Produktivität ist seit jeher ein zentrales Ziel für Finanzteams, die in Enterprise Resource Planning (ERP) und integrierte Best-of-Breed-Plattformen investieren, um Effizienzsteigerungen zu erzielen, die strategische Entscheidungen und Transformationsprojekte ermöglichen. Für die Finanzorganisation kann sich Produktivität in einer Vielzahl von wertschöpfenden Ergebnissen niederschlagen: effizientere Bargeldverwendung und -abstimmung, verkürzte Abschlusszyklen, Durchführung von Skontoprogrammen für frühzeitige Zahlungen und Forderungsprogramme zur Freisetzung von Barmitteln, um nur einige Beispiele zu nennen. Der CIO und der CFO, die für die Automatisierung und Business Intelligence zuständig sind, werden durch Automatisierung und Effizienz zu einem stärkeren und geschätzten Partner für die gesamte Finanzorganisation.
In jüngster Zeit hat die Migration zu Cloud-ERPs offene API-Innovationen ermöglicht, die eine Integration über API-basierte Echtzeit-Konnektoren zwischen dem ERP und einer Vielzahl externer (z. B. Debitoren- und Kreditorenbuchhaltung, Treasury, Investment-/FX-Portale und Banken) und interner Systeme (z. B. Business-Intelligence-Anwendungen und Data Lakes) ermöglichen. Dadurch wird nicht nur die Geschwindigkeit der Datenübertragung erhöht, sondern es werden auch zusätzliche zeitsparende Funktionen eingeführt, wie z. B. ein größeres Vertrauen in die Abrechnung von Überweisungen/Geschäften, die Verfügbarkeit von Liquidität und die Erkennung von Zahlungsbetrug in den ERP- und Nebensystemen. Die Verbesserung des Zugangs zu analytisch ausgerichteten Anwendungen ist für sich genommen schon ein Gewinn, aber in Verbindung mit einem vernetzten ERP erhalten CFOs eine leistungsstarke Lösung, um analytikbasierte Entscheidungen zu treffen. Die Automatisierung ist daher eine Voraussetzung für eine höhere Stufe der Analytik und Business Intelligence.
Erweiterte Analytik
Ein wichtiger Wegweiser auf dem Weg zu Business Intelligence ist der Übergang von einem System der Aufzeichnung zu einem System der Einsicht. Die heutigen ERPs sind fantastische Aufzeichnungssysteme. Als einzige Quelle der Wahrheit für Finanzoperationen ist das moderne ERP unternehmensweit zugänglich und darauf ausgelegt, Daten zu sammeln und den Geschäftsablauf zu steuern.
Um wirklich aufschlussreich zu werden, müssen CIOs ihren Finanzakteuren neue, aufstrebende Technologien zur Verfügung stellen, um sicherzustellen, dass Daten zu strukturierten und intelligenten Informationen werden. Um ihre Unternehmen wettbewerbsfähig zu halten, setzen CIOs auf künstliche Intelligenz und maschinelles Lernen, um die Vorhersagbarkeit zu verbessern, Ausnahmen zu erkennen oder idealerweise beides. Dieser Bedarf an erweiterten Analysen wie maschinellem Lernen, einem Teil der KI-Familie, wurde insbesondere durch die immensen Datenmengen angeheizt, auf die Finanzteams Zugriff haben und in denen sie eine Bedeutung finden müssen.
