Die Zukunft des Controllings
Weltweit verspüren Unternehmen zunehmend einen Zugzwang, neue, auf Daten basierende Technologien zu integrieren, um konkurrenzfähig zu bleiben. Die Nutzung dieser Technologien impliziert weitreichende Veränderungen des unternehmensinternen Umgangs mit Daten, die auch die Rolle des Controllings betreffen.
Fürchten Sie sich nicht vor diesen Veränderungen, sondern nutzen Sie die Gunst der Stunde und machen Sie sich für die bevorstehende Transformation unentbehrlich. Innovationen im Bereich der Nutzung von Daten sind ohne die Unterstützung aus dem Fachbereich nur schwer umsetzbar. Nicht selten scheitern Projekte mangels einer gemeinsamen Kommunikationsgrundlage.
Wer, wenn nicht Sie als Controller:in, ist besser als Schnittstelle zwischen Fachbereich und Data Science geeignet? Ihre fachliche Expertise ist gefragter denn je, denn Sie kennen sich sowohl mit der Geschäftspraxis als auch mit den Unternehmensdaten aus.
Fortschritte aktiv mitgestalten
Bereiten Sie sich rechtzeitig auf zukünftige Anforderungen vor und gestalten Sie die Zukunft Ihres Unternehmens aktiv mit! Ein erster Schritt in die richtige Richtung ist es, sich ein realistisches Bild zum Handwerk von Data Science zu machen.
Das gelingt meist besser, wenn man sich mit den grundlegenden Fragestellungen und Werkzeugen dieses Berufs auseinandersetzt und sich nicht dem medialen „Buzzword-Bingo“ rund um das Thema Künstliche Intelligenz, Machine und Deep Learning aussetzt. Letzteres mag aufregend sein, hat aber meist nur wenig mit dem Arbeitsalltag von Data Scientists zu tun.
Wissen aufbauen – Nutzen einschätzen
Frischen Sie Ihr statistisches Grundlagenwissen aus Schul- und Universitätszeiten auf! Hierfür können Sie auf verschiedene Möglichkeiten zurückgreifen:
Print- und Onlinemedien zum Aufbau von Grundkenntnissen
Es gibt zahlreiche Print- und Onlinemedien, die die Basics durchaus unterhaltsam vermitteln und weitgehend auf mathematischen Fachjargon und komplizierte Formeln verzichten. Machen Sie sich mit der Funktionsweise grundlegender statistischer Verfahren vertraut. So können Sie mitreden, wenn es um Korrelationen, Regressionen, Klassifikationen und Clusterverfahren geht.
Haben Sie ein Grundverständnis aufgebaut, verstehen Sie schon bald die Grundprinzipien von Machine Learning, neuronalen Netzwerken und Künstlicher Intelligenz (KI). Sie werden merken, dass es sich hierbei um kein Hexenwerk oder schiere Zauberei handelt.
Online-Kurse für tiefere Einblicke in die Praxis
Um tiefer in die Praxis einzutauchen, hält das Internet eine Vielzahl kostenloser oder preisgünstiger Online-Kurse bereit. Diese bieten einen leichten Einstieg für das Coden mit Python oder R und für weitere Data-Science-Anwendungen.
Sie müssen keine komplette Umschulung zur Data Scientistin oder zum Data Scientist durchlaufen. Ein grobes Verständnis für das Instrumentarium und die Möglichkeiten reicht bereits aus. So bauen Sie Berührungsängste ab und können den Mehrwehrt von Data Science besser einschätzen.
Förderung durch den/die Arbeitgeber:in
Einen solchen Wissensaufbau neben beruflichen und privaten Verpflichtungen zu bewältigen, stellt zweifellos eine Herausforderung dar. Hier muss der Arbeitgeber für die Notwendigkeit von Fortbildungsmaßnahmen sensibilisiert werden. Fordern Sie Ihre Förderung aktiv ein. Warten Sie nicht, bis Sie die Thematik überrumpelt und Sie sich plötzlich mit Data Science arrangieren müssen.
Ist dies bereits der Fall, haben Sie keine Angst. Data Scientists wollen Ihnen nichts Böses und können Ihren Arbeitsalltag von vielen lästigen und wiederholenden Tätigkeiten befreien. Das geht noch schneller, wenn Sie bereit sind, zu kooperieren und sich nicht an althergebrachte Abläufe klammern. Durch Kooperation können Sie auch viel voneinander lernen und profitieren gegenseitig.
Bietet Ihr Arbeitgeber von sich aus Fortbildungsangebote an, sollten Sie diese nutzen. So geraten Sie bei neuen Entwicklungen im Unternehmen nicht aufs Abstellgleis.
Wie KI und Machine Learning im Controlling eingesetzt werden können
Sobald Sie das Potential von Data Science erkannt haben, können Sie Innovationen aktiv mitgestalten und als Dreh- und Angelpunkt für neue Projekte fungieren. Machine Learning und Deep Learning im Controlling erleichtern den Arbeitsalltag und entlasten von lästigen repetitiven Aufgaben.
„Machine Learning und KI haben sich in der Finanzabteilung und dem Rechnungswesen schon vielfach bewährt.“
Zeitraubende Tätigkeiten, die festen Abläufen und Regeln folgen und eine hohe Aufmerksamkeit abverlangen, können oftmals relativ leicht automatisiert werden. Machine Learning und KI haben sich in der Finanzabteilung und dem Rechnungswesen sowie bei der Erstellung von Reports und Dashboards schon vielfach bewährt.
