Selbstbedienung im Berichtswesen durch künstliche Intell ... / 1 Selbstbedienung im Reporting

Berichterstellung und -analyse sind zentrale Bestandteile im Controlling, ihre Erstellung beansprucht jedoch viel Zeit. Wem kommt es nicht bekannt vor, dass man sich eigentlich mit inhaltlichen Themen auseinander setzen möchte, doch stattdessen nach aufgearbeiteten Informationen sucht, mit Formaterstellungsfragen ringt oder sich ganz einfach nur wundert, warum aktuell keine Daten in der Grafik gezeigt werden? Deshalb geht viel Zeit mit solchen vermeintlichen Routineaufgaben drauf.

Es galt lange als Expertenaufgabe, Reports zu erstellen. Business Intelligence-Werkzeuge, die in der Datenauswertung helfen, erfordern sowohl eine gute Technikkompetenz als auch ein gutes Gefühl für Zusammenhänge. Hier agiert der Business-Intelligence-Experte quasi als Redakteur. Das Resultat sind qualitätsgesicherte Berichte oder Dashboards für die Berichtsempfänger.

Im Laufe der letzten Jahre wurden jedoch die Tools in der gesamten Berichtserstellungskette deutlich bedienungsfreundlicher. Selbsterstellung von Dashboards, auch bekannt als Self Service, nehmen an Bedeutung zu. Dies wird erkennbar bei populären Lösungen wie Power BI, SAP Analytics Cloud oder Tableau. Diese Tools sollen mithilfe eines vereinfachten Datenmodells das Erstellen von Berichten auch ohne größere Vorerfahrung ermöglichen.

Dennoch ist es nicht so unkompliziert, wie es auf den ersten Blick scheint, vor allem für gelegentliche Anwender. Bei anspruchsvollen Fragestellungen ist immer noch der Experte gefragt. Künstliche Intelligenz könnte hier allerdings ein Hilfsmittel für besseren Self Service bieten. Solche Funktionen findet man bereits in vielen Bereichen der genannten Lösungen. Aber die Nutzung dieser Funktionen wird definitiv noch zunehmen.

Mit zunehmender Intelligenz von Hilfsmöglichkeiten wechseln wir vom klassischen Assistenten (Wizard) zu Generativer künstlicher Intelligenz (Chatbot oder moderner Copilot): Softwaresysteme, die Anfragen verstehen und angemessene Antworten liefern können. Werkzeuge wie ChatGPT entfachen aufregende Visionen, beispielsweise könnte ein vollständiges Dashboard in einem Chat erstellt werden. Dennoch sollten die Erwartungen nicht überzogen sein. Zwar kann man bereits mit dem Computer "chatten" und dabei die gewünschten Ergebnisse in attraktiven Grafiken oder Berichten erhalten. Allerdings wird die Beurteilung der Qualität in Bezug auf Richtigkeit, Verständlichkeit und Nutzbarkeit oft vernachlässigt. Wenn es um erste Informationsimpulse geht, mag das Risiko einer Falschinformation noch akzeptabel sein. Wenn allerdings konkrete Entscheidungen von den Berichtsergebnissen abhängen, muss man sich auf die Resultate verlassen können. Die neuen Werkzeuge tendieren dazu, zu "halluzinieren", so dass auch gänzlich falsche Ergebnisse produziert werden können. Daher gewinnt der Forschungsbereich der "explainable AI" an Bedeutung – also die Frage, weshalb bestimmte Ergebnisse geliefert werden. Im Rahmen von qualitätsgesicherten Datenmodellen ist eine solche Gefahr deutlich geringer.

Es warten weitere Herausforderungen, wenn mehr als nur einfache Frage-Antwort-Szenarien gefordert sind und komplexe Zusammenhänge nutzergerecht aufbereitet werden müssen. Beispielsweise können Berichte über die Entwicklung von Kennzahlen teilweise schwierig zu erstellen sein, wenn unterschiedliche Konsolidierungsebenen angezeigt werden müssen. Hier muss noch vorausgesetzt werden, dass das Modell solche Abfragen bereits grundsätzlich vordenkt.