Auszug
Das Performance Measurement von Unternehmen ist eine Weiterentwicklung des betrieblichen Berichtswesens, das insbesondere nicht-monetäre Kennzahlen fokussiert. Als ein Instrument für das Performance Measurement wird die Balanced Scorecard (BSC) gesehen, welche von Kaplan/Norton im Rahmen eines Forschungsprojekts seit 1990 entwickelt wurde.
Eine detaillierte Definition des Begriffs Kennzahl wird in Kapitel 2.1.3.5, S. 65 ff., angegeben.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Aufgrund des Fehlens einer anerkannten Begriffsdefinition für Performance Measurement wird eine Arbeitsdefinition verwendet: Häufig wird als Definition eine Gegenüberstellung von traditionellen Kennzahlensystemen und Performance Measurement vorgenommen [vgl. Klingebiel (2001a), S. 18 f.]. Weber sieht das Performance Measurement als die Beschäftigung mit Elementen und der Struktur von Kennzahlensystemen und deren Einbindung in die Führung [vgl. Weber, 2002, S. 186]. Vitale/Mavrinac/Hauser sehen das Performance Measurement als ein balanciertes, integriertes System, welches die kritischen Inputs und Outputs eines Unternehmens hervorhebt [vgl. Vitale/Mavrinac/Hauser (1994), S. 13]. Es werden durch ein solches System nur die Elemente eines Unternehmens gemessen, die für das Management und seine Entscheidungen von Bedeutung sind. Performance Measurement wird daher im Folgenden nicht nur im Sinne des Begriffs Performance-Messung (Leistungsmessung) verwendet. Vielmehr wird unter Performance Measurement ein Kennzahlensystem von monetären und nichtmonetären Kennzahlen verstanden. Dabei ist zu beachten, dass das Performance Measurement einen Zukunftsbezug besitzt, indem es nicht nur die Vergangenheit messen, sondern auch für die Zukunft Hinweise geben will. Auch werden nicht-monetäre Kennzahlen für die Leistungsmessung herangezogen. Hierneben hat das Performance Measurement einen Bezug zur Strategie und zur Vision, um das Unternehmen ausgehend von der Leistungsmessung steuern zu können. Einen Überblick über die Begriffe der Performance und des Performance Measurement gibt auch Gaismayer [vgl. Gaismayer (2004), S. 33 ff. und S. 39 ff.]. Grundlegend für die Entwicklung des Performance Measurement war die Feststellung von Managern, dass monetäre Kennzahlen besser für die Messung vergangener Aktionen und Entscheidungen sind als dafür, dass sie die zukünftige Entwicklung des Unternehmens anzeigen [vgl. Eccles (1991a), S. 132]. Um die zukünftige Entwicklung eines Unternehmens einschätzen zu können, ist auch eine Betrachtung der nicht-monetären Kennzahlen notwendig. Nur so kann nach Ansicht von Eccles die zukünftige Entwicklung eines Unternehmens prognostiziert werden.
Grundsätzlich werden vier Skalen für die Messung von Kennzahlen verwendet. Jede Skala kann anhand der Basisoperationen charakterisiert werden, die mit ihren Elementen durchgeführt werden dürfen [vgl. Stevens (1959), S. 24 ff.; Stevens unterscheidet zusätzlich die Intervallskala in eine lineare Intervallskala und eine logarithmische Intervallskala; vgl. auch: Bea (2004), S. 396; allerdings unterscheidet Bea nur kardinal, nominal und ordinal. Da eine Intervallskala im Folgenden für semi-quantitative Methoden des Qualitative Reasoning relevant ist, wird hier eine explizite Unterscheidung zwischen einer Kardinalskala einerseits als exakter Bestimmung des Werts eines Elements und einer Intervallskala andererseits als Vorgabe eines Wertebereichs für ein Element vorgenommen.]: 1) Nominalskala: Bestimmung der Gleichheit von Kennzahlen oder deren Werten (z.B. Trikotnummer eines Fußballspielers). 2) Ordinalskala: Bestimmung, ob eine Kennzahl oder deren Wert größer oder kleiner ist (z.B. Härtegrad von Diamanten). 3) Intervallskala: Bestimmung der Gleichheit von Intervallen oder Differenzen von Kennzahlen oder deren Werten (z.B. Temperatur in Celsius). 4) Kardinalskala: Bestimmung der Gleichheit von Verhältnissen zwischen Kennzahlen oder deren Werten (z.B. Helligkeit eines Monitors, reelle Zahlen). Die Nominal-und Ordinalskala werden als qualitative oder nicht-metrische Skalen bezeichnet, während die Intervall-und Kardinalskala quantitative oder metrische Skalen genannt werden. Für die folgende Arbeit wird definiert, dass qualitative Werte durch eine Ordinal-oder Nominalskala messbar sind [ähnlich auch: Berndsen (1992), S. 5].
