Die künstliche Intelligenz hält einzug auf dem Finanzmarkt

Januar 30, 2017

In den letzten 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.

„Umbruch bedeutet, dass das Alte zerstört und etwas Neues geschaffen wird. Die Technologien, die sich künstlicher Intelligenz (Artificial Intelligence, AI) bedienen, sind mittlerweile dazu in der Lage“, erklärt Petri Karjalainen, Head of Product Marketing bei OpusCapita. „Bisher hat RPA nur dazu beigetragen, aktuelle Prozesse noch effektiver zu gestalten. Nun aber ist mit dem maschinellen Lernen und den 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.“

OpusCapita führt bereits mit ausgewählten Kunden Pilotprojekte zu Algorithmen für maschinelles Lernen im Bereich Rechnungsabgleich und -verbuchung durch. 2017 werden die Lösungen auch frühzeitig einem weiteren Interessentenkreis zugänglich sein.

Automatisierung trotz Inkonsistenzen

Obwohl bei den unternehmerischen Kreditorenprozessen der Automatisierungsgrad bereits hoch ist, geht die Verbuchung von Lieferantenrechnungen üblicherweise mit aufwändigen manuellen Bearbeitungen einher. Prozesse, die viele Abweichungen beinhalten sowie komplexe Regeln und Hintergrundwissen erfordern, sind im Allgemeinen nicht für RPA geeignet.

„Softwareroboter benötigen vorab eindeutige Regelwerke, nach denen sie bestimmte Aufgaben ausführen“, erläutert Jaakko Lehtinen, Head of RPA & AI bei OpusCapita. „Mit einem Algorithmus für maschinelles Lernen, der durch das Verarbeiten Tausender oder sogar Millionen historischer Datenreihen die Regeln und Gesetzmäßigkeiten für eigene Betriebsprozesse schaffen kann, können selbstlernende Maschinen mit dieser Herausforderung fertig werden. Im Grunde vollzieht sich hier, ausgehend von den im Vorfeld von Menschen getroffenen Entscheidungen, ein Lernprozess darüber, wie eine anstehende Aufgabe ausgeführt werden soll.“

Anstatt die Kostenstelle und sonstige Größen im Rechnungswesen für die Rechnung prüfen und eintragen zu müssen, erhält der Mitarbeiter einen Vorschlag, wie die Rechnung mutmaßlich 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 bessere Lösung vorgeschlagen werden.

Die künstliche Intelligenz - News

Eine Erfolgsquote von 95 Prozent

Abgesehen von dem Verbuchen und Abgleichen von Eingangsrechnungen kann intelligente Automatisierung mit AI auch auf viele andere Teile der erweiterten Purchase-to-Pay-Kette angewendet werden. Laut Ali Faisal, Datenwissenschaftler bei OpusCapita, können Algorithmen für maschinelles Lernen beispielsweise zum Aufspüren von Inkonsistenzen und Anomalien eingesetzt werden, zur Klassifizierung und Kategorisierung sowie um Prognosen zu erzeugen.

„Zahlungsbetrug zu verhindern, ist ein wichtiges Thema und eine große Herausforderung für Unternehmen“, erklärt Ali Faisal. „Maschinelles Lernen versetzt uns 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 System verwenden, um Prognosen über Cash Flow, Umsätze oder auch Nachfrage zu erstellen.“

Hierbei unterstreicht Ali Faisal, wie wichtig es ist, die richtigen Daten für das maschinelle Lernen und Erstellen von Regeln auf deren Grundlage zu erfassen. Beim maschinellen Lernen verbessert sich die Automatisierung ständig durch systematisches Ausprobieren.

„Unserer Erfahrung nach ist der Algorithmus für maschinelles Lernen in der Lage, bei 95 Prozent der Fälle die richtigen Zuweisungsgrößen vorzuschlagen“, lautet sein Fazit. „Interessanterweise tun sich die Finanzbuchhaltungsabteilungen schwer mit dieser Eintrittswahrscheinlichkeit, auch wenn der Algorithmus gegenüber der Mitarbeiterleistung vermutlich deutlich besser abschneidet.“ Anhand historischer Daten lässt sich oft feststellen, dass Mitarbeiter ähnliche Lieferantenrechnungen durchaus unterschiedlich verbucht haben.“

Maschinelles Lernen im Alltag

Intelligente Automatisierung durch maschinelles Lernen und AI werden 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“, gibt Jaakko Lehtinen zu bedenken. „Mittlerweile hat sich die Situation aber geändert und die Entwicklung schreitet immer schneller voran.“

Die Experten von OpusCapita rechnen damit, dass maschinelles Lernen bald ein Bestandteil der täglichen Arbeit von Finanzfachleuten sein wird.

„Personen, die im Finanzwesen arbeiten, verwenden im Berufsalltag etwa besonders gerne Tabellenkalkulationen und Makros. Ich bin davon überzeugt, dass diese Werkzeuge im Handumdrehen durch Algorithmen für maschinelles Lernen ersetzt werden“, stellt Petri Karjalainen fest.

Maschinelles Lernen und Künstliche Intelligenz zählten auch zu den im Rahmen der von OpusCapita und Talouselämä im November vergangenen Jahres organisierten Veranstaltung Finance 4.0 angesprochenen Themen.

››› Welchen Nutzen kann Ihre Organisation aus der Robotoc Process Automation und dem maschinellen Lernen ziehen? Erfahren Sie mehr über Softwarerobotik und tauchen Sie ein in die Technologien, welche die Wissensarbeit bahnbrechend verändern werden. Verpassen Sie nicht unser On-demand-Webinar , in dem wir uns mit maschinellem Lernen und anderen revolutionären Neuerungen beschäftigen, die in Kürze großen Einfluss auf die Arbeit von CFOs und CPOs haben werden.