics wird dann gesprochen, wenn zukunftsorientierte Analyseme-

thoden – die zur Gruppe Predictive- und Prescriptive Analytics zählen – eingesetzt wer-
den. Hingegen gehören die vergangenheitsorientierte Analysemethoden – Descriptive-
und Diagnostic Analytics – zu den einfacheren Verfahren von Business Intelligence.110
Doch auch diese Analysemethoden sind nicht wirklich immer einfach. Nach Dorschel
sollten die Methoden besser nach der Komplexität der eingesetzten Methoden und der
Durchführungsform der Analysen eingeteilt werden. Zu den einfachen Analysemethoden
gehören demnach hypothesengetriebene Analysen, wie sie im Bereich der klassischen in-
duktiven Statistik üblich sind. Aus der BI-Perspektive gehören dazu das Berichtswesen,
dynamische OLAP-Berichte und das Monitoring von Kennzahlen. Unabhängig von der
untersuchten Fragestellung gehören komplexe statistische Methoden, Methoden des Data
Mining und des maschinellen Lernens zu den Analysemethoden, die als Advanced Ana-
lytics bezeichnet werden können. Mit Hilfe dieser datengetriebenen Methoden werden
(automatisch/halbautomatisch) Erkenntnisse zur Beantwortung implizierter Fragestellun-
gen gewonnen.111
109
Vgl. Deipenbrock et al. (2019), S. 45; Dülken et al. (2018), S. 36.
110
Vgl. Satzger et al. (2018), S. 47; Gronau et al. (2016), S. 472; Derwisch et al. (2016), S. 480.
111
Vgl. Dorschel (2015), S. 62 f.
Von Big Data Analytics spricht man, wenn Analysemethoden im Kontext von Big Data
angewendet werden. Zunächst bietet Big Data zusätzliche Datenquellen, einen höheren
Detaillierungsgrad und eine schnellere Verfügbarkeit. Big Data verändert nur die Art der
Datenverarbeitung während der Analyse aber nicht die betrachteten Fragestellungen.112
2.7 Prädestinierte Branchen für den Einsatz von Big Data
Big Data verfügt über das Potenzial, alle Bereiche des Unternehmens zu durchdringen.113
Nach Davenport114 ist der Einsatz von Big Data für alle Branchen relevant, die
• … etwas bewegen,
• … etwas an den Endnutzer verkaufen,
• … maschinengetrieben sind,
• … Inhalte nutzen oder verkaufen,
• … Dienstleistungen anbieten,
• … physische Anlagen haben,
• … Geld bewegen.
Unabhängig, ob privat oder öffentlich, eignen sich Branchen mit direktem Kundenkon-
takt (z. B. Reiseunternehmen, Handel, Banken und Versicherungen etc.) besonders für den
Big Data-Einsatz.115
2.8 erspektiven und Herausforderungen von Digitalisierung

P
und Big Data
Unternehmensberater, Softwareanbieter und IT-Beratungen prognostizieren, „dass Unter-

nehmen, die nicht sofort und uneingeschränkt auf das Thema [Digitalisierung] aufsprin-
gen, den Anschluss an den Wettbewerb verlieren“116 werden. Big Data wird in der Praxis
kontrovers diskutiert. Während manche das Ganze nur als einen Hype empfinden, halten
andere das Thema für Zukunftsmusik.117 Dagegen meinen wiederum andere, dass diese
Technologie mit all ihre Facetten unser Leben revolutionieren wird.118
112
Vgl. Dorschel (2015), S. 63.
113
Vgl. Mehanna (2014), S. 204.
114
115
Vgl. ICV (2014), S. 8; Gronau et al. (2016), S. 475.
116
Mayer und Wiesehahn (2018), S. 29.
117
Vgl. Weber (2014), S. 27; Schermann et al. (2014), S. 281.
118
Vgl. ICV (2014), S. 1; Baars und Kemper (2015), S. 222; Willmes et al. (2015), S. 256; IBM
(2012), S. 1.
2.8 Perspektiven und Herausforderungen von Digitalisierung und Big Data 27
Es gibt viele erfolgreiche Big Data-Projekte in der Wirtschaft und der Verwaltung. Der
Einsatz von Big Data bringt in der gesamten Wertschöpfungskette Vorteile mit sich und
dies branchenübergreifend.119 Insbesondere Branchen mit vielen Kundenkontakten gene-
rieren große Datenmengen. Diese gilt es für die Unternehmensprozesse zu nutzen.120
2.8.1 Perspektiven und Nutzenpotentiale
Nach Kesten bietet die Digitalisierung die nachfolgenden Perspektiven und Nutzenpo-
tenziale:121
• Fehlerfreier Ablauf von Routineaufgaben weltweit und rund um die Uhr.

• Einsparpotenziale für repetitive Aufgaben durch Stellenabbau.
• Nutzung der „Mehr-Zeit“ für „Mehr-Erlöse“ durch kreative Problemlösungen und Ge-
schäftsmodelle.
• Das „überlebende“ Personal kann effizient und qualitativ hochwertiger einge-
setzt werden.
• Verbesserte und schnellere Wirkungsprognosen und Werttreiberanalysen (Predictive
Analytics).
• Schnellere Problemerkenntnis, effektivere Kontrollen, bessere Entscheidungsfindung.
Die Nutzenpotenziale für den Big Data-Einsatz sind vielfältig und teilweise sehr indi-
viduell. Nach Davenport werden vier Nutzerkategorien unterschieden, die durch den Ein-
satz von Big Data erreicht werden können: 122
• Kostensenkungen,
• schnelle Entscheidungsfindung,
• qualitativ bessere Entscheidungen,
• Produkt- und Serviceinnovationen.
Auf einer höheren abstrakten Ebene führt der Einsatz von Big Data zu einem effizien-
ten Unternehmensmanagement, wenn in Echtzeit große und aktuelle Daten verwendet
werden können. Wenn konsumentenbezogene Daten gesammelt werden, können Massen-
dienste darauf aufbauend individualisiert werden. Es eröffnen sich neue Chancen für das
Marketing, was letztendlich zu einer stärkeren Kundenbindung, einer individuellen- und
zielgerichteten Interaktion mit dem Kunden und zu Wettbewerbsvorteilen führt. Durch
den Einsatz von neuer Sensor-Technologie erhalten Produkte eine gewisse Eigenintelli-
119
120
Vgl. ICV (2014), S. III.
121
Vgl. Kesten (2019), S. 45.
122
Vgl. Davenport (2014), S. 22; Aschenbrücker et al. (2014), S. 36.
genz. Aus dem Verhalten der Konsumenten kann so die zukünftige Nutzung prognostiziert
werden.123
2.8.2 Herausforderungen und Hemmnisse
Um die Chancen der Digitalisierung zu heben, müssen auch Herausforderungen gemeistert

werden. Neben dem Risiko, dass sich Investitionen in die Digitalisierung nicht amortisieren,
ist vor allem der entstehende Schulungsbedarf der Mitarbeiter, die zukünftig höherwertigere
Aufgaben übernehmen müssen, von besonderer Bedeutung. Diese Mitarbeiter müssen sich
intensiv mit dem Einsatz neuer Software (z. B. Predictive Analytics) auseinandersetzen und
eine intensive Methodenkenntnis (bspw. Regressionsanalysen) entwickeln.124 Nach Kesten
bringt die Digitalisierung nachfolgende Herausforderungen mit sich:125
• Kultur- und Kompetenzwandel bei den verbleibenden Mitarbeitern.

