Digitale Technologien verändern unsere Arbeit. Auf Künstlicher Intelligenz basierende Systeme wie Insight Engines sind bei Aufgaben, bei denen es um die Verarbeitung großer Datenmengen geht, in vielen Bereichen bereits effizienter als der Mensch. Für den Controller ist das die Chance, sein Aufgabenspektrum neu zu definieren.
Unternehmen verfügen heute über eine exponentiell wachsende Menge an Daten. Die wachsenden Datenvolumina eröffnen neben den zu bewältigenden Herausforderungen auch völlig neue Chancen für das Controlling. Die damit verbundene Verfügbarkeit von Informationen (Big Data) ermöglicht dem Controller eine verbesserte Planung und Kontrolle auf den unterschiedlichen Ebenen der Unternehmenssteuerung. Die Auswertungen sind dabei nahezu in Echtzeit möglich.
Als einer der Hauptansprechpartner für die Management-Ebene nimmt der Controller eine Schlüsselposition ein, die neben dem hohen Maß an Verantwortung für komplexe Zahlenwerke auch eine ständige Auskunftsbereitschaft voraussetzt. Er muss die einzelnen Bereiche eines Unternehmens und deren Zusammenspiel im täglichen Geschäftsalltag auf Zahlenebene genau kennen, um beispielsweise Einsparungs- beziehungsweise Investitionspotenzial zu identifizieren. Das Augenmerk sollte dabei jedoch nicht nur auf klassischen Fragen wie "Welcher Kunde generiert den meisten Umsatz?" liegen, sondern auch auf konkreten Daten aus den Geschäftsprozessen. Dies ist notwendig, um unmittelbare Optimierungsmaßnahmen in den Geschäftsprozessen zu erkennen, die dem Management als Entscheidungsgrundlage für weitere Schritte dienen. Gerade bei Ad-hoc-Anfragen mit komplexen Fragestellungen verbringen - oder treffender formuliert - vergeuden die Mitarbeiter im Controlling oft viel Zeit damit, Daten aus den verschiedenen Quellen zusammenzuführen und übersichtlich in einer Excel-Tabelle oder einer Datenbank aufzubereiten, bevor diese weitergereicht werden. Hier spielt vor allem die Echtzeit-Verfügbarkeit von Daten eine zunehmend bedeutende Rolle. Die vorgelegten Informationen sollten nämlich idealerweise alle verfügbaren Ereignisse enthalten, um ein möglichst getreues Bild des Unternehmens abzubilden.
"Insight Engines können relevante Informationen aus riesigen Datenbeständen analysieren, die benötigten Fakten extrahieren und individuell aufbereiten."
Umfassender Überblick mit einem Klick
Informationsquellen existieren viele, jedoch bringen Anwendungen wie SAP, Datenbanken oder Projekt-Management-Systeme nur jene Informationen hervor, die auch darin gespeichert wurden (vorrangig Zahlenmaterial), meist ohne den inhaltlichen Bezug (Kontext) zu einem Projekt, einem Kunden oder unternehmensinternen Ereignissen. Dies macht es schwierig, alle relevanten Informationen einzubeziehen (Stichwort "informed decisions"), herauszufiltern und zu interpretieren.
Genau hier können die technologischen Entwicklungen ihre Stärken ausspielen. Neue Möglichkeiten im Bereich der Datenanalyse, basierend auf Künstlicher Intelligenz (KI), verhelfen Unternehmen zu einer umfangreichen Vernetzung sämtlicher vorhandener Datenquellen und sorgen für eine zeitgemäße Darstellung des Zahlenmaterials.
