In den ersten beiden Blogs dieser Serie haben wir die demografischen und geschäftlichen Trends, die als Katalysator für den grundlegenden Wandel in Finanzabteilungen von Unternehmen fungieren, erörtert. In diesem Teil widmen wir uns der Technologie, die den Rahmen für diese Entwicklung bildet. Darüber hinaus sehen wir uns an, wie sich die Rolle von Finanzexperten verändern wird, sobald der Trend von RPA an Momentum gewinnt.
In der Technologie, die im Mittelpunkt dieses sich beschleunigenden Wandels steht, zeigen sich zwei Haupttrends.
I. “Utility” Computing:
Wie es so oft der Fall ist, werden wir Zeuge historischer Ereignisse und merken es erst Jahre später. Für mich ereignete sich ein solches Ereignis an den beiden Abenden vom 14. und 15. Februar 2011.
An diesen beiden Abenden spielten in der TV-Quizshow „Jeopardy“ zwei der erfolgreichsten Champions der Serie gegen IBMs „Watson“ – ein Computerprogramm aus dem Bereich der künstlichen Intelligenz. Watson ist ein umfangreiches System, das über 750 Server, 2.800 Prozessoren und 12 Terabyte Random Access Memory (RAM) verfügt. Die leistungsstarke 2011er Version von Watson war Produkt eines spektakulären Durchbruchs in der Programmierung von natürlichen Suchabfragen, maschinellem Lernen und Informationsgewinnung. Durch den Einsatz von 100 Analysealgorithmen kann Watson auf mehr als 200 Millionen Seiten von Daten zugreifen und somit strukturierte und unstrukturierte Daten mit rasanter Geschwindigkeit durchsuchen. Über den Verlauf der beiden besagten Abende hat Watson seine beiden menschlichen Gegner praktisch vernichtet und den Preis von 1 Million USD gewonnen.
Was viele Zuschauer einschließlich mir nicht wussten, war, dass wir Augenzeugen des ersten Schrittes in der Entwicklung von dem, was wir heute als „Robotic Process Transformation“ bezeichnen, waren. Watsons Erbe kommt heutzutage in einigen der frühen „Personal Assistance“-Produkten zum Tragen, wie z.B. Amazons “Alexa”, Microsofts “Cortana” und Googles etwas phantasielos benannte “Google” Hilfsvorrichtung. Doch Watsons Triumph birgt noch weitere interessante Gegebenheiten, denen wir uns an späterer Stelle in diesem Blog zuwenden werden.
Seit diesen anfänglichen Tagen in 2011 hat sich die Entwicklung von schneller und leistungsstarker Datenverarbeitung beschleunigt. Nach dem mooreschen Gesetzes werden neue Entdeckungen auf diesem Gebiet mit stetig steigendem Tempo gemacht. Die neusten Fortschritte in der Entwicklung von RPA-Technologie wurden durch die Explosion von kostengünstiger Cloud-Technologie unterstützt. Angeführt von Amazon Web Services (AWS), Microsoft Azure und anderen Plattformen können Unternehmen jetzt mit einer Geschwindigkeit, von der sie vor einigen Jahren nur geträumt haben, auf große Mengen von Rechenpower zugreifen. Heutzutage wird Datenverarbeitung als eine „Utility“ gesehen – mit der Fähigkeit, die Nutzung je nach Bedarf zu skalieren. In 2000 hat Marc Andreessen, der legendäre Mitbegründer von Netscape und dem weltweit ersten Cloud-Computing-Unternehmen, LoudCloud, gesagt: “Unternehmen, die ihre eigenen Datenzentren und Serverfarmen bauen, sind analog mit Fabriken, die ihre eigenen Kraftwerke bauen. Warum würde man so etwas tun?“ Die Kommodifizierung von Computing-Dienstleistungen und -Anwendungen ist jetzt abgeschlossen und macht somit umfassende, hochentwickelte RPA zum ersten Mal in der Geschichte zugänglich und erschwinglich.
II. Die Evolution von Algorithmen im Bereich Finanz- und Rechnungswesen:
Einer der Hauptgründe dafür, dass sich das Finanz- und Rechnungswesen so sehr für RPA anbietet, ist der generell strukturierte Charakter des Großteils der Arbeit, die gegenwärtig von Finanzexperten ausgeführt wird. Allgemeine Buchführung ist größtenteils berechenbar und regelbasiert. Darüber hinaus lassen sich die Daten übersichtlich in Spalten und Reihen organisieren, wodurch die perfekte Basis für die Anwendung von regelbasierten Analysetools, um den menschlichen Finanzexperten zu unterstützen, gegeben ist. Starke Nutzer von Microsoft Excel wissen, dass RPA durch einfache boolesche Logik gesteuert wird. Boolesches Algebra besteht aus einfachen Konditionalsätzen wie:
Wenn Bedingung “x” besteht, dann wird Funktion “y” ausgeführt.
Wenn sich die Bedingungen erweitern, können diese mathematischen Regeln sehr anspruchsvoll und komplex werden. Die Frage ist: Wie institutionalisieren wir diese Art von Logik und wenden sie auf großflächiger Ebene an, um die Zeit und Mühe, die mit sich wiederholenden Arbeitsabläufen in Verbindung stehen, zu reduzieren?
Die bereits erwähnte Allgegenwärtigkeit von skalierbarem Cloud Computing sowie innovative Softwarehändler tragen dazu bei, dass standardisierte RPA-Regelsätze zu einer Realität werden. Frühe Anwender von RPA-Regelsätzen im Finanz- und Rechnungswesen können mit exzellenten Resultaten rechnen, darunter die Reduzierung von Zeitaufwand, Fehlerquoten und Personalaufwand. Auf einer Shared Service and Outsourcing Network (SSON) Konferenz hat eine große, multinationale australische Bank bekannt gegeben, dass ihre Nutzung leistungsstarker RPA-Technologie das Equivalent zu 100 Mitarbeitern bietet!