• Aufbau von IT-Know-how und Anpassung der IT-Infrastruktur.
• Wissens- und Erfahrungsverlust bei automatisierten Tätigkeiten („Black Box“).
• Höhere Abhängigkeit von der IT-Infrastruktur.
• Datenschutz und Datensicherheit gewinnen an Bedeutung.
• Kompetenzkonflikte durch neue Kollegen (z. B. Data Scientist).
Viele Unternehmen stehen dem Thema Big Data skeptisch gegenüber. Gründe hierfür
sind neben den hohen Investitionskosten sowie dem fehlendem Fachpersonal und Know-
how die damit einhergehenden Datenschutz-Risiken und die Hemmnisse für die Imple-
mentierung der Technologie.126 Spätestens nach Inkrafttreten der Datenschutzverordnung
(DSGVO) ist Data Governance zu einem wichtigen Themenfeld im Unternehmen gewor-
den. Verschiedene Standards rund um die Datenerfassung, Datenaufbereitung und Daten-
sicherheit müssen sichergestellt werden.127 Der Controller als Business Partner muss den
Einsatz von Big Data gründlich prüfen und erkennen, ob ein realisierbarer Mehrwert für
das Unternehmen zu erkennen ist.128 Gemäß des ICV129 gibt es drei große Gefahrenzonen
für den Einsatz von Big Data in Unternehmen
123
Vgl. Davenport (2014), S. 74 f.; Egle und Keimer (2018), S. 51.
124
Vgl. Egle und Keimer (2018), S. 51; Schäffer (2017), S. 52 f.
125
Vgl. Kesten (2019), S. 46.
126
Vgl. Regelmann (2017), S. 88; Schön (2016), S. 301.
127
Vgl. Gillhuber und Tiedemann (2020), S. 9.
128
Vgl. Kasselmann (2016), S. 782.
129
Vgl. ICV (2014), S. 15.
Literatur 29
• Big Costs: Es sind hohe Investitionskosten für die Implementierung von leistungsstar-
ken IT-Systemen notwendig.
• Big Brother: Wenn soziale Daten von Unternehmen und öffentlichen Verwaltungen
ausgewertet werden können, dann ist die Anonymität des Individuums gefährdet. Der
gläserne Mensch wird Realität, und der Datenschutz ist kaum realisierbar.
• Big Crime: Das enorme Datenvolumen ist auch mit einer hohen Gefahr für Verbrechen
und Sabotage verbunden.
Weitere Barrieren für den Einsatz von Big Data in Unternehmen sind das fehlende
Fachpersonal und Know-how bezüglich Advanced Analytics und neuer Datengrundlagen.
Hinzu kommen unklare organisationale Verantwortlichkeiten und die Kosten für die Er-
schließung neuen Datengrundlagen.130
Literatur
Bücher
Bleiber, R. (2018). Crashkurs Controlling – Grundlagen und Instrumente. Haufe: Freiburg, Mün-
chen, Stuttgart.
BITKOM (2010). Cloud Computing – Was Entscheider wissen müssen. Berlin.
Davenport, T. H. (2014). Big Data at Work: Dispelling the Myths, Uncovering the Opportunities.
Harvard Business Review Press: Boston.
Dorschel, J. (2015). Praxishandbuch Big Data. Wirtschaft – Recht – Technik. Springer Gabler:
Wiesbaden.
Freiknecht, J. (2014). Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten
speichern, aufbereiten, visualisieren. Carl Hanser: München.
Georg, S. (2016). Cut! Rezepte für ein wirkungsvolles Kostenmanagement. Vahlen: München.
Gleich, R./Horváth, P./Seiter, M. (2015). Controlling. München.
Internationaler Controller Verein ICV (2014). Big Data – Potential für den Controller. Dream Car
der Ideenwerkstatt im ICV.
Horváth, P./Aschenbrücker, A. (2014). Data Scientist: Konkurrenz oder Katalysator für den Cont-
roller. In: Gleich, R./Grönke, K./Kirchmann, M./Leyk, J. (Hrsg.). Controlling und Big Data –
Anforderungen, Auswirkungen, Lösungen (S. 47–62). Haufe: Freiburg München.
Horváth, P./Gleich, R./Seiter, M. (2020). Controlling. Vahlen: München.
Kohlhammer, J./Proff, D.-U./Wiener, A. (2013). Visual Business Analytics – Effektiver Zugang zu
Daten und Informationen. Dpunkt: Heidelberg.
Kramer, A. (2018). In-Memory-Technologie im Kontext moderner Unternehmens-planung. In:
Gleich, R./Kramer, A./Esch, M. (Hrsg.). In-Memory-Datenbanken: Auf dem Weg zur Unterneh-
menssteuerung der Zukunft (S. 101–114). Haufe: Freiburg, München, Stuttgart.
Langmann, C./Turi, D. (2020): Robotic Process Automation (RPA) – Digitalisierung und Automati-
sierung von Prozessen. Springer Gabler: Wiesbaden.
Lemke, C./Brenner, W./Kirchner, K. (2017). Einführung in die Wirtschaftsinformatik. Band 2: Ge-
stalten des digitalen Zeitalters. Springer Gabler: Berlin.
130
Vgl. ICV (2014), S. 16; Schön (2016), S. 301.
Mehanna, W. (2014). Big Data: Chancen und Herausforderungen für die Unternehmenssteuerung.
In: Klein, A./Gräf, J. (Hrsg.), Reporting und Business Intelligence (S. 201–208). Haufe: München.
Nagel, M./Nagel, M./Nagel, M./Prosch, R. (2014). Reporting-Nutzen mit Little Data und Big Data
steigern. In: Klein, A./Gräf, J. (Hrsg.), Reporting und Business Intelligence (S. 209–231). Haufe:
München.
Nasca, D./Munck, J.-C./Gleich, R. (2018). Controlling-Hauptprozesse: Einfluss der digitalen Trans-
formation. In: Gleich, R./Tschandl, M. (Hrsg.), Digitalisierung & Controlling (S. 73–88). Haufe:
München.
Obermaier, R. (2019). Handbuch Industrie 4.0 und Digitale Transformation. Betriebs-wirtschaftliche,
technische und rechtliche Herausforderungen. Springer Gabler: Wiesbaden.
Schmitz, U. (2018). In-Memory-Technologie: Grundlagen, Vorteile und Anwendungsmöglichkeiten.
In: Gleich, R./Kramer, A./Esch, M. (Hrsg.). In-Memory-Datenbanken: Auf dem Weg zur Unter-
nehmenssteuerung der Zukunft (S. 30–42). Haufe: Freiburg, München, Stuttgart.
Schön, D. (2016). Planung und Reporting. Grundlagen, Business Intelligence, Mobile BI und
Big-Data-Analytics. Springer Gabler: Wiesbaden.
Seiter, M. (2019). Business Analytics. Wie Sie Daten für die Steuerung von Unternehmen nutzen.
Vahlen: München.
Weber, F. (2020). Künstliche Intelligenz für Business Analytics. Algorithmen, Plattformen und An-
wendungsszenarien. Springer Vieweg, Wiesbaden.
Zeitschriftenquellen
Aschenbrücker, A./Horváth, P./Michel, U./Gänßle, S./Losbichler, H./Grünert, L./Weber, J./Steinke,

