Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) ziehen zunehmend in unseren Alltag ein. So wie Mobiltelefone, das Internet und Apps die Kommunikations- und Einkaufsgewohnheiten verändert haben, so verändern KI und ML die Art und Weise, wie Unternehmen arbeiten. Es hat Einfluss auf jeden Geschäftsprozess. Dieser Wandel betrifft auch Finanzplanung & Analyse (FP&A) und die Rolle, die diese bei der Unterstützung des Managements spielt.

KI/ML unterscheiden sich von herkömmlichen Analyseverfahren durch die Verwendung von Algorithmen, die sich im Laufe der Zeit mit zunehmender Datenexposition anpassen und ihre Performance verbessern – daher der Begriff Maschinelles Lernen (ML). Algorithmen können große Datenmengen verarbeiten, die weit über die Möglichkeiten von Tabellenkalkulationen hinausgehen. Das verbessert das Erkennen von Trends und Zusammenhängen erheblich. Diese Erkenntnisse fließen dann automatisch in nachfolgende Analysen ein, die Prognosen und Empfehlungen für den Entscheidungsprozess liefern.

Unsere jüngste FP&A-Trends-Umfrage hat ergeben, dass zwar nur 7 % der Unternehmen derzeit KI/ML-Technologien einsetzen, aber 54 % planen, dies in den nächsten Jahren zu tun. Die erheblichen Vorteile von KI/ML liegen in besseren und schnelleren Forecasts (61 % der KI-Nutzer bewerten ihre Forecasts als “sehr gut” oder “gut” im Vergleich zu 38 % der Nicht-KI-Nutzer), sowie in der Zeitersparnis bei FP&A-Aktivitäten. Die gewonnene Zeit kann genutzt werden, um sich auf höherwertige Aktivitäten zu konzentrieren.

Wir sind jedoch davon überzeugt, dass dies nur der Beginn einer grundlegenderen Revolution ist, die die Rolle der F&A neu definieren wird.

Abbildung 1: FP&A-Funktionen, auf die sich KI auf auswirkt

FP&A-Funktionen, auf die sich KI auf auswirkt

Abbildung 1: FP&A-Funktionen, auf die sich KI auf auswirkt

Wir sollten immer daran denken, dass Technologie im Allgemeinen dazu beiträgt, FP&A erheblich zu verbessern, indem sie manuelle und geringwertige Aufgaben wie das Sammeln und Validieren von Daten sowie das Erstellen und Verteilen von Berichten automatisiert. Die Einführung generativer KI und der Einsatz maschineller Lernverfahren verändern FP&A jedoch grundlegend. Sie kommt vor allem in den folgenden Bereichen zum Tragen:

1. Intelligente Assistenten

Wir alle kennen KI-gesteuerte “Chatbots”, die Text- und Sprachanfragen interpretieren und beantworten. Sie sind zum Standard für die meisten kundenorientierten Aktivitäten geworden, z. B. im Kundendialog. In ähnlicher Weise wird die generative KI durch die Verwendung natürlicher Sprache die Art und Weise revolutionieren, wie FP&A mit Informationen und Systemen interagiert.

Auf Anfrage oder als Reaktion auf eine unerwartete Abweichung sammelt die KI beispielsweise selbständig Daten, erstellt Analysen, spielt Szenarien durch und präsentiert dem Nutzer die Ergebnisse mit Vorschlägen für umsetzbare Maßnahmen. Auch Reaktionen wie die Anpassung von Budgets oder die Umverteilung von Ressourcen könnten bei Bedarf automatisiert werden. Die traditionelle Rolle von FP&A, auf Anfragen zu reagieren und den Planungsprozess zu steuern, wird damit obsolet.

2. Prädiktive Planung und Forecasting

Die meisten Unternehmen, mit denen wir gesprochen haben, setzen KI/ML ein, um ihr Forecasting zu verbessern. Durch die Analyse historischer Daten kann KI/ML ausgefeiltere Forecasts erstellen. Sie kann dies für jedes einzelne Produkt oder jede einzelne Dienstleistung tun, das detaillierte Verhalten von Märkten und Kunden nach Regionen modellieren und alles zu einer Prognose auf Unternehmensebene zusammenfassen. Zunächst werden nur ein oder zwei Posten der Gewinn- und Verlustrechnung (GuV) für eine bestimmte Region prognostiziert, aber wenn sich die Technologie bewährt, kann der Anwendungsbereich auf alle wichtigen GuV-Kategorien für das gesamte Unternehmen ausgeweitet werden.

