Search

Der vorliegende Auswertungsbericht fasst die Ergebnisse einer Studie der TU Dresden zum Einfluss von Analytics Tools auf das Controlling der 3.000 größten Unternehmen in Deutschland im Jahr 2021 zusammen. Der Auswertungsbericht gibt einen Überblick über den Stand der Gestaltung und der Nutzung von Analytics Tools im Controlling. Befragt wurden die in den Unternehmen verantwortlichen Controllingleiter bzw. kaufmännische Geschäftsführer und CFOs mittels eines strukturierten Fragebogens. Der Rücklauf von 322 verwertbaren Fragebögen bei einer Rücklaufquote von 10,78 % unterstreicht das große Interesse der Praxis an dem Untersuchungsthema.:Inhaltsverzeichnis Abbildungsverzeichnis 1 Einleitung 1.1 Zielsetzung und untersuchte Aspekte 1.2 Inhalte des Auswertungsberichts und weitere Schritte im Forschungsprojekt 2 Grundkonzepte der Studie: Ein theoretischer Überblick 2.1 Der Begriff der Digitalisierung 2.1.1 Big Data als Grundlage für Business Analytics 2.1.2 Business Analytics 2.1.3 Abgrenzung von Business Analytics zu anderen Technologien 2.1.4 Business Analytics im Controlling 2.2 Psychologische Effekte von Digitalisierung (Rollenstress) 3 Datenerhebung und Auswertungsmethodik 3.1 Charakterisierung der Grundgesamtheit 3.2 Ablauf der Datenerhebung 3.3 Zusammenfassung des Fragebogenrücklaufs 3.4 Auswertungsmethodik 4 Empirische Ergebnisse zur Nutzung und Gestaltung von Analytics Tools im Controlling 4.1 Demografie der Antwortenden 4.2 Teil 1: Generelle Fragen zum Unternehmen 4.2.1 Organisatorische Einbettung des Controllings 4.2.2 Stand der Digitalisierung des Controllings im Unternehmen 4.2.3 Beitrag der Controlling-Abteilung für das Unternehmen 4.2.4 Einfluss der Corona-Pandemie 4.2.5 Veränderungen im Unternehmensumfeld 4.3 Teil 2: Fragen zur Controlling-Abteilung und zum Einsatz von Analytics Tools im Controlling 4.3.1 Aktivitäten der Controlling-Mitarbeiter (Rollenverständnis) 4.3.2 Verwendete Analytics Tools 4.3.3 Effekte der Analytics Tools 4.3.4 Art der Nutzung von Analytics Tools 4.3.5 Ressourcen für Analytics-Initiativen 4.3.6 Datenorientierung und Datenkultur 4.3.7 Big Data-Charakteristik der Daten 4.3.8 Eigenschaften von in Analytics Tools genutzten Daten 4.3.9 Technologische Charakteristika der Analytics Tools 4.3.10 Unterstützung durch das Top Management Team 4.3.11 Fähigkeiten der Führungskräfte im Controlling 4.3.12 Technische Fähigkeiten von Controlling-Mitarbeitern 4.3.13 Analytische Fähigkeiten der Controlling-Mitarbeiter 4.3.14 Wissenszugang und -nutzung 4.4 Teil 3: Fragen zum Einfluss von Analytics Tools auf die Tätigkeit und das Arbeitsumfeld von Controllingleitern 4.4.1 Auswirkungen von Informationen aus Analytics Tools 4.4.2 Arbeitsrelevante Informationen für die Tätigkeit als Controlling-Leiter 4.4.3 Umstände der Tätigkeit von Controllingleitern (Rollenüberlastung) 4.4.4 Wahrnehmungen der Arbeit von Controlingleitern (Rollenambiguität und Rollenkonflikt) 4.4.5 Einstellungen zum Unternehmen 4.5 Sonstige Hinweise der Studienteilnehmer 5 Management Summary 6 Literaturverzeichnis

We describe a multifactorial investigation of a SARS-CoV-2 outbreak in a large meat processing complex in Germany. Infection event timing, spatial, climate and ventilation conditions in the processing plant, sharing of living quarters and transport, and viral genome sequences were analyzed. Our results suggest that a single index case transmitted SARS-CoV-2 to co-workers over distances of more than 8 meters, within a confined work area in which air is constantly recirculated and cooled. Viral genome sequencing shows that all cases share a set of mutations representing a novel sub-branch in the SARS-CoV-2 C20 clade. We identified the same set of mutations in samples collected in the time period between this initial infection cluster and a subsequent outbreak within the same factory, with the largest number of confirmed SARS-CoV-2 cases in a German meat processing facility reported so far. Our results indicate climate conditions, fresh air exchange rates, and airflow as factors that can promote efficient spread of SARS-CoV-2 via long distances and provide insights into possible requirements for pandemic mitigation strategies in industrial workplace settings.

Monitoring data for the three test sites CLIWAT1, CLIWAT2 and goCAM1&nbsp

Additional file 1. Supplemental experimental data.

Quantitative estimation of pore fractions filled with liquid water, ice and air is crucial for a process-based understanding of permafrost and its hazard potential upon climate- induced degradation. Geophysical methods offer opportunities to image distributions of permafrost constituents in a non-invasive manner. We present a method to jointly estimate the volumetric fractions of liquid water, ice, air and the rock matrix from seismic refraction and electrical resistivity data. Existing approaches rely on conventional inversions of both data sets and a suitable a priori estimate of the porosity distribution to transform velocity and resistivity models into estimates for the four-phase system, often leading to non-physical results. Based on two synthetic experiments and a field data set from an Alpine permafrost site (Schilthorn, Bernese Alps and Switzerland), it is demonstrated that the developed petrophysical joint inversion provides physically plausible solutions, even in the absence of prior porosity estimates. An assessment of the model covariance matrix for the coupled inverse problem reveals remaining petrophysical ambiguities, in particular between ice and rock matrix. Incorporation of petrophysical a priori information is demonstrated by penalizing ice occurrence within the first two meters of the subsurface where the measured borehole temperatures are positive. Joint inversion of the field data set reveals a shallow air-rich layer with high porosity on top of a lower-porosity subsurface with laterally varying ice and liquid water contents. Non-physical values (e.g. negative saturations) do not occur and estimated ice saturations of 0–50 per cent as well as liquid water saturations of 15–75 per cent are in agreement with the relatively warm borehole temperatures between −0.5 and 3 ° C. The presented method helps to improve quantification of water, ice and air from geophysical observations.