K.-H./Blachfellner, M. (2014). Big Data – Potential für Controller. Controller Magazin,
39(6), 35–42.
Baars, H./Kemper, H.-G. (2015). Integration von Big Data-Komponenten in die Business Intelli-
gence. Controlling, 27(4–5), 222–227.
Baumöl, U./Bockschecker, A./Grawe, C. (2017). Entscheidungsunterstützung für eine effiziente In-
formationslogistik. Controlling, 29(5), 4–11.
Baumöl, U./Horváth, P. (2015). Big Data & Controlling. Controlling, 27(4–5), 219.
Becker, W./Reitelshöfer, E./Prainer, A.-E. (2018). Industrie 4.0 – Neeue Herausforderungen für den
Controller? Controller Magazin, 43(1), 84–88.
Biel, A. (2018a). Business Analytics – Möglichkeiten für die Unternehmenssteuerung. Controller
Magazin, 43(3), 35–39.
Biel, A. (2018b). Herausforderungen und Probleme der Digitalisierung und ihre Bewältigung – In-
terview mit Otto Schell, Kai-Oliver Schocke und Volker Stockrahm. Controller Magazin,
43(5), 18–22.
Botar, A./Pletchacher, M./Stummeyer, C. (2018). Die Roboter sind da – Wie Robotic Process Auto-
mation (RPA) Arbeitnehmer entlastet und Arbeitgebern hohe Kosten einspart. Controller Maga-
zin, 43(3), 73–76.
Deipenbrock, S./Landewee, L./Sälzer G. (2019). Digitale Transformation des Controllings bei Deut-
sche Post International – Potentiale und Herausforderungen durch Nutzung von Predictive Ana-
lytics. Controller Magazin, 44(1), 45–50.
Derwisch, S./Iffert, L./Fuchs, C./Bange, C. (2016). Business Analytics-Software für das Cont-
rolling – eine Marktübersicht. Controlling, 28(8–9), 480–487.
Dülken, F./Emler, M./Leyk, J./Tatzel (2018). Controlling. Wie sich die Anforderungen verändern.
Controller Magazin, 43(2, Supplement), 34–37.
Literatur 31
Ebner, K./Smolnik, S. (2015). Alles eine Frage der Daten? Eine Analyse verschiedener Big-Data-
Technologiestrategien und Vorschlag eines Entscheidungsmodells. Controlling, 27(4–5),
249–255.
Egle, U./Keimer, I. (2018). Kompetenzprofil „Digitaler Controller“. Controller Magazin,
43(5), 49–53.
Ereth, J./Kemper, H.-G. (2016). Business Analytics und Business Intelligence – Säulen eines integ-
rierten Ansatzes der IT-basierten Entscheidungsunterstützung. Controlling, 28(8–9), 458–464.
Gänßlen, S. (2018). Controlling.com – was ist Hype, was Realität? Controller Magazin, 43(2 Sup-
plement), 12–14.
Gillhuber, A./Tiedemann, M. (2020). Einführung in Data Governance. Controller & Management
Review, 64(2), 9–12.
Gröber, M./Schlecht, L./Esch, M./Gleich, R. (2018). In-Memory-Technologie. 10 Thesen und Ex-
perteneinschätzungen zu Nutzenpotentiale und Auswirkungen. Controller Magazin, 43(3), 50–53.
Grönke, K/Heimel, J. (2015). Big Data im CFO-Bereich – Kompetenzanforderungen an den Cont-
roller. Controlling, 27(4–5), 242–248.
Gronau, N./Thim, C./Fohrholz, C. (2016). Business Analytics in der deutschen Praxis – Aktueller
Stand und Herausforderungen. Controlling, 28(8–9), 472–479.
Gürster, U./Spaar, M. (2017). Traue keiner Statistik, die Du nicht … – Über die Bedeutung der Da-
tenqualität in Zeiten von Big Data. Controller Magazin, 42(1), 33–35.
Hedfeld, P./Pütz, K. (2019). Analysen der Anforderungen und des Nutzens eines „Cognitive Finan-
cial Advisor“ im Controlling. Controller Magazin, 44(3), 26–30.
Ideenwerkstatt im ICV (2015). Big Data – Potential für den Controller. Controlling, 27(2), 103–106.
Kasselmann, S. (2016). Lexikon: Digital Controlling. Controlling, 28(12), 780–783.
Kesten, R. (2019). Digitalisierung im Rechnungswesen und Controlling und die Folgen für die
Hochschullehre – Chancen und Herausforderungen. Controller Magazin, 44(6), 44–49.
Kleinau, P. (2019). Unternehmenskultur im digitalen Wandel. Controller Magazin, 44(5), 22–24.
Klier, M./Heinrich, B. (2016). Datenqualität als Erfolgsfaktor im Business Analytics. Controlling,
28(8–9), 488–494.
Lubos, G. (2020). Künstliche Intelligenz im Controlling. Controller Magazin, 45(1), 45–49.
Mayer, C./Wiesehahn, A. (2018). Controlling im Digitalisierungswahn? – Ein Zwischenruf -. Con-
troller Magazin, 43(5), 29–33.
Mehanna, W./Tatzel, J./Vogel, P. (2018). Business Analytics im Controlling. Fünf Anwendungsfel-
der. In: Controlling, 30(Spezialausgabe), 39–45.
Nasca, D./Munck, J.-C./Gleich, R. (2019). Quo Vadis Controlling? Einfluiss der Digitalen Transfor-
mation auf die Controlling-Hauptprozesse. Controller Magazin, 44(1), S. 78-80.
Paulus, T./Zeibig, S. (2018). Controlling & Industrie 4.0 aus Sicht eines Maschinen- und Anlagebau-
ers. Controlling, 30(Spezialausgabe), 69–75.
Plass, J. (2019). So arbeiten CFOs im Jahr 2025 – Ein Blick in die Glaskugel und fünf Thesen für
die Zukunft. Controller Magazin, 44(6), 78–79.
Portal, F. (2020). Wie Automatisierung und maschinelles Lernen die Finanzfunktion neu gestalten.
Controller Magazin, 45(2), 69–72.
Regelmann, P. (2017). Data Scientist. Controlling, 29(2), 88–89.
Ruf, R./Schwab, W. (2016). Visual Analytics – Vorausschauende Analyse statt klassischem Repor-
ting. Controlling, 28(8–9), 495–501.
Sack, R. (2013). Big Data – Strategischer Vorteil im internationalen Wettbewerb, Hochschule Wis-
mar, Fakultät für Wirtschaftswissenschaften, Wirtschaftsinformatik, 1–4.
Satzger, G./Holtmann, C./Peter, S. (2018). Advanced Analytics im Controlling. Potential und An-
wendung für Umsatz- und Kostenprognosen. Controlling, 30(Spezialausgabe), 47–53.
Schäffer, U. (2017). Der Controller ist tot, es lebe das Controlling! Controller Magazin, 42(3), 52–53.
Another random document with
no related content on Scribd:
transported spirit celebrates its bridal with the Queen of Heaven
—the æsthetic Mary, the Eternal Beauty.
Now that the assailants of Revelation have grown so extremely
pious, we find them zealously enlisting certain modifications of
mysticism on their side. Modern spiritualism revives the tactics of
ancient philosophy. It borrows from Christianity (as did Porphyry)
a higher moral tone than it could otherwise have reached, and
then pretends to look down upon the ethics of the scriptures. The
religious sentiment so variously evolved in every age and
country, is brought forth to overwhelm the religious truth revealed
in Christ. A philosophic church is set up. The hope full of
immortality is depreciated as low and selfish. Quietism abased
itself so profoundly that it would scarcely lift its eyes toward that
hope. Spiritualism exalts itself so ambitiously, that it will not stoop
to make that hope its own. In the seventeenth century, mysticism
was in sad earnest on this question of disinterestedness: in the
nineteenth, such indifference is the pretence of a preposterous
self-sufficiency.
But the device which failed so signally, some fourteen centuries
ago, cannot now prevail, though the hostile approach is more
artfully contrived. That antichristian sentimentalism which is too
refined for the medium of a book, and for the morality of the
Bible, was discomfited as soon as seen, and received its coup
de grace from the ‘Eclipse of Faith,’ amidst universal laughter.
But this repetition of old ideas is, after all, the most mortifying
and damnatory fact. To think; that the advocates of a philosophic
religious sentiment, in opposition to the old Book, should exhibit
as little novelty as their enemies,—that even after throwing off
the Biblical fetters, no progress should be visible,—that the
haunting Past should be with them still,—that after making their
escape from antiquated Paul and John, they should find
themselves in company with antiquated Proclus and Plotinus!
The theosophy of Swedenborg was original. Mysticism has
produced nothing really new in that direction since his day, and
the northern seer still walks alone within his circle. Franz Baader
re-clothes the bones of Behmen’s system from the materials of
modern science; and Oetinger, a student both of Behmen and of
Swedenborg, attempts to arrange a divine system of science by
the mystical interpretation of scripture. Even the ‘holy vegetation’
of oriental mysticism has been reproduced. Schelling bids man
know God ‘in silent not-knowing,’ as the plant reveals eternal
beauty in ‘stillest existence and without reflection.’ Such counsel
means much more than the maxim, ‘Il ne faut pas voyager pour
voir, mais pour ne pas voir,’ so frequent with John of the Cross
and Fénélon. Laurence Oken, a physiologist of note and a
disciple of Schelling, sees in the snail an exalted symbol of mind
slumbering deeply within itself. He beholds in that creature an
impersonation of majestic wisdom: it is ‘the prophesying goddess
sitting on the tripod.’ What reflection, what earnestness, what
timidity, what confidence! The same Oken travesties Behmen,
when he makes red = fire, love, Father; blue = air, truth, belief,
Son; green = water, formation, hope, Ghost; yellow = earth,
Satan. He imagined that he wrote his Physio-philosophy in a kind
of inspiration. Here, again, we see that this intellectual intuition,
professedly so keen, so spontaneous, so free from every
formula, does yet continually repeat itself.
Great and various have been the services rendered by mysticism
throughout the history of the Christian Church. It has exposed
pretence, it has demanded thoroughness. It has sought, amidst
surrounding formalism, what was deemed the highest form of
spirituality. Its strain has been sometimes of a mood so high as
to ‘create a soul within the ribs of death.’
But it has been influential for good in proportion to its
temperance in the doctrine concerning the outward rule and the
inner light. Wherever it has been extravagant in this respect—
has thrown off common sense or decency—been turbulent,
licentious, or ‘high fantastical,’ there good men and thoughtful
have stood mournfully aloof from it, while formal men or
designing have made its follies a plea for tightening the cords of
spiritual oppression. It has won acceptance from men when it
has been sufficiently moderate to urge intelligible arguments, and
to appeal sincerely (if not always warrantably) to that outward
Revelation which is commonly received. But the world has rarely
been disposed to receive boastful professions of spirituality or
freedom, vague declamation and rhapsodical denunciation of
reason or the schools, in the place of those definite expressions
of opinion which, though sometimes narrow, are at least readily