Bezüglich der Anwendung von booleschen Regelsätzen im Bereich Finanz- und Rechnungswesen, müssen wir uns die Frage stellen, wie wir mit den Fällen umgehen, in denen unsere booleschen Regeln sich nicht auf bereits vorhandene Gegebenheiten stützen. Derzeit können wir diese Ausnahmefälle nur mit Einbezug menschlicher Finanzexperten lösen. Vielleicht ist dies gar nicht so schlecht. Im Beispiel von der 2011er Folge von „Jeopardy“ hat Watson eine Antwort auf eine Frage, die für Menschen einfach zu beantworten wäre, komplett vermasselt. Es gibt keinen computergesteuerten Ersatz für das Menschliche Gehirn – zumindest noch nicht.
Man geht davon aus, dass sich die nächste Phase von RPA im Finanzwesen über die vordefinierten Regelsätze boolescher Logik hinaus entwickeln wird und sich zunehmend damit befassen wird, wie wir mit Ausnahmen umgehen. Ausnahmemanagement bietet sich besonders für Algorithmen basierend auf bedingter Wahrscheinlichkeit an – wie z.B. der Satz von Bayes, der das Folgende besagt:
Wenn Bedingung “x” existiert, wie hoch ist die Wahrscheinlich, dass auch Bedingung „y“ existiert?
Man kann einfach erkennen, dass der zusätzliche Einsatz von mathematischen Funktionen basierend auf bedingter Wahrscheinlichkeit die Klassifizierung und Lösung von Ausnahmen erheblich verbessern würde. Somit kann noch mehr Zeit- und Geldaufwand, der normalerweise in der manuellen Verwaltung dieser Ausnahmen anfällt, gespart werden. Stellen wir uns einmal die folgende Situation vor:
- Es liegt uns ein Konto vor, dessen Bilanz unter normalen Umständen €5.000 beträgt. In einer bestimmten Zeitspanne beträgt die Bilanz jedoch €5.000.000.
Jeder gut ausgebildete Finanzexperte würde bemerken, dass dieser Umstand eine gründliche Begutachtung und eine Begründung erfordert. Die booleschen Regelsätze fungieren hier also als ein Kontrollmechanismus, ggf. wie folgt formuliert:
- Wenn eine Kontobilanz mehr als 10% Unterschied von einer Buchungsperiode zur nächsten aufweist, dann muss die Frist für die Abstimmung geändert und ein zusätzliches Kontrolllevel etabliert werden.
Der Finanzexperte würde mit RPA jetzt darüber benachrichtigt werden, dass unser ausgedachtes Konto abnormale Charakteristiken aufweist, anstatt diese Abnormalität selber auffinden zu müssen.
Darüber hinaus könnte RPA Algorithmen basierend auf bedingter Wahrscheinlichkeit analog zum Satz von Bayes einsetzen. Ein Beispiel dafür wäre:
- Im Anbetracht der Tatsache, dass dieses Konto eine Varianz von 10% aufweist, beträgt die Wahrscheinlichkeit, dass die folgenden Bedingungen existieren: x% für einen Falscheintrag, y% für einen Betrugsfall, etc…
Eine solche Analyse würde den menschlichen Finanzexperten zumindest auf die potentiellen Ursachen der Ausnahme aufmerken machen, was wiederum Zeit und Fehler reduziert. Es ist darüber hinaus möglich, Regelsätze und Wahrscheinlichkeitsmodelle zu etablieren, die es uns ermöglichen würden, Ausnahmen ohne menschlichen Eingriff mit hoher Präzision zu klassifizieren. Ein solcher Lösungsansatz könnte uns helfen, das System im Voraus mit Hilfe von historischen Daten zu „trainieren“, um die Richtigkeit unserer Annahmen zu prüfen. Das Resultat wäre eine endlose Schlaufe, in der sich unser Modell stetig verbessern würde, wodurch die Qualität unserer Arbeit gesichert werden würde. Folglich würde sich der Anteil der manuellen Arbeit für die Erstellung hochqualitativer und fehlerfreier Finanzberichte verringern, wodurch der Prozess effizienter werden würde. Ferner könnten wir unsere Ausgaben stetig unter Kontrolle behalten und durch die Optimierung unseres Modells und zusätzlichen Computing-Eigenschaften einfach skalieren. In Anbetracht der Möglichkeiten, die wir heutzutage haben, ist es kein Wunder, dass so ein Szenario von vielen Unternehmen für „unvermeidbar“ gehalten wird.
In den letzten drei Blogeinträgen haben wir über den Wandel der Demografie und die Notwendigkeit, unser alterndes Finanzpersonal zu ersetzen, wenn es den Arbeitsmarkt verlässt, gesprochen. Wir haben die aktuellen und zukünftigen Herausforderungen mit Hinblick auf Skarlierbarkeit nach den einmaligen Kostenersparnissen durch Offshoring untersucht. Zum Schluss haben wir innovative Infraktstrukur, Utility Computing und dein Einsatz zentralisierter, regelbasierter mathematischer Sätze und Wahrscheinlichkeitsmodelle als Teil der Vision der Zukunft, die viele Unternehmen vom Finanz- und Rechnungswesen haben, diskutiert. Zusammen bilden diese drei Strömungen ein wichtigen Anhaltspunkt für die Zukunft der Finanzabteilung.
Von Ben Cornforth
