„Von der Wiege bis zur Bahre – Daten vom Startup bis zur Insolvenz“ Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Nürnberg Holger Klindtworth, 31. Januar 2019
„Von der Wiege bis zur Bahre –Daten vom Startup bis zur Insolvenz“Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), NürnbergHolger Klindtworth, 31. Januar 2019
Inhalt
Neue Geschäftsmodelle im Rahmen der Digitalisierung - Daten sind das neue Gold
Daten bei Start Up‘s
Daten bei mittelständischen Unternehmen
Daten in Konzernen
2
Daten im Insolvenzfall
Fazit
Begriffsbestimmung
Foto: Bundesregierung/Bergmann (bundesregierung,de)
Wer Daten als Bedrohung ansieht, kann die Chancen der Digitalisierung nicht nutzen.
Big Data ist keine Bedrohung, sondern die Wertschöpfungs-möglichkeit der Zukunft.
(Angela Merkel, Kongress des CDU-Wirtschaftsrates)
3
These
Auch nach der DSGVO werden Daten in Unternehmen verwendet werden
(Holger Klindtworth)
4
Big Data
Was ist „Big Data“?Big Data ist mit „Teenager-Sex“ vergleichbar.
5
Alle Welt spricht drüber!
Keiner weiß genau, wie‘s funktioniert!
Jeder denkt, alle anderen tun es!
Also behauptet jeder, sie tun es!
Begriffsbestimmung
Big Data: Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens
Datenmenge (Volume)
Geschwindigkeit (Velocity)
Analyse
Vielfalt
6
Wenn man Aspekte der Digitalisierung kombiniert
7
Hersteller von Bohrmaschinen
Viele Diebstähle, hohe Margenverlust durch gewerblichen Großhandel
Umstellung von Verkauf auf Mietmodell
Gerät läuft wenn Bluetooth-Verbindung zumSmartphone vorhanden
Bauarbeiter wird direkt einem Gerät zugeordnet
Sofortige DatenübertragungAbrechnung nach Bohrleistung
„Screw as a Service“
Verfügbarkeit, Datenschutz, Dokumentation
Geschäftsmodelle – Partnervermittlung
…über Online-Fragebogen werden persönliche Daten erhoben
…diese werden mit Social-Media-Daten und Daten aus persönlichen Verhalten (Konsum, Mobilität, Medien/Internetnutzung) in Verbindung gebracht
…und verglichen mit allen anderen Menschen
…mit künstlicher Intelligenz wird der perfekte Lebenspartner ermittelt !
8
männlichgeboren im Winter 1948
Engländerverheiratetzwei Kindermag Hunde
berühmtreich
häufig im Fernsehenverbringt seine Ferien
in den Alpen
Verständnis von Information (Daten) ist der Schlüssel zum Erfolg
Zu wenig Informationen?
Oder nicht die Richtigen?
Charles Mountbatten-Windsor Prince of Wales, Duke of Cornwall
John "Ozzy" OsbourneGodfather of Metal, Fürst der Finsternis
9
Geschäftsmodelle – Hai-Alarm
Haie werden in Australien mit Sensoren ausgestattet
Twittern automatisch ihre Position, wenn sie sich in Küstennähe befinden
Jeder Benutzer von Twitter kann die Daten empfangen
Schwimmer werden durch diese Tweeds frühzeitig gewarnt
10
Geschäftsmodelle – Home Sweet Home
Wohnungsfläche wird über Staubsaugerroboter kartiert und steht Online zur Verfügung (Altbau). Neubau via BIM. Außenfläche über Drohne oder Satellit.
Anruf beim Handwerker –„doppel“ Klick auf die Adresse
Körpersensoren (Smartwatch) messen Hauttemperatur und Kreislaufaktivität und regeln die Raumtemperatur – Licht und Musiksteuerung richtet sich nach dem Gemütszustand (ggf. Meldung an Krankenkasse, Notarzt, Ersthelfer in Umgebung – via Smartphone).
11
Daten in Start-Ups
12
Daten in Start-Ups
Daten zur Unterstützung des Geschäftsmodells
Daten als Enabler des Geschäftsmodells
Daten als Endprodukt (im weiteren Sinne) des Geschäftsmodells
Daten als Endprodukt (im engeren Sinne) des Geschäftsmodells
13
14
Daten zur Unterstützung des Geschäftsmodells
› Daten meint hier: In digitaler Form vorliegende Informationen, welche für den Geschäftsbetrieb von Bedeutung sind.