apprehensible. Incalculable must be the advantage of any man
or party who can manifest a clear meaning over those who
cannot.
There is danger in the present day, lest in the reaction against
logical formalism and prescription, an extravagant value should
be set on faith for its own sake. The Romanist makes mere faith,
blind and implicit, a saving virtue. The spiritualist falls into the
same error when he says, ‘Only be in earnest—get faith in an
idea—in something, at any rate—and all will be well.’ But faith is
a principle, not an instinct. Among the many claimants for my
belief, I must make an intelligent choice. It is of some
consequence whether the ‘idea’ on which I am mounted be false
or true. It can be good for no man to be recklessly earnest in the
devil’s work.
Mysticism has generally apprehended religion rather on its divine
than on its human side. It makes haste to lose humanity, and to
be glorified. Grievous afflictions have reminded some of the
mystical aspirants that they were human still. The spiritual pride
of others has betrayed them, first to ostentatious sanctity, and
then to shameful sin. Among those who would surpass humanity,
some have fallen disgracefully, others ludicrously, below it. There
have been those whose transformation proved to be downward
to a lower sphere, not upward to an element more rare. They
fare like Lucius in the Golden Ass to whom Fotis has given the
wrong witch-salve. He extends his arms, he sways himself to
and fro, he expects the next moment to find himself changing
into a bird. But his hands and feet grow horny, his thickening,
irritated skin shoots forth hairs, and behold him metamorphosed
into an ass. The theatrical devotion, so frequent among the
ornaments of Roman saintship, overlooks common duties,
sometimes despises necessary helps, generally mistakes
altogether the nature of true greatness. The Christianity exhibited
in the New Testament differs most conspicuously from the
Mystical Theology in being so much more human. It addresses
man as he is; it addresses all; it appeals to the whole nature of
every man. It knows nothing of class-religion. It does not bid men
exhaust themselves in efforts to live only in the apex of their
being—that ἄνθος νόου of which Plotinus speaks.
The history of mysticism shows us, farther, that the attempt to
escape all figure or symbol, in our apprehensions of divine truth,
is useless, or worse than useless. Such endeavour commonly
ends in substituting for a figure which, though limited and partial,
has life and heart in it, some vague abstraction, cold and lifeless,
—and itself, perhaps, ultimately a figure, after all. It is one thing
to remember that language is but language,—that behind all the
expressions of love or power lies an infinity that cannot be
expressed. It is another to leave behind (as many mystics have
striven to do) even the vital breathing metaphors of Holy Writ,
and restlessly to peer beyond, into the Unutterable—the
Illimitable. Surely the words ‘King,’ ‘Shepherd,’ ‘Father,’ express
more truth concerning God than the ‘pure Act’ of philosophy.
When I speak of God as near or distant, pleased or displeased,
the change may be in me rather than in Him. But in practical
result—in the effects I feel—it is to me as though such change of
disposition were real. And mysticism must freely grant me this, if
it would not play into the hands of scholasticism, its hereditary
foe. There is a sickly dread of anthropomorphism abroad among
us, which is afraid of attributing to God a heart.
Mysticism has often spoken out bravely and well against those
who substitute barren propositions for religious life,—who reject
the kindly truth to make a tyrant of some rigid theory or system.
But there is danger also on the other side. An imaginative,
brainsick man, may substitute religious vagaries, whims,
conceits, for religious truth. Men may be led as far astray by
mere feeling as by mere logic. While the man of method makes
an idol of his theory, the enthusiast may make an idol of his
passion or his fancy. To this latter snare we have seen mysticism
repeatedly fall a prey. The fanatic and the formalist both essay to
build a temple to the Holy Spirit. The formalist is satisfied with
raising the structure; and a sorry taper, here and there, makes
darkness visible. The fanatic kindles so many lights, and with so
little care, that he burns his edifice to the ground, as did the
Florentines their Church of the San Spirito, from excessive
illumination.
Anatomists tell us of what they term vicarious secretion in the
bodies of men. One organ is found, in some cases of injury, to
produce the secretion proper to another; and so we survive the
hurt. I think some process of the kind must supervene for the
benefit of our minds. With many of the mystics, I doubt not, the
heart performed, in their spiritual œconomy, the functions of the
head. A careful scrutiny of the mystical theology will show, I am
confident, that several of its prominent doctrines are, in fact,
most valuable correctives, and probably took or maintained their
place as such. These doctrines, some of which by no means
commend themselves to the non-mystical mind, are the
preservatives of the mystic from his peculiar dangers. Mysticism
leads to an excessive and morbid introspection. How necessary,
then, that doctrine of ‘unconsciousness’ reiterated by John of the
Cross and Fénélon,—itself an extreme, but indispensable to
counteract its opposite. Mysticism has taught many to expect a
perceptible inward guidance. How necessary, then, the doctrine
of ‘quiet,’—that the soul should be abstracted in a profound
stillness, lest the hasty impulses of self should be mistaken for a
divine monition. Mysticism exalts the soul to a fervour and a
vision, fraught with strange sweetnesses and glories. How
necessary, then, that doctrine of the more elevated Quietism
which bids the mystic pass beyond the sensible enjoyments and
imaginative delights of religion—escape from the finer senses of
the soul, as well as the grosser senses of the body, into that
state of pure and imageless contemplation which has no
preference or conception of its own. If Quietism is not to become
a fantastic selfishness, a sensuous effeminacy, a voice must cry,
‘Haste through the picture-gallery—haste through the rose-
garden—dare the darkness, wherein the glory hides!’
The lawless excesses of which mysticism has been occasionally
guilty should not serve to commend spiritual despotism. The
stock alternative with the Church of Rome has been—‘Accept
these fanatical outbreaks as divine, or submit to our rule.’
Unfortunately for this very palpable sophism, the most monstrous
mystical extravagance, whether of pantheism, theurgy, or
miracle, is to be found in the Romish Church. Angelus Silesius,
Angela de Foligni, and Christina Mirabilis, are nowhere
surpassed in their respective extremes. The best of the Romish
mystics are questionable Romanists. Tauler and Madame Guyon
were more Protestant than they were aware. Even the
submissive Fénélon is but a half-hearted son of the Church,
beside that most genuine type of her saintship—the zealous
Dominic. Innocent folk are sometimes inclined to think better of a
system which could produce a man like Fénélon. They forget
that, as a product of the system, Fénélon was a very inferior
specimen—little better than a failure.
There is a considerable class, in these restless, hurrying, striving
days, who would be much the better for a measure of spiritual
infusion from the Quietism of Madame Guyon. She has found an
excellent expositor and advocate in Mr. Upham. The want of
leisure, the necessity for utmost exertion, to which most of us are
subject, tends to make us too anxious about trifles,
presumptuously eager and impatient. We should thank the
teacher who aids us to resign ourselves, to be nothing, to wait, to
trust. But it is to be feared that such lessons will have the
greatest charm for those who need them least—for pensive,
retiring contemplatists, who ought rather to be driven out to
action and to usefulness. There is a danger lest passivity should
be carried too far—almost as though man were the helpless
object about which light and darkness were contending, rather
than himself a combatant, armed by God against the powers of
night. It seems to me, too, better to watch against, and suppress
as they arise, our selfish tendencies and tempers—our envy,
pride, indifference, hate, covetousness—than to be always
nervously trying (as Fénélon does) to catch that Proteus, Self,
in the abstract.
Finally, in the mischievous or unsuccessful forms of mysticism
we have the recorded result of a series of attempts to substitute
the inner light for the outer. When mysticism threw off external
authority altogether, it went mad—as we have seen in the
revolutionary pantheism of the Middle Age. When it incorporated
itself more and more in revealed truth, it became a benign power
—as on the eve of the Reformation. The testimony of history,
then, is repeatedly and decisively uttered against those who
imagine that to set aside the authority of Scripture would be to
promote the religious life of men. The Divine Spirit is with us yet;
and the healing, elevating wisdom of the inspired page
unexhausted still. The hope of our age lies, not in a conceited
defiance of controul, but in our ability more fully to apprehend the
counsels God Himself has given us. Argument may be evaded.
To speak in the name of religion may seem to beg the question.
But to resist the verdict of the past is not the part of any
thoughtful man. He who hopes to succeed in superseding letter
by spirit—in disseminating a gospel more spiritual than that of
scripture, by somehow dispensing with the vehicle which all truth
requires for its conveyance,—who hopes to succeed in any
attempt approaching this, where more powerful minds,
sometimes more favourably situated, have met only with defeat
—such a fanatic must be dismissed with pity as totally incurable.
It grows late. Good night all. If I can get back earlier I will.
Yours,
Henry Atherton.
CHAPTER II.
La raison, dit saint Augustin, ne se soumettroit jamais, si elle ne

