16. CIS Controlling Insights Steyr, 24. November 2017Matthias Frank – AUDI AG

Beitrag des Unternehmenscontrollings zur Digitalisierung des Geschäfts

AAudi wird Teil eines digitalen ÖkosystemsMit der Digitalisierung werden Industriegrenzen neu definiert

2

3

90% aller Audi Fahrzeuge sind 2020 online.Heute sind es nur 10%.

Vernetzung als Basis für digitale Geschäftsmodelle

Bessere Produkte und neue Geschäftsmodelle

124

Daten als Türöffner für unbegrenzte Möglichkeiten

Arbeitgeberattraktivität

Neue Werte und Bedürfnisse

Mobiles Arbeiten…

6

Doch Digitalisierung definiert nicht nur Industriegrenzen neu

DDie Digitalisierung verändert auch unseren ArbeitsalltagNeue Geschäftsmodelle erfordern neue (Mitarbeiter-)Kompetenzen

7

NNeue (Mitarbeiter-) Kompetenzen… welche brauchen wir im Controlling?! Einen…“Arzt der operiert”?!

8

2013 2016Nachfrage „Data Science“

11 13 12

Stellengesuche: Stand Sep. 16

> 1000

Dan Ariely (Duke University)

Bild: http://www.tibco.com/blog/wp-content/uploads/2013/12/dataman.jpg

8

BBeispiel…Benchmark von Jobangeboten uneinheitlich

9

BBeispiel…neue Wege zur Mitarbeitergewinnung notwendig!

Herkömmliche Stellenausschreibung?!Ja! …aber

Social Media Netzwerkeund Communities

10

DDer “Audi Weg” im UnternehmenscontrollingAufbau einer Expertenkeimzelle mit unterschiedlichen Kernkompetenzen

Visualisierung/ BI

Data Science/ Datenbankmodelle/ ETL-Prozesse

IT Tools/ Programmierung

11

MMachine Learning im Audi UnternehmenscontrollingNeue Finanzwerkzeuge im Arbeitsalltag des Controllers

Fehlende Planwerte (Restanten) müssen zur finanziellen Bewertung von Produktions- und Absatzpro-grammveränderungen ermittelt werden.

Der vormals manuell durchgeführte Prozess wurde durch Machine Learning und automatisierte Ermittlung von Vorschlagswerten ersetzt.

Beispiel automatisierte Planwertsetzung

Bsp.: Budgetplanung (Welt) 2017:

2.700 Fzg.)ca.

Prozess aus Kombination linearer Regression und Entscheidungsbaumverfahren

Sicherstellen Prozessqualität und Transparenz

Arbeitsaufwand - -> 7min.)

Kontinuierliches Lernen auf Basis IST-Daten 12

MMachine Learning im Audi UnternehmenscontrollingBeispielhafter Prozessablauf

Datenverknüpfung

Datenaufbereitung

Dateninputs

Datenauswahl

Datenfilter

Data Cleanse

Kombination Entscheidungsbaumverfahren und

linearer Regression

Vorschlagswert

Datenauswahl

Datenkombination

Ergebnis

13

SSystemische und inhaltliche Erweiterung des HorizontsDie Geschäftsbereichsübergreifende Vernetzung gewinnt an Bedeutung (1/2)

Audi führt seit 2016 im Verbund mit dem VW Konzern eine strategische 10-Jahresplanung durch.

Um den gestiegenen Ansprüchen des Planungsprozesses gerecht werden zu können, wurde ein multidimensionales, geschäftsbereichsübergreifendes IT-Planungstool (mit Cognos TM1) entwickelt.

Hintergrund

Ausgangssituation Ergebnis

Simulationsmöglichkeiten/ Sand Boxing

Integrierte Treiberlogiken

Durchgängiges multidimensionales Datenmodell

Simulationsmöglichkeiten/

14

SSystemische und inhaltliche Erweiterung des HorizontsDie Geschäftsbereichsübergreifende Vernetzung gewinnt an Bedeutung (2/2)

15

Lizenzen

Kapazitäten

Bedarfe

Verkaufs-hilfen

TacticalsAufwandstreiber

Aktivierungsquote

AfA

ZubehörMaterial

GewährleistungFlottenverbrauch

MaßnahmenCycle Plan

Volumen

Etc.

