Diese Arbeit beschäftigt sich mit dem Thema künstliche Intelligenz (KI) im Controlling.
Das Ziel dieser Hausarbeit wird es sein, anhand einiger Praxisbeispiele, die vorhandenen Entwicklungen genauer zu betrachten, zu erläutern und zu erörtern, wie sich das Controlling dementsprechend verändern könnte. Zuerst wird jedoch ein Überblick über die KI im Allgemeinen dargestellt. Darin geht es um die Entstehung der KI und wie sie sich im Laufe der Zeit durch den technologischen Fortschritt entwickelt hat.
Es werden die Möglichkeiten der KI für die Bereiche Reporting, Planung & Forecast, sowie Produktivität und Effizienz des Controllings kurz dargestellt.
Inhaltsverzeichnis
1. Einleitung
2. Definition
3. Basisinformationen der Künstlichen Intelligenz
3.1 Geschichte & Forschungsstand
3.2 Ausprägungen und Abgrenzung der Künstlichen Intelligenz
3.2.1 Maschinelle Lernen
3.2.2 Deep Learning
4. Künstliche Intelligenz im Controlling
4.1. Digitalisierung und Big Data
4.2 Anwendungsbereiche
4.3 Robotic Process Automation
4.4 Reporting
4.5 Planung & Forecast
4.6 Produktivität und Effizienz
5. Fazit
Zielsetzung & Themen
Diese Arbeit untersucht die Rolle der künstlichen Intelligenz (KI) im modernen Controlling und analysiert, wie technologische Fortschritte und Big Data die Arbeitsweisen von Controllern nachhaltig verändern und effizienter gestalten können.
- Grundlagen und historische Entwicklung der künstlichen Intelligenz.
- Unterscheidung zwischen maschinellem Lernen und Deep Learning.
- Einsatzmöglichkeiten von KI-Technologien wie RPA und Chatbots im Controlling.
- Optimierungspotenziale durch datengetriebene Planung und Reporting.
- Herausforderungen und notwendige Kompetenzanforderungen an Controller.
Auszug aus dem Buch
3.2.1 Maschinelle Lernen
Das maschinelle Lernen basiert auf verfügbaren Daten, aus welchen die KI lernt und aus diesem Daten Zusammenhänge ableitet, um anschließend Vorhersagen oder Entscheidungen zu treffen. Aus den bereits gewonnen Daten erstellt sich der Algorithmus ein Muster, welches die KI auf andere Daten übertragen kann und sich dadurch verbessert, d.h. auf der Grundlage von Erfahrungswerten, kann die KI seinen Algorithmus optimieren und anpassen. Daten könnten Texte, Bilder Sensordaten aber auch Unternehmenskennzahlen sein. Um das maschinelle Lernen vereinfacht darzustellen, kann von einer WENN-DANN Beziehung gesprochen werden. Folgendes Beispiel könnte dabei gelten: Das KI-Programm soll aus einer Vielzahl von Bildern, die Bilder erkennen, welche ein Gesicht zeigen. Der Algorithmus muss also erkennen können, WENN: Augen, Nase, Mund, DANN = Gesicht. Bei falschen Erkenntnissen muss heutzutage noch manuell der Fehler gesucht und korrigiert werden (vom Menschen), damit die KI aus dieser Korrektur lernt und in Zukunft diesen Fehler nicht erneut ausführt.
Um den Bezug auf das Controlling herzustellen, kann bspw. die Prognose über das Zahlungsverhalten von einem Kunden, durch maschinelles Lernen ermittelt werden. „Aus einer Vielzahl möglicher Einflussfaktoren (z. B. historisches Zahlungsverhalten, Postleitzahl, Nutzung von Social-Media-Netzwerken) auf das Zahlungsverhalten von Kunden erlernt der Algorithmus mit fortschreitender Datenverarbeitung, welche Einflussfaktoren mit welcher Gewichtung die Prognose eines Zahlungsausfalls am Genauesten vorhersagen können.“
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Bedeutung von Künstlicher Intelligenz und Big Data im Controlling ein und erläutert die Zielsetzung der Arbeit.
2. Definition: Das Kapitel bietet eine theoretische Annäherung an den Begriff der Künstlichen Intelligenz, da bisher keine allgemeingültige Definition existiert.
3. Basisinformationen der Künstlichen Intelligenz: Hier werden die historische Entwicklung, die wesentlichen Forschungsschritte sowie die technischen Grundlagen wie Machine Learning und Deep Learning behandelt.
4. Künstliche Intelligenz im Controlling: Dieses zentrale Kapitel beleuchtet konkrete Einsatzfelder der KI im Controlling, darunter Big Data, Robotic Process Automation, Reporting sowie Planung und Effizienzsteigerung.
5. Fazit: Das abschließende Kapitel fasst die technologischen Entwicklungen zusammen und hebt die zukünftige Notwendigkeit hervor, dass Controller ihre IT-Kompetenzen angesichts der fortschreitenden Digitalisierung erweitern müssen.
Schlüsselwörter
Künstliche Intelligenz, KI, Controlling, Big Data, Maschinelles Lernen, Deep Learning, Robotic Process Automation, RPA, Digitalisierung, Forecasting, Effizienz, Datenanalyse, Automatisierung, Berichterstattung, Unternehmenssteuerung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Integration und den Auswirkungen von künstlicher Intelligenz in operativen und strategischen Controlling-Prozessen.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themen umfassen die Definition und Geschichte der KI, maschinelles Lernen, Deep Learning sowie spezifische Controlling-Anwendungen wie Reporting, Planung und Prozessautomatisierung.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, anhand von Praxisbeispielen zu erläutern, wie sich das Controlling durch den Einsatz von KI und Big Data in Zukunft verändern könnte.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit basiert auf einer theoretischen Literaturanalyse sowie der Auswertung von Praxisbeispielen und technologischen Entwicklungen im Bereich der KI.
Was steht im Hauptteil im Fokus?
Der Hauptteil konzentriert sich auf die praktischen Anwendungsbereiche von KI im Controlling, insbesondere die Automatisierung von Reporting und die Verbesserung von Prognosen.
Welche Begriffe charakterisieren die Arbeit am besten?
Die wichtigsten Begriffe sind Künstliche Intelligenz, Controlling, Digitalisierung, Big Data, RPA und Effizienzsteigerung.
Wie unterscheidet sich die "schwache" von der "starken" KI laut der Arbeit?
Schwache KI dient der Unterstützung bei spezifischen Aufgaben unter menschlicher Entscheidungsgewalt, während starke KI als menschenähnliche, eigenständige Entscheidungsinstanz definiert wird, die aktuell noch nicht existiert.
Warum ist laut der Arbeit RPA im Controlling noch weniger verbreitet als in anderen Unternehmensbereichen?
Der geringere Einsatz wird auf das situativ geprägte, veränderliche Umfeld im Controlling sowie fehlende Erfahrungswerte und hohe Implementierungskosten zurückgeführt.
- Citation du texte
- Daniel Schäfer (Auteur), 2020, Künstliche Intelligenz (KI) im Controlling, Munich, GRIN Verlag, https://www.grin.com/document/1000048
