Benchmarking Modelle haben im Controlling-Umfeld sehr hohe Relevanz. Sowohl zur langfristigen strategischen Planung als auch für das Performance Management in der operativen Planung, sind sie zur Ableitung realistischer und fordernder Ziele häufig unumgänglich. Für viele Unternehmen ist die Entwicklung und Anwendung dieser Tools eine Herausforderung: Wie soll es aufgebaut werden, welche quantitativen und qualitativen Daten und KPIs sollen verwendet werden, woher stammen die Daten, wie wird die Bewertung der unterschiedlichen Leistungskriterien ermöglicht und welche Schritte müssen durchlaufen werden müssen, um ein solches Benchmarking Tool zur Verfügung stellen zu können. Die Erstellung dieses Tools verfolgt dabei die wesentlichen Schritte der Data Analytics: Datenbeschaffung und -verifizierung (Plausibilitäts- sowie Verlässlichkeitsprüfung), Entwicklung eines Scoringmodells (Nutzwertanalysen) sowie die Ausgestaltung einer entsprechenden Cockpitlösung. 

Eine Besonderheit bei der Datenbeschaffung spielt heutzutage die Künstliche Intelligenz (KI). Da Unternehmen bei der Suchen nach quantitativen und qualitativen Daten häufig die KI einsetzten, gilt es im Rahmen des Projektes zusätzlich die Verlässlichkeit dieser Datenquellen zu verifizieren und ggf. Standardfehler zu quantifizieren. Im Rahmen dieses Projektes wird die Bewertung unterschiedlicher Unternehmen aus vier unterschiedlichen Branchen in den Mittelpunkt der zu entwickelnden Vergleichsmodelle gestellt. 

Für Wirtschaftsingenieure und Wirtschaftsingenieurinnen ist die Beherrschung der Data Analytics eine wichtige Kompetenz, die vielfach von potentiellen Arbeitgebern vorausgesetzt wird. Aufgrund der interdisziplinären Ausbildung, den Schnittstellenkompetenzen sowie den hohen analytischen Skills werden sie häufig als ideale Kandidaten für datengetriebene Analysen, Auswertungen und Reportings, auch web-basiert, eingesetzt. Im Fokus dieses Projektes soll demzufolge das umfassende Skillset der Data Analytics im Rahmen der Entwicklung eines Cockpit-basierten Vergleichportals vermittelt werden.

Das Projekt wird in insgesamt drei Phasen eingeteilt. In der ersten Phase erfolgt die quantitative Datenbeschaffung, -verifizierung und -analyse. Die Studierenden sollen mit Hilfe des Internets, klassischer Datenquellen wie Finanzberichten aber auch üblicher KI-Lösungen wesentliche Daten der unterschiedlichen Unternehmen erheben. Hierzu gehören quantitative Daten wie z.B. Profitabilitäts- oder Bilanzkennzahlen. Diese Daten sind sowohl originär aus Originalquellen zu erfassen und zu berechnen, als auch über KI-Tools zu beschaffen. Abweichende Daten sollen mit Promptpräzisierung zwischen KI und Originalquelle geklärt werden, Standardfehler sind je nach KI-Tool zu ermitteln. (Phase 1) In der zweiten Phase gilt es qualitative Daten wie z.B. Bekanntheitsgrad, Innovationsfähigkeit und Attraktivität als Arbeitgeber zu erheben. Hierbei sollen sowohl Social-Media Quellen als auch eigene erhobene Primärdaten (Surveys) genutzt werden. Im Rahmen der Datenverifizierung und Analyse sind die Daten zu prüfen, mit alternativen Datenquellen stichprobenweise zu verifizieren und ggf. weiterzuentwickeln, damit sie für Benchmarkingzwecke geeignet sind, z.B. Profitabilität in Relation zur Unternehmensgröße bzw. Wertschöpfungsstufe. (Phase 2) In der dritten Phase erfolgt zunächst die Entwicklung eines Scoringmodells (Nutzwertanalyse). Hierbei sind alle quantitativen und qualitativen Kennzahlen in ein Modell zu übertragen, indem einerseits korrelative Zusammenhänge berechnet und bewertet werden. Dies ist die Grundlage für die anschließenden Benchmarkingvergleiche. Aus den Korrelationsanalyse sollen zudem noch Rückschlüsse für Predictive Analytics gezogen werden. Es gilt bestimmte KPIs als Frühwarnindikatoren zu identifizieren, die auf Ergebnisverbesserungen, bei den untersuchten Unternehmen schließen lassen. Im Anschluss werden die Daten in eine Cockpit-Lösung (Power BI) übertragen, um eine flexible Reporting-Lösung aufzubauen. (Phase 3)

