;
Dezember 08 , 2017

Wie Künstliche Intelligenz Einzug in die Geschäftsprozesse hält

by

Im Zuge der fortschreitenden Digitalisierung halten immer mehr Methoden der Künstlichen Intelligenz Einzug in Unternehmen. Sie erobern dabei ständig neue Anwendungsfelder, um Geschäftsprozesse effizienter und sicherer zu steuern und zu überwachen.

Zunehmend etablieren sich in Unternehmen computergestützte Systeme, die mit Methoden wie dem Machine Learning (maschinelles Lernen, ML), der modernen Datenanalyse sowie anderer Technologien verschiedene Anwendungsfelder der Künstlichen Intelligenz (KI) nutzen. Bisher wurden vor allem Risikoanalysen meist auf einer Bewertung von vorab aufgestellten Bedingungen durchgeführt, um zum Beispiel nicht autorisierte Zahlungen zu verhindern. Mittlerweile sind Vorhersagealgorithmen auf Basis sogenannter maschineller Lernmethoden im Trend. Dies soll Unternehmen durch eine automatisierte Erkennung von Unregelmäßigkeiten bei Zahlungsvorgängen zum Beispiel vor Umsatzverlusten und Betrug schützen.

Automatisierung mit Hirnschmalz für Finanzierung und Beschaffung

Aber können diese „disruptiven“ Technologien auch komplexere Finanzierungs- und Beschaffungslösungen auf eine nächste Qualitäts- und Effizienzstufe heben? Im Bereich Handel wurden in Unternehmen in den vergangenen Jahren die Möglichkeiten für den Einsatz von Software für KI und Datenwissenschaften gründlich untersucht. Ziel war es, eine möglichst umfangreiche Unterstützung der betroffenen Fachbereiche bei ihrer täglichen Arbeit zu erreichen. Dies kann durch intelligente Automatisierung, aber – noch einen Schritt weiter – vollautomatisiert durch maschinelle Lernalgorithmen geschehen.

In den Finanz- und Beschaffungsabteilungen von Unternehmen gibt es immer noch viele manuelle, sich dabei aber wiederholende und zeitraubende Aufgaben, die ständig durchgeführt werden müssen. Positive Effekte einer zunehmenden Automatisierung über maschinelles Lernen sind, dass nicht nur die Kosten sinken und zugleich die Effizienz steigt, sondern dass auch die generelle Ergebnisqualität besser wird – mit direkter Unterstützung der Geschäftsabläufe. Auch eine höhere Absicherung gegenüber Betrugsversuchen wird erreicht.

Ein Bereich, in dem maschinelles Lernen bereits angewendet wird, ist die Rechnungsbuchung in den Fachabteilungen. Eine nahezu vollautomatisierte Verbuchung auf Kostenkonto, Kostenstelle und weitere individuell verwendeten Konten ist damit möglich. Auch die Rechnungsprüfung wird durch automatisierte Prüfungen transparenter und unterstützt die Einhaltung gesetzlicher Vorgaben.

Der automatisierten Erkennung von Unregelmäßigkeiten im gesamten kaufmännischen Rechnungsprozess sind damit kaum noch Grenzen gesetzt. Dies hilft auch ungemein bei der Absicherung gegen mögliche Betrugsversuche. Ein richtig angewandter Algorithmus erkennt mühelos Auffälligkeiten in Zahlungsvorgängen und kann sie zur Überprüfung kennzeichnen. Ebenso kann maschinelles Lernen verwendet werden, um Zahlungen in verschiedene Ausgabenkategorien einzuordnen oder um Lieferanten-Produktdaten bei der Beschaffung zu validieren.

Einer der größten Vorteile dieser Art von intelligenter Automatisierung ist, dass sie nicht statisch ist, sondern auf dem ständigen Fortschritt und der Evolution der Informatik basiert. Die vorausberechnenden Modelle passen sich über die Zeit an und veralten nicht, wenn sich die Geschäftslogik ändert.

Künstliche Intelligenz hält Einzug ins Finanzwesen

In den vergangenen Jahren hat die Prozessautomatisierung mit Software-Robots – Robotic Process Automation (RPA) – eine Revolution der Wissensarbeit im Finanz- und Rechnungswesen in Gang gesetzt. Viele Routineaufgaben, deren Automatisierung einst als unmöglich galt, werden heute mit RPA erledigt. Und das ist erst der Anfang – der tiefgreifende Wandel steht noch bevor.

Bisher hat RPA nur dazu beigetragen, bestehende Prozesse noch effektiver zu gestalten. Nun aber ist mit dem maschinellen Lernen und Prognose-Algorithmen der erste Schritt zur Schaffung völlig neuer Möglichkeiten für eine noch stärkere Automatisierung im Finanzwesen und bei den Beschaffungsprozessen von Unternehmen getan. Und dies ist nicht nur eine Zukunftsvision, sondern schon heute Wirklichkeit.