jugeoit qu’il y a des occasions où elle doit se soumettre. Il est
donc juste qu’elle se soumette quand elle juge qu’elle doit se
soumettre; et qu’elle ne se soumette pas, quand elle juge avec
fondement qu’elle ne doit pas le faire: mais il faut prendre garde
à ne pas se tromper.—Pascal.
Gower ceased reading. A few irregular remarks and questions

followed the short silence. Willoughby expressed his wish that
Atherton were with them, and was echoed by the lady of Ashfield.
Kate received Atherton’s bulky letter from Gower’s hands, and began
to look it over for herself, as we always do with newspapers,
however fully read aloud. Mrs. Lowestoffe was cutting out some
ingenious paper figures, destined to throw little Kate into rapturous
glee, and her husband had just petitioned for music, when the deep
bark of Lion was heard in the court-yard; then the muffled sound of
hoofs and wheels over the snow, and a tearing peal of the bell.
It was Atherton, who, released sooner than he had hoped, had
followed his epistle at speed, sweeping with the wind, through the
whitening hills, for two-thirds of the December day.
In half an hour he was among his guests—had refreshed him after
his journey—been upstairs to kiss his sleeping child—and now
appeared, blithesome and ruddy, diffusing smiles. Enthroned in his
favourite arm-chair, he amused them with the story of what he had
seen, and heard, and done; nothing uncommon, certainly, but full of
life and humour in his style of telling. On his way home that, day he
had met with an entertaining companion in the railway carriage, a
little spherical old gentleman, exhibiting between upper and nether
masses of fur a narrow segment of face,—gruff and abrupt in speech
—ferocious about stoppages and windows,—who had been in India,
and knew everybody who was ‘anybody’ there.
‘We talked,’ said Atherton, ‘about Brahmins and Buddhists, about the
Bhilsa Topes and Major Cunningham, about the civil service, and
what not. On every topic he was surprisingly well informed, and gave
me, in his brief way, just the facts I wanted to know. A propos of
Ceylon and the famous cinnamon breezes, he said that when he
was on board the Bungagunga Indiaman, they stood one day out at
sea, some miles off the island, when the wind was blowing, mark
you, right on the land. A group among the passengers began to
dispute about these said breezes—were they a poetic fiction, or an
olfactory fact? With that, my old gentleman slips away slyly, rubs a
little oil of cinnamon on the weather hammock nettings, and has the
satisfaction of presently seeing the pro-cinnamon party in full
triumph, crying, with distended nostrils and exultant sniffs, ‘There!
don’t you smell them now?’ One of them, he told me (his
multitudinous envelopes shaking the while), actually published an
account when he got home, relating his own experience of those
spicy gales, said to perfume the ocean air so far away.’
Gower. Amusing enough. Just the blunder, by the way, of our
mystics,—mistaking what exists only on board their own personality
for something real that operates from without. Their pleasurable
emotions can be nothing less than precious odours—miraculous
benisons, breathed from some island of the blest.
Lowestoffe. They seem to me a most monotonous set of gentry—
those same mystics. Accept my congratulations on your having
nearly done with them. As far as I understand them, they go round
one old circuit for ever, in varying forms,—just like your gold fish
there, Mrs. Atherton, now looking so big about it, and the next
moment tapered off to a mere tail. See that fellow now, magnified
almost to the size of his glass world, with his huge eyes, like a
cabbage rose in spectacles; and now, gone again on his way round
and round,—always the same, after all.
Atherton. And yet religious extravagances, with all their inordinate
Quixotism, or worse, are full of instruction. Your favourite botanical
books should hint that much to you; for the vegetable physiologists
all say that no little light has been thrown on the regularly developed
organism by the study of monstrous and aberrant forms of growth.
Lowestoffe. There is something in that. But these irregularities you
speak of have repeatedly broken out in the conduct, have they not,
as well as in imagination or opinion?
Atherton. They have. The dazzling splendour of a superhuman
knowledge or a superhuman fervour, has often distorted the common
rule of right and wrong,——
Gower. As they say the Northern Lights disturb the direction of the
needle.
Kate. Yet those glimmers and flashes are of service in the arctic
night,—better than total darkness.
Lowestoffe. Right, Miss Merivale. I fully admit the plea.
Willoughby. I think we must allow the substantial justice of Mr.
Lowestoffe’s complaint. There is a sameness in these mystics. Each
one starts, to so large an extent, on his own account, with the same
bias and the same materials. He reiterates, after his manner, the
same protest, and the same exaggeration. The same negations, the
same incoherence, the same metaphors, have attempted in every
age the utterance of the unutterable.
Atherton. So science began to make steady progress as soon as it
confined itself within the limits of the knowable, and ceased to
publish fancy maps of the terra incognita. Theosophy was
perpetually transgressing those limits, and hence its waste of
ingenuity in vain gyrations.
Gower. There is one point, Atherton, on which I could wish you had
dwelt more at large in your letter. Do we not find, the most prolific
source of mysticism in the idea that there is a special faculty for the
discernment of spiritual truth,—that there is a kind of soul within the
soul which may unite with God, leaving behind it all the ordinary
powers of the mind,—a potency, in fact, altogether independent of
knowledge, understanding, judgment, imagination, &c., and never
amenable to any of them? We have encountered this doctrine over
and over again, sometimes in a qualified, sometimes in an
uncontrollable form. Hugo’s ‘Eye of Contemplation’ is such a faculty.
Tauler adopts the principle when he separates the Ground of the
Soul from all its acts and powers. It lies at the root of the
inexpressible experiences so precious to the Spanish mystics, when
every function of the soul underwent divine suspension. It appears
again in the divorce declared (by Coleridge, for example) between
the Understanding—the reasoning faculty, which deliberates and
judges, and the Intuitive Reason, which discerns religious and
philosophic truth directly.
Atherton. You make out a strong case, certainly. Declare intuition
absolute, with an undivided irresponsible prerogative of this kind,
and what check is provided against any possible vagary of
mysticism?
Mrs. Atherton. I do not clearly understand the question at issue.
Pray explain before you go farther.
Gower. Allow me to make the attempt. I am afraid we are growing
prosy—speaking for myself, at least. Old travellers used to report
that the Danube, near its conjunction with the Drave, flowed in a
stream quite separate from its tributary, though the same banks
confined them both. The two currents were said to be perfectly
distinct in colour, and their waters of quality so opposite, that the fish
caught in the one were never to be found in the other. Now the
question is, whether Reason and Understanding in the mind of man,
do, in a similar way, reciprocally exclude each other.
Atherton. Gower says no; and the failures of mysticism powerfully
support his position. I agree with him. I think we have all within us
what I may call Intuition, the poetical, and Understanding, the
practical man; but that each of the two is the better for close
fellowship with his brother. Let not Intuition disdain common-sense,
and think irrationality a sign of genius. And you, Gower, would be the
last to give the reins to logic only, and live by expediency, arithmetic,
and mensuration.
Mrs. Atherton. Thank you.
