Advanced Analytics für den CFO
Gastbeitrag von Clemens Frank, Geschäftsführer der verovis GmbH
Die Nutzung von Advanced Analytics hat in den vergangenen Jahren beeindruckende Fortschritte gemacht. Unternehmen haben insbesondere in den Disziplinen Customer Analytics und Production Analytics davon profitiert. Gerade die gesellschaftliche Debatte über die Digitalisierung hat dazu geführt, dass nun auch der Finanzbereich seine Prozesse nach Möglichkeiten zur Nutzung von Advanced Analytics durchleuchtet.
Der Finanzbereich hat es mit viel Arbeit geschafft, Datenstrukturen zu bündeln und für ein strukturiertes, auf Vergangenheitswerten basiertes Berichtswesen zur Verfügung zu stellen. In diesem Zuge sind die Datenbanken gewachsen und haben sich teilweise zu großen Data Warehouses entwickelt. Damit wurden Grundmauern geschaffen, um manuelle Arbeitsschritte in der Erstellung von Berichten zu automatisieren. Allerdings ist in fast allen Fällen das Thema Advanced Analytics bisher nicht betrachtet worden.
Unter Advanced Analytics verstehen wir die Nutzung von komplexen statistischen Algorithmen und Machine-Learning-Verfahren, um aus bestehenden Daten Ursache-Wirkungs-Beziehungen zu erkennen und Maßnahmen abzuleiten. Auf den unternehmerischen Kontext angewandt bedeutet dies die Nutzung von unternehmensinternen und -externen Daten, um mögliche Geschäftschancen oder -risiken abzuleiten.
Im Finanzbereich haben sich folgende fünf Entwicklungsfelder hervorgetan: Aufstellen von Forecasts (beispielsweise für Umsatz und Cash); Sicherstellung der Datenqualität in der Buchhaltung und Datenmeldung beziehungsweise Fraud Detection; Optimierung in der Bewertung (beispielsweise Steuern und Bestände); Klassifikation von Informationen (beispielsweise Warengruppen im Einkaufsvolumen); Anreicherung von Robotic Process Automation (beispielsweise Stammdatenanreicherung im Rechnungseingang).
Unternehmen müssten laut Clemens Frank vielmehr in Advanced Analytics investieren.
Viele Unternehmen haben in ihren ERP-Systemen Daten gesammelt, die lediglich aggregiert für Steuerungskennzahlen genutzt werden. Diese Daten bieten, aus Sicht von Advanced Analytics, wesentlich mehr Potenzial. Erfahrungen aus der Entwicklung des Cash Forecasts auf Basis von Daten aus der Debitorenbuchhaltung und dem Vertrieb unter Nutzung von Advanced-Analytics-Algorithmen haben eine 90-prozentige Genauigkeit des Tagesforecasts in der Cash-in-Position ergeben. Neben der Einsparung des manuellen Aufwands eröffnet dies zusätzlich Möglichkeiten in der Optimierung des Cash-Managements.
Um den Entscheidern im Finanzbereich das Potenzial von Advanced Analytics vor Augen zu führen, kann eine prototypische Umsetzung sehr gute Überzeugungsarbeit leisten. Im Vergleich zum Aufbau des strukturierten Berichtswesens auf Basis von komplexen Datenbanken bzw. Data Warehouses ermöglichen Advanced-Analytics-Methoden sehr schnell Erfolge. So können unternehmensinterne Rohdaten aus den vorhandenen ERP-Systemen sehr einfach genutzt und zur Entwicklung von ersten Erkenntnissen innerhalb weniger Wochen in ein Modell überführt werden.