Teilplan 2Vertriebseinzelkosten (VEK)

TeilplanProduktion

Teilplan 6Digitale Dienste/ Neue

Geschäftsmodelle

Teilplan 8Technische Entwicklung

Neue Kompetenzen:Business AnalystsData ScientistsIT DevelopersData Engineers

DatenqualitätDatenaufbereitung und -modellierung

Datenmenge> 5.000 Datensets

Effektiver Nutzen

16

Business Analytics und Data ScienceDie Crux mit dem Rohstoff Daten -> Bsp.: Künstliche Intelligenz

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Bsp.: Datenquellen

SAP GeminiCO-OM

READ

SAP GeminiFI-AA

SAP GeminiIM-PS

SAP GeminiFI-GL

SAP GeminiFI-AR

SAP GeminiFI-AP

SAP GeminiFI-SL

SAP Gemini BW

PROFIS-FAB

CAESAR

ZBM

AGIS

Global TreasuryPlatform

KRIAS

iXOSAP_Audi

ANFO

BEWAN

SAP HR(AP3)

FPMS

SAUNA

TEKAS

TANKAS

TELAB

KZ5

FLTSVC

FPMS Altpool

PPM-Center

SERVO

ADIS

PE-Online/Voris

VBK

Meine Manager

SAM

ZEBRA

PIA

KEZ-HR Flottenmanagement-system

WVS

Kennzahlen-Plattform FP

ANAB

WAUplus

VOPED

ZBV

DAISY

DBAL

KST-MIS

WIP(AP1)

WPS

benefIT

BDW

Hani

PIVON

AEPS

AHM SAP ECC AP6 MABON

TBS

Konverter

VTS

eDWF

SAP_SOLMAN

BTE-FL

BTE-FM

EAM 4 AUDI

Order Hub

UMS

MAXIMO

VADO

SAP KSL

ProCKD

AQSP

PIEKO

KASKO ABR

MABES

ABTEILFAKTURA

EBON

LAFES

FSDFEBES

EMSANO

DIBUS

LOGI

KONAS

QTS

ZAS

LNW

AAS

PRODAB

KOLS

GEB/AE

SOGUS

ZEUS

VoKUs

DWHVC

WUKI

VW_MBV

OPPS

EBCON

ATLAS

VERONA

WAGES

WIKI

EPLCOMPASCSR

KKP

IPS

ISAC

SAMBA

ISAC II

TIS

DACS

DMS

KOMPASS(AP9)

ANNALISON

LoTSe

FORCAMBDE

LOGIS

ZEISYeRecruiting

APR

KARIN

BESI

ECL

Produktions-standorte

Unga

rnMe

xiko,

etc.

PLAN

AG Bete

iligun

gen

IST

AG Bete

iligun

gen

Eine performante Datenquelle (Single source of truth)

Verbindung von Plan und IST Welt

17

Ausgangssituation Audi Finanz Zielbild

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Bsp.: Stammdaten Markt

18

UnternehmenscontrollingVertrieb Produktcontrolling

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Bsp.: Stammdaten Produkt

19

Konzernprojekt-bezeichnung Aktuelle Verwendung

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Data Governance! (1/3)

20

Harmonisierte Stammdaten und Strukturen

S

Ziel

Technisches Daten-management

Daten-architektur

h D

ImplementierungHerausforderung

Diverse Stammdaten und Strukturen Datenverant-wortlicher

Finanz-Datenkomitee

F

Fachliche Abstimmung

Im Rahmen der Produktergebnisrechnung existieren viele Fahrzeughierarchien

Harmonisierung und fachliche Ausarbeitung von 3 Fahrzeughierarchien (davon eine führende)

Technische Umsetzung pilotiert in SAP-MDG1

3 harmonisierte Referenz-hierarchien und Attribute vorhanden

Beispiel

Fach-lichesTeam Doku-

ment-ation

Fachliches Datenmanage-mentunterstützt

Trigger SAP-MDG

Technisches Datenmanagement wird frühzeitig einbezogen

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Data Governance! (2/3)