Dabei müssen Sie als Controller:in keinen Bedeutungsverlust Ihres Arbeitsplatzes befürchten. Als Expert:in besitzen Sie ein exklusives Verständnis für die den Zahlen zugrundeliegenden Geschäftsprozesse. In Kombination mit Ihrem erworbenen Grundverständnis für Data Science machen Sie sich unentbehrlich für Ihr Unternehmen. Nur Sie können Lösungen liefern, wo Algorithmen versagen.
In der Zwischenzeit können Sie sich auf Ihre Kernaufgabe als Controller:in konzentrieren und wichtige Impulse für die Planung und Steuerung der Unternehmensprozesse liefern. So verorten Sie den Part der Kontrolle wieder stärker im Controlling.
kostenfreie Studie
- Lernen Sie aktuelle Frameworks und Berichtsstandards kennen
- Erfahren Sie mehr zu Best Practices und Herausforderungen beim ESG-Reporting
- Erhalten Sie Handlungsanweisungen für Ihre zukünftige ESG-Strategie
Algorithmen sind Menschen zwar bei der systematischen Verarbeitung von großen Datenmengen überlegen, sie können jedoch nur auf Grundlage fester Regeln und eindeutiger Datenlage sinnvolle Ergebnisse produzieren. Sie sind gut darin, Muster von Zusammenhängen zu erkennen und daraus Regeln abzuleiten, versagen jedoch bei unvorhergesehenen Ereignissen, die keiner Struktur folgen.
Die richtige Einordnung solcher Ereignisse und die entsprechende Reaktion kann bisher nur von tatsächlicher Intelligenz bewältigt werden. Hier kommen Sie als „human in the loop“ ins Spiel. Nur Sie haben ein Gespür dafür, wenn Algorithmen falsch liegen.
Mit Ihrem Wissen über die Grenzen der Technologie bewahren Sie Ihr Unternehmen vor folgenschweren Entscheidungen, die als Konsequenz blinden Vertrauens auf Algorithmen getroffen werden. Auch hier ist Kontrolle durch fähige Controller:innen gefragt, die einschätzen können, wann sie mehr wissen als Algorithmen.
Wie funktioniert Machine Learning?
Gewinnen Sie eine realistische Vorstellung von Machine Learning und dessen Möglichkeiten! Machen Sie sich frei von überzogenen Erwartungen und düsteren Zukunftsszenarien aus dem Science-Fiction-Bereich!
Machine Learning ist aktuell wohl der prominenteste Aspekt des Teilbereichs der Informatik, der sich der Imitation menschlichen Verhaltens widmet: Künstliche Intelligenz.
„Machine Learning kann als automatisierte Programmierung von Softwarelösungen zur Datenverarbeitung begriffen werden.“
Der anfängliche Versuch, das gesteckte Ziel mit der Programmierung von komplexen Regelwerken zu erreichen, stieß sehr bald auf seine Grenzen, da soziale Verhaltensweisen nur bedingt durch statische Regeln abgebildet werden können. Machine Learning beschreitet einen innovativen Weg zur Lösung dieser Problematik.
Mit Hilfe spezieller Algorithmen leitet dieser Ansatz automatisiert Regeln aus Daten ab, für die bereits Ergebnisse vorliegen. Mit diesen Regeln können wiederum potenzielle Ergebnisse für Daten prognostiziert werden, für welche diese noch nicht vorliegen (Predictive Analytics).
Machine Learning kann folglich als automatisierte Programmierung von Softwarelösungen zur Datenverarbeitung begriffen werden:
Was versteht man unter Deep Learning?
Deep Learning funktioniert nach dem gleichen Prinzip wie Machine Learning mit dem Unterschied, dass Daten mit sogenannten künstlichen neuronalen Netzwerken verarbeitet werden. Diese neuronalen Netzwerke extrahieren und komprimieren Daten in eine Form, die Computern den Zugriff auf darin enthaltene Informationen erleichtern und diesen beschleunigen.
Der Einsatz von neuronalen Netzwerken hat sich bei der Verarbeitung von audiovisuellen Daten bewährt (Sprach-, Bild-, Dokument- und Videoerkennung), beschränkt sich aber nicht auf diese Datenformen.
„Der technologische Fortschritt und die gesunkenen Preise für leistungsstarke Computerprozessoren erlauben inzwischen eine kosteneffiziente Nutzung dieser Technologie.“
Die Idee für den Einsatz künstlicher neuronaler Netzwerke zur Informationsverarbeitung wurde bereits Ende der 1940er Jahre formuliert, aber erst seit relativ kurzer Zeit erlauben der technologische Fortschritt und die gesunkenen Preise für leistungsstarke Computerprozessoren eine kosteneffiziente Nutzung dieser Technologie.
Neuronale Netzwerke bestehen aus Schichten von einfachen Funktionseinheiten, so genannten Perzeptronen, die Signale aufnehmen und bei Überschreiten von Schwellenwerten Signale aussenden. Man kann sich das gut anhand des menschlichen Schmerzempfindens vorstellen: Eine Berührung wird erst als Schmerz wahrgenommen, wenn eine gewisse Intensitätsschwelle überschritten wird. Die Nervenzelle sendet in diesem Fall ein entsprechendes Signal aus.
Damit der Einsatz eines neuronalen Netzwerks mit dem medienwirksamen Begriff Deep Learning bezeichnet werden kann, muss zwischen einer Eingangsschicht (Input Layer) und einer Ausgangsschicht (Output Layer) noch mindestens eine weitere Schicht (Hidden Layer) vorliegen. Es wird spekuliert, dass man mit der Einführung des Begriffs Deep Learning vermeiden wollte, Investoren abzuschrecken, die in der Vergangenheit keine guten Erfahrungen mit Investitionen in neuronale Netzwerke gemacht haben.