› Geschäftsmodell basiert nicht auf der Verarbeitung von (großen) Datenbeständen und wäre prinzipiell auch ohne digitalisierte Informationsbestände funktionsfähig.
› Nicht-Verfügbarkeit von Daten verringert die Intensität des Geschäftsbetriebs.
› Daten und die gesamte IT sind Erfüllungsgehilfe der Geschäftsbereiche.
› Sehr geringe bis geringe Abhängigkeit von Daten.
Daten zur Unterstützung des Geschäfts-
modells
› Beispiel-Start-Up: Bone Brox.
› Geschäftsmodell: Herstellung von Bio-Knochen-Brühe.
› Relevante Daten: Produktions-, Marketingdaten.
› Analog-Impact: Produktionsprozess verlangsamt sich.
Beispiel
15
Daten als Enabler des Geschäftsmodells
› Daten meint hier: In digitaler Form vorliegende Informationen, welche für den Geschäftsbetrieb zwingend notwendig sind.
› Geschäftsmodell ist in hohem Maße von der Verarbeitung von Datenbeständen abhängig und ist ohne diese Funktion nicht funktionsfähig.
› Nicht-Verfügbarkeit von Daten bringt den Geschäftsbetrieb zum Erliegen.
› Daten und die gesamte IT sind notwendige Services für die Geschäftsbereiche.
› Hohe bis sehr hohe Abhängigkeit von Daten.
Daten als Enabler des Geschäfts-
modells
› Beispiel-Start-Up: Ad-O-Lytics.
› Geschäftsmodell: Entwicklung einer Virotherapie zur Krebsbekämpfung.
› Relevante Daten: Viren-, Erkrankungs-, Patienten-, Entwicklungsdaten.
› Analog-Impact: Software-getriebene Therapieforschung und Medikamenten-entwicklung ist nicht länger möglich.
Beispiel
16
Daten als Endprodukt (im weiteren Sinne) beim Geschäftsmodell
› Daten „im weiteren Sinne“ meint hier: Jegliche Art von Informationen, welche in digitaler Form vorliegen, jedoch – in Abgrenzung zur nächsten Folie – keine personenbezogenen Daten (z. B. SW-Code, Entwicklungs-, Technologie-Daten).
› Zweck des Geschäftsmodells besteht in der Produktion und Verarbeitung von Daten. Ohne Daten wäre das Geschäftsmodell nicht funktionsfähig.
› Nicht-Verfügbarkeit von Daten raubt die Grundlage des Geschäftsbetriebs.
› Daten und die IT übernehmen wertschöpfende Produktionsfunktion.
› Kritische Abhängigkeit von Daten.
Daten als Endprodukt (im weiteren Sinne) des Geschäfts-
modells
› Beispiel-Start-Up: Physec.
› Geschäftsmodell: Entwicklung von Sicherheits-Softwarelösungen im IoT-Umfeld.
› Relevante Daten: Technologie-, Entwicklungs-, Systemdaten.
› Analog-Impact: Dem Software-Entwicklungsprozess wird die Grundlage entzogen. Produkterbringung nicht länger möglich.
Beispiel
17
Daten als Endprodukt (im engeren Sinne) beim Geschäftsmodell
› Daten „Im engeren Sinne“ meint hier: Personenbezogene Daten, wenngleich anonymisiert oder pseudonymisiert (z. B. Bewegungs-, Kommunikations-, Gesundheits- u. a. Daten).
› Zweck des Geschäftsmodells besteht in der Produktion und Verarbeitung von Daten. Ohne Daten wäre das Geschäftsmodell nicht funktionsfähig.
› Nicht-Verfügbarkeit von Daten raubt die Grundlage des Geschäftsbetriebs.
› Daten und die IT übernehmen wertschöpfende Produktionsfunktion.
› Kritische Abhängigkeit von Daten.
Daten als Endprodukt (im engeren Sinne) des Geschäfts-
modells
› Beispiel-Start-Up: Octane AI.
› Geschäftsmodell: Entwicklung von intelligenten und individualisierbaren Dialog-Apps (Chatbots) inklusive Anbindung an Social-Media-Plattformen.
› Relevante Daten: Kommunikations-, Marketing-, Interessen-Daten; Alles, was über Soziale Netzwerke in Erfahrung gebracht werden kann.
