Wie KI die Kompetenzen von Finanzteams neu gestaltet

Christian Wattig

Gründer von Inside FP&A

Christian Wattig

Erfahren Sie, wie Führungskräfte im Finanzbereich KI für Prognosen und Analysen nutzen können und gleichzeitig strategische und kommunikative Fähigkeiten entwickeln, die geschäftliche Entscheidungen vorantreiben.

Key Takeaways

KI-Nutzung: KI kann erste Analysen im Finanzbereich erstellen, erfordert jedoch eine gründliche menschliche Prüfung, um die Genauigkeit sicherzustellen.

Abweichungsproblem: Das Verständnis von Abweichungen bei KI-Prognosen hängt von der Qualität der Eingaben ab, nicht von Fehlern im Modell selbst.

Prozessstandardisierung: Um von KI zu profitieren, müssen Finanzteams ihre Prozesse vor der Implementierung standardisieren.

Methode zur Eingabeformulierung: Die Anwendung von Greg Brockmans Ansatz zur Eingabeformulierung steigert die Wirksamkeit von KI-Tools im Finanzbereich.

Strategische Kompetenzen: Finanzteams sollten sich auf strategische Kompetenzen und tiefgehende Analysen konzentrieren, um im KI-Zeitalter Mehrwert zu schaffen.

Christian Wattig ist der Gründer von Inside FP&A, einer Online-Kursplattform, die Finanzteams dabei unterstützt, bessere Geschäftsentscheidungen zu treffen. Er hat Führungskräfte bei Unternehmen wie Google, Merck, Lowe’s und Discover geschult und war außerdem in Finanzfunktionen bei Procter & Gamble, Unilever und Squarespace tätig.

Wir haben uns mit ihm zusammengesetzt, um zu erfahren, welche Fähigkeiten von Führungskräften im Finanzbereich verlangt werden, jetzt, da KI einen so großen Teil der Arbeit übernehmen kann. Das hat er uns erzählt.

FP&A leiten

Ich bin FP&A-Experte, Entwickler von Online-Kursen und Trainer für Unternehmen. Meine Präsenzprogramme haben Finanzteams bei Google, Merck, Lowe’s, Discover und vielen anderen Unternehmen dabei unterstützt, bessere Geschäftsentscheidungen zu treffen. Außerdem leite ich das FP&A-Zertifikatsprogramm an der Wharton School der University of Pennsylvania und teile Erkenntnisse auf LinkedIn sowie in meinem wöchentlichen Newsletter.

Bevor ich meine Online-Kursplattform Inside FP&A gründete, war ich mehr als ein Jahrzehnt bei Procter & Gamble und Unilever tätig und leitete FP&A- und Buchhaltungsteams in globalen Märkten. Zuvor war ich bei schnell wachsenden Technologieunternehmen tätig. Dazu gehörte auch, Squarespace beim Börsengang zu unterstützen und die erste Finanzdarstellung des Unternehmens für Wall-Street-Analysten vorzubereiten.

More Articles

Wie KI im FP&A eingesetzt werden sollte

Christian Wattig

Christian teilt

Sie benötigen kein Data-Science-Team und keine teure Software mehr, um eine algorithmische Prognose zu erstellen. ChatGