von Claus Gerberich
•
26. April 2022
Steigender Kostendruck und die rasant anwachsende Menge an verwertbaren Daten führen bei vielen Unternehmen mit Blick auf das Controlling zu der Frage, ob Robotic Process Automation auch in diesem Unternehmensbereich einen Mehrwert bietet und inwieweit diese Technologie die Rolle des Controllers verändert. Denn nach der Implementierung von RPA übernehmen virtuelle Mitarbeiter standardisierte, repetitive Aufgaben und befreien besonders im Controlling die hochqualifizierten Fachkräfte von zeitraubenden Routineaufgaben. Die Rolle des Controllings wandelt sich, Controller werden zum Partner des CEO und unter mauern und begleiten Veränderungsprozesse, sie übernehmen eine gestalterische Aufgabe. Daten in Informationen umwandeln: Data Analytics Die Kombination aus großen Digitalisierungsinitiativen und dem erweiterten Tätigkeitsbereich der Finanzabteilung erfordert die Auseinandersetzung mit stetig wachsenden, komplexen Datenmengen. Diese riesigen Datenberge in wertvolle Informationen zu verwandeln, ist eine echte Herausforderung, und viele Unternehmen stehen hier mit der Erschließung ihres gewaltigen Datenpotenzials noch ganz am Anfang. CFOs und ihre Teams, die diese Daten zusammenbringen sollen, müssen in der Lage sein, unterschiedliche Systeme mit Unterstützung aus der IT zu integrieren und große Datensätze so zu analysieren, dass konsistente und hochwertige Ergebnisse herauskommen. Ob die Daten nun aus dem CRM-, ERP-, HR-System oder anderen Unternehmensanwendungen stammen – sie müssen alle zusammengeführt, mit relevanten externen Daten angereichert und intelligent ausgewertet werden. Folgende Fragen sind dabei wichtig: • Wie werden interne Datensilos harmonisiert und integriert? • Wie können Cloud- und On-Premises-Datenquellen kombiniert werden? • Welche externen Datenquellen sind relevant? • Wie werden die hohe Datenqualität und konsistente Strukturen gewährleistet? • Wie wird der Zugriff verschiedener Nutzergruppen auf sensible Daten gesteuert? Data Analytics Bei Data Analytics geht es darum, Erkenntnisse aus Daten zu extrahieren. Der Begriff umfasst dabei sämtliche Prozesse, Werkzeuge und Techniken, die zu diesem Zweck zum Einsatz kommen. Er beinhaltet auch das Sammeln, Organisieren und Speichern der Daten. Das wesentliche Ziel von Data Analytics ist es, mit Hilfe von Technologie und statistischen Analysen Trends zu ermitteln und Probleme zu lösen. Beeinflusst wird der Data-Analytics-Bereich dabei von zahlreichen anderen Wissenschaften, beispielsweise der Informatik, Mathematik und Statistik. Die Analyse von Daten soll die Performance beschreiben, vorhersagen und letztendlich optimieren. Damit das zuverlässig funktioniert, bringen Data-Analytics-Teams zahlreiche verschiedene Datenmanagementtechniken zum Einsatz, beispielsweise Data Mining, Data Cleansing, Data Modeling und andere. Schlüsseltechnologien für den Finanzbereich Für die Automatisierung von Geschäftsprozessen steht eine breite Palette an Technologien bereit, die durch Effizienzsteigerung und leistungsstarke Analysefunktionalität neue Geschäftsmodelle unterstützen und Mehrwert für Kunden schaffen. Zu den Schlüsseltechnologiengehören unter anderem: • Robotic Process Automation (RPA) – RPA ermöglicht es Finanzteams, die zeitaufwändige Zusammenführung, Harmonisierung und Validierung von Daten zu automatisieren. Damit sind Datenkontrolle und Konsistenz gewährleistet, während Ressourcen für anspruchsvollere Aufgaben frei werden. • Predictive Analytics hilft dem Finanzbereich, Prognosen aus Ist-Daten abzuleiten. Diese Prognosen können die Strategieentwicklung und Entscheidungsfindung unterstützen. Predictive Analytics nutzt verschiedene Methoden der Advanced Analytics, wie z.B. Data Mining, statistische Verfahren oder ML-Algorithmen. • In-Memory-Datenbank – In-Memory-Technologie liefert die nötige Performance und Skalierbarkeit für schnelle, flexible Analyse Anforderungen in komplexen Modellierungsszenarien, wie Budgetierung, Planung und Forecasting. Die Datenhaltung im Hauptspeicher