Willoughby. But there was occasion, surely, for Coleridge’s
exhortation to rise above the dividual particular notions we have
gathered about us, to the higher region of the Universal Reason.
Atherton. By all means, let us clear our minds of prejudice, and
seek the True for its own sake.
Lowestoffe. But I do not find that those who profess to have
ascended to the common ground of Universal Reason, are one whit
more agreed among themselves, than those who are disputing in the
lists of logic about evidence.
Willoughby. They are not, I grant. They would attribute their want of
unanimity, however, to the fact that some of them have not
sufficiently purged their intuitional eyesight from everything personal
and particular.
Lowestoffe. Who is to be judge in the matter? Who will say how
much purging will suffice to assure a man that he has nowhere
mistaken a ‘wholesome Prejudice’ for a divine intuition?
Willoughby. He must exercise his judgment——
Gower. Exactly so; his critical, sifting faculty—his understanding.
But that is contrary to the theory in question, which represents
Understanding as utterly incapable in the Intuitional sphere.
According to Jacobi, it is the instinct of the logical faculty to
contradict the intuitional—as the bat repudiates the sunshine.
Atherton. If the Christianity of mere logic hardens into a formula,
the Christianity of mere intuition evaporates in a phantom.
Willoughby. But do not let us forget how limited is the logical
faculty.
Gower. So, for that matter, is the intuitional. Undeveloped by culture
from without, its voice is incoherent, various, scarce audible
oftentimes.
Willoughby. What logic can prove to me the Eternity of the Divine
Nature? Is not that a transcendental truth?
Atherton. I grant it. But my understanding, observing and
reasoning, has shown me convincingly that I must receive that truth
on pain of believing an absurdity. In this way, the Understanding is
satisfied (as Pascal observes it always should be), and acquiesces
in a truth beyond itself. But if I have not thus used my Understanding
as far as it will go, I am traversing the transcendental region without
the passport it should give me,—I cannot render a reason—I only
oracularly affirm—I am fast turning mystic.
Lowestoffe. But how this Intuition sees to work, or finds means to
work, without contact with the other faculties of the mind, I cannot
conceive. Has it a set of finer senses of its own? Has no one ever
defined it?
Gower. Several definitions have been attempted. I think Mark
Antony’s the best. He delivered it when he gave drunken Lepidus
that hoaxing description of the crocodile. A mind with any depth of
insight will understand at once the fine symbolism of Shakspeare,
and see that he is depicting Intuition. ‘It is shaped, sir, like itself; and
it is as broad as it hath breadth; it is just so high as it is, and moves
with its own organs; it lives by that which nourishes it; and, the
elements once out of it, it transmigrates.’
Atherton. In fact, Intuition is not to be termed one among or above
the faculties of the mind. It is rather, like consciousness, related to
them as species to individuals. As the man is, so are his intuitions.
Previous observation, training, judgment, all combine to bring the
mind to that point from which Intuition takes its survey, more or less
extended.
Lowestoffe. Good. Our inner and our outer world contradict that
separatist theory every day, by their action and reaction on each
other. The man who dreads the internal light as an illusive Will-o’-
the-Wisp, has often consulted his own inward bent, far more than he
supposes, in choosing what authority he shall receive. The man who
professes to transcend the external altogether is still moulded by it in
a thousand unimagined modes.
Willoughby. The imperfect character of our recollection should
make us very cautious, I admit. So much that has been imported into
the mind looks native and spontaneous after a lapse of time. Many
an idea, promulged as the dictum of Intuition—as having its source
in the immemorial depths of our being, has been subsequently
traced, even by its own author, to the external world.
Gower. That gaberlunzie, Memory (whose wallet has so many
holes), would step in oftener, if he did his duty, and say, like Edie
Ochiltree, ‘I mind the biggin o’ it.’
Atherton. It seems to me so unfair and ungrateful that after having
been so largely indebted, from the first, to the outer world, any man
should pretend, at a certain point, to deny utterly that indispensable
coadjutor in his inward development.
Gower. You remind me of the affectation of the author in Humphrey
Clinker, who professed such an antipathy to green fields as made
him careful to sit with his back to the window all dinner-time,—
though he had, in fact, passed his childhood with the asses on the
village common.
Lowestoffe. Let us, then, celebrate the reconciliation of the pair—
Reason and Understanding, if the terms are to be retained. So only
can our nature realize its full productiveness,—as the richest mines
lie always near the junction of two dissimilar rocks.
Atherton. I think spiritualism, which complains that religion is
separated too widely from common life, will scarcely mend the
matter by teaching men that they use one faculty, or set of faculties,
about their week-day business, and a quite distinct one in their
worship.
Gower. As though we were to leave our understandings—like the
sandals of old—at the door of our holy places.
Atherton. Enough on this question, I have only one remark to add.
We have seen mysticism endeavouring to exclude all distinct form or
expression, all vivid figure, from its apprehensions of spiritual truth;
as if such clearness and warmth belonged to our meaner nature—
were low and sensuous.
Gower. Confounding spirituality with abstraction.
Atherton. Spiritualism now repeats the same error—is the revival of
an old mistake in a new form. It shrinks from distinctness, mistaking
it, I suppose, for so much gross materialism, or artificial formalism. It
shuns, as far as possible, actual outward persons and events—as
though reality were carnality—as though the fewer facts we
acknowledged, the less formal we were sure to be—as though we
were spiritual in proportion as we resolved sacred narrative into
symbols of inward states or emotions, forsook history for reverie, and
evidence for hazy sentiment. The Spanish Quietists were well nigh
enjoining the exclusion of the conception of Christ’s humanity from
their higher contemplation, as an image too substantial and earthy.
Spiritualism, in its tendency to escape from objective facts to
subjective experience, displays a similarly unnatural timidity—a
morbid aversion to that manly exercise of our whole nature on
religious questions which we put forth on others.
Gower. Thinking, I conclude, that the opposite to spirituality is, not
sensuality or earthliness—but external reality.
Willoughby. Why look at me? You don’t suppose I have a word to
say in defence of such a curious confusion of thought?
Lowestoffe (who has been turning over the leaves of a
Shakspeare while listening.) If any one of you should ever take it into
his head to write a book about mysticism——
Atherton. Forbid it, my good genius!
Lowestoffe. I have a motto for him—a motto by ‘sweet Bully
Bottom,’ quite in the past-all-utterance mystical strain.
‘I have had a most rare vision. I have had a dream—past the wit of
man to say what dream it was. Man is but an ass if he go about to
expound this dream. Methought I was, there is no man can tell what.
Methought I was, and methought I had. But man is but a patched
fool, if he will offer to say what methought I had. The eye of man
hath not heard, the ear of man hath not seen; man’s hand is not able
to taste, his tongue to conceive, nor his heart to report, what my
dream was. I will get Peter Quince to write a ballad of this dream: it
shall be called Bottom’s Dream, because it hath no bottom.
CHAPTER III.
What pale dictatress in the air

