Die digitale Transformation erreicht das Finanzwesen – mit KI-gestützten Zukunftsprognosen oder neuen Technologien, etwa um Entscheidungsszenarien zu simulieren.
Derzeit ist das Finanzwesen jedoch häufig noch von wiederkehrenden manuellen Aufgaben geprägt und selten auf proaktive Unterstützung unternehmerischer Entscheidungen ausgerichtet. Dadurch sind viele Expert*innen durch Routinetätigkeiten gebunden und stehen für wichtigere Aufgaben nicht zur Verfügung.
Eine Automatisierung kann im Rahmen einer Digitalisierungsstrategie Raum für wertschöpfende Tätigkeiten schaffen. Um von einem reaktiven zu einem proaktiven Finanzmanagement zu gelangen, sind jedoch durchgängige Konzepte, integrierte Systeme und vor allem eine neue Datenkultur gefragt.
Insbesondere beim Thema digitale Finanztransformation kommt es darauf an, die Entwicklungsstufen auf dem Weg in die Zukunft strukturiert und in einer logisch aufbauenden Reihenfolge zu beschreiten. Denn wenn die Basis nicht sauber umgesetzt ist, funktionieren später zum Beispiel intelligente Analysen nicht.
Die 4 Dimensionen der digitalen Finanztransformation
Die erste Dimension – Financial Platform
Die Grundlagen der Finanzbuchhaltung sind in erster Linie gesetzlicher und damit auch steuerrechtlicher Natur. Diese Basis wird durch die Finance Module und dessen Funktionsumfang heute zuverlässig im Standard abgebildet.
Dennoch gibt es eine Reihe digitaler Einstiegspunkte in Basis Finanzprozessen, wie z.B. automatisierte Verarbeitung von Eingangs- und Ausgangsrechnungen, Intelligente, prognosebasierte Cashflow-Steuerungsmodule, integrierte Forecast- und Budgetplanungen oder die Integrationen von Online-Kreditlimit-Prüfungen können die Basisprozesse erweitern. In den meisten Unternehmen werden diese Lösungen bislang jedoch nur vereinzelt umgesetzt.
Ein weiterer Ausbau dieser neuen Prozesse würde jedoch Kosten oder Außenstände deutlich reduzieren und Aufarbeitungszeit für Monats- und Jahresabschlüsse spürbar reduzieren.
Die zweite Dimension – Datenintegration über Datenplattformen
In den Bereichen Vertrieb, Produktion, E-Commerce oder Service entstehen heute Daten für die Kosten- und Leistungsrechnung wesentlich sind und daher zusammengeführt werden müssen. Häufig begnügt sich das Finance & Controlling noch mit komprimierten Datenexporten auf Basis finanzbuchhalterischer Sachdimensionen und verzichten dabei auf tiefergreifende Details.
Sind jedoch die wesentlichen Daten nicht synchronisiert, macht sich dies beispielsweise in einer Differenz zwischen buchhalterischen und tatsächlichen Lagerbestand bemerkbar. Ungeachtet des Erklärungsbedarfs im Rahmen des Jahresabschlusses ergeben sich daraus oft weitere Probleme. Dazu gehören etwa ein hoher Aufwand für Abgleich und Korrektur, falsche Disposition und Warenbestellungen.
Ein unternehmensweit einheitliches Business Intelligence (BI)-System könnte solche Schwierigkeiten per Mausklick aus der Welt schaffen. Hierzu ist jedoch eine einheitliche Datenbasis für alle Unternehmensbereiche notwendig, als zentraler, validierter Datenpool, auf den alle Auswertungen der Fachbereiche in Zukunft laufen. Für viele Unternehmen ist es daher an der Zeit, Initiative zu ergreifen und die unterschiedlichsten Ansätze in diese Richtung zu lenken.
Die dritte Dimension – Data Analytics
Das Ziel der meisten Unternehmen besteht darin, Unsicherheiten in der Planung zu reduzieren und vorausschauende Prognosen zu treffen.
Planung bedeutet also Unsicherheiten zu minimieren und die Zukunft so realitätsnah wie möglich zu antizipieren. In diesem Kontext zielt der Begriff „vorausschauende Planung“ darauf ab, die Sicherheit und Exaktheit der Unternehmensplanung durch den Einsatz datengetriebener Analyseverfahren weiter zu erhöhen.
Dabei ist das Ziel die Integration aller Teilplanungen in eine automatisierte integrierte Unternehmensplanung, die ein konsistentes Szenario über alle Teilbereiche hinweg ermöglicht. Diese Form des Planungsmodells gilt heute als State-of-the-Art in der Unternehmensplanung.
Ein modernes Planungsmodell zeichnet sich dadurch aus, dass es neben internen auch externe Einflussfaktoren einbezieht. Hierzu zählen aktuelle Konjunkturdaten der Absatzmärkte, Marktforschungsdaten, Rohstoffpreisänderungen, Modellwechsel beim Wettbewerber oder politische Einflussfaktoren.
Bei Predictive Analytics werden historische Unternehmensdaten, teils unter Hinzunahme externer Informationsquellen und Einflussfaktoren, auf wiederkehrende Muster und Zusammenhänge untersucht. Damit lässt sich die Entwicklung wichtiger Unternehmenskennzahlen, wie etwa Produktabsatz oder Umsatz, wesentlich genauer prognostizieren. Hierbei erkennt künstliche Intelligenz nicht nur Muster in komplexen Datenbeständen, sondern ist darüber hinaus auch in der Lage, auf Basis der gesammelten Erkenntnisse neue Prognosen zu erstellen.
Die vierte Dimension – Prozessautomatisierung
Durch die erhöhte Anzahl der zu integrierenden Datentöpfe und komplexen Prozessen, steigt allerdings auch die Notwendigkeit zur Automatisierung dieser Prozesse.
Die Automatisierungen sorgen für einen sicheren Datenaustausch zwischen den Systemen und deren kontinuierlichen Abgleich. Da häufig geeignete Werkzeuge fehlen oder unzureichend sind, verwenden viele Controller*innen einen großen Teil ihrer Arbeitszeit dafür, Informationen zu konsolidieren und manuell Daten zu vergleichen. Sofern es gelänge, diese Vorgänge zu automatisieren, entstünde mehr Raum für Aufgaben, die einen Mehrwert bringen, um Strategien zu entwickeln und laufend zu überwachen.
Ein vielversprechender Ansatz ist die Robotic Process Automation (RPA). Dabei übernimmt ein Software-Roboter typische wiederkehrende Arbeitsschritte eines Mitarbeiters. Zum Beispiel dort, wo eine direkte Systemanbindung nicht möglich ist. RPA eignet sich generell, um Daten aus Altsystemen auszulesen oder um Datenexporte zu automatisieren, wie etwa für X-Rechnungen und deren automatisierten Versand.
Waren bisher vor allem statische, stark regelgebundene Prozesse automatisierbar, lassen sich mit KI-Technologien wie Text-, Sprach- oder Bilderkennung nun auch variantenreiche und dynamische Prozesse automatisieren.
Logger