Planung und Reporting im Controlling erhielt durch Business Intelligence einen deutlichen Schub für die Steuerungsqualität und -geschwindigkeit. Durch die vermehrte Diskussion von Künstlicher Intelligenz (KI) im Zusammenhang mit Machine Learning, Deep Learning, Data Mining, Predictive Analytics und Chatbots stellt sich die Frage, inwieweit diese modernen technologischen Entwicklungen die Planung und das Reporting im Unternehmen bei Managemententscheidungsprozessen unterstützen oder sogar gänzlich die Management- und Controlling-Aufgaben übernehmen können.
Eine (starke) KI, die Führungsentscheidungen und Entscheidungsunterstützungsfunktionen, ähnlich den menschlichen Fähigkeiten in einer komplexen Unternehmensumwelt erlernen und anwenden könnte, ist derzeit eine reine Science-Fiktion-Vision. Eine schwache und spezifische KI hingegen liefert gute Ansätze, die bisherigen Aufgaben im Controlling und speziell in der Planung und im Reporting sinnvoll zu ergänzen. Dies gilt vor allem für abgrenzbare klare Aufgabenstellungen, für die eine große Menge an Daten verfügbar (Big Data) ist.
Dieser Abschnitt soll daher die Möglichkeiten und Grenzen der KI-Nutzung im Vergleich zu bisher eingesetzten IT-Lösungen für die Hauptaufgaben von Planung und Reporting im Rahmen des Controllings aufzeigen.
6.1 Strategische Planung und Analyse
Traditionelle BI-gestützte Controlling-Systeme können bereits strategische Instrumente wie z. B. eine Wettbewerbs- oder Portfolio-Analyse bis hin zu einer Balanced Chance and Risk-Card unterstützen.
Explorative Datenanalysen können allerdings für speziell abgegrenzte strategische Planungen und Analysen mit Hilfe von KI unterstützt werden, wenn es der Unternehmung gelingt, geeignete Daten aus internen oder externen Quellen hierfür heranzuziehen. Geeignete Analysebeispiele lassen sich für viele strategische Aufgaben finden. Hinsichtlich der Produktprogrammplanung lassen sich z. B. Trends bei Forschungsbedarfen aufgrund von Bedürfnisänderungen bei den Kunden überprüfen. Für die Konkurrenzanalyse können z. B. die Patentanmeldungen und neue Firmengründungen systematisch analysiert werden.
Die Mannigfaltigkeit der strategischen Analyse- und Planungsaufgaben hinsichtlich Umwelt-, Unternehmens-, Wettbewerbsanalyse etc. lassen sich aber nicht vollumfänglich, sondern nur punktuell mit KI-basierten Systemen unterstützen. Schrittweise kann es gelingen, strategische Analysen zu verbessern, indem strategisch relevante Zusammenhänge erkannt werden, um bessere Prognosen und geeignete Messgrößen abzuleiten und Geschäftsmodelle anzupassen.
6.2 Operative Planung und Forecasting
Traditionelle BI-gestützte Controlling-Systeme unterstützen bereits integrierte Unternehmensgesamtplanungsmodelle. Generelle Planungsfunktionen wie die manuelle Planwerteingabe und Umwertungen oder auch besondere Planungsfunktionen wie die Verteilung, die Hochrechnung oder das Splashing (eine besondere Form der Verteilung, bei der große Datenmengen auf Basis statistischer Basiswerte verteilt werden), werden in den Planungsgebieten und -formularen unterstützt. Hierbei nutzen bestehende Planungsmodelle etablierte Erfolgs- und Kostentreiber (wie z. B. Preise, Mengen, variable und fixe Kosten) als Eingabeparameter, um etablierte betriebswirtschaftliche Zielvariablen (wie z. B. Deckungsbeitrag, Gewinn und Cashflow) zu ermitteln.
Punktuell lassen sich einzelne Teilaufgaben der Unternehmensplanung durch KI unterstützen. Data Mining und Predictive Analytics können in erster Linie dabei helfen, neue Eingabe-Parameter für die Modelle zu entdecken, die auf die betriebswirtschaftlichen Zielvariablen angewendet werden können. Hierfür sind für einzelne Planungsgebiete geeignete Datenräume zu identifizieren und die Daten auf ihre Eignung zu analysieren (z. B. die Besucherrate und Absprungrate von Web-Seiten im Zusammenhang mit der Planung von Online-Verkaufsdaten).
Die Integration von KI-Lösungen, Data Mining und Predictive Analytics können die Nachvollziehbarkeit der Modellprämissen, die Transparenz des Modellaufbaus sowie die Selektion relevanter Parameter und somit die Werttreibermodelle, Simulationen, Sensitivitäts- und Szenarioanalysen belastbarer machen.
Bezüglich der KI-Modelle ist es allerdings wichtig zu wissen, dass das Ergebnis des maschinellen Lernens auf statistischen Zusammenhängen beruht. Zwischenergebnisse in den Modellen werden nicht ausgegeben und können nicht für andere Planungsgebiete und -aufgaben genutzt werden. Zudem kann es zu Scheinkausalitäten kommen, die von dem System fehlinterpretiert werden.
Diese und weitere Gründe sind es, warum weiterhin menschengemachte Hypothesen und Interpretationen für das Management notwendig sind, um daraus komplexe Wirkungsbeziehungen ableiten zu können.
6.3 Analyse und Reporting
Analyse und Reporting w...