Studie. Wo hakt es bei der Digitalisierung im CFO-Bereich? Prof. Dr. Thorsten Sellhorn (LMU München) Prof. Dr. Thomas Hess (LMU München)

Transkript

1 Studie Wo hakt es bei der Digitalisierung im CFO-Bereich? Prof. Dr. Thorsten Sellhorn (LMU München) Prof. Dr. Thomas Hess (LMU München)

2 Hintergrund Was ist heute relevant? Was wird morgen relevant sein? Was wird wohl nie relevant sein?

3 Unsere Forschungsagenda Thomas Hess: Datenökonomie Management des Transformationsprozesses IT-basierte Controlling-Ansätze Digitalisierung Digitale Transformation Thorsten Sellhorn: Digitale Prozesse in Accounting und Wirtschaftsprüfung Abbildung digitaler Geschäftsmodelle in der Finanzberichterstattung

4 Die Studie Vorgehen Details zur Online-Befragung Teil I Teilnehmer: 172 Methode: Online-Befragung Fokus: Deutschland, Österreich und Schweiz Adressaten: CFO, Leiter Accounting, Leiter Controlling Verteiler: Adressdatenbank, Arbeitskreise etc. Unternehmen aus allen Branchen und allen Größenklassen Anschlussfähig zur Studie aus 2017 Anfrage des Ergebnisberichts: 119 Teil II Methode: 13 Experten- Interviews mit großen / mittelständischen Unternehmen Gesprächspartner: CFOs, Leiter Accounting, Leiter Controlling Finale Studie zum Download ab Mitte Juli 2018 verfügbar

5 These 1: Homogenisierung und Standardisierung sind weiter die Kernthemen Homogenisierung der Systemlandschaft (z.b. Vereinheitlichung der ERP- Landschaft) 29% 37% 19% 13% Standardisierung von Workflows 17% 49% 23% 10% 1% Management der Stammdatenqualität 13% 48% 23% 1 3% Papierlose Buchhaltung (z.b. OCR-Texterkennung) 23% 3 21% 2 Schaffung einer einheitlichen Datenbasis (single source of truth) 16% 36% 28% 19% 16% 34% 24% 18% 8% Abschaffung von Legacy Systemen (Altsysteme) 0% 20% 40% 60% 80% 100% Haben wir bereits umgesetzt (flächendeckend) In der Umsetzung Ist konkret geplant Ist derzeit nicht geplant (keine Angabe)

6 Alles schon bekannt? Data Warehouse Architektur (Ende der 90er) Einführung von Standardsoftware (90er/00ern) Quelle: Vgl. Harengel/Hess (1999), Mertens et al. (2017)

7 These 2: Auffällige Zurückhaltung bei neuen Technologien Big-Data Analysetools 9% 19% 1 27% 24% 1% Self-Service Reporting 11% 1 14% 20% 30% 6% In-Memory Datenbanken (z.b. SAP Hana) 11% 13% 1 19% 27% 9% 7% Regelbasierte Systeme (z.b. Robotic Process Automation / Software Bots) 1 19% 37% 9% 11% Virtual Reality Tools zur Visualisierung von Kennzahlen 8% 9% 19% 47% 8% Lernende Systeme (Machine Learning / Neuronale Netze) 8% 6% 20% 51% 6% 6% Blockchain-Technologie 1% 3% 1% 20% 48% 13% 14% 0% 2 50% 7 100% Nutzen wir bereits (flächendeckend) Ist konkret geplant Ist derzeit nicht geplant (keine Angabe) Nutzen wir in ersten Pilotprojekten Wird diskutiert Der Mehrwert der Technologie ist mir unbekannt

8 Ein Detail: Der Cloud-Ansatz überzeugt bisher nicht! Nutzung von Cloud-Computing Nutzen wir bereits (flächendeckend) 3% 19% Nutzen wir in ersten Pilotprojekten 10% 17% Ist konkret geplant 6% Wird diskutiert 1 13% Ist derzeit nicht geplant 4 70% 0% 10% 20% 30% 40% 50% 60% 70% 80% Public Cloud (z.b. Amazon Web Services) Private Cloud (organisationsinterne Cloud)

9 These 3: Es entstehen gänzlich neue Rollenbilder Data Officer (Datenmanager / Data Engineer) 34% 47% 16% 4% Finance Data Scientist (Informationsspezialist / Finanzanalytische Auswertungen) 3 43% 19% 4% Financial Performance Consultant (Business Consultant / Performance- Steuerung laufender Geschäftsprozesse / Finanzwirtschaftliche Beratung) 28% 43% 27% 3% Finance Quality Manager (Prozessgestalter / Umsetzer von Qualitätsanforderungen) 26% 41% 29% 3% Financial Partnership and Ecosystem Developer (Business Entwickler / Strategische Steuerung und Geschäftsmodellentwicklung) 2 44% 29% 6% Kaufmännische Fachkraft (Klassischer Buchhalter oder Controller) 6% 4% 50% 41% 0% 2 50% 7 100% wird sehr wichtig wird wichtiger bleibt wichtig wird weniger wichtig