Die Studierenden sollen konkrete Kompetenzen im Bereich der Data Analytics erwerben. Hierzu werden die Studierenden durch eine umfassende und zielführende Analyse quantitativer Daten und qualitativer Daten aus externen Quellen laufen. Die Studierenden sollen hierbei bewusst und gezielt KI-Instrumente z.B. ChatGPT einsetzen um Möglichkeiten aber auch Grenzen der KI-basierten Datenbeschaffung und -validierung kennen zu lernen. Bei der Erhebung qualitativer Daten sollen Methoden der Sentiment-Analyse erlernt und angewendet werden, wie z.B. Erfassung und Verdichtung von Daten aus sozialen Medien und eigenen Erhebungen (Primäranalyse). Darüber hinaus ist die Datenqualität sicher zu stellen. Hierbei sollen die Studierenden Methoden der Standardfehleranalyse, Datenverifizierung (Stichprobentests) sowie Reliabilitätstests kennen lernen und anwenden. Als ein wesentlicher Bestandteil des Projektes ist ein Bewertungsmodell (Scoringmodell, Nutzwertanalyse) zu erstellen. Die Studierenden sollen aufbauend auf dem Basiswissen über diese Methode aus dem WIW-Studium, ein konkretes Modell entwickeln, angemessene Gewichtungskriterien ableiten und die erfassten Daten mit angemessenen Scorewerten versehen. Im Ergebnis entstehen somit möglichst differenzierte Bewertungen der unterschiedlichen Unternehmen, die gesamthaft reportiert werden oder mit Filteranalysen für bestimmte Dimensionen konfiguriert werden können. Abschließend sollen die Studierenden den Aufbau und die Gestaltung eines einfachen Cockpits auf Basis Power BI kennen lernen. Die Projektarbeit soll in großen Teilen in Gruppen stattfinden und entlang konkreter Meilensteine verfolgt werden. Bei den regelmäßigen Projektmeetings werden deshalb Kommunikations- und Präsentationsfähigkeiten intensiv vermittelt und vertieft. Zudem sollen die Studierenden die Methoden des wissenschaftlichen Arbeitens vertiefen, was insbesondere die o.g. Datenanalyse und Methode der Scoringmodelle betrifft. Durch die Gruppenarbeit werden auch die sozialen Kompetenzen im Hinblick auf effektive Gruppenarbeit sowie gruppendynamische Prozesse weiterentwickelt.

Das Hauptziel des Projektes ist die Entwicklung eines funktionsfähigen Benchmarking-Tools für Unternehmen. Die Studierenden sollen hierbei ein Skillset erlernen, was für den Einsatz als Wirtschaftsingenieur oder Wirtschaftsingenieurin in Bereich der Datenanalyse von hoher Relevanz ist. Mit der Umsetzung des Reportings in Power BI soll eine moderne Cockpit-Lösung kennengelernt und angewendet werden. Weiterhin soll über Methodik und Ergebnisse des Projektes ein wissenschaftliches Paper verfasst werden, an dem Studierende bei Interesse mitwirken können. Das Paper soll im Sommer 2027 auf einer entsprechenden Fachkonferenz vorgestellt werden. Ebenso wird bei Interesse die Betreuung von Abschlussarbeiten im Themenumfeld angeboten.