21

IT und technisches Datenmanagement

› Ansprechpartner für Datenverantwortlichen für technische Implementierung abge-nommener Lösungsvorschläge, z.B. in SAP- MDG

› Unterstützer bei der Priorisierung von Optimierungsprojekten

AUDI Data Governance-Komitee

Fachliches Datenmanagement

› Controller, Unterstützer des Datenverantwortlichen und Verbindung zum technischen Datenmanage-ment

› Zentral in F› Vollzeit

Teil von PMO

z.B. WWährung

z.B. FFahrzeug

Datenverantwortlicher

› Treiber und Leiter von Optimierungsprozessen seiner Stammdaten

› Dezentral in Fach-bereichen in F

› Teilzeit

1 Datenverantwortlicher je Datendomäne; mindestens Managementkreis

Teil von IT

› "Aufsichtsratsfunktion" (Überwachung und Definition strategischer Leitplanken)› Zentral› 2x Jahr

Finanz-Datenkomitee › Eskalationsinstanz und Abnahme von Lösungsvorschlägen› Zentral in F› 1x Monat

CFO/CIO

PMO + eine F-Bereichsleitung

BBusiness Analytics und Data ScienceDie Crux mit dem Rohstoff Daten –> Data Governance! (3/3)

22

Fachbereich des DatenverantwortlichenStammdatendomänen

Markt/Land

Periode/Kalender

› Lieferant

› Profit-Center

Stückliste

Organisation

› Kostenstelle/Fachbereich

› GUV-Schema (inkl. Ergebnisrechnung)

Währung

› PR-Nummer/Sonderausstattung› Bauteil

› Konzern/Gesellschaft

Cashflow-Schema

› Bilanzschema

Segmente

Standort

› Fahrzeug› Service

Geschäftspartner› Kunde

› Mitarbeiter/Personal

VersionThema

› Produktthemen

› Gemeinkostenthemen

1. Welle

-

-

-

-

-

-

--

-

-

-

-

-

--

--

-

-

-

2. Welle

-

-

-

-

-

--

-

3. Welle

-

-

--

-

-

--

-

-

--

-

-

--

-

-

-

-

-

23

Benchmarking Machine Learning FX-Forecasting

Finance Robotics Initiativen mit VW Konzern

BI-Plattform Audi Unternehmenscontrolling

Digitale Forecasts zur Entscheidungsunterstützung

Der Blick in die ZukunftVielzahl an neuen Themen für das Controlling am Horizont

DDer Blick in die ZukunftBeispiel digitaler Forecast zur Entscheidungsunterstützung

Interne Ist-Daten als Ausgangsbasis

JAN FEB MÄR APR MAI JUN JUL AUG SEP OKT NOV

Lineare Fortschreibung mit Excel oder BI-System

DEZ

ForecastIst

JUL AUG SEP OKT NOV DEZ

Experteneinschätzung

Adjustierter Forecast

Interne Ist-Daten als Ausgangsbasis

JAN FEB MÄR APR MAI

Externe- und unstrukturierte Daten

JUN

Ist

Statistische Modellierung

Interne Daten

Forecast mit Wahrscheinlichkeiten

Traditionelle Forecasts

~ 4W ~ 4W

Abhängig nach Datenverfügbarkeit

Digitale Forecasts

Ist

Abstimmung mit dem Top Management

~ 4W

Ist Ist

t

t

JUL AUG SEP OKT NOV DEZ

AbgestimmterForecast Predictive Forecast

Produktiver Unternehmensforecast

Lernendes System

24

=

=

Flankierend: Experteneinschätzung zur Validierung zulassen! Kulturwandel?

FFAZIT - Beitrag des Unternehmenscontrollings zur Digitalisierung des Geschäfts -

Konsequentes Ressourcenmanagement und Aufbau neuer Mitarbeiterkompetenzen im Controlling als grundsätzliche Basis notwendig

Machine Learning/ Künstliche Intelligenz mit hoher Relevanz auch für die Finanz (kein “BUZZ”!)

(Stamm-) Datenqualität essentiell und Grundstein erfolgreicher Projektumsetzungen

25

Vielzahl weiterer neuer Themenfelder für das Controlling zeichnen sich ab

Data Governance als künftige Aufgabe des Finanzbereichs für das Gesamtunternehmen