Vgl. Klingebiel (1999), S. 2 f. Allerdings ist dies umstritten, da z.B. auch eine Dominanz der Finanzperspektive in der BSC festgestellt werden kann [vgl. z.B. Gilles (2002), S. 155; Kaplan/Norton (2004e), S. 28 f.].
Vgl. Kaplan/ Norton (1992a), S. 37 ff.; Kaplan/Norton (1992b), S. 71 ff.; Kaplan/Norton (1994), S. 97 ff.; Kaplan/Norton (1996c), S. 75 ff.; Kaplan/Norton (1997b), S. 1 ff.
Vgl. Horváth & Partners (2004), S. 37 ff.; hier ergänzt um die Ist-Werte.
Vgl. Kaplan/ Norton (1997b), S. 23 f.
Daten werden in der vorliegenden Arbeit verstanden als Beschreibungen eines Sachverhalts, die die folgenden Eigenschaften haben: unstrukturiert, isoliert, kontext-unabhängig, geringe Verhaltenssteuerung und Zeichen [vgl. Probst/ Raub/ Romhardt (2006), S. 17]. Daten sind demzufolge uninterpretierte Zeichen oder Zeichenfolgen [vgl. North (2005), S. 32]. Informationen resultieren aus der Assoziation von relevanten Daten mit einem entsprechenden Entscheidungskontext [vgl. Zannetos (1987), S. 57]. Es wird somit ein Bezug zwischen den Daten hergestellt [vgl. North (2005), S. 32 f.]. Informationen werden verwendet, um die Komplexität und Unsicherheit, die unstrukturierte Situationen umgibt, zu begrenzen. Zu beachten ist, dass Informationen immer mit Wahrscheinlichkeiten für das Eintreten dieser Informationen verbunden sind. Qualitative Informationen sind ein Spezialfall von Informationen, die nur auf Ordinal-oder Nominalskalen gemessen werden können [vgl. Meixner/Haas (2002), S. 25]. Sie basieren auf den Gefühlen, Werten, Erfahrungen und Einschätzungen einer Person. Wissen umfasst Informationen und Daten, die mit Personen verbunden sind. Wissen betrachtet somit sowohl die Kenntnisse als auch die Fähigkeiten die Personen zur Lösung von Problemen einsetzen [vgl. Probst/Raub/Romhardt (2006), S. 22]. Wissen entsteht durch die Vernetzung von Informationen und ist kontextabhängig [vgl. North (2005), S. 33 f.].
Vgl. Klingebiel (1999), S. 57.
Vgl. Kaplan/ Norton (1997b), S. 23.
Die Entwicklung muss spezifisch für jedes Unternehmen und spezifisch für die jeweilige „Situationsklasse“ des Unternehmens erfolgen [vgl. Kaplan/ Norton (1997b), S. 284 ff.].
Vgl. Kaplan/ Norton (1997b), S. 284 ff.; Horváth & Partners (2004), S. 167 ff.; Kapitel 2.1.5.1.1, S. 79 ff.
Vgl. Kaplan/ Norton (2001c), S. 63 ff.; Kapitel 2.1.5.1.2, S. 84 ff.