› Analog-Impact: Dem Datenerfassungs- und -verarbeitungsprozess wird die Grundlage entzogen. Produkterbringung nicht länger möglich.
Beispiel
Daten in Mittelständischen Unternehmen
18
Daten in Mittelständischen Unternehmen
Durch automatisierte Prozesse hohe Anforderungen an Datenqualität
Kleine „Kommafehler“ können massive Auswirkungen haben
Datenanalyse durch „Data Owner“ (oder das Controlling)
IKS auf Prozessebene
19
E-Rechnungs-Verordnung in Kürze
Am 6. September 2017 verabschiedete das Bundeskabinett die neue E-Rechnungs-Verordnung. Basis ist die EU-Richtlinie [Richtlinie 2014/55/EU] über die elektronische Rechnungsstellung bei
öffentlichen Aufträgen]. Diese sieht vor, dass in Zukunft Rechnungen an Behörden und Einrichtungen der
Bundesverwaltung elektronisch gestellt werden. Teilnahme an einem Ausschreibungsverfahren ist gekoppelt an elektronischer
Rechnungsstellung. Beginn für Bund und Verfassungsorgane ist 27. November 2018, alle anderen 27. November
2019.20
E-Rechnung | Notwendiges Kontrollverfahren
Bei Verzicht auf die elektronische Signatur oder das EDI-Verfahren muss ein „anderes“ internes Kontrollverfahren im Unternehmen festgelegt werden. Zur Gewährleistung der:
Verfahren:
Für den Abgleich kann auf bestehende Verfahren (Rechnungsprüfung) zurückgegriffen werden. Die Dokumentation der Rechnungsprüfung wird verpflichtend!
21
Echtheit der Herkunft Unversehrtheit des Inhalts Lesbarkeit der Rechnung
Abgleich der Rechnung mit der Zahlungsverpflichtung
Substanz der Rechnung korrekt (Betrag entspricht der Leistungserstellung)
Rechnungsaussteller hat Zahlungsanspruch
Plausibilitätsprüfung
Authentizität Integrität für das menschliche Auge
Internes IT-Kontrollsystem im Rechnungsprozess | Rechnungsprüfung
Lieferant
2- bis n-stufiges Verfahren
Prüfen mit/ohne
Bestellbezug/Differenz
Lieferung Wareneingang Kunde
Freigabe ohne Bestellbezug
Preisdifferenz
Mengendifferenz
WE nicht vorhanden
Prüfung + Freigabe
Prüfung + Freigabe
WE buchen und freigeben
FI-Beleg buchen/Rückweisung
Einkauf/Anforderer
Einkauf
Disponent
Rechnungsstellung
22
E-Rechnung | Formate
23
Verbindliches Rechnungsformat zum Datenaustausch in Deutschland ist „XRechnung“
Das XRechnungsformat besteht aus einem strukturierten Datensatz auf Basis XML
In Konkurrenz zu XRechnung steht ZUGFeRD„Zentraler User Guide des Forums elektronische Rechnung Deutschland“
Da die EU-Richtlinie Technologie offen ist und ZUGFeRD bereits etabliert ist
Bei ZUGFeRD ist die XML-Struktur in eine PDF-Datei eingebettet
Beispielrechnung inkl. XML-Datei
24
XRechnung/ZUGFeRD als übergreifendes Datenformat
Software A
Erstellung einer Rechnung im XRechnungs-/
ZUGFeRD-Format
Software B
Importieren der Rechnung im XRechnungs-/
ZUGFeRD-Format
Übertragung
Mit einer Software A können standardisierte Rechnungen erstellt werden, die ohne Absprache zwischen Rechnungsempfänger und -ersteller bzw. Softwareherstellern mit der Software B automatisch eingelesen und verarbeitet werden!
