Beruflich Dokumente
Kultur Dokumente
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
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
https://ebookstep.com/product/big-data-e-internet-das-coisas-
larissa-kakizaki-de-alcantara/
https://ebookstep.com/product/planung-und-reporting-im-bi-
gestutzten-controlling-grundlagen-business-intelligence-mobile-
bi-und-big-data-analytics-3te-dietmar-schon/
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/
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/
https://ebookstep.com/product/berechenbarkeit-der-welt-
philosophie-und-wissenschaft-im-zeitalter-von-big-data-1st-
edition-hrsg/
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/
https://ebookstep.com/product/die-digitalisierung-der-
kommunikation-im-mittelstand-auswirkungen-von-marketing-4-0-1st-
edition-jan-lies-auth/
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
Auswirkungen von Big Data und
Digitalisierung auf das zukünftige
Kompetenzprofil des Controllers
Anforderungen an das Controlling
Anastasios Georgopoulos • Stefan Georg
Anforderungen an das
Controlling
Auswirkungen von Big Data und
Digitalisierung auf das zukünftige
Kompetenzprofil des Controllers
Anastasios Georgopoulos Stefan Georg
Dillingen, Deutschland Saarbücken, Deutschland
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.
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
Anhang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Abkürzungsverzeichnis
XI
XII Abkürzungsverzeichnis
XIII
XIV Abbildungsverzeichnis
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
1
Vgl. Sesler und Georg (2020), S. 11.
2
Vgl. Lemke et al. (2017), S. IX.
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
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
Vgl. Schermann et al. (2014), S. 282.
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,
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
2.1 Digitalisierung
• Digitization,
• Digitalization und
• Digital Transformation.
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)
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.
10 2 Big Data und die digitalisierte Welt
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
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
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
Vgl. Davenport (2014), S. 13.
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.
12 2 Big Data und die digitalisierte Welt
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
Vgl. Davenport (2014), S. 11.
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
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.
14 2 Big Data und die digitalisierte Welt
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
Vgl. Aschenbrücker et al. (2014), S. 36.
53
Vgl. Klier und Heinrich (2016), S. 488; Schön (2016), S. 304.
54
Vgl. Sack (2013), S. 2.
55
Vgl. Aschenbrücker et al. (2014), S. 36.
2.4 Eigenschaften, Nutzung und Nutzen von Big Data 15
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.
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.
16 2 Big Data und die digitalisierte Welt
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.
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
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)
2.5.3 In-Memory-Technologie
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
Vgl. Baars und Kemper (2015), S. 224.
18 2 Big Data und die digitalisierte Welt
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
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
Vgl. Schermann et al. (2014), S. 282.
81
Vgl. Seiter (2019), S. 23; Baars und Kemper (2015), S. 227; Davenport (2014), S. 7; Biel
(2018a), S. 36.
20 2 Big Data und die digitalisierte Welt
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
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
Vgl. Baars und Kemper (2015), S. 222.
86
Vgl. Baars und Kemper (2015), S. 227.
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.
2.6 Methodische Ansätze für die Analyse von Big Data 21
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).
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.
22 2 Big Data und die digitalisierte Welt
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.
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.
2.6 Methodische Ansätze für die Analyse von Big Data 23
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
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
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
Vgl. Davenport (2014), S. 118.
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.
24 2 Big Data und die digitalisierte Welt
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
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. 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.
2.6 Methodische Ansätze für die Analyse von Big Data 25
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.
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.
26 2 Big Data und die digitalisierte Welt
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
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
112
Vgl. Dorschel (2015), S. 63.
113
Vgl. Mehanna (2014), S. 204.
114
Vgl. Davenport (2014), S. 32.
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
Nach Kesten bietet die Digitalisierung die nachfolgenden Perspektiven und Nutzenpo-
tenziale:121
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
Vgl. Aschenbrücker et al. (2014), S. 37.
120
Vgl. ICV (2014), S. III.
121
Vgl. Kesten (2019), S. 45.
122
Vgl. Davenport (2014), S. 22; Aschenbrücker et al. (2014), S. 36.
28 2 Big Data und die digitalisierte Welt
genz. Aus dem Verhalten der Konsumenten kann so die zukünftige Nutzung prognostiziert
werden.123
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.
30 2 Big Data und die digitalisierte Welt
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
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.
Browning.