+49 (0) 89-21544448
 

Digitalisierung im Controlling

Digitalisierung im Controlling und Rechnungswesen

In der Literatur und Praxis existieren zahlreiche Definitionsversuche zum Begriff Digitalisierung. Vereinfacht beschreibt die Digitalisierung von Vorgängen den Sachverhalt, dass ehemals analoge Aktivitäten durch Aktivitäten in einem digitalen, computerbasierten Modell ersetzt werden. Diese Art der Digitalisierung ist heute eines der zentralsten Themen für Unternehmen und für das Controlling im Speziellen.

In der Praxis wird die Digitalisierung dabei immer wieder mit einer Reihe von Begriffen in Verbindung gebracht. Besonders prominent sind hierbei Big Data, Predictive Analytics, Robotic Process Automation (RPA) und Machine Learning.

Big Data beschreibt vereinfacht große Menge an Daten, die schnell generiert werden, sich schnell ändern und eine hohe Vielfalt bzw. unterschiedliche Formate aufweisen können (z.B. Texte, Sensorik-Daten, Photos). Zur Extraktion, Speicherung, Distribution und Analyse sind moderne Analysemethoden und -techniken notwendig (z.B. Sentiment-Analysen für Stimmungen in sozialen Netzwerken). Finanzverantwortliche attestieren Big-Data und Analytics eine hohe Relevanz für das Controlling. Der tatsächlich Realisierungsgrad im Controlling ist aktuell allerdings noch auf sehr geringem Stand.

Business Analytics wird als Anwendung von (statistischen) Analysemodellen und entsprechenden Algorithmen auf Daten aus meist mehreren unterschiedlichen Quellen verstanden, um datenbasiert unternehmensrelevante Problemstellungen zu lösen und die Entscheidungsfindung zu unterstützen. Abhängig von der zeitlichen Perspektive, lassen sich dabei einige Varianten von Business Analytics unterscheiden. Beispielsweise haben Descriptive Analytics eher Vergangenheitsbezug und beantworten die Frage, was geschehen ist. Predictive Analytics ist zukunftsbezogen und versucht dagegen aufzuzeigen, was passieren könnte, will also künftige Ereignisse prognostizieren.

Wissenschaftler, Unternehmensberater und Praktiker diskutierten derzeit den Nutzen und die Anwendung von Predictive Analytics im Controlling. Auch Studien zeigen das rege Interesse dafür in der Praxis. Die Einführung und die damit verbundenen Vorteile von Predictive Analytics werden dabei oftmals anhand leistungsfähiger Software-Tools mit Business-Intelligence-Bezug diskutiert. 

Robotic Process Automation (RPA) bezeichnet Software-Roboter, die wiederkehrende und regelbasierte Prozessschritte im Rahmen von Geschäftsprozessen oft über mehrere Systeme hinweg selbständig automatisiert ausführen und dabei die menschliche Interaktion nachahmen kann. Somit ist die Voraussetzung für die Anwendung von RPA, das Vorliegen von strukturierten und regelbasierten Prozessen, die gerade beim Datenmanagement im Finanzbereich vermehrt vorkommen. 

Im Controlling finden sich mehrere Anwendungsbeispiele für RPA. Beispielsweise kann die Rechnungsbearbeitung in der Kreditorenbuchhaltung durch RPA automatisiert werden. Hier erkennt der Robot eingehende Rechnungen (unterstützt durch OCR oder eRechnung), prüft die Rechnung (sachlich und formal), interagiert mit Ansprechpartnern bei unklaren Ergebnissen, ordnet die Rechnung einem Auftrag zu, verbucht die Rechnung und veranlasst die Zahlung (nach Freigabe). Auch für den Einsatz von RPA im Management Reporting gibt es Beispiele.

Als Machine Learning werden selbstlernende Algorithmen bezeichnet, die Erkenntnisse aus Daten extrahieren und daraus gesetzmäßige Zusammenhänge ableiten, um anschließend auf dieser Basis entsprechende Vorhersagen für unbekannte Daten treffen zu können. Ein Anwendungsbeispiel für den Einsatz von Machine Learning im Controlling ist die Analyse des Zahlungsverhaltens von Kunden. Aus einer Vielzahl möglicher Einflussfaktoren (z.B. historisches Zahlungsverhalten, Wohnort/PLZ, Nutzung von Social-Media-Netzwerken) auf das Zahlungsverhalten von Kunden erlernt der Algorithmus mit fortschreitender Datenverarbeitung, welche Einflussfaktoren mit welcher Gewichtung die Prognose eines Zahlungsausfalls am Besten vorhersagen können. Das Prognosemodell wird sozusagen mit fortschreitender Datenverarbeitung so lange angepasst, bis es die optimalen Ergebnisse liefert.