Serienelemente
Der Einsatz von Algorithmen im Finanzbereich bietet neue Chancen. Bild: mauritius images / Blend Images / John Lund

Im Finanzbereich gibt es vielseitige Einsatzmöglichkeiten für Algorithmen. Ein großes Potenzial bietet sich hierdurch beispielsweise bei der Automatisierung von Prozessen, stellt der Energiekonzern E.ON SE fest. Für den erfolgreichen Einsatz von Algorithmen müssen jedoch einige Herausforderungen bewältigt werden.

Für Energiekonzerne wie die E.ON SE bedeutet die Energiewende in Verbindung mit der fortschreitenden Digitalisierung eine sehr große transformatorische Herausforderung. Der Wandel weg vom historischen Kraftwerksunternehmen hin zu einem neuen, digitalen grünen serviceorientierten Unternehmen wirkt sich auf alle Ebenen aus. Diese Konzentration auf das digitale, dezentralisierte und zugleich vernetzte Geschäft verändert auch den Finanzbereich in nachhaltiger Art und Weise. Bernd Kälber, Project Manager Digitalization im Bereich Risk, Accounting & Controlling des Corporate Headquarters der E.ON SE, berichtet vor diesem Hintergrund von dem Potenzial, das intelligente Algorithmen im Finanzbereich haben.

Was Algorithmen leisten können 

In seinem Vortrag erklärt Bernd Kälber zunächst grundlegende Aspekte des Machine Learnings. Computer werden befähigt durch speziell entwickelte Algorithmen

  • sehr große, komplexe und unstrukturierte Datensätze selbstständig zu analysieren,
  • eigenständig Ergebnisse zu erarbeiten und
  • diese Ergebnisse zu visualisieren.

Hervorzuheben ist in diesem Zusammenhang, dass es nicht einen richtigen Ansatz oder einen Algorithmus gibt – es gibt keine Blaupause die für jede Situation verwendet werden kann. Vielmehr müssen für unterschiedliche Szenarien verschiedene Algorithmen entwickelt bzw. diese Algorithmen für die jeweiligen Anforderungen spezifisch trainiert werden. Prinzipiell kann man dazu die Ansätze im Bereich Machine Learning in folgende drei Kategorien aufteilen:

  • Supervised Learning: Hierbei wird der Algorithmus gezielt mit bekannten Input-Output Datensätzen trainiert um ihm so den Zusammenhang zwischen den Daten anzutrainieren.
  • Unsupervised Learning: Der Input-Output Zusammenhang ist von vorneherein nicht bekannt und der Algorithmus selbst klassifiziert die Daten und erkennt mögliche Muster in ihnen.
  • Reinforcement Learning: Ein Algorithmus erlernt eine spezifische Aufgabe durch den Versuch sich anhand von Reaktionen aus dem Umfeld zu optimieren.

Machine Learning am Beispiel Text Analytics  

In der Ausgangssituation hat der Algorithmus an sich dabei keinerlei spezifischen Kenntnisse. In diesem Zusammenhang stellt Bernd Kälber den Prozess des Lernens der Maschinen am Beispiel von Text Analytics dar. Das heißt dem maschinellen lesen, interpretieren und bewerten von elektronischen Dokumentinhalten in Textform. Als Grundlage des Lernens dienen dabei gelabelte Daten, wie zum Beispiel die bei Amazon Produktbewertungen üblichen Sternevergaben die eins zu eins mit einem Bewertungstext korrespondieren. Aus großen Mengen dieser Bewertungen lernt der Algorithmus dann spezifischen Textpassagen ein Rating zuzuordnen. Als nächster Schritt werden dann neue unbekannte Textpassagen dem Algorithmus übergeben, dieser ist dann in der Lage diese neuen Textelemente selbstständig in Form eines Ratings zu bewerten.

Aufgaben von Algorithmen 

Die Einsatzmöglichkeiten solch einer künstlichen Intelligenz ist mittlerweile natürlich nicht mehr nur auf Unternehmen beschränkt die man als „digital natives“, wie Amazon oder Google, bezeichnen würde. Neben Text Analytics können trainierte Algorithmen natürlich auch ganz andere Aufgaben übernehmen. „Die Algorithmen sind in diesem Sinne hochgradig generisch und können damit in ganz verschiedenen Zusammenhängen und damit auch branchenübergreifend eingesetzt werden“, so Herr Kälber. Das gilt natürlich auch für die vielseitigen Einsatzmöglichkeiten im Finanzbereich selbst, wie zum Beispiel Risikomanagement, Planung oder Forecasts. Hochgradig auf Daten und Regeln basierende Prozesse, können im Zusammenspiel von Machine Learning und Robotics mittlerweile sogar zum Teil automatisiert werden.

Bernd Kälber spricht vor diesem Hintergrund auch die Veränderung in den Rollen und Kompetenzen innerhalb des zukünftigen, mehr digitalen, Finanzbereichs an. 

Für neue Technologien braucht der Finanzbereich Know-how  

Um das vorhandene Potential der neuen Technologien nutzen und die damit verbundenen Herausforderungen meistern zu können wird auf der einen Seite digitales Expertenwissen in Form von ausgebildeten Data Scientists benötigt. Auf der anderen Seite braucht es erfahrene Business Experten, welche in der Lage sind die neuen Technologien insoweit einzuschätzen, dass sie die Relevanz ihres konkreten Einsatzpotentials erkennen können. Diese Experten sind als Brücke zwischen Technologie und unternehmerischer Anforderung erfolgskritisch und zudem aktuell schwer zu finden.

Idealerweise sollte in der entsprechenden Organisation auch ein dezidiertes Team aus Data Scientists, etwa ein Digital Lab, integriert werden, welches als Center of Competence der gesamten Organisation zur Verfügung steht. In der überwiegenden Mehrheit haben Data Scientists einen weniger betriebswirtschaftlichen und dafür eher statistik- oder mathematik-spezifischen Hintergrund. Herr Kälber selbst ist Physiker mit Schwerpunkt auf theoretisch-mathematische Physik. Zugleich kann er jedoch ebenso auf eine lange und breite Erfahrung aus verschiedenen Positionen im Finanzbereich von Unternehmen zurückgreifen.

Schlagworte zum Thema:  Algorithmus, Transformation, Automatisierte Datenverarbeitung, Finance, CFO

Aktuell
Meistgelesen