Natural Language Processing und Large Language Models: C ... / 2 Anwendungsbereiche von NLP und LLMs

In der heutigen schnelllebigen und volatilen Geschäftswelt sind Unternehmen ständig auf der Suche nach innovativen Technologien, die ihre Prozesse optimieren und somit die Wettbewerbsfähigkeit sicherstellen.

Bisher waren Prozesse, die das Verstehen natürlicher Sprache einbeziehen, meist nur eingeschränkt automatisierbar – eine manuelle Bearbeitung durch den Menschen war oft unerlässlich. Erst in den letzten Jahren wurde durch den Einsatz von LLMs^[1] die natürliche Sprachverarbeitung durch Algorithmen so weit verbessert, dass es mittlerweile in weiten Teilen des Controllings erfolgreich eingesetzt werden kann.

Es können hierbei einerseits bestehende Prozesse im klassischen Controlling automatisiert und bereichert werden (s. Kap. 2.1). Andererseits können aus Textdaten wie z. B. Social Media über NLP wichtige Informationen zur Entscheidungsunterstützung in Echtzeit extrahiert werden (s. Kap. 2.2), die vorher nicht oder nur mit großem Aufwand zugänglich waren.

[1] Vielversprechende Technologien sind hier ChatGPT, GPT-4 oder BloomberGPT

2.1 Prozessoptimierung im Controlling durch NLP

Viele klassische Controllingaufgaben, die heute manuell durchgeführt werden, können durch den Einsatz von NLP automatisiert und somit effizienter gestaltet werden. Im Folgenden sind einige Bereiche mit Automatisierungspotenzial beschrieben.

• Automatisierte Berichterstattung: Mit NLP können auf Basis von Daten in Echtzeit geschäftsrelevante Dokumente, wie z. B. Performance-Analysen, in natürlicher Sprache generiert werden. Die Berichte sind somit schneller zugänglich, haben eine einheitliche Struktur und der Arbeitsaufwand zur Erstellung wird erheblich reduziert.
• Kommentierung: NLP ermöglicht die automatische Kommentierung von Berichten und Diagrammen. Algorithmen können wichtige Trends und Muster erkennen und diese in klaren, prägnanten Kommentaren hervorheben. Das verbessert das Verständnis und ermöglicht es Entscheidungsträgern, schneller und fundierter zu handeln.
• Kategorisierung von Rechnungen, Prüfung von Spesenabrechnungen: NLP kann bei der Kategorisierung von Rechnungen und der Prüfung von Spesenabrechnungen eingesetzt werden. So können Rechnungen auf Grundlage ihres Inhalts automatisch kategorisiert und auffällige Abrechnungen identifiziert werden. Die zugehörigen Prozesse können dadurch beschleunigt und gleichzeitig die Genauigkeit verbessert werden.
• Übersetzung: In multinationalen Unternehmen ist es häufig notwendig, Berichte in verschiedene Sprachen zu übersetzen. Hier kann NLP helfen, diesen Prozess zu automatisieren und so die Effizienz zu steigern und Verzögerungen zu minimieren. Darüber hinaus kann NLP auch dabei helfen, die Qualität der Übersetzungen sicherzustellen und Missverständnisse zu vermeiden.
• Einheitliche Sprache: Eine Herausforderung im Controlling kann die unterschiedliche Terminologie und Sprache sein, die in verschiedenen Abteilungen oder Regionen verwendet wird. NLP kann dazu beitragen, diese Unterschiede zu überbrücken, indem es eine einheitliche Sprache fördert. Es können z. B. Berichte und Kommunikationen standardisiert werden, was zu einer verbesserten Verständlichkeit führt.

2.2 Entscheidungsunterstützung mit Hilfe von NLP auf Basis von Textdaten

In der heutigen vernetzten und globalisierten Welt verändert sich das Geschäftsumfeld mit rasanter Geschwindigkeit – was teilweise hohe Risiken mit sich bringt. In solch einem Umfeld ist es von entscheidender Bedeutung, operative, taktische und strategische Entscheidungen auf einer soliden Datengrundlage zu treffen.

Die Herausforderung liegt dabei nicht darin, dass es an relevanten Daten mangelt – ganz im Gegenteil, die Fülle an Daten ist oft überwältigend. Insbesondere im Textbereich steigt die Menge an Daten enorm. Dies resultiert unter anderem aus der zunehmenden Nutzung von Social Media sowie der wachsenden Produktion von Online-Inhalten, einschließlich Artikeln, die von KI-Systemen wie ChatGPT verfasst werden. Eine händische Verarbeitung der Daten ist nur mit enormen Ressourceneinsatz möglich. Die Ergebnisse solch einer manuellen Auswertung sind dann schnell veraltet – Echtzeitauswertungen sind nicht möglich.

Durch automatisiertes Crawling können große Mengen an Textdaten aus einer Vielzahl von Quellen beschafft werden. Zu den Quellen gehören Online-Artikel, Social Media-Beiträge, Patentdatenbanken, Geschäftsberichte und viele mehr. Jede dieser Quellen enthält einen immensen Informationsgehalt mit potenziell entscheidungsrelevanten Inhalten. Um als Marktteilnehmer wettbewerbsfähig zu bleiben, ist daher eine automatisierte Auswertung von Textdaten durch NLP von großer Bedeutung.

Die Anwendungsfelder, für solch eine automatisierte Auswertung von Textdaten durch NLP, sind dabei vielfältig. Eine Übersicht möglicher Anwendungsfelder, eingeordnet in End-to-end-Prozesse^[1], ist in Abb. 1 gegeben. Hier ist anschaulich dargestellt, wie aus Textdaten sowohl in strategischen Prozessbereichen (z. B. Plan-to-steer), als auch in operativen Prozessbereichen (z. B. Order-to-cash) Mehrwert geschaffen werden kann.

Abb. 1: Mögliche Anwendungsfelder von NLP in Unternehmen entlang der End-to-End-Pro...