„Von der Wiege bis zur Bahre – Daten vom Startup bis zur Insolvenz“ „Von der Wiege bis zur...

„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