Funktionsweise/Rolle von XRechnung/ZUGFeRD XRechnung speichert die Rechnungsdaten in einer strukturierten XML-Datei ZUGFeRD speichert die Rechnungsdaten in einen PDF-Beleg (Format PDF/A-3). Zusätzlich
werden die Rechnungsdaten in einer standardisierten XML-Struktur ins PDF eingebettet Die steuerrechtlichen relevanten Inhalte beider Darstellungen sind identisch Der XRechnungs- /ZUGFeRD-Standard beschreibt das Dokumenten- und Datenformat für den
Austausch der elektronischen Rechnungen Keine zusätzlichen Schritte notwendig
25
Musterprozess Eingangsrechnungen und Datenquellen
Der Musterprozess
E-Mail PDF-Rech-nung
Absender (E-Mail)Eingangs-datum
Lieferant Vorsystem ERP-SystemTrans-formation Buchungs-satzXML
FIBURE
Freigabe Zahlung
BankE
mpf
angs
-pr
otok
oll
Rec
hnun
gs-
date
n
Hau
ptbu
ch
Bel
eg
Kre
dito
r
Leis
tung
s-ze
ilen
Bes
tellu
ng
WE
Zahl
ungs
-da
tei
Kon
to-
ausz
ug
Referenz#AdresseUStG-§-14-FelderBeträgeLeistungs-positionen
Beleg#BetragKontierung
Kreditor-stammKreditor#Adresse
Artikel#MengeBezeich-nungenWerte
Artikel#MengeWerte
Kreditor#BetragFreigabe
Da-teien/ Tabel-len
Daten-felder
26
Prüfung | E-Mail-Eingang
E-Mail-Adresse Absender bekannt− Domäne Kreditor bekannt− Definierte Lieferantenadresse
Eingangsdatum plausibel und archiviert (Datum des Vorsteuerabzugs!)
Datei im Anhang oder Leistungspositionen im E-Mail-Body (Datei-Endung bzw. Format-Tags)
27
E-Mail PDF-Rech-nung
Absender (E-Mail)Eingangs-datum
Lieferant VorsystemE
mpf
angs
-pr
otok
oll
Da-teien/ Tabel-len
Daten-felder
Prüfung | Transformation
Vollständigkeit UStG §14-Datenfelder Plausibilität USt-ID-Nummer Plausibilität Beträge Rechnerische Richtigkeit Vorsteuer-Betrag/Steuerschlüssel Plausibilität Kreditor/Kreditorenadresse
28
Trans-formation Buchungs-satzXML
Rec
hnun
gs-
date
n
Referenz#AdresseUStG-§-14-FelderBeträgeLeistungs-positionen
Prüfung | Finanzbuchhaltung
Dokumenten-ID (Archiv) vs. fortlaufende Belegnummer
Plausibilität Kontierung (Gegenkontenanalyse) Steuerschlüssel Umsatzsteuerverprobung Existenz Referenznummer (z. B.
Bestellnummer) Zuordnung Leistungszeilen (z. B. Artikel) Plausibilität Mengen Plausibilität Wert
ERP-System
29
FIBURE
Hau
ptbu
ch
Bel
eg
Kre
dito
r
Beleg#BetragKontierung
Kreditor-stammKreditor#Adresse
Prüfung | Zahlungsanspruch
Prüfung Rechnung gegen Wareneingang Prüfung Rechnung gegen Bestellung Übereinstimmung Preise & Mengen Übereinstimmung Konditionen „Abstand“ Datumsfelder Elektronische Signatur (Freigabe im
Workflow, Userkennung für Transaktionen)
30
Freigabe
Leis
tung
s-ze
ilen
Bes
tellu
ng
WE
Artikel#MengeBezeich-nungenWerte
Artikel#MengeWerte
Prüfung | Zahlung
Prüfung Belege und Referenzen Prüfung Rechnungsbetrag gegen Zahlbetrag Prüfung Rechnungskreditor gegen
Zahlungsempfänger (Bankverbindung)
31
Zahlung
Zahl
ungs
-da
tei
Kreditor#BetragFreigabe
Prüfung | Große Kontrollklammer und asynchrone Prüfung
Abgleich E-Mail-Adressen Eingang mit Zahlungen (Anzahl)
Vollständigkeit Archivdokumente und FiBu-Belege
„Große Umsatzprobe“ Summe aller Belegzeilen mit Rechnungssummen
Umsatzsteuerverprobung nach Konten Keine Lücken in Rechnungsnummern Keine „alten“ Verbindlichkeiten Analyse WE/RE-Konten
Prüfung Änderungen Kreditorenstammdaten
Prüfung CPD-Nutzung Prüfung Änderung Kontenfindung Prüfung Verwendung von Mahnsperren Prüfung auf Doppelzahlungen
32
Daten in großen Unternehmen (Konzernen)
33
Daten in Konzernen
Unternehmensüberwachung steht im Vordergrund
Datenprüfung durch interne Revision und Abschlussprüfer
IKS auf Unternehmensebne
Prozessoptimierung durch Prozessmining
34
Bedarfsmeldung