Intelligente Tools wie Insight Engines sind in der Lage, strukturierte (Fachanwendungen) sowie unstrukturierte Informationen (E-Mails) anwendungs- und abteilungsübergreifend aus sämtlichen, auch nicht controllingspezifischen Datenquellen miteinander zu verknüpfen und über die Wissensdatenbank (den erstellten Index) bereitzustellen. Das Analysehaus Gartner erläutert die Funktionsweise von Insight Engines wie folgt: "Insight engines combine search with AI to deliver actionable insights derived from the full spectrum of content and data sourced within and external to the enterprise" (vergleiche Emmott/Alaybeyi/Mullen 2019). Insight Engines setzen auf die traditionellen Enterprise-Search-Funktionen auf und kombinieren diese mit Methoden aus dem Bereich der KI. Klassische Enterprise-Search-Lösungen durchsuchen lediglich den gesamten Text in einer Datenquelle (Volltextsuche) und liefern eine Trefferliste von den gesuchten Begriffen (vergleiche Ismail 2017 oder Gualtieri/Sridharan/Hoberman 2019). Im Gegensatz dazu sind Insight Engines durch intelligente Technologien wie natürliche Sprachverarbeitung und maschinelles Lernen in der Lage, relevante Informationen aus riesigen Datenbeständen zu analysieren, die benötigten Fakten zu extrahieren und individuell - entsprechend dem gerade benötigten Kontext - aufzubereiten. Die Informationen werden laufend durch die Insight Engine abgeglichen, sodass immer die aktuellsten Daten bei einer Abfrage zur Verfügung stehen.
Erfolgt nun eine Abfrage durch den Anwender, gleicht die Insight Engine den Index mit der Frage ab und extrahiert nur der Anfrage entsprechende, relevante Informationen. Abhängig von Position, Aufgabengebiet und Berechtigungen sind die Ergebnisse in einer individuellen 360-Grad-Sicht für den Anwender dargestellt. Dadurch wird sichergestellt, dass auch kurzfristige Änderungen bei den Zugriffsrechten berücksichtigt werden und dem Anwender jene Informationen zur Verfügung stehen, die er aktuell zur Bearbeitung seiner Aufgaben benötigt. Die Informationen kommen aus dem Index, und erst bei einer Interaktion mit einem Treffer wie dem Öffnen oder Bearbeiten beispielsweise einer Excel-Tabelle wird der Anwender automatisch zur Datenquelle weitergeleitet, wo die Datei tatsächlich gespeichert ist. Zeitgemäße Lösungen erstellen keine Kopien außerhalb der Core-Systeme (Datenquellen).
Inhalte und Anfragen verstehen
Um die relevanten Informationen finden und zur Verfügung stellen zu können, ist es notwendig, dass die Insight Engine sowohl die Anfragen der Anwender als auch die Inhalte der Dokumente richtig interpretiert. Im Gegensatz zu formalen Sprachen wie XML oder PHP ist die natürliche, menschliche Sprache jedoch komplex, unstrukturiert, oft zweideutig und entwickelt sich laufend weiter. Intelligente Technologien sind in der Lage, Muster und Strukturen in Daten mittels Natural Language Processing (NLP) und Natural Language Question Answering (NLQA) zu erkennen.
NLP sorgt dafür, dass die menschliche Sprache korrekt in Maschinensprache übersetzt, verstanden und interpretiert wird (vergleiche Rouse 2019), während NLQA den Dialog ermöglicht (vergleiche Satapathy 2018). Dadurch kann das Anliegen korrekt identifiziert und die Suchresultate im jeweiligen Kontext angezeigt werden und nicht lediglich Dokumente, in welchen irgendwo der Suchbegriff vorkommt. Bei einer Frage wie "Wann wurde Wolfgang Amadeus Mozart geboren?" erkennt das System, dass das "Wann" das Fragewort ist, dass jemand geboren wurde sowie dass es sich bei Wolfgang Amadeus Mozart um eine Person handelt, und liefert statt eines Dokuments die konkrete Antwort "27. Januar 1756" (vergleiche Abbildung 1). Internetsuchmaschinen bedienen sich heute bereits ähnlicher Methoden, um ihre Ergebnisse auszuspielen. Neben der technologischen Weiterentwicklung ist dies auch der Tatsache geschuldet, dass heute bei Rechercheabfragen immer öfter ausformulierte Fragen eingegeben werden anstatt einzelner Wörter oder Begriffe.
