Analytics Translation: Übersetzung von Anforderungen des ... / 1 Ist Artificial Intelligence im CFO-Bereich anwendbar?

Der digitale Wandel und die damit verbundenen technologischen Innovationen entwickeln sich in hohem Tempo und verändern dabei immer mehr Aspekte unseres Lebens. Für Unternehmen zum Beispiel bedeutet dies, Prozesse in einem bisher nicht bekannten Ausmaß automatisieren zu können oder dynamisch und "real time" Informationen in Form von intelligenten Dashboards zu visualisieren. Artificial Intelligence (AI), Advanced Analytics und insbesondere Machine Learning sind die nächsten Ausbaustufen der digitalen Transformation.

Auf der einen Seite sind vielen diese Technologien noch eher fremd, da damit meist recht spezielle Probleme gelöst werden. Auf der anderen Seite finden wir AI bereits in recht alltäglichen Bereichen, wie dem Entsperren unserer Smartphones durch Gesichtserkennung, individuell angepasster Werbung oder "Chatbots". Die allermeisten von uns haben mit diesen Anwendungen bereits Erfahrung gemacht. Auch in den Medien wird von Algorithmen berichtet, die Go- und Schachspieler schlagen,^[1] Krebs mit hoher Präzision identifizieren,^[2] eigenständig Texte verfassen^[3]  oder ganze Musikstücke komponieren.^[4] In diesen Beispielen überzeugen Algorithmen mit erstaunlich guten Resultaten.

Diese sehr speziellen Anwendungen haben jedoch keine Relevanz für den CFO-Bereich. Sehr oft können daher Führungskräfte aus dem CFO-Bereich das Potenzial von Advanced Analytics und AI nicht richtig einschätzen. In der Konsequenz werden viele erfolgversprechende Anwendungen nicht eingesetzt und der CFO-Bereich fällt in der digitalen Transformation zurück.

Dabei können immer mehr auf Information basierende Prozesse verbessert und zugleich auch in großen Teilen automatisiert werden. Auch die Optimierung von Entscheidungen anhand datenbasierter Algorithmen ist möglich. Je nach Anwendungsfall und Algorithmus können auch neue Einsichten in bestehenden Daten identifiziert werden. In Zeitreihen lassen sich zum Beispiel Strukturen und Muster finden, welche man vorher "nicht gesehen hat" und die neue Einsichten in die zugrunde liegenden Prozesse ermöglichen.

Das Ziel eines intelligenten informationsverarbeitenden Prozesses sollte eine verbesserte Entscheidungsfindung sein, welche, insbesondere im CFO-Bereich, zu einem ökonomischen Mehrwert führt. Zum Beispiel kann ein ökonomisches Ziel, wie etwa Kostenminimierung, unter der Optimierung von Nebenbedingungen, wie zum Beispiel den Produktionskapazitäten, definiert und dann mathematisch gelöst werden. Solche "Solver" finden auf Basis von Daten unter Berücksichtigung der Nebenbedingungen die optimale Lösung. Selbstverständlich sollte, bevor das Management darauf basierend operative Entscheidungen trifft, vorhandenes Expertenwissen, welches noch nicht vom Algorithmus miteinbezogen wurde, berücksichtigt werden.

Algorithmen können insbesondere in Steuerungsprozessen erfolgreich Anwendung finden. Basierend auf einem Treibermodell können AI-Anwendungen zum Beispiel die Nachfrage der nächsten Wochen prognostizieren. Anhand dieser Prognose kann eine weitere AI-Anwendung die optimale Produktionsauslastung berechnen. Gleichzeitig wird die Ungenauigkeit der Prognose berücksichtigt und dieses Risiko dann entsprechend abgesichert. Ein weiteres Beispiel ist die Liquiditätsplanung. Mit AI kann man die zukünftigen Zahlungsströme prognostizieren und anschließend die Konten automatisch ausgleichen.

[1] s. Silver/Hubert/Schrittwieser/Hassabis, 2018.

[2] s. Ribli/Horváth/Unger et al., 2018.

[3] s. Radford/Wu/Amodei et al., 2019.

[4] s. AIVA, https://www.aiva.ai/, Abrufdatum 28.1.2020.