10 Fokus auf neue (?) Kenntnisse und Fähigkeiten Prozessverständnis 33% 5 14% 1% Wissen über den Umgang mit Systemen 34% 46% 16% 3% Wissen über spezielle Auswertungen und Datenanalysen 38% 41% 16% Projektmanagement Skills 16% 53% 30% 1% Wissen über die Konzeption / Entwicklung neuer IT-Systeme 19% 47% 2 8% Geschäftsverständnis 16% 36% 46% Accounting/Controlling-Spezialwissen 8% 26% 63% 3% Kaufmännisches Basiswissen 7% 9% 77% 7% 0% 2 50% 7 100% wird sehr wichtig wird wichtiger bleibt wichtig wird weniger wichtig (keine Angabe)

11 Sind künftig andere Typen (m/w) gefragt? Aufgeschlossenheit gegenüber Neuem 4 36% 17% 1% 1% Fähigkeit in einem unstrukturierten und dynamischen Umfeld zu arbeiten (Flexibilität) 26% 49% 17% 8% 1% Umsetzungsstärke 21% 40% 37% 1% 1% Sorgfalt und Genauigkeit 1 20% 64% Pflichtbewusstes Befolgen von Vorgaben 10% 14% 48% 2 0% 2 50% 7 100% wird sehr wichtig wird wichtiger bleibt wichtig wird weniger wichtig (keine Angabe)

12 Wie unterstützen Sie diesen Wandel? Ein Beispiel

13 These 4: Accounting und Controlling müssen selbst zu Digitalisierern werden 100% Wer hat die Ideen für Digitalisierungsprojekte? 100% Wer setzt die Digitalisierungsprojekte um? 80% 79% 68% 80% 73% 60% 40% 20% 0% 9% 6% 48% 20% 14% 14% 31% 28% 28% 6% 7% 17% 2 39% 18% 4% 1% 0% 21% Rank 1 Rank 2 Rank 3 Rank 4 Rank 5 Fachabteilung Controlling, Accounting (CFO) IT-Abteilung (CIO) Übergreifende Digitalisierungseinheit (CDO) Externe (z.b. Berater) Sonstige 7% 60% 40% 20% 0% 53% 28% 14% 0% 34% 44% 16% 1 20% 27% 38% 4% 33% 40% 21% 1% 3% 0% 2 Rank 1 Rank 2 Rank 3 Rank 4 Rank 5 Fachabteilung Controlling, Accounting (CFO) IT-Abteilung (CIO) Übergreifende Digitalisierungseinheit (CDO) Externe (z.b. Berater) Sonstige

14 Aus der Studie 2017: Fachverantwortliche im Lead! 1% 1 6% 28% CFO / Finanzvorstand / Kfm. Leitung Leiter Rechnungswesen IT-Abteilung 50% Digitalisierungseinheit Andere

15 Zusammenfassung Vier Thesen zur Befragung 1. Homogenisierung und Standardisierung sind weiterhin die Kernthemen 2. Auffällige Zurückhaltung bei neuen Technologien 3. Es entstehen gänzlich neue Rollenbilder 4. Accounting und Controlling müssen selbst zu Digitalisierern werden

16 Ein punktueller Ausblick Lernende Systeme (künstliche Intelligenz ; AI) lassen die größten Umwälzungen (Wertschöpfung, Verdrängung von bestimmten menschlichen Tätigkeiten) erwarten. Bisher aber: AI Creates More Jobs Than It Takes (Gartner Top Strategic Predictions for 2018 and Beyond) Zielfunktion und Prognose als Kernelemente betriebswirtschaftlicher Entscheidungen AI und Big Data reduzieren drastisch die Kosten für Prognosen aller Art (Agrawal, Gans und Goldfarb: Prediction Machines, 2018). Günstigere Prognosen = mehr Prognosen Mehr (maschinelle) Prognosen = (menschliches) judgment über Ziele wird wichtiger und damit wertvoller In 10 Jahren wird alles, was sich als Prozess ( gerichteter Ablauf eines Geschehens ) beschreiben lässt, von Maschinen gesteuert werden (Bauckhage, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme)

17 Vielen Dank für Ihre Aufmerksamkeit! Prof. Dr. Thorsten Sellhorn LMU München Institut für Rechnungswesen und Wirtschaftsprüfung Ludwigstr. 28 RG München Prof. Dr. Thomas Hess LMU München Institut für Wirtschaftsinformatik und Neue Medien Ludwigstr. 28 VG München

18 Haben Sie noch Fragen?