Von Informationsasymmetrie zu Datenzentralität: Machine Learning und die Neuordnung von Entscheidungsrechten im Controlling

Kontext

Im Budgetierungs- und Kostencontrolling werden Daten gesammelt, ausgewertet und für Planung, Steuerung und Beurteilung genutzt. Unternehmen stützen sich in diesen Prozessen auf Informationen über Kostenentwicklungen, Abweichungen, Risiken und zukünftige Erwartungen. Dadurch ist Controlling nicht nur eine berichtende Funktion, sondern ein wichtiger Teil organisationaler Entscheidungsprozesse.

Durch digitale Technologien und Machine Learning verändert sich diese Informationsgrundlage. ML-basierte Prognosen können grosse Datenmengen verarbeiten, Muster erkennen und mögliche Entwicklungen früher sichtbar machen. Für das Controlling bedeutet das, dass Entscheidungen stärker auf daten- und modellbasierten Prognosen aufbauen können.

Damit entsteht eine organisationale Frage: Wenn Prognosen im Controlling immer wichtiger werden, wer prägt dann die Entscheidungen, die darauf aufbauen? Liegt der Einfluss stärker bei zentralen Controlling- oder Analytics-Einheiten, weil sie Modelle entwickeln und Datenzugänge steuern? Oder behalten dezentrale Einheiten ihre Bedeutung, weil sie den operativen Kontext kennen und Prognosen vor Ort einordnen müssen?

Ziel und Aufgabenstellung

Die Bachelorarbeit untersucht, wie Machine-Learning-basierte Prognosen im Budgetierungs- und Kostencontrolling die Verteilung von Entscheidungsrechten zwischen zentralen und dezentralen Organisationseinheiten beeinflussen können.

Der Fokus liegt auf der organisationalen Wirkung solcher Prognosen. Es geht nicht um die technische Bewertung einzelner Algorithmen oder um die Messung von Prognosegenauigkeit. Im Mittelpunkt steht die Frage, wie Prognosen Informationsasymmetrien verändern, wie daraus tatsächlicher Einfluss entsteht und welche Entscheidungsmodelle dadurch plausibel werden.

Die zentrale Forschungsfrage lautet:

Wie beeinflusst der Einsatz von Machine-Learning-basierten Prognosen im Budgetierungs- und Kostencontrolling die Verteilung von Entscheidungsrechten zwischen zentralen und dezentralen Organisationseinheiten?

Methodisches Vorgehen

Die Arbeit ist als theoretisch-konzeptionelle Literaturarbeit aufgebaut. Dafür wurde Literatur aus drei Bereichen miteinander verbunden: Machine Learning, Controlling und Organisationstheorie.

Machine Learning wird in der Arbeit als datenbasierter Ansatz verstanden, bei dem Systeme aus vorhandenen Daten Muster ableiten und wahrscheinliche zukünftige Entwicklungen schätzen. Im Controlling sind solche Prognosen besonders relevant, wenn sie Hinweise auf Kostenentwicklungen, Planabweichungen oder Risiken liefern.

Für die organisationale Analyse wurden zwei Haupttheorien verwendet. Die Theorie von Aghion und Tirole unterscheidet zwischen formaler und realer Autorität. Formale Autorität beschreibt, wer offiziell entscheiden darf. Reale Autorität beschreibt, wer eine Entscheidung tatsächlich prägt. Diese Unterscheidung ist wichtig, weil tatsächlicher Einfluss auch dort entstehen kann, wo Informationen erzeugt, geprüft oder interpretiert werden.

Die zweite Theorie stammt von Garicano und betrachtet Organisationen als wissensbasierte Hierarchien. Häufige und einfache Probleme werden möglichst lokal gelöst. Schwierige oder seltene Probleme werden an spezialisierte Stellen weitergegeben. Diese Perspektive hilft zu erklären, wie ML-Prognosen die Verteilung von Wissen und die Eskalation von Problemen verändern können.

Ergebnisse

Die Arbeit zeigt drei zentrale Wirkmechanismen.

Erstens verändern ML-basierte Prognosen die Informationsstruktur. Sie können Daten bündeln, Entwicklungen früher sichtbar machen und verschiedene Einheiten besser vergleichbar machen. Dadurch entsteht eine breitere Informationsgrundlage für Planung und Steuerung. Gleichzeitig müssen Prognosen geprüft und in den jeweiligen Kontext eingeordnet werden. Eine Prognose erklärt sich nicht von selbst.

Zweitens können ML-Prognosen reale Autorität verschieben. Dezentrale Einheiten können weiterhin formal für Budgets, Kostenstellen oder operative Massnahmen verantwortlich sein. Gleichzeitig kann ein Teil des tatsächlichen Einflusses bei zentralen Controlling- oder Analytics-Einheiten liegen, wenn diese Modelle entwickeln, Datenzugänge steuern und Prognosen interpretieren. Wer die Entscheidungsgrundlage prägt, beeinflusst auch den Entscheidungsprozess.

Drittens verändert sich die Wissensverteilung. Prognoseinformationen können breiter verfügbar werden und dezentralen Einheiten helfen, Risiken oder Abweichungen früher zu erkennen. Gleichzeitig bleibt spezialisiertes Wissen über Datenqualität, Modelllogik, Prognoseunsicherheit und Validierung häufig bei zentralen oder spezialisierten Einheiten konzentriert.

Aus diesen Ergebnissen folgt keine eindeutige Richtung. ML-Prognosen führen nicht automatisch zu Zentralisierung oder Dezentralisierung. Zentralisierung wird plausibel, wenn Modellkompetenz, Validierung und Interpretation zentral gebündelt sind. Dezentralisierung wird plausibel, wenn Prognosen lokale Problemlösung unterstützen und dezentrale Einheiten weiterhin relevantes Kontextwissen einbringen können.

Am plausibelsten sind hybride Entscheidungsmodelle. In solchen Modellen übernehmen zentrale Einheiten vor allem Datenaufbereitung, Modellkompetenz, Validierung und Vergleichbarkeit. Dezentrale Einheiten bleiben wichtig für Kontext, operative Bewertung und Umsetzung.

Fazit

Machine-Learning-basierte Prognosen verändern Entscheidungsrechte im Budgetierungs- und Kostencontrolling vor allem über reale Autorität und Problemlösewissen. Entscheidend ist, wer Prognosen erzeugt, wer sie versteht, wer sie prüfen darf und wie lokales Wissen in Entscheidungen einfliesst.

Für Unternehmen bedeutet das: Der Nutzen von ML-Prognosen hängt stark davon ab, wie sie organisatorisch eingebettet werden. Besonders wichtig sind klare Regeln für Validierung, Abweichungen, Eskalation und Verantwortung. ML-Prognosen können Controllingprozesse unterstützen, wenn zentrale Analysekompetenz und dezentrale Kontextverantwortung sinnvoll miteinander verbunden werden.