亿兆体育

Zusammenfassung

• K眉nstliche Intelligenz ver盲ndert die Art, wie Entscheidungen getroffen werden. Um nicht 眉berrollt zu werden, sollte der Controller die Initiative bei der Ausgestaltung intelligenter Systeme ergreifen. Dazu ist es aber notwendig, die Grundlagen dieses 盲u脽erst heterogenen Ph盲nomens und das Potenzial f眉r die eigenen Prozesse zu erkennen.
• W盲hrend einfache Entscheidungen und Handlungen zunehmend automatisiert werden, erfordern komplexere Entscheidungen eine interaktive Art der Unterst眉tzung.
• Machine Learning zur Erkennung von Auff盲lligkeiten sowie Aufsetzen von Prognosen und Handlungsempfehlungen ist noch etwas f眉r Experten. Nicht selten ist hierzu Programmierung notwendig.
• Auch die etablierten Werkzeuge zur Unternehmenssteuerung (u.聽a. Planungs- und Reporting-L枚sung) weisen noch eine hohe Komplexit盲t auf. Im Rahmen des Cognitive Computing l盲sst sich diese Komplexit盲t verbergen, sodass Fachexpertise und maschinelle Unterst眉tzung n盲her zusammenr眉cken.
• Wenn "Self-Controlling" und Datenwissenschaftler st盲rker in den Vordergrund r眉cken, ver盲ndert sich die Rolle des Controllers. Als Integrator muss er die verschiedenen Bestrebungen koordinieren.

1 Unterst眉tzung durch K眉nstliche Intelligenz

Das Thema der k眉nstlichen Intelligenz steht seit geraumer Zeit (mal wieder) hoch im Kurs. Die M枚glichkeiten einer weitgehenden Automation menschlicher T盲tigkeiten und Entscheidungen befl眉geln nat眉rlich auch Controller. Sich wiederholender T盲tigkeiten wie Datenaufbereitung und Berichtserstellung und -verteilung k枚nnen gut automatisiert werden, wobei es schon lange nicht mehr nur um Makroprogramme zur Steuerung einfache T盲tigkeiten geht. Es geht um mehr: Ein "intelligenter" Algorithmus sollte eigenst盲ndige Aufgaben erledigen, die 眉blicherweise menschliche Intelligenz erfordern, idealerweise sogar komplexe Entscheidungen selbst treffen, beispielsweise eine optimale Preis- oder Rabattgestaltung oder Kapazit盲tsanpassungsma脽nahmen eigenst盲ndig vornehmen.

Leicht kommt man ins Schw盲rmen, ob der M枚glichkeiten, die sich f眉r das Controlling ergeben k枚nnten. M眉hselige Datenaufbereitung, h盲ufig wiederholendes Forecasting, der j盲hrliche Planungsmarathon, Abweichungsanalysen, analytische Kostenplanung, Risikomanagement, alles steht auf dem Pr眉fstand und k枚nnte partiell oder vollst盲ndig automatisiert werden.

Allerdings ist das eine die Visionen, dass andere die Wirklichkeit. Man denkt, gleich dem autonomen Fahren gilt es, nur noch das Unternehmensziel festzulegen, alles andere soll die Maschine erledigen ("autonomes Planen und Steuern"). Ein Algorithmus plant die Mittel, die Ma脽nahmen und setzt diese auch um.

Ein wichtiger Zwischenschritt zur Automatisierung wird dabei gedanklich 眉bersprungen, n盲mlich die intelligente Unterst眉tzung menschlichen Handelns und Entscheidens. Solche Assistenzsysteme sind aus dem t盲glichen Leben kaum wegzudenken: das Navigationssystem ist beispielsweise so eine fast unverzichtbare Hilfe beim Autofahren geworden. Es hilft, den schnellsten Weg zum Ziel unter Zuhilfenahme sensorische Informationen zu finden: hierzu wird die Verkehrsdichte durch die Geschwindigkeit der Systemteilnehmer kontinuierlich gemessen. Zudem erfolgt mittlerweile eine erleichterte Bedienung durch Assistenzsysteme. So ist beispielsweise Google Maps schon recht fehlertolerant bei der Eingabe des Ziels.

In dieser Art ist auch eine Assistenzfunktion im Controlling vorstellbar: Ein "intelligenter" Assistent in Form eines Chatbots steht bereit, um den Controller und seinen Kunden, den Manager, qualifiziert bei seinen Aufgaben zu unterst眉tzen. So k枚nnten beispielsweise hilfreiche Vorschl盲ge zur Gestaltung von Ma脽nahmen zur Zielerreichung unterbreitet werden. Nun ist die betriebswirtschaftliche Steuerung ungleich komplizierter als das Autofahren, um solche Ans盲tze einfach und standardisiert erstellen zu k枚nnen. Auf der anderen Seite zeigen Werkzeuge wie Thoughtspot im Reporting,^[1] dass die Unterst眉tzung bei Spezialaufgaben deutlich verbessert werden kann.

In diesem Beitrag wird aufgezeigt, wie eine solche Ver盲nderung der Arbeitsweise aussehen kann und zum Teil auch schon praktiziert wird.

2 Aktuelle Entwicklungsm枚glichkeiten

Die Idee der k眉nstlichen Intelligenz fasziniert die Informatik seit den 1950er Jahren, sie hat sich aber nicht durchgesetzt. Nun stellt sich die Frage, warum es diesmal funktionieren sollte. Warum sind die Ans盲tze, solche schwierigen analytischen Herausforderungen zu l枚sen, heute besser in der Lage dazu? Einige Gr眉nde:

• Die enorme Zunahme an verf眉gbaren Daten erm枚glicht den Einbezug unterschiedlichster relevanter Quellen. Die technische Datenbeschaffung ist h盲ufig kein gro脽es Thema mehr. Eine gro脽e Menge an Sensordaten lassen neue Einblicke in bislang kaum betrachtete Zusammenh盲nge zu. Beispielsweise ist der Einbezug von Wetterdaten f眉r einen Absatz-Forecast keine besondere Herausforderung mehr. Auch interne Prozessdaten sind einfach nutzbar. Aus der Sicht des Controllers k枚nnen beispielsweise Sensordaten aus einem Eye Tracking und anderen Benutzer-Loggings hilfreiche Informationen 眉ber das Benutzerverhalten ...