beschleunigt den Datenzugriff und die Antwortzeiten. • GPU-beschleunigtes Computing – Applikationen mit vielen gleichzeitigen Nutzern und komplexen Auswertungen profitieren neben der CPU von einer Grafikkarte(GPU), die Realtime-Analysen durch hohe Rechenpower erheblich beschleunigt und damit die agile Entscheidungsfindung im Unternehmen fördert. • Data Hub – Die Zusammenführung von Daten aus verschiedenen Systemen im Rahmen von Advanced Analytics – ob aus der Cloud oder mit On-Premises-Lösungen – wird mit KI und Machine Learning noch wichtiger, da diese Verfahren enorme Datenmengen erfordern. Fortgeschrittene Datenintegration und -Aufbereitung einschließlich Mapping, Bereinigung und Anreicherung von Datensätzen ist im digitalen Unternehmen essenziell. Digitale Transformation erfordert Automatisierung von Back-Office-Prozessen Im Zentrum der digitalen Transformation steht die Digitalisierung zahlreicher Geschäftsprozesse. In der heutigen Wirtschaft haben fast alle Unternehmensbereiche nicht nur mit einer steigenden Menge an Daten zu kämpfen. Um wirtschaftlich erfolgreich zu sein und im Wettbewerb dauerhaft bestehen zu können, spielt die Qualität der ausgewerteten Daten für den jeweiligen Geschäftsbereich eine maßgebliche Rolle. Verschärft wird die Situation durch eine Knappheit an qualifizierten Mitarbeitern, bedingt durch den demografischen Wandel. Vor allem im Back-Office-Bereich sorgt die Automatisierung von Prozessen für einen deutlichen Effizienzgewinn. Zu viele Fachkräfte verbringen einen Großteil der Arbeitszeit immer noch mit der Bearbeitung standardisierter Aufgaben. Dabei geht zu viel kreatives Potenzial verloren. Manuelle Prozesse sind zudem auch extrem fehleranfällig. Der Einsatz von RPA erlaubt hingegen eine automatisierte Bearbeitung der Prozesse. Und sollte die Automatisierung an die Grenzen der Entscheidungskompetenz stoßen, so kann die Aufgabe an einen Menschen delegiert werden. Ausnahmeregelungen und prozessuale Abweichungen können von Mitarbeitern auf Grund ihrer Kompetenz bearbeitet werden. Die Grundlage einer RPA-Implementierung muss eine Leistungskarte der bestehenden Controlling-Organisation sein. Dabei werden alle Prozesse auf das Potenzial einer Automatisierung überprüft. Ein detaillierter Kriterienkatalog und eine saubere Prozessaufnahme mittels Process Mining oder Process Recording ermöglicht die Identifizierung passender Prozesse sowie Teilprozesse. Grundsätzlich zeigt sich, dass sich die Geschäftsprozesse im Controlling in den vergangenen Jahren kaum geändert haben. So gehört die Beschaffung von Daten, welche für die Planung und Kontrolle benötigt werden, zu den Aufgaben eines Controllers. Dies macht heute noch den größten Teil der Arbeitszeit aus. Durch den Einsatz von RPA können viele Routinearbeiten automatisiert werden. Arbeitsgrundlage des Controllings ist das Sammeln und Aufbereiten von Daten, das durch RPA automatisiert werden kann. Strukturierte Informationen können nach der Automatisierung von Prozessen aus verschiedenen Quellen nach bestimmten Regeln verarbeitet bzw. aufbereitet und in unterschiedlichen Systemen gespeichert werden, etwa in ERP-Systemen, die von vielen Unternehmen eingesetzt werden. Aufgrund heterogener Anwendungsstrukturen und fehlender Schnittstellen können viele Prozesse nicht durchgängig ineinandergreifen. Hier bietet der Einsatz von Software-Robotern einen gravierenden Mehrwert, zumal der virtuelle Mitarbeiter stets exakte Ergebnisse liefert und keinerlei Ermüdungserscheinung zeigt. Dem Controlling ermöglicht die Prozessautomatisierung damit eine verbesserte Datenanalyse bei einer höheren Geschwindigkeit der Datenverarbeitung. Das Ergebnis sind dann schnellere und fundiertere Entscheidungen. Der Bedarf an Echtzeit Entscheidungen wird immer größer. Die Höhe der Effizienzsteigerung hängt dabei auch vom Volumen der zu automatisierenden Anwendungsfälle ab. Die kontinuierliche Dokumentation aller durch Software-Roboter durchgeführten Prozesse garantiert, dass jeder Anwendungsfall revisions- und prüfungssicher aufgezeichnet wird.