Falsche Bedarfsmengen (Überbestände vs. Lieferfähigkeit) „Zu Viel“ Bedarfsmeldung: Überbestände „Zu Wenig“ Bedarfsmeldung: Ggf. fehlende Lieferfähigkeit
Prüfungshandlungen− Zu jedem „Bedarf“
ein Kundenauftrag− Abgleich
Bedarfsmenge mit Abgangsmenge
− Berechnung der „Reichweite“ des Bedarfs
0
2
4
6
8
10
12
14
16
Jan Feb März Apr Mai Jun Jul Aug Sep Okt Nov Dez
Einkauf Verkauf35
Funktionstrennung im Einkauf | Wesentliches IKS-Element
Funktionstrennungsmatrix aufstellen
Prüfen− Tool-gestützt ( z.B. CheckAud für SAP)− Datenprüfung
36
ST BD BE WE RE ZAStammdatenpflege (ST) NR K KBedarfsermittlung (BD) NRBestellung (BE) K NR KWareneingang (WE) NRRechnungseingang / -prüfung (RE) NRZahlung (ZE) K K NR
Funktionstrennung im Einkauf
Datenquellen z.B.− User-Kennung im Stammsatz / Konditionensatz− User-Kennung Materialbeleg − User-Kennung Zahlungsbuchung − etc.
Gegenüberstellung in einer Matrixform
37
User ST BD BE WE RE ZA
K. Moss 300 50
M. Jovowitsch 70 20
C. Crawford 900
N. Campbell 50
DatenanalysenExkurs: Benfordanalyse | 1
38
Frank Benford und Mark J. Negrini fanden heraus: Es gibt im Universum mehr kleine als große Dinge, z.B. Bäume, Berge, Seen
danach ist die Wahrscheinlichkeit, dass die erste Ziffer einer Zahl „1“ ist, größer als dass die erste Ziffer einer Zahl „2“ ist ... (In die „Klasse“ der Ziffer „1“ fällt sowohl 100, als auch 1000, als auch 17,5 oder 1999)
Die Auftritts-Wahrscheinlichkeiten der Ziffern „1“ bis „9“ stehen in einem festen Verhältnis
DatenanalysenExkurs: Benfordanalyse | 2
Benfordverteilung
39
Ziffer Prob.1 30,1%
2 17,6%
3 12,5%
4 9,7%
5 7,9%
6 6,7%
7 5,8%
8 5,1%
9 4,6%0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9
DatenanalysenExkurs: Benfordanalyse | 3
Beispiel – Benford erste Ziffer
40
DatenanalysenExkurs: Benfordanalyse | 4
Beispiel – Benford zwei Ziffern
41
DatenanalysenExkurs: Benfordanalyse | 5
Praxisbeispiel
42
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9
Benford erste ZifferWareneingangsbeträge imHandelsunternehmen
DatenanalysenExkurs: Benfordanalyse | 6
Praxisbeispiel
43
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 90%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9
Schichtung Klein- und Großlieferanten
DatenanalysenExkurs: Benfordanalyse | 7
Praxisbeispiel
44
-5%
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9
Eingrenzung auf zwei große Lieferanten und einen Einkäufer
DatenanalysenExkurs: Hillverteilung | 1
Untersuchung von Theodor Hill hat ergeben, dass hinsichtlich Ziffernverteilung in von Menschen produzierten Zahlen ebenfalls eine Gesetzmäßigkeit liegt
von Menschen beeinflusste Zahlen weisen andere Struktur auf als solche, die sich aus natürlichen Geschäftsvorgängen ergeben
45
Ziffer Prob.1 14,7%
2 10,0%
3 10,4%
4 13,3%
5 9,7%
6 15,7%
7 12,0%
8 8,4%
9 5,8%0
2
4
6
8
10
12
14
16
18
1 2 3 4 5 6 7 8 9
DatenanalysenExkurs: Gegenüberstellung Benford- und Hill-Verteilung
46
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9
Benford
Hill
Daten im Rahmen der Insolvenz
47
Daten in der Insolvenz
Überleitung Unternehmensbuchhaltung und Insolvenzbuchhaltung
Anfechtungstatbestände
Management Fraud
Unterstützung Verkauf
48
49
Datenanalysen in der Insolvenz
Unterstützung in der Insolvenz-Buchhaltung
Aufbereitung des Buchungsstoffes aus Alt- bzw. Vorsystemen(Selektion, Kontierung, Splittung)
Analyse Forderungsmeldungen und Generierung Buchungsstapel
Forderungsüberwachung
Schnittstellengenerierung zur Insolvenzbuchhaltung
Insolvenz Buchhaltung
Für Insolvenzbuchhaltungen sind in der Regel keine komplexen Warenwirtschaften notwendig (und ggf. auch zu teuer, bzw. niemand mehr da zum Bedienen).
