Potenzial von Machine Learning/Künstlicher Intelligenz im Controlling
Das Digitalisierung im Controllingbereich schreitet voran und die Schlüsselfragen von CFOs und CEOs verändern sich. Häufig wurden z.B. ERP Systeme bereits modernisiert und optimiert und das Verständnis für digitale Transformation ist vorhanden. Nun rücken Fragen wie „In welcher Reihenfolge soll ich digitalisieren?“ oder „Was bringen mir KI-gestützte Datenanalyseverfahren wirklich?“ in den Vordergrund. In aktuellen Fachartikeln (z.B. Pfeiffer 2020*) wird klar, dass das Potenzial von Machine Learning (ML)/Künstlicher Intelligenz (KI) noch stark von Fachanwendern und Managern unterschätzt wird. Es herrscht auch viel Unklarheit darüber, ob die Potenziale dieser Technologie im Unternehmen schnell nutzbar gemacht werden können. Zudem ist für viele fraglich, ob die erforderlichen personellen Ressourcen und Kenntnisse im Unternehmen vorliegen.
Ist es nötig, dass Fachabteilungen auch fortgeschrittene Kenntnisse der Statistik/ Mathematik und Programmierkenntnisse in R oder Python haben, um die Vorteile der KI nutzen zu können?
Zumindest im Controlling Bereich ist ein Fachwissen zu Machine-Learning Algorithmen nicht Voraussetzung für deren Anwendung. Moderne Controllingsoftware arbeitet hier mit voreingestellten optimierten Parametereinstellungen und Empfehlungssystemen. So wird beispielsweise die Prognose anhand verschiedener statistischer Prognoseverfahren ausgeführt und dargestellt. Anhand der Fehlerwerte wird dann die beste Prognosevariante vorgeschlagen (siehe Abbildung 1). Flexible Standardisierung ist das Zauberwort – so sind Parameter optimiert, lassen aber immer Veränderungen durch fachkundige Nutzer oder für spezielle Anwendungsfälle zu.
Entscheidern im Controllingbereich liegen häufig große Datenmengen vor. Das ist gut für eingehende Analysen, erfordert aber vor allem bei komplexen Modellen und vielen externen und internen Einflussfaktoren den vollen Überblick. Hier zeigt sich die Überlegenheit des selbstlernenden Algorithmus. Es bedarf also nicht notwendigerweise Machine Learning Kenntnissen, aber doch der Offenheit und Bereitschaft für deren Einsatz.
Noch ein Problem weniger – Eine IT-Schnittstelle fällt weg
Viele Unternehmen zögern, vorhandene Systeme durch die Schaffung neuer IT-Schnittstellen zu erweitern oder zu ersetzen. Bei Nutzung bereits vorhandener, integrierter Schnittstellen ist jedoch nur eine sehr geringe Anpassung des bestehenden Systems erforderlich. Die intuitive Benutzeroberfläche moderner Controllingsoftware inkludiert die Machine-Learning Anwendung und gibt die Ergebnisse grafisch in Dashboards (siehe Abbildung 1).
Durch den Zugriff auf nahtlos verknüpfte, aktuelle Daten werden zudem die Prognosegüte und -genauigkeit positiv beeinflusst. Der oft mühevolle Prozess der dezentralisierten Datenanalyse durch die Fachabteilung entfällt, die Entscheidungsqualität von CFOs, CEOs und Controllingleitern steigt. Das ermöglicht proaktives und faktenbasiertes Handeln. Zusammenhänge, die sonst nicht entdeckt worden wären, werden sichtbar und können berücksichtigt werden. Andere – vorher wichtig erachtete – „Schein-Einflussvariable“ werden ausgeschlossen. Die auf qualitativ hochwertigen Daten basierenden Analysen und Forecasts sind verlässlich und sichern proaktives Handeln. So können schon frühzeitig Maßnahmen Maßnahmen bei Abweichungen des Erwarteten getroffen werden. Ein Frühwarnsystem entsteht.
Die Daten in Form bringen und das künstliche Gehirn trainieren
Egal wofür – Rohdaten müssen für alle Analysen inkl. Lernalgorithmen vorbereitet werden. Hierzu zählen die Auswahl der historischen Perioden, die Reduktion irrelevanter Merkmale (Reduktion von Datenrauschen), der Ersatz fehlender Werte oder die Bereinigung um Ausreißer. Idealerweise erfolgt die Bereinigung der Daten nicht händisch, sondern automatisiert. Liegt bereits eine Controllinglösung im Unternehmen vor, wird der Datensatz vom Data-Science Team analysiert und einmal bereinigt. Danach erfolgt die Datenbereinigung automatisch und intelligent.
Sind die Daten vorbereitet, wird der Datensatz per Zufallsprinzip in Test- und Trainingsdaten geteilt, um den Lernalgorithmus trainieren zu können. Je mehr Daten dafür vorliegen, desto besser das Ergebnis. Die Neuronen im sogenannten Neuronalen Netz lernen dann ähnlich einem Gehirn, and und optimieren das Modell, bis keine Verbesserung mehr möglich ist. Die heutige Rechenleistung erlaubt sofortige Ergebnisse: Ein Problem mit mehreren Tausend Variablen kann in weniger als zwei Minuten gelöst werden. Die Plausibilisierung und Veränderung der Grundlagendaten im Kontext der Unternehmensentwicklung kann künstliche Intelligenz nicht übernehmen – diese Aufgabe bleibt in der Kompetenz des Fachanwenders.
KI als integraler Bestandteil der Unternehmensplanung – Beispiele für Schlüsselanforderungen
Es gibt beeindruckende Erfolge mit KI-Anwendungen bei der Vertriebs- und Produktionsplanung (siehe Abbildung 2) sowie dem Projekt-/Portfoliocontrolling. Im Regelfall können wiederkehrende und gut einschätzbare Ereignisse leicht durch klassische Verfahren prognostiziert werden, andere Vorkommnisse wie Feiertage oder Verkaufsaktionen wie etwa der Black Friday sind hier schon anspruchsvoller. Hier helfen Neuronale Netze; die Anwendungsmöglichkeiten sind vielfältig.
Im Zuge der Data Governance Week 2.0, die vom ÖCI organisiert wird, werden in 3 Webinaren aktuelle Entwicklungen zu den Themen Datenmanagement und -vertrauen als Basis fundierter Entscheidungen behandelt. Der Hauptfokus liegt auf der Datenqualität – von der Datenvorbereitung bis zu treffsicheren und verlässlichen Prognosen und Analysen. Im Webinar Nr. 3 am 26.3.2021, 11-12.30, geht es um bessere Datenqualität durch intelligente Algorithmen und praktische Anwendungen von Machine Learning (ML) als Teilbereich der Künstlichen Intelligenz (KI).
Erfahren Sie mehr im neuen Webinar:
Mehr zum Programm der Data Governance Week 2.0 und der Anmeldung:
*Pfeiffer, S. (2020), Kontext und KI: Zum Potenzial der Beschäftigten für Künstliche Intelligenz und Machine-Learning. HMD 57, 465–479 (2020). https://doi.org/10.1365/s40702-020-00609-8
