Controller Magazin | Special | 2024 17 Standortbestimmung der Digitalen Transformation im Controlling Wie hat sich nun die Digitale Transformation in den beiden zentralen Anwendungsfeldern „Datengestützte Steuerung“ und „Digitale Prozessgestaltung“ entwickelt bzw. welche Auswirkungen hat sie bislang auf das Controlling gehabt? Datengestützte Steuerung Die Entwicklung im Bereich der datengestützten Unternehmenssteuerung verlief äußerst dynamisch und brachte erhebliche Fortschritte mit sich. Initiativen in diesem Bereich wurden maßgeblich von Begriffen wie Big Data, S4/Hana, In-Memory-Datenverarbeitung sowie den vier Analysestufen – Descriptive, Diagnostic, Predictive, Prescriptive Analytics - angetrieben. Das Potenzial wurde anfänglich überschätzt, während der damit verbundene Aufwand unterschätzt wurde. Viele Big Data bzw. Analyticsprojekte erforderten aufwendige Vorarbeiten, insbesondere hinsichtlich der Datenqualität in den ERP-Systemen. In der Zwischenzeit haben Unternehmen zahlreiche äußerst erfolgreiche Lösungen implementiert, vor allem interaktive Dashboards, beispielsweise in Power BI. Diese haben das traditionelle Papierberichtswesen verdrängt und ermöglichen Führungskräften die eigenständige und individuelle Analyse. Dennoch konzentrieren sich diese Lösungen größtenteils auf Descriptive und Diagnostic Analytics. Die Fortschritte in der Künstlichen Intelligenz (KI) haben in den letzten Jahren den Bereich der Predictive und Descriptive Analytics maßgeblich vorangetrieben. Die Einführung maschineller Forecasts hat anfänglich die Controller in zwei Lager gespalten. Es gab einerseits eine große Skepsis und andererseits überzogene Erwartungen, dass KI alles leisten könne. In der Zwischenzeit haben viele Skeptiker ihre Position überdacht und die Befürworter haben eine realistischere Erwartungshaltung entwickelt. In Unternehmen entstehen derzeit zahlreiche KI-Lösungen für spezifische Problemstellungen, die erfolgreich funktionieren. Maschinelle Forecasts können zwar keine 100-prozentig punktgenauen Prognosen bieten, liefern jedoch gute Einschätzungen mit deutlich weniger manuellem Aufwand. Abb. 4 veranschaulicht die Abweichungen eines maschinellen Liquiditätsforecasts vom tatsächlichen Zahlungseingang. Die KI-Lösung weist eine durchschnittliche Abweichung von 4 % auf, die mit jener der Controller vergleichbar ist. Insgesamt wurde im Anwendungsfeld der datengestützten Steuerung einiges der anfänglichen Prognosen erreicht. Die Umsetzung von Künstlicher Intelligenz hat zwar länger gedauert als ursprünglich eingeschätzt, steht jedoch derzeit vor dem Durchbruch. Unstrukturierte Daten spielen in der Controllingpraxis weiterhin eine eher untergeordnete Rolle. Digitale Prozessgestaltung Die digitale Prozessgestaltung begann mit zwei verschiedenen Ansätzen basierend auf den klassischen Prozessmodellen und Tools der Prozessmodellierung: Robotic Process Automation (RPA) für die Automatisierung von Routinetätigkeiten durch Bots und Process Mining für die automatisierte Analyse und Visualisierung von Geschäftsprozessen. Beide Entwicklungen haben Einfluss auf das Controlling, aber die Kernprozesse im Controlling nur bedingt betroffen. Im Bereich RPA hat die Praxis gezeigt, dass Bots vor allem für einfache, regelbasierte und häufig wiederkehrende Prozesse geeignet sind. Daher ist ihr Einsatz im Controlling begrenzt. Beispielsweise ist der Einsatz von Bots in der jährlichen Budgeterstellung wirtschaftlich unattraktiv. Dennoch hat RPA auch im Controlling Einzug gehalten, insbesondere in wiederkehrenden Reportingprozessen. Die automatisierte Zusammenführung unterschiedlicher Datenquellen oder das Speichern und Versenden der Berichtsunterlagen sind typische Anwendungsfelder. Tools wie UiPath oder Blue Prism ermöglichen die einfache Erstellung von Bots ohne Hilfe von Softwareentwicklern, da es sich um sogenannte „no-code“ oder „low-code“ Anwendungen handelt. Mit der Einführung von MS Power Automate ist die Erstellung von Bots noch einfacher und leistungsfähiger geworden. Die lässt zukünftig einen verstärkten Einsatz von Bots im Controlling zu. Chatbots stellen eine Sonderform von RPA 125 130 108 104 130 134 142 128 +11 +10 +3 +6 +1 +5 +6 +4 +3 +2 -6 -9 -5 -7 -3 -7 -8 Mai Mai Juni Juni Juli Juli Aug Aug Sept Sept Okt Okt Nov Dez Jan Feb März April 146 152 155 139 130 126 149 137 121 Prognosegenauigkeit eines maschinellen Liquiditätsforecasts (tatsächliche Zahlungseingänge und Abweichungen in Mio. €) Abb. 4: Prognosegenauigkeit eines maschinellen Liquiditätsforecasts (tatsächliche Zahlungseingänge und Abweichungen in Mio. €) 129
RkJQdWJsaXNoZXIy Mjc4MQ==