Ein Beispiel sind B2B-Zahlungen, die von der Kreditorenbuchhaltung (AP) im CFO-Team verwaltet werden. Zahlungsworkflows erfordern mehrere Entscheidungspunkte, die jeweils eine Überprüfung durch eine oder mehrere Personen erfordern. Gibt es genügend Genehmigungen für diese internationale Zahlung in großer Höhe, liegen uns die erforderlichen Unterlagen zur Genehmigung des Zahlungsantrags vor, handelt es sich um das richtige Bankkonto für unseren neuen Lieferanten, und so weiter. Einzeln betrachtet würden diese Entscheidungen und die entsprechenden Schritte in den AP-Workflow im ERP- und/oder AP-Portal integriert werden. In der heutigen Welt des Zahlungsbetrugs und der Echtzeit-Zahlungen (die sofort abgerechnet werden und im Falle eines Fehlers oder Betrugs nicht zurückgeführt werden können) wird jedoch von den meisten CIOs und Wirtschaftsprüfern empfohlen, ein AP-Audit durchzuführen, eine abschließende Überprüfung aller ausgehenden Zahlungen, um die Einhaltung der internen Zahlungsrichtlinien und eine gute Unternehmensführung sicherzustellen. Erweiterte Analyseverfahren wie maschinelles Lernen sind für diese Aufgabe von entscheidender Bedeutung, da eine solche Prüfung nicht über Tage, Stunden oder sogar Minuten hinweg durchgeführt werden kann. Sie muss in Echtzeit erfolgen, um sicherzustellen, dass die Lieferanten bezahlt, die Gehaltsabrechnungen finanziert und die Finanzverträge mit Banken und Geschäftspartnern abgewickelt werden. Ein Algorithmus für maschinelles Lernen kann auf die gesamte Zahlungshistorie des Unternehmens trainiert werden, um Zahlungsanomalien zu erkennen – potenziell verdächtige Zahlungen, die vor der Weiterleitung an die Banken zur Abwicklung einer weiteren Prüfung bedürfen.
Weitere Analysen identifizieren Ausnahmen von Zahlungsrichtlinien, wobei nicht nur nicht konforme Posten markiert werden, sondern auch aus den falsch-positiven Ergebnissen früherer Analysen gelernt wird, um Schnelligkeit zu gewährleisten und die Zeit des CFO und der Innenrevision auf wirklich schwerwiegende Posten zu konzentrieren. Angesichts der zeitlichen Beschränkungen und der zunehmenden Datenmengen können die menschlichen Augen nicht mithalten. Die gelernte Erfahrung von künstlich intelligenten Modellen ist die einzige Wahl.
Ein weiteres Beispiel ist die Notwendigkeit für den CFO, präzise und intelligente Entscheidungen über die Unternehmensliquidität zu treffen, eine Verantwortung, die besonders auf dem Höhepunkt der Pandemie deutlich wurde. Viele CFOs hatten Schwierigkeiten, einen genauen Überblick über Barmittel und Liquidität zu geben, was die Teams für Zahlungen und Forderungen vor die Aufgabe stellte, das Betriebskapital zu verwalten. Infolgedessen verzögerten sich viele Lieferantenzahlungen, und Forderungen wurden unnötigerweise (und teuer) beschleunigt, um sicherzustellen, dass genügend Liquidität zur Verfügung stand, um das Tagesgeschäft zu bewältigen. Die von der künstlichen Intelligenz gebotene Vorhersehbarkeit hätte den Treasurern, Finanzdirektoren und ihren CFOs mehrere Ansichten der Liquiditätsprognose für eine Vielzahl von Szenarien geboten, von denen das alarmierendste bis zur Kreditkrise 2008/2009 zurückverfolgt werden konnte. Die Suche nach der Bedeutung historischer Daten war ein Rettungsanker, den viele CFOs nicht hatten, was datengesteuerte, intelligente Geschäftsentscheidungen verhinderte, die Unternehmen viel Zeit und Kosten hätten sparen können.
Erreichen von Business Intelligence
CFOs, die sich mit der Planung nach der Pandemie befassen, verlassen sich darauf, dass ihre CIO-Partner ihre Unternehmen durch die Kombination von künstlicher Intelligenz und Business Intelligence-Tools unterstützen. Diese Verbindung von Analysen und Einblicken, die durch den Ausbau des ERP mit einem vernetzten Ökosystem von Geschäftsanwendungen bereitgestellt wird, bietet aufschlussreiche Datenanalysen, die in dynamischen Dashboards dargestellt werden, um komplexe finanzielle Entscheidungen zu vereinfachen. Nur wenige Dinge machen einen CFO glücklicher als aufschlussreiche Informationen, die in einer Ansicht präsentiert werden, proaktiv angeboten werden und auf Abruf verfügbar sind. Mit dieser perfekten Kombination können sich CFOs sicher sein, dass sie Business Intelligence erreicht haben.
Leave a Reply