Vgl. Kaplan/ Norton (2004e), S. 289 ff.; Kapitel 2.1.5.1.3, S. 88 ff.
Vgl. Kaplan/ Norton (1997b), S. 143 f.; Kaplan/Norton (2004e), S. 8 und S. 28 f.
Vgl. Horváth & Partners (2004), S. 205 ff.
Der Begriff der Kausalität wird zunächst unterschieden anhand der Art der Kausalität: E ist ein Ereignis, welches zu einem Zeitpunkt TE eintritt [vgl. Hicks (1979), S. 12 ff.]. G ist ein Ereignis, welches zu einem Zeitpunkt TG eintritt und TE < TG. Aus der Aussage „E verursacht G“ kann zunächst geschlossen werden dass E und G existieren. Die Aussage enthält aber gleichzeitig eine gewisse Ambiguität, da geschlossen werden kann, dass E eine der Ursachen für den Eintritt von G ist (schwache Kausalität) oder dass E die einzige Ursache für den Eintritt von G ist (starke Kausalität). Starke Kausalität impliziert schwache Kausalität. In Bezug auf schwache Kausalität kann unterschieden werden in zwei Arten von schwacher Kausalität [vgl. Hicks (1979), S. 13]: Erstens separierbar, hieraus folgt, dass E alleinige Ursache für G ist, und zweitens nicht-separierbar, hieraus folgt, dass E nur ein Teil einer Ursache für G ist. Weiteres Unterscheidungsmerkmal mit Blick auf die Kausalität ist die Zeit. In zeitlicher Hinsicht kann zwischen drei Arten von Kausalität unterschieden werden [vgl. Hicks (1979), S. 26]: 1) sequenziell, d.h. die Ursache geht der Wirkung voraus [vgl. Hicks (1979), S. 86 ff.]; 2) gleichzeitig, d.h. beide, Ursache und Wirkung, erscheinen in der gleichen Zeitperiode [vgl. Hicks (1979), S. 62 ff. und 73 ff.]; 3) statisch, d.h. beide, Ursache und Wirkung, sind permanent vorhanden [vgl. Hicks (1979), S. 39 ff.]. Besonderheit der Kausalität ist, dass sie gerichtet ist, d.h., wenn E G kausal verursacht, dann kann nicht daraus geschlossen werden dass auch G E kausal verursacht [vgl. Simon (1970), S. 50]. Dies ist nur mög lich, wenn davon ausgegangen wird, dass E und G eine beidseitige funktionale Beziehung aufweisen. Hieraus kann dann geschlossen werden, dass sowohl E und G als auch G und E in einer funktionalen Beziehung zueinander stehen. Ein Ereignis E verursacht ein anderes Ereignis G kausal, wenn und nur wenn [vgl. Heise (1975), S. 12]: 1) ein Operator existiert, der G generiert, der auf E reagiert; 2) der zuvor angeführte Operator existiert beim Eintritt von Ereignis E; 3) wenn die Bedingungen von 1) und 2) erfüllt sind, dann beginnt E vor G; 4) wenn die Bedingungen von 1) und 2) erfüllt sind, dann impliziert E G. Ein kausales System wird demzufolge definiert als ein Netzwerk von kausalen Beziehungen, in dem Ereignisse untereinander verbunden sind [vgl. Heise (1975), S. 27]. Dem Autor der vorliegenden Arbeit ist bewußt, dass die Verknüpfung von strategischen Zielen durch Ursache-Wirkungsbeziehungen — wie zuvor bereits angesprochen —, nicht dem klassischen Begriff der Kausalität in der Ökonomie entspricht, dass eine Ursache, als eine Handlung, einer Wirkung, als eine Folge aus einer Handlung, zeitlich vorausgeht. Die Ursache-Wirkungsbeziehungen zwischen strategischen Zielen entsprechen dieser Sicht nicht, weil die Erreichung eines strategischen Ziels zwar die Folge aus vorausgehenden Handlungen ist. Die Beeinflussung der strategischen Ziele untereinander ist aber nicht die Folge einer vorausgehenden Handlung, da ein strategisches Ziel keine Handlung ist. Trotzdem werden hier die Ursache-Wirkungsbeziehungen als Beeinflussungen zwischen den strategischen Zielen betrachtet, um die Anschlussfähigkeit an die Literatur zu gewährleisten.
