Upload
hakhanh
View
215
Download
0
Embed Size (px)
Citation preview
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