Das Problem
Auslesen der alten Jahre mit Standard-GDPdU/GoBD Schnittstellen, füllen einer „einfachen“ Buchhaltung und Fortführung Insolvenz-/Forderungsbuchhaltung.
Die Lösung
50
Unterstützungsbereiche – Beispiele
Durchdringung des originären Geschäftsmodells (im Wesentlichen leistungswirtschaftliche Prozessanalyse)
Erlangung des Verständnisses, wie die wesentlichen Zahlungsströme aufgebaut sind
Analyse der Zahlungsströme (sowohl insgesamt als auch auf einzelne Debitoren-/ Kreditoren)
Rekonstruktion des Zahlungsverhaltens (liquide Mittel ./. fällige Verbindlichkeiten) über einen ausgewählten Zeitraum
Korrespondierend: IT-gestützte Analyse des EMail-Servers (ausgewählte Schlagworte, Kommunikationsmuster, ergänzende Papierakten) und entsprechende Dokumentation
Anfechtungs-tatbestände
51
Unterstützungsbereiche – Beispiele
WANN ist die Insolvenz wirklich eingetreten?
ZAHLUNGSFLÜSSE direkt vor dem Insolvenzstichtag?
ZAHLUNGSFLÜSSE an verbundene Personen / Gesellschaften?
ZAHLUNG vor Fälligkeit ?
und
wurden DATEN pflichtgemäß analysiert
Anfechtungs-tatbestände
Zahlungsflüsse vs. Liquidität
52
-150
-100
-50
0
50
100
150
KW 4 KW 5 KW 6 KW 7 KW 8
Zahlungeingänge
Zahlungsmittelbestand
Zahlungsabgänge
Fällige Verbindlichkeiten
53
Unterstützungsbereiche – Beispiele
Unter anderem,
− Analyse Haupt- und Nebenbücher, Analyse von liquiden Flüssen
− Analyse von Forderungen und Verbindlichkeiten
− Analyse von Auftrags- und Projektabrechnung
− Analyse Bon, Skonti und anderen Konditionen
− Analyse von E-Mailverkehr (E-Discovery)
Wiederherstellung von gelöschten Daten
Analyse von Schriftverkehr (Papier)
Management Fraud
Analyse Zahlungsflüsse an Lieferanten / Subdienstleister, die eine gesellschaftsrechtliche Verbindung zu der Geschäftsführung / Eigentümerkreis oder anderen nahestehenden Personen des insolventen Unternehmens haben. Analyse des EMail-Verkehrs mit diesem Personenkreis.
Fallbeispiel
54
Unterstützungsbereiche – Beispiele
Unter Anderem,
− IT Due Diligence
− Analyse und Simulation von Bewertungen für Verkaufsprozess
− Vorräte (Fertig- und Halbfertigfabrikate, Handelswaren, Rohstoffe)
− Forderungen
Unterstützung Verkauf
Insolventes Handelshaus. Begleitung Verkaufsprozess. Bewertung des Vorratsvermögens nach verschiedenen Szenarien-Rechnungen (Berücksichtigung Alter, Reichweite, VK mit Abschlag). Aufgliederung von Gruppen von Verkaufsstellen je Kaufinteressent.
Fallbeispiel
Fazit
55
56
Daten gibt es in jedem Unternehmen
Jedes Unternehmen lebt von Daten
Die Schwerpunkte der Datennutzung / Datenanalyse verändern sich….
…und wer sie in welcher Funktion durchführt
Der Beruf Data Scientist ist zukunftssicher
Fazit
57
„Die Arroganz des Menschen ist zu glauben wir hätten die Natur unter Kontrolle, und nicht anders herum“
[Daten] := [Natur]
Dr. Ishiro Serizaba (Ken Watanabe) in Godzilla 2014
Vielen Dank für Ihre Aufmerksamkeit!
Ebner Stolz - GBITHolger Klindtworth,Ebner Stolz