Vgl. Horváth & Partners (2004), S. 206.
Vgl. Kaplan/ Norton (2004e), S. 27 ff.
Vgl. Kaplan/ Norton (2004e), S. 359. Kaplan/Norton sehen das Ziel der Strategy Map in der einfachen Darstellung von Ursache-Wirkungsbeziehungen. Auf dieser Basis soll es den Unternehmen ermöglicht werden, Verbesserungen im strategischen Management zu erreichen [vgl. Kaplan/Norton (2004e), S. 359].
Vgl. Kaplan/ Norton (2001c), S. 243 ff.
Ein Modell eines Sachverhalts besteht aus einer Menge von Elementen, Relationen, Variablen und Funktionen. Jedes Element wird repräsentiert durch eine Menge von einen Sachverhalt beschreibenden Variablen oder Variablen, die intern verwendet werden [vgl. Farley (1987), S. 41]. Jede beschreibende Variable besitzt einen zugeordneten Wertebereich, der die Menge der möglichen Werte angibt. Eine Modelldefinition wird vervollständigt durch die Spezifizierung einer Menge von Relationen, die Bedingungen festlegen, die erfüllt sein müssen durch jede Zuweisung von Werten zu beschreibenden Variablen. Verschiedene Modelle eines Sachverhalts können definiert werden durch unterschiedliche Elemente, beschreibende Variablen, Wertebereiche und Relationen. Jedes Modell repräsentiert somit eine neue Perspektive auf den gleichen Sachverhalt. Hierdurch ist ein Schluss über verschiedene Aspekte eines Sachverhalts oder auf unterschiedlichen Abstraktionsgraden möglich. Für die weiteren Ausführungen wird der Modellbegriff in Anlehnung an Schut/Bredeweg wie folgt definiert [vgl. Schut/Bredeweg (1996), S. 4]: Ein Modell ist eine Darstellung für einen Sachverhalt. Es kon-zeptualisiert diesen Sachverhalt entsprechend einem bestimmten Ziel, für das eine Inferenzprozedur besteht, die es erlaubt, neues Wissen über den betrachteten Sachverhalt abzuleiten.
Vgl. Farley (1987), S. 42.
Vgl. Milne/ Travé-Massuyès (1993), S. 145 ff.
Vgl. Milne/ Travé-Massuyès (1993), S. 146.
Vgl. Milne/ Travé-Massuyès (1993), S. 146.
Vgl. Hayes (1979), S. 242 ff.
Vgl. de Kleer/ Brown (1984a), S. 7 ff.; de Kleer/Brown (1984b), S. 7 ff.
Vgl. Forbus (1984a), S. 104 ff.
Vgl. Kuipers (1986), S. 289 ff.
Vgl. Raiman (1991), S. 11 ff.
Vgl. Forbus (1984a), S. 96.
Vgl. Berleant/ Kuipers (1997), S. 219.
Vgl. Forbus (1984a), S. 86; Weld (1990), S. 2. Weitere Anwendungsbeispiele der Methoden des Qualitative Reasoning werden in Kapitel 3, S. 131 ff., vorgestellt.
Vgl. Berleant/ Kuipers (1997), S. 215 ff.
Vgl. z.B. Rickel/ Porter (1992), S. 1 ff.; Salles/Bredeweg (1997), S. 155 ff.; Bredeweg/Salles (2005), S. 305 ff.
Vgl. Leitch/ Freitag/ Shen/ Struss/ Tornielli (1992), S. 289 ff.
Vgl. Hogan/ Burrows/ Edge/ Woollons/ Atkinson (1991), S. 377 ff.