Durch den Einsatz von maschinellem Lernen als eine Methode der KI lernt die Insight Engine nicht nur aus den vorhandenen Daten, sondern auch aus dem Nutzerverhalten. Darauf basierend errechnet die Lösung automatisiert die Relevanz von Ergebnissen individuell für einen Anwender oder auch für Anwendergruppen. Dokumente mit oft abgefragten Begriffen oder Wortgruppen werden dadurch proaktiv und vorrangig zur Verfügung gestellt.
Change Management in der Finanzabteilung
Das Controlling ist heute mit ständigem Wandel konfrontiert: Produktlebenszyklen verkürzen sich, Vermarktungsmodelle variieren oder Veränderungen in der Unternehmensorganisation prägen den Arbeitsalltag. Dennoch müssen sich alle diese Veränderungen nachvollziehbar und transparent in den Zahlen, die das Controlling liefert, widerspiegeln - eine Herausforderung, die ohne zunehmende Digitalisierung und Automatisierung schwer zu stemmen sein wird. Doch die Meinungen divergieren, wenn es um den Einsatz von modernen IT-Werkzeugen geht.
Was für die IT-Abteilung modern und innovativ klingt, kann bei den Fachkräften großen Unmut und Ablehnung auslösen. Controller haben sich über viele Jahre hinweg bestimmte Arbeitsabläufe angeeignet, ihre Aufgaben professionalisiert und kennen die Erwartungen des Managements genau. Daher sollte im Sinne eines kontinuierlichen Change Managements das Controlling bereits frühzeitig in den Auswahlprozess von KI-basierten Lösungen eingebunden werden. Als Experten können Controller am besten beurteilen, welche "Eigenschaften" sie tatsächlich für die tägliche Arbeit brauchen, um schneller die gewünschten Ergebnisse zu erhalten. Testläufe mit den eigenen Unternehmensdaten im Rahmen eines Proof-of-Concepts sind daher unerlässlich, denn hier lassen sich bereits frühzeitig die Stärken, aber auch die Schwächen der einzelnen Lösungen aufzeigen.
Beispiel Projekt-Controlling
Stellen Sie sich vor, Sie müssen innerhalb kürzester Zeit feststellen, wie der Status von laufenden Kundenprojekten ist. Im Allgemeinen ist das eine einfache Übung, wenn alle Leistungen intern entsprechend dokumentiert wurden. Denn Stundenaufzeichnungen oder Tätigkeitsberichte stellen die Basis für die Verrechnung einer bestellten Dienstleistung dar. Die Einnahmen stehen also in direktem Zusammenhang mit der exakten Dokumentation der Leistung. Doch bevor den Kunden eine Rechnung gestellt wird, sollten sämtliche damit im Zusammenhang stehende Positionen noch einmal kontrolliert und einer Plausibilitätsprüfung unterzogen werden. Entsprechen Rechnung, Projektbezeichnung, Bestellung, Angebot sowie Auftragsnummer den Vorgaben, ist sichergestellt, dass Kunden auch innerhalb der Zahlungsfrist die Rechnung begleichen. Unstimmigkeiten wirken sich direkt auf den Cashflow und in weiterer Folge auch auf die Bilanz eines Unternehmens aus.