Obwohl bei den unternehmerischen Abrechnungsprozessen der Automatisierungsgrad schon heute hoch ist, geht die Verbuchung von Lieferantenrechnungen üblicherweise mit aufwendigen manuellen Bearbeitungen einher. Prozesse, die viele Abweichungen beinhalten sowie komplexe Regeln und Hintergrundwissen erfordern, sind im Allgemeinen (bislang) nicht für RPA geeignet.

Softwareroboter benötigen vorab eindeutige Regelwerke, nach denen sie bestimmte Aufgaben ausführen. Ein Algorithmus für maschinelles Lernen kann Tausende oder sogar Millionen historischer Datenreihen in kürzester Zeit verarbeiten. Damit lassen sich Regeln und Gesetzmäßigkeiten für eigene Betriebsprozesse schaffen. Im Grunde vollzieht sich hierbei ein Lernprozess mit Blick darauf, wie eine anstehende Aufgabe ausgeführt werden soll – und das ausgehend vom Wissen und von den im Vorfeld von Menschen getroffenen Entscheidungen.

Anstatt die Kostenstelle und sonstige Größen im Rechnungswesen für jede Rechnung prüfen und eintragen zu müssen, erhält der Mitarbeiter zum Beispiel einen Vorschlag, wie die Rechnung richtig zu verbuchen ist. Der Vorschlag kann dann entweder angenommen oder erforderlichenfalls korrigiert werden. Hierbei passt sich der Algorithmus durch das Feedback an. Beim nächsten Mal kann dann eine noch passendere Lösung vorgeschlagen werden.

Erfolgsquote von 95 Prozent

Abgesehen vom Verbuchen und Abgleichen von Eingangsrechnungen kann eine intelligente Automatisierung mit KI auch auf viele andere Teile der gesamten Prozesskette von digitalisierten Geschäftsprozessen – vom Einkauf bis zur Bezahlung (Purchase-to-Pay) – angewendet werden. Dabei können Algorithmen für maschinelles Lernen beispielsweise zum Aufspüren von Inkonsistenzen und Anomalien eingesetzt werden. Auch die Klassifizierung und Kategorisierung von Daten und Prozessen sowie das Erzeugen von Prognosen sind möglich. Dabei verbessert sich die Automatisierung ständig durch systematisches Ausprobieren.

Zahlungsbetrug zu verhindern ist ebenfalls ein wichtiges Thema und eine große Herausforderung für Unternehmen. Maschinelles Lernen versetzt Unternehmen in die Lage, von der Norm abweichende Zahlungen im Zahlungsstrom aufzuspüren und sie dann auf Betrug oder Fehler überprüfen zu lassen – bevor sie beglichen werden. Prognose-Algorithmen können Daten aus verschiedenen Systemen verwenden, um Vorhersagen über Cashflow, Umsätze oder auch Nachfrage zu erstellen. Immens wichtig ist es allerdings, eine ausreichend große Datenbasis und Beispiele zu erfassen, um die Genauigkeit der Prognosen und Vorschläge sicherzustellen.

Erfahrungsgemäß ist ein Algorithmus für maschinelles Lernen in der Lage, bei 95 Prozent der Fälle die richtigen Zuweisungsgrößen vorzuschlagen. Damit können mögliche Qualitätsprobleme im Verbuchen von wiederkehrenden Rechnungen nahezu ausgeschlossen und eine noch größere Quote von korrekten Verbuchungen erreicht werden.

Maschinelles Lernen mit Zukunftspotential

Neben diesen vorab definierten Anwendungsfeldern ist maschinelles Lernen auch gut dazu geeignet, verborgene Muster in Daten sichtbar zu machen und neue Verbindungen und Abhängigkeiten zu entdecken, die bisher nicht offensichtlich waren. Betrugserkennung und verschiedene Vorschlagssysteme sind auch hier mögliche, aber längst nicht alle Anwendungsfelder.

Die intelligente Automatisierung durch maschinelles Lernen und AI wird einen rascheren Siegeszug antreten, als wir es uns heute vorstellen können. Früher haben beispielsweise das Fehlen kosteneffizienter Rechenleistung und die Grenzen der Serverumgebungen eine Verwendung dieser Lösungen in großem Maßstab verhindert. Mittlerweile hat sich die Situation aber grundlegend geändert, und die Entwicklung schreitet immer schneller voran.

Branchenexperten rechnen damit, dass maschinelles Lernen bald ein fester Bestandteil der täglichen Arbeit von Finanzfachleuten sein wird. Dabei ist zu erwarten, dass die heute vornehmlich im Berufsalltag verwendeten Tools wie Tabellenkalkulationen und Makros im Handumdrehen durch Algorithmen für maschinelles Lernen ersetzt werden.

 

E-Invoicing unterstützt effizientes

Thomas Rohn


Thomas Rohn ist Finanzexperte und Sales-Manager für die DACH-Region bei der OpusCapita Software GmbH.