Zugl.: Bamberg, Univ., Diss., 2010

Viele Unternehmen setzen moderne Performance-Management-Konzepte, wie zum Beispiel die Balanced Scorecard, ein. Hierbei werden Ursache-Wirkungs-Vermutungen aufgestellt, um nicht-finanzielle Kennzahlen zu identifizieren und deren Einfluss auf nachgelagerte Finanzkennzahlen abzubilden. Darüber hinaus werden kausale Abhängigkeiten zwischen Maßnahmen und Zielen in Form von Zweck-Mittel-Beziehungen unterstellt. Die hierfür benötigten Kausalhypothesen werden aber nicht systematisch, sondern meist assoziativ und allein auf Basis von Intuition entwickelt. Man verlässt sich auf vage Vermutungen und hypothetische Zusammenhänge, ohne diese zu überprüfen. Dies birgt die Gefahr einer Fehlsteuerung, indem nutzlose, konfliktäre oder sogar schädliche Maßnahmen aus den nur unzureichend begründeten Ziel- und Kennzahlbeziehungen abgeleitet werden. Es stellt sich daher die Frage, wie Unternehmen im Performance-Management ein anderer, systematischerer Umgang mit Ursache-Wirkungs-Beziehungen gelingen kann. Auf welchen Wegen können die benötigten Kausalhypothesen entwickelt und überprüft werden? Um diese Fragen zu beantworten, entwirft diese Arbeit einen generischen Performance-Management-Prozess, der Kausalhypothesen als zentrales Mittel zur ganzheitlichen Gestaltung und Lenkung der betrieblichen Performance nutzt. Daran anknüpfend werden Gestaltungsoptionen für einen Analyseprozess ausgearbeitet, der Kausalhypothesen evidenzbasiert entwickelt und überprüft. Der wesentliche Beitrag dieser Arbeit besteht darin, dass neben der Datenanalyse ein zweiter - und bis dato noch unbeschrittener - Weg zur Kausalanalyse vorgestellt wird: die modellzentrierte Kausalanalyse. Welche Synergien sich aus der Kombination modell- und datenzentrierter Analyseverfahren ergeben, insbesondere mit den Verfahren des On-Line-Analytical-Processing (OLAP) und Data-Minings, wird empirisch am Beispiel eines Sportartikelherstellers gezeigt.

Many companies use modern performance management concepts, such as the Balanced Scorecard. These concepts rely on causal assumptions which are established to identify non-financial performance indicators and to reflect their causal impact on downstream financial ratios. In addition, causal relationships between actions and objectives are assumed to justify means-to-an-end relationships. Unfortunately, the required causal hypotheses are not developed systematically and are often solely based on intuition. However, relying on vague assumptions and hypothetical contexts without verifying them is dangerous. It poses the risk of mismanagement by implementing useless and harmful or even conflicting measures which are derived from insufficiently justified causal hypotheses. This raises the question of how companies can succeed in performance management with a better understanding of cause and effect. In which ways can the required causal hypotheses be developed and verified? In order to answer these questions, this thesis creates a generic performance management process which uses causal hypotheses as a central instrument for a holistic design and control of business performance. Furthermore, several design options are elaborated for an analytic process that develops and verifies causal hypotheses for the performance management process. The main contribution of this work is that in addition to data analysis, a second and new way of causal analysis is presented: the model-centered analysis. Finally it is empirically shown how to combine this model-centered approach with data-centered methods, such as On-Line Analytical Processing (OLAP) and data mining, using the example of a sporting goods manufacturer.