Aktuelles Whitepaper: Künstliche Intelligenz im Controlling

Machine Learning und Künstliche Intelligenz (KI) gehören zu den wichtigsten Trends im Finanzbereich. Auf der Basis von Anwendungsbeispielen zeigt ein aktuelles Whitepaper, wie Controller diese neuen Technologien optimal für sich nutzen können.

Der Zugang zu Daten und Wissen steht immer im Mittelpunkt – dies trifft in besonderem Maß auf das „Office of Finance“ zu. Aber um korrekte Entscheidungen zu treffen, bedarf es der richtigen Datenbasis. Zurzeit findet ein drastischer technologischer Wandel statt, von dem Finanzabteilungen massiv profitieren können, wenn sie die richtige Herangehensweise wählen. Wir sprechen dabei von neuen Technologien, wie künstlicher Intelligenz (KI) und Machine Learning. Um den größtmöglichen Mehrwert daraus ziehen zu können, ist es aber ebenfalls notwendig, mögliche Fallstricke zu vermeiden, die der Einsatz dieser Technologien mit sich bringen kann.

In einem neuen Whitepaper zeigen die Experten Prof. Dr. Karsten Oehler (CCH Tagetik DACH) und Marco Van der Kooij (ForSight Consulting) realistische, praxisorientierte Szenarien für Controller auf. Dabei liegt der Fokus auf Aspekten wie Forecasting, Planung und Simulation.

Künstliche Intelligenz und Machine Learning zeigen ihre Vorteile u. a. in den nachfolgenden Bereichen des Office of Finance:

• Verbesserung der Datenqualität und Datensammlung

Der Einsatz von Machine Learning ermöglicht eine maßgebliche Verbesserung der Qualität der Datensammlung. Dies geschieht etwa durch die Minimierung typischer Fehlerquellen, wie z. B. die Vermeidung von Datenduplikaten oder Daten, die falschen Zeitabschnitten oder Dimensionen zugeordnet werden. Sogar scheinbar konsistente Daten aus dem Rechnungswesen weisen häufig diese Mängel aus, sodass eine aussagekräftige Analyse ohne vorherige Aufbereitung nicht möglich ist.

• Forecast von Erfolgs- und Finanzpositionen

Ein integrierter und automatisierter Forecast bietet eine Vielzahl von Vorteilen: Eine bessere Ausgangsbasis für die Planung und eine Reduzierung der Kosten, die beim manuellen Forecasting entstehen. Außerdem kann das tiefere Verständnis der Erfolgstreiber für die Simulation und Aktivitätenplanung genutzt werden. Daraus ergibt sich ein proaktiver Ansatz für das Management von Kosten und Erlösen.

• Analyse von Plandaten und anderer, dezentral erfasster Informationen

Die manuelle oder stark vereinfachte Validierung Bottom-up eingesammelter Daten erschwert oft die Identifikation von Ausreißern und Inkonsistenzen. Sind Vertriebskosten im Verhältnis zum geplanten Umsatz im Vergleich zur Vorperiode oder Peers zu hoch (oder niedrig)? Machine Learning erlaubt die Prüfung solcher Daten durch komplexe Algorithmen auf der Basis vielfältiger Informationen. Langfristig entsteht ein besseres Verständnis zwischen Beitragendem und Manager im Hinblick auf Ziele, Erwartungen und Limitierungen.

• Treiber-basierte Simulation

Machine Learning und künstliche Intelligenz stellen die technologische Grundlage für präzisere Simulationen und Modelle dar. Welche Auswirkungen haben Preis- und Rabattveränderungen auf Gewinn und Liquidität? Dies setzt eine Beschäftigung mit der Wirkung der beschriebenen Treiber auf den Absatz voraus. Durch die Einbindung einer großen Bandbreite von Treibern können fundiertere Entscheidungen getroffen und qualifizierte Maßnahmen geplant werden.

Das vollständige Whitepaper zeigt Finanzfachkräften anhand konkreter Anwendungsszenarien einen ganzheitlichen Ansatz für die Implementierung eines datengetriebenen Entscheidungsfindungsprozesses auf. Darüber hinaus beleuchtet es typische Probleme und Knackpunkte: