Während maschinelles Lernen, künstliche Intelligenz und Automatisierung die Finanzfunktion verändern, finden Teams neue Wege, um die Entscheidungsunterstützung zu verbessern und den Wettbewerbsvorteil ihrer Unternehmen zu stärken.

Da immer mehr Unternehmen das Potenzial von Daten zur Förderung der Geschäftsentwicklung und des Wachstums erkennen, ändern sich die Erwartungen an das Finanzwesen. Die Teams beginnen, sich auf Aktivitäten wie Szenarioplanung und prädiktive Analysen zu konzentrieren, anstatt nur die Zahlen zu melden. Neue Technologien können kosteneffektive und zeitsparende Vorteile bieten, indem sie Routineprozesse rationalisieren und Teams von untergeordneten, administrativen Aufgaben entlasten, sodass sie sich auf wichtigere Aktivitäten konzentrieren können, die ihren Beitrag im gesamten Unternehmen verbessern.

Wie nutzen Unternehmen diese neuen Technologien?

Der Schatzmeister der Deliveroo-Gruppe kürzlich erklärt wie eine API (Application Programming Interface) Probleme bei der Verarbeitung hochvolumiger Zahlungen des Unternehmens löste, die Transparenz im gesamten Unternehmen verbesserte und dem Kundenservice-Team das Leben erleichterte.

„Die API ermöglicht es Ihnen, Zahlungen einzuleiten und gleichzeitig den Zahlungsstatus regelmäßig auf Ihrer internen Workstation zu erhalten. Sie schaffen Transparenz für den Rest des Unternehmens — insbesondere in unserem Fall für unseren Kundenservice — und wissen, ob das Geld bearbeitet wurde und ob die Fahrer und das Restaurant das Geld erhalten haben „, sagte Imane Aztout, Konzernschatzmeisterin von Deliveroo, gegenüber Eurofinance.

Wie wird sich künstliche Intelligenz (KI) auf das Corporate Treasury auswirken?

Im Treasury kann KI die Überwachung der Handelsaktivitäten verbessern und es einfacher machen, Märkte zu beobachten und Signale aus Quellen zu erfassen, die sonst möglicherweise nicht verfügbar wären. Bisher mussten Händler, wenn eine Organisation in mehreren Ländern handeln würde, mehrere Liquiditätsanbieter kontaktieren, um den besten Preis für einen Handel zu finden. Die heutigen E-Trading-Plattformen rationalisieren diesen Prozess, bieten einen schnellen und einfachen Zugriff auf Preise mehrerer Anbieter und erleichtern es Schatzmeistern, den besten Preis für ihre Geschäfte zu finden und auszuwählen.

Bei der Vorbereitung von Vorstandssitzungen, bei denen oft Tage damit verbracht werden, die verschiedenen Fragen zu antizipieren, die von Vorstandsmitgliedern gestellt werden können, Kommentatoren heben hervor das Potenzial KI-fähiger digitaler Assistenten, CFOs zu ermöglichen, im Sitzungssaal Antworten in Echtzeit zu finden, ähnlich wie Verbraucher heute auf Siri oder Alexa angewiesen sind, um Informationen schnell zu finden.

Im Bereich Compliance kann KI Rechts-, Risiko- und Compliance-Dokumente scannen und analysieren, sodass Unternehmen mit den sich ändernden regulatorischen Anforderungen Schritt halten können. Um ein aktuelles Beispiel zu nennen: Im vergangenen Jahr haben sechs große globale Banken eine Plattform für die Einhaltung von Handelsvorschriften eingeführt, die ihre Möglichkeiten zur Einhaltung der MiFID-II-Vorschriften erweitert. Die von Droit Financial Technologies ins Leben gerufene Plattform bietet den aktuellen und vollständigen digitalisierten maschinenlesbaren MiFID-II-Regeltext sowie eine maschinenausführbare Implementierung und „ermöglicht die vollständige Überprüfung und Überprüfbarkeit jeder Handelsentscheidung, einschließlich der Rückverfolgbarkeit bis zum Buchstaben des Gesetzes“.

Wie wirken sich diese neuen Technologien auf Liquiditätsprognosen aus?

Liquiditätsprognosen sind ein weiterer Bereich, in dem die Automatisierung praktische Vorteile bietet. Die tägliche, wöchentliche und monatliche Überwachung in allen Regionen hilft den Treasury-Teams dabei, die Cashflow-Performance zu optimieren und Engpässe zu vermeiden. Gleichzeitig kann ein besserer Zugriff auf Daten aus bestehenden Quellen wie internen TMS-, ERP- und Banksystemen die Qualität der Liquiditätsprognosen erheblich verbessern.

Künstliche Intelligenz (KI) kann es einfacher machen, Unstimmigkeiten wie Kundenzahlungen, die nicht mit bestehenden Transaktionen übereinstimmen, aufzudecken und zu lösen, während die Fähigkeit, große Datenmengen aus mehreren internen und externen Quellen (z. B. historische Informationen oder Details zu umstrittenen Rechnungen sowie Bonität und Zinssätze) zu überwachen, frühzeitig vor potenziellen Problemen warnen kann, die andernfalls unbemerkt bleiben könnten.

Verbessert Technologie die Analytik?

KPMG zitiere das Beispiel eines Unternehmens, das Analysen einsetzt, um den Zahlungseinzug zu verbessern.

„Anstatt sich auf herkömmliche Methoden zu verlassen, um Konten beim Inkasso zu priorisieren, wie z. B. überfällige Tage oder die Größe des Kontos, ist das Unternehmen jetzt in der Lage, Inkasso auf der Grundlage einer Reihe von Faktoren zu priorisieren, die die Wahrscheinlichkeit signalisieren, dass innerhalb eines bestimmten Zeitraums gezahlt wird. Das System ermöglicht es den Mitgliedern des Führungsteams, gezielte Accounts zu ermitteln, um die mit ihnen verbundenen Vertriebsmitarbeiter zu identifizieren, und es bietet ein automatisiertes System, mit dem Mitarbeiter per E-Mail darüber informiert werden, dass ihre Hilfe beim Inkasso erforderlich sein könnte. Durch den Einsatz von Analysen zur Verfeinerung der Inkassoausrichtung war das Unternehmen nicht nur in der Lage, die Leistung seines DSOs zu verbessern, sondern auch den Zeit- und Arbeitsaufwand für den Verkauf zu minimieren.“

Donny C. Shimamoto, Geschäftsführer von Intraprise TechKnowlogies weist auf die Vorteile hin die maschinelles Lernen in der Kontrollfunktion bei der Klassifizierung von Transaktionen liefern kann.

„Induktive Überlegungen könnten auf die Quelldaten historischer Transaktionen angewendet werden, um die Klassifizierung zusätzlicher Transaktionen bei ihrer Aufzeichnung „vorherzusagen“. Da die Produkte vieler Anbieter eine ziemlich konsistente natürliche Klassifizierung haben, ist dies größtenteils in Ordnung. Es gibt jedoch einige Anbieter, die je nach Verwendungszweck ihres Produkts unterschiedlichen natürlichen Klassifizierungen zugeordnet werden könnten.“

Shimamoto fügt hinzu, dass je nach Wesentlichkeit des potenziellen Fehlers eine menschliche Überprüfung der Lieferantenklassifizierung erforderlich sein kann.

Wirken sich diese Technologien darauf aus, wie Daten gespeichert werden?

Gary Kazanstev, Head of Machine Learning bei Bloomberg, hob kürzlich hervor, dass maschinelles Lernen nicht auf strukturierte Daten wie Preise oder Wirtschaftsstatistiken beschränkt ist, sondern auch unstrukturierte Daten nutzen kann, die aus neuen Informationsquellen wie GPS-Koordinaten und sozialen Medien gewonnen wurden.

„In der Textanalyse finden wir heraus, wie wir feststellen können, ob ein CEO bei einer Telefonkonferenz ausweicht... Und das nicht nur anhand des Audios — das können Sie jetzt auch anhand des Textes feststellen.“

Da das Bewusstsein für die Vorteile von Automatisierung, maschinellem Lernen und künstlicher Intelligenz wächst, stellt sich die Frage, ob diese Entwicklungen ein Risiko für Finanz- und Treasury-Teams darstellen.

Wie werden sich maschinelles Lernen, künstliche Intelligenz und Automatisierung auf die Teamdynamik auswirken?

Einige Experten, wie David He und Venessa Guo von der Boston Consulting Group, sagen, dass zwar einige Jobs ersetzt werden könnten, neue Möglichkeiten werden geschaffen. Andere, wie Mandana Sadigh, Schatzmeisterin des US-Spielzeugherstellers Mattel, argumentieren, dass Maschinen die strategische Einsicht der Menschen nicht ersetzen können.

„Obwohl ich großen Respekt vor Systemen wie künstlicher Intelligenz und Robotik habe, betrachte ich Treasury-Operationen nicht als rein aktivitätsorientierte Rolle. Im Finanzministerium geht es nicht um die Bearbeitung von Schecks und den Abgleich von Bankkonten. Es ist eine strategische Rolle, bei der man sich mit dem Geschäft auseinandersetzen und es verstehen muss... Ihr Verständnis als Einzelperson macht den Unterschied.“ Sadigh erzählte Eurofinance.

Einfach ausgedrückt: Automatisierung, maschinelles Lernen und KI-Technologien werden das Treasury als strategischen Partner innerhalb des Unternehmens fördern und stärken, indem sie es ihnen ermöglichen, sich auf die strategischen und analytischen Aktivitäten zu konzentrieren, die dem Unternehmen einen echten Mehrwert bieten.

Wird dies zu einer Qualifikationslücke führen?

Klar ist, dass sich die Erwartungen schnell ändern und die Teams sich neue Fähigkeiten aneignen müssen, da Unternehmen mehr Wert aus Daten ziehen wollen. Es liegt an den Unternehmensleitern, ihre Ressourcen auf die wertvollsten Aktivitäten zu konzentrieren. Dazu werden wahrscheinlich Rekrutierungs- und Schulungsprogramme Abhilfe schaffen Überbrücken Sie die Qualifikationslücke im Bereich Business Analytics.

Die Association of International Certified Professional Accountants prognostiziert, dass Fachwissen in Bereichen wie Datenanalyse, Cyberrisikomanagement und Geschäftsmodellierung in den nächsten drei Jahren zunehmend an Bedeutung gewinnen wird, da maschinelles Lernen, künstliche Intelligenz und Automatisierung die Finanzfunktion weiter verändern werden.

‍