Durch entsprechende Abfragen über alle angebundenen Datenquellen (PMS, SAP et cetera) hinweg lassen sich Abweichungen rasch feststellen. Falsch gebuchte Stunden, falsche Beschreibungen der Tätigkeit, Buchungen auf falsche Projekte oder Überbuchungen von bestellten Leistungen sind übersichtlich im Dashboard dargestellt und werden durch Klicken weiter verfeinert - bis hin zum falsch ausgestellten Tätigkeitsbericht. Die zusätzlich bereitgestellten Informationen unterstützen bei der Orientierung in einem Projekt zum Beispiel, welche Rechnungen bereits ausgestellt und bezahlt wurden. Gerade wenn das Unternehmen in Vorleistung geht, sollte dies auf einen Blick erkennbar sein, denn sollte der Kunde nicht einverstanden sein, bleibt das Unternehmen auf seinen Kosten sitzen. Diese übersichtlichen Darstellungen helfen nicht nur dem Controller, sondern auch dem Consultant- Leiter bei der Planung.
Fazit
Durch den Einsatz von intelligenten Suchmaschinen können die Verantwortlichen der Controlling-Abteilung aus dem umfassenden und exponentiell steigenden Datenmaterial rasch und ergänzend zu bestehenden Analysen detaillierte Informationen abrufen. Unter Einbeziehung strukturierter und unstrukturierter Daten werden die Ergebnisse individuell für jeden Anwender in sogenannten 360-Grad-Sichten aufbereitet. Dies spart den Experten nicht nur Zeit, sondern stellt auch technisch nicht so versierten Nutzern hoch qualitative und relevante Informationen zur Verfügung.
Literatur
Emmott, S./Alaybeyi, S./Mullen, A. (2019): Magic Quadrant for Insight Engines, www.gartner.com/en/documents/3961025 (letzter Abruf: 23.04.2020).
Gualtieri, M./Sridharan, S./Hoberman, E. (2019): The Forrester Wave: Cognitive Search, Q2 2019, https://tinyurl.com/Cognitive-Search (letzter Abruf: 23.04.2020).
Ismail, N. (2017): RIP Enterprise Search - AI-based Cognitive Insight is the Future, https://tinyurl.com/rip-enterprise-search (letzter Abruf: 23.04.2020).
Rouse, M. (2019): Natural Language Processing (NLP), https://tinyurl.com/definition-NLP (letzter Abruf: 23.04.2020).
Satapathy, R. (2018): Question Answering in Natural Language Processing [Part-I], https://tinyurl.com/question-answering-in-NLP (letzter Abruf: 23.04.2020).
Transparency Market Research (2016): Insight Engines Market - Global Analysis, Size, Share, Growth, Trends and Forecast 2018-2026, https://tinyurl.com/insight-engines-market (letzter Abruf: 23.04.2020).
Zusammenfassung.
Die steigende Datenmenge und die Digitalisierung stellen das Controlling vor neue Herausforderungen, denn Parameter wie Tempo, Flexibilität und effiziente Prognosefähigkeiten sind auch hier ausschlaggebende Erfolgsfaktoren.
Intelligente Anwendungen sind in der Lage, strukturierte sowie unstrukturierte Informationen anwendungs- und abteilungsübergreifend aus sämtlichen, auch nicht controllingspezifischen Datenquellen miteinander zu verknüpfen und bereitzustellen.
Die sich dadurch ergebenden Möglichkeiten im Bereich der Datenanalyse, basierend auf Künstlicher Intelligenz, verhelfen Unternehmen zu einer umfangreichen Vernetzung sämtlicher Datenquellen und einer reibungslosen und ressourceneffizienten Bereitstellung von Informationen.
Handlungsempfehlungen.
Überlegen Sie, welches Problem Sie mit KI lösen möchten.
Definieren Sie Ihre Anforderungen (Business Needs).
Prüfen Sie die Datenquellen und die Datenqualität.
Testen Sie idealerweise mit Ihren eigenen Daten die Leistungsfähigkeit des Herstellers.
Mitarbeiter liefern das beste Feedback, um die Lösung laufend zu verbessern.
Daniel Fallmann
ist Gründer und Geschäftsführer der Mindbreeze GmbH, Linz, Österreich.
E-Mail: office@mindbreeze.com