Wenn die Ergebnisse automatisch in treiberbasierte Modelle übertragen werden, kann erheblich Zeit eingespart werden. Scott Campbell, Head of Digital COE – Finance / FP&A bei Philips, berichtet, dass sein Team mit diesem Ansatz innerhalb von drei Stunden nach Erhalt eines neuen Satzes von Verkaufszahlen einen neuen Forecast erstellen und 80 % der gesamten GuV automatisch generieren kann. Früher hätte dies mehrere Tage gedauert und 200 Mitarbeiter beschäftigt. Insgesamt hat das Unternehmen festgestellt, dass Forecasts, die mithilfe von Maschinellem Lernen erstellt werden, um 1,6 % genauer sind als frühere Forecasts.

3. Identifikation der Performance-Treiber

Eng verbunden mit verbessertem Forecasting ist die Fähigkeit von KI/ML, Treiber zu identifizieren, die sich direkt auf die Performance auswirken. Dabei kann es sich sowohl um interne Treiber wie Produktionskapazitäten handeln, als auch um externe Treiber wie Rohstoffpreise oder Preispolitik der Wettbewerber. Die Identifizierung dieser Zusammenhänge mit herkömmlichen Werkzeugen ist oft schwierig und kann aufgrund des Umfangs und der Komplexität der betroffenen Daten viel Zeit in Anspruch nehmen.

Innerhalb der KI/ML gibt es verschiedene Kategorien von Algorithmen, die zur Erkennung von Mustern und Zusammenhängen in einer Vielzahl von Daten verwendet werden können. Diese können dann von prädiktiven Algorithmen genutzt werden, um zukünftige Treiberwerte zu prognostizieren.

Durch den Einsatz verschiedener Algorithmen können Unternehmen aufkommende Trends und deren potenzielle Auswirkungen auf die zukünftige Performance schnell erkennen.

Herausforderungen und Lösungen

Unternehmen stehen bei der Einführung von KI/ML vor zahlreichen Herausforderungen. Dazu gehören:

• Änderung der Arbeitsweise: Übergang von einem manuellen zu einem automatisierten System. Menschen tun sich oft schwer, ihre alten Gewohnheiten aufzugeben.
• Abkehr von Tabellenkalkulationsprogrammen: Diese sind der Detailtiefe und Komplexität von KI/ML-Algorithmen nicht gewachsen.
• Vertrauen auf KI/ML-Forecasts: Diese erscheinen oft als Black Box, sind aber oft besser und zuverlässiger als menschliche Forecasts.
• Saubere, vollständige und aktuelle Daten: Schlechte Daten führen zu falschen Ergebnissen.
• Fähigkeit, mit KI umzugehen: Dazu gehört, Modelle zu konfigurieren, die Ergebnisse zu interpretieren und die Geschäftspartner davon zu überzeugen, dass KI/ML einen Wert darstellt.

Viele –  wenn nicht alle dieser Herausforderungen – lassen sich durch ein Pilotprojekt angehen. Hier können Unternehmen erfahren, bewerten und lernen, wie sich KI/ML im Unternehmen einsetzen lässt. In einem ganz konkreten Fall bedeutete dies:

• Das Finanzteam über die Technologie informieren
• Mit einem externen Berater ein Pilotprojekt durchführen
• Die Ergebnisse nutzen, um den Reifegrad von KI/ML im Unternehmen zu verbessern

Fazit und Empfehlungen

Zusammenfassend lässt sich sagen, dass KI/ML den Bereich FP&A zu einem besseren Business Partner machen können. Sie werden FP&A nicht ersetzen, da es viele Dinge gibt, die Technologie nicht kann, wie z.B. denken. Sie werden auch nicht immer über die Daten verfügen, die notwendig sind, um fundierte Entscheidungen zu treffen. Ebenso kann KI/ML nicht vollständig verstehen, was eine Entscheidung “gut” oder “schlecht” macht, da nicht alle relevanten Ziele quantifizierbar sind. Die Technologie wird jedoch die Rolle von FP&A grundlegend verändern.

Um von KI/ML zu profitieren, müssen Unternehmen:

• Eine moderne Planungsplattform einführen: Tabellenkalkulationen und ältere Konsolidierungs-/BI-Anwendungen sind nicht in der Lage, den vollen Funktionsumfang von KI zu unterstützen. Halten Sie Ausschau nach Anbietern, die integrierte KI-Lösungen entwickeln, und insbesondere nach deren Unterstützung für generative KI.
• Mitarbeiterinnen und Mitarbeiter von FP&A weiterbilden: Sie müssen verstehen, wie sie KI/ML-Technologien einsetzen können, um Geschäftsentscheidungen zu hinterfragen und voranzutreiben.

Um den Übergang zu KI/ML zu erleichtern, empfehlen wir, sich mit der aktuellen Ausgabe des FP&A Board Maturity Model zu befassen.