Feeds, smiling sadly, her fine ghostlike form,
With earth’s real blood and breath, the beauteous life
She makes despised for ever?
Browning.
These lines hovered in Gower’s memory that night, as he walked

home after the conversation just recorded. He thought how
applicable they were to asceticism,—especially to that intense
asceticism of the mind which, not content with wasting the body and
searing the sense, prides itself on starving Reason and blinding
Imagination,—which eschews all form and figure, and affects naked
truth, without a medium or an envelope. His was a nature which saw
everything in figure. His mind moved everywhere among pictures.
For him to dispense with metaphor and parable—with significant
raiment and dramatic action for his ideas, would have been almost
equivalent to dispensing with ideas altogether. So he quickened his
steps; for the starless, unfeatured night seemed to him too much to
resemble the blank and bleak Abstraction of the severer mystics,—
that tyrannous curfew of warm natural life and of all bright thoughts.
He soon reached his abode, where a blithe fire awaited him,
radiating its almost animated welcome over easel, busts, and books.
Assuming light study vesture, he leaned back in his arm-chair,
enjoying slippered ease. He would not light his lamp, but reclining in
the very mood for reverie, watched the fire—now the undisputed
magician of his studio,—as it called up or dismissed, with its waving
flame, the distorted shadows of familiar things on wall and ceiling.
He himself was soon occupied in like manner, waywardly calling
forth, linking, severing, a company of shadows out of the past.
In a half-waking, half-dreaming twilight, Gower seemed to see the
dusky form of the Indian, crouched on his mat beside a holy river,
awaiting divine insensibility. There was the Yogi, gathered up in his
patch of shade, like an insect rolled under a leaf; while, above, the
beating sun-glare trampled over the plains, strewn with his reflected
rays, as over an immeasurable threshing-floor.
Then he dreamed that he stood in a Persian garden, and before him
were creeping plants, trained on wires slanting upward to a point,
and in and out and up and down this flower-minster, hung with bells,
darted those flying jewels, the humming-birds: the sun’s rays as they
slanted on their glancing coats seemed to dash off in a spray of
rainbow colours. Some pierced the nectaries of the flowers with their
fine bills; others soared upward, and as they were lost in the dazzling
air, the roses swung their censers, and the nightingales sang an
assumption-hymn for them. Yet this scene changed incessantly.
Every now and then the pinnacle of flowers assumed giant size,—
was a needle of rock, shooting up out of a chasm of hanging
vegetation; and innumerable spirits—winged souls of Sufis, were
striving to reach the silent glistening peak. There was a flutter and a
pulsing in the sky—as with summer lightning at night,—and the
palpitation of some vast eyelid made light and darkness succeed
each other with quick throbs. Now it was the pyramid of flowers, now
the star-crowned point of rock. So time and space were surpassed—
sported with. Instants were ages, he thought, and cycles ran their
round in a moment. The vault of heaven was now a hanging flower-
cup; and presently the feather of a humming-bird expanded to a
sunset of far-streaming gold and purple.
A leaping flame caused these alternations in Dreamland, as it lit or
left in shadow his closed eyes.
Then he stood on the desolate Campagna, where before him
stretched the ruins of the Roman aqueducts. The broken arches,
dotting at intervals the far waste of withered green, drew no more
water from the hills for the million-mouthed City in the horizon. Their
furrowed, beaten age held in its wrinkles only roots of maidenhair,
and sometimes little rain-pools along the crevices,—the scornful
charity of any passing shower. In a moment the wilderness grew
populous with the sound of voices and the clangour of tools.—A
swarm of workmen, clustered about the broken links of the chain,
were striving to piece them together again—to bind up the mighty
artery, and set it flowing as of old. But an insatiable morass sucked
down the stones they brought. Waggons full of gods (such as moved
in the old triumphs), of statues monstrous, bestial, many-limbed,
from all the temples of the nations, were unladen, with sacrifice and
augury, and the idols deposited on the treacherous quagmire, only to
sink down, a drowning mass, with bowing heads and vainly-lifted
arms. Then the whole undulating plain appeared to roll up in vapour,
and a wind, carrying in it a sound of psalms, and driving before it a
snowy foam of acacia blossoms, swept clear the field of vision. No;
the old influence was to flow no more from the Olympian Houses
above that blue line of hills. Great Pan was dead. The broken
cisterns would hold no water.
He stood next before the mouth of a cavern, partly overhung with a
drooping hair of tropical plants. At his side was a nun, who changed,
as is the wont of dreams, into a variety of persons. At one time, she
was St. Theresa, then Christina Mirabilis, and presently Gower
thought he recognised Theresa once more. He followed his
conductress into the cavern, in the gloom of which a hermit rivulet
was pattering along, telling its pebble beads. As they passed on, the
night-birds in the black recesses of the rock shrieked and hooted at
them. As he touched the dank sides of the passage, from time to
time his hand would rest on some loathly wet lump, shuffling into a
cranny, or some nameless, gelid shape fell asunder at his touch,
opening gashes in itself where lay, in rows, seeds of great tarantula
eye-balls, that ran away dissolved in venomous rheum. Bat-like
things flapped down from funnel-shaped holes: polypi felt after his
face with slimy fingers: crabs, with puffed human faces, slid under
his tread; and skinny creatures, as it were featherless birds, with
faces like a horse’s skull, leaned over and whinnied at him. ‘These,’
said Theresa, ‘are the obscene hell-brood whose temptations make
so terrible the entrance on the Higher Life.’
The long cavern had not yet made a single winding, and he turned,
as the darkness increased, to have a last look at the entrance,
whence the outer sunshine still twinkled after them. He could see a
green hill that faced the mouth, lying off like a bright transparency. Or
was it a spot brought into the disc of his great rock-telescope, from
some planet of perpetual summer—one of those that play in the hair
of the sun? Christina, impatient of this sinful looking back, urged him
onward. A palm-branch she carried grew luminous, and its plume of
flame dropping sparks, became their torch. She paused to point out
to him some plants growing in a black mould. Birds had carried in
thus far the seeds from which they sprang; but there had been no
sun-light to give them colour, and their form was uncertain and
defectively developed. ‘Behold,’ said she, ‘these saintly flowers.
Mark that holy pallor! The sun never stained their pureness with
those gaudy hues men admire. Yon garish world can show no such
perfectness: see them, they are hueless, scentless, well-nigh
formless!’ ‘Sickly, blanched abortions!’ exclaimed the dreamer, so
loudly that he almost awoke. ‘We want more life, not less—fuller—
sunnier!’ Christina crossed herself piously to hear abstraction thus
blasphemed. And now the passage, widening, opened on the central
hall of rock, that branched out into depths of darkness every way,
and was fretted with gleaming stalactites. There were amber volutes
and brittle clusters of tawny bubbles; lily-bells of stone, flowers with
sparry thorns and twining stream-like stems; creamy falls from slabs
of enamel, motionless, yet seeming ever to drop from ledge to ledge;
membranous curtains, and net-work, and traceries; tissues and
lawnlike folds of delicate marble; while in the centre, reaching to the
misty summit of the dome, stood a huge sheaf of pillars, like
alabaster organ-pipes. A solemn music trembled and swelled, and
as its rising volume shook the air, voices sang—‘Weep for the sins of
men!’ There was a wild burst of sound; then sudden silence; and,
above and around, nothing was audible but a universal trickling and
running, a dripping and dropping and plashing, while the palm-torch
flashed on innumerable tear-drops, hanging on every pendant point
and jutting ledge, or sliding down the glistening rock.
After a while, it seemed to be Theresa who spoke to him and said,
‘Here in these depths is warmth, when the world above is locked in
ice; and when the surface is parched, here dwells chaste coolness,
safe encelled. Our fire seems numbness to a blinded world; and we
are frost to its dog-day rages.’ With that a spell seemed to come over
her hearer. The spirit of the words became his spirit. The fate of an
empire seemed as nothing in his eyes beside his next prospect of
rapture, or his success in straining out another half-pint of tears. In a
moment he was turned to stone. He had become a gargoyle high up
on Strasburg Cathedral, and was spouting water from his lolling
tongue at the circling birds.
Gower next found himself, on a cold grey morning in spring, in a vine
country, where men and women were toiling up the steep hills on
either side a river, carrying baskets of earth. Last winter’s rain had
swept away the thin soil to the bone, and they must lay a new one
about their vine-sticks. In the midst of their miserable labour, these
poor people saw standing among them a majestic stranger, wrapped
in a robe. Gower thought he recognised Swedenborg at once. ‘Stay,’
cried the seer, ‘God hath made a soil already for you. Build no other.
Your own stony hearts have made the hill seem to you as iron.’ They
heard: each seemed to take a stone out of his bosom, and hurl it
down the steep; when straightway every foot sank deep into a rich
and kindly earth, and a shout of joy broke forth, echoed far among
the cloudy gorges.
Once more Gower thought he stood upon the shoulder of a volcano,
among the clinking scoriæ. It was growing dark. A strange shape of
fire was suddenly at his side, helmed with a flaring cresset, under the
light of which the rocky projections around glowed like the burnished
beaks of galleys. Over his shoulders hung a mantle of azure flame,
fringed with sparks and tasselled with brushes of fire. On his breast
was what seemed a hauberk of some emerald incandescence, that
brightened or paled with every sinuous motion of the lithe frame, as
when the wind comes and goes about an ignited tree-trunk in a
burning forest. The form said—‘I am the Flame-king: behold a vision
of my works’—and passed his hand before the eyes of the dreamer.
Gower saw columns of steam shot up from an Indian sea, with
stones and mire, under a great canopy of smoke. Then all was calm:
a new island had been born; and the waves licked the black fire-cub.
Next he saw a burning mountain, lighting, at the dead of night,
glaciers and snowy precipices—as the fire-cross of a great festival