Vgl. z.B. Dague (1988), S. 1 ff.
Vgl. Rehbold (1989), S. 193 ff.
Vgl. z.B. Kiriyama/ Tomiyama/ Yoshikawa (1991), S. 1 ff.
Vgl. z.B. Kirby/ Hunter (1991), S. 1 ff.
Vgl. Berndsen/ Daniels (1990b), S. 435 ff.
Vgl. Farley/ Lin (1990b), S. 465 ff.
Vgl. Berndsen (1992), S. 47 ff.
Vgl. Steinmann (1997), S. 345 ff.; Steinmann (1998), S. 159 ff.
Vgl. Steinmann (1998), S. 233 ff.
Vgl. Hinkkanen/ Lang/ Whinston (2003), S. 392 f.
Vgl. Bailey/ Kiang/ Kuipers/ Whinston (1993), S. 67 ff.
Vgl. Daniels/ Feelders (1991), S. 255 ff.
Vgl. Daniels/ Feelders (1991), S. 260.
Vgl. Feelders/ Daniels (2001), S. 623 ff.
Vgl. Feelders/ Daniels (2001), S. 631.
Vgl. Daniels/ Feelders (1990), S. 156; Daniels/Feelders (1991), S. 255.
Vgl. Kaplan/ Norton (1997b), S. 179 ff.
Vgl. Kaplan/ Norton (1997b), S. 246 ff.
Vgl. Boomsma (1983), S. 11 ff.; Backhaus/Erichson/Plinke/Weiber (2003), S. 333 ff.
Erläuterungen und Anwendungsbeispiele von Neuronalen Netzen sind zu finden bei: Rehkugler/ Poddig (1992), S. 413 ff.; Baun (1994), S. 131 ff.; Gaul/ Decker/Wartenberg (1994a), S. 66 ff.; Gaul/Decker/ Wartenberg (1994b), S. 281 ff.; Neuneier/Tresp (1994), S. 89 ff.; Poddig/Rehkugler/Jandura (1994), S. 337 ff.; Rojas (1994), S. 57 ff.; Zimmermann (1994), S. 1 ff.; Füser (1995), S. 9 ff.; Rehkugler (1996), S. 572 ff.; Dallmöller (1998), S. 23 ff.; Lackes/Mack (2000), S. 21 ff.; Backhaus/Erichson/Plinke/Weiber (2003), S. 737 ff.; Brause (2005), S. 692 ff.
Vgl. Strebel (1975), S. 34 ff. und 46 ff.; Becker (1984), S. 345 ff.
Vgl. Schmidt (2003), S. 173 ff.
Vgl. Selten (2004), S.1.
Auch Kesh/Raja sehen die Anwendung des Qualitative Reasoning in der Betriebswirtschaftslehre positiv, weil das Qualitative Reasoning ermöglicht, qualitatives Wissen zu verwenden und die Unsicherheit zu begrenzen [vgl. Kesh/ Raja (2005), S. 167 f.]. Farley/Lin sehen die Ökonomie als einen Anwendungsbereich des Qualitative Reasoning an, weil schon längere Zeit qualitative Methoden, wie z.B. das kausale Ordnen, in der Ökonomie verwendet werden, wenn nur unvollständiges Wissen über einen Sachverhalt vorliegt [vgl. Farley/Lin (1990a), S. 134].
Vgl. Kaplan/ Norton (2004e), S. 28 ff.
Vgl. Hax (1982), S. 16.
Rights and permissions
Copyright information
© 2008 Gabler | GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
(2008). Einführung in die Problemstellung. In: Balanced Scorecard und Ursache-Wirkungsbeziehungen. Gabler. https://doi.org/10.1007/978-3-8349-8171-4_1
Download citation
DOI: https://doi.org/10.1007/978-3-8349-8171-4_1
Publisher Name: Gabler
Print ISBN: 978-3-8349-1101-8
Online ISBN: 978-3-8349-8171-4
eBook Packages: Business and Economics (German Language)