full download Anforderungen An Das Controlling Auswirkungen Von Big Data Und Digitalisierung Auf Das Zukunftige Kompetenzprofil Des Controllers German Edition Anastasios Georgopoulos online full chapter pdf

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

full download Anforderungen An Das Controlling Auswirkungen Von Big Data Und Digitalisierung Auf Das Zukunftige Kompetenzprofil Des Controllers German Edition Anastasios Georgopoulos online full chapter pdf

Hochgeladen von

Copyright:

Verfügbare Formate

Anforderungen an das Controlling:

Auswirkungen von Big Data und

Big Data e Internet das Coisas Larissa Kakizaki De

Planung und Reporting im BI-gestützten Controlling:

Selbstführung Auf dem Pfad des Business Häuptlings Als

Digitalisierung von industriellen Dienstleistungen Wie

Berechenbarkeit der Welt Philosophie und Wissenschaft

Big Brain Unindo Big Data e a Internet das Coisas para

Die Digitalisierung der Kommunikation im Mittelstand

Das wundersame Leuchten Von der Fackel bis zur Photonik

ISBN 978-3-658-34937-0 ISBN 978-3-658-34938-7 (eBook)

Lektorat: Vivien Bender

3 Digitalisierung, Big Data und Controlling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.3.2 Empirische Analyse von Werner und Vester bezüglich des

Ad hoc lateinisch für „zu diesem, hierfür“

IoT Internet of Things

Abb. 2.1 Entwicklung der globalen Datensphäre. (Quelle: Eigene Darstellung in

Abb. 4.3 Vergleich der vier Rollenbilder. (Quelle: Eigene Darstellung)���������������������� 72

Abb. 5.12 Themenbereiche der Accenture Academy. (Quelle: Eigene Darstellung

Tab. 5.1 Certified Information Manager CA������������������������������������������������������������ 100

„The data-driven world will be always on, always tracking, always

1.1 Digitale Transformation

Im aktuellen Jahrhundert sind Unternehmen komplexen und sich schnell verändernden

© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden 1

anforderungen gilt es zu meistern, um weiterhin erfolgreich zu sein. Viele Unternehmen

1.2 Zielsetzungen des Buches

• welche neuen Rollenbilder im Controlling entstanden sind,

Georg, S. (o.J.). Controlling. https://www.wiin-­kostenmanagement.de/controlling/. Zugegriffen:

„Die Kompetenz, verfügbare Daten so zu analysieren, dass

Im Zusammenhang mit der Digitalisierung werden viele Begriffe synonym verwendet,

Unter Digitization versteht man lediglich die Konvertierung analoger Informationen

© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden 7

nikationstechnologie verstanden.1 Es werden nicht nur Geschäftsprozesse digitalisiert,

2.2 Facetten von Big Data

2.2.1 Daten und Informationen

Daten sind geordnete Zeichenfolgen, die durch operative Transaktionen im Unternehmen

2.2.2 Big Data

2.2.3 Datenqualität in Zeiten von Big Data

2.3 Ursachen und Quellen für den großen Datenzuwachs

ren werden in der gesamten Produktionskette genutzt. Produktionsgüter, Maschinen und

2.4 Eigenschaften, Nutzung und Nutzen von Big Data

die Unternehmen. Erst in Verbindung mit den entsprechenden Algorithmen entstehen

Big Data Big Data Big Data

2.5 Technologien für den Einsatz von Big Data

2.5.1 Not Only SQL (NoSQL)

Eine NoSQL-Datenbank versucht, unstrukturierte Daten – beispielsweise Texte, Bilder,

2.5.2 Apache Hadoop

Schwerpunkt der Apache Hadoop-Technologie ist die Bearbeitung großer Datenmengen

Input Map Shuffle Reduce Output

so Datenvolumina im Petabyte-Bereich verarbeiten. Dabei werden rechenintensive Pro-

Die In-Memory-Technologie erleichtert ebenfalls den Umgang mit großen Datenmen-

Hauptspeicher zur Datenspeicherung, -verwaltung und -manipulation angewiesen ist.69

2.5.4 Cloud Computing

Der Bundesverband Informationswirtschaft, Telekommunikation und neue Medien

Besonders für die Finanzbrache offenbart die Blockchain Einsatzmöglichkeiten.78 Im

2.6 Methodische Ansätze für die Analyse von Big Data

2.6.1 Business Intelligence (BI)

2.6.2 Business Analytics (BA)

Der Einsatz von BA ist in den Unternehmensbereichen General Management, Vertrieb,

2.6.3 Data Mining

2.6.4 Machine Learning

2.6.5 Visual Analytics

2.6.6 Advanced Analytics mit Big Data

Data Mining Was ist zu tun?

3 Digitalisierung, Big Data und Controlling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.3.2 Empirische Analyse von Werner und Vester bezüglich des

Abb. 4.3 Vergleich der vier Rollenbilder. (Quelle: Eigene Darstellung)�� 72

Tab. 5.1 Certified Information Manager CA�� 100

1.1 Digitale Transformation

1.2 Zielsetzungen des Buches

Georg, S. (o.J.). Controlling. https://www.wiin-kostenmanagement.de/controlling/. Zugegriffen:

2.2 Facetten von Big Data

2.2.1 Daten und Informationen

2.2.2 Big Data

2.2.3 Datenqualität in Zeiten von Big Data

2.3 Ursachen und Quellen für den großen Datenzuwachs

2.4 Eigenschaften, Nutzung und Nutzen von Big Data

2.5 Technologien für den Einsatz von Big Data

2.5.1 Not Only SQL (NoSQL)

2.5.2 Apache Hadoop

2.5.4 Cloud Computing

2.6 Methodische Ansätze für die Analyse von Big Data

2.6.1 Business Intelligence (BI)

2.6.2 Business Analytics (BA)

2.6.3 Data Mining

2.6.4 Machine Learning

2.6.5 Visual Analytics

2.6.6 Advanced Analytics mit Big Data

2.7 Prädestinierte Branchen für den Einsatz von Big Data

2.8 erspektiven und Herausforderungen von Digitalisierung

2.8.1 Perspektiven und Nutzenpotentiale

2.8.2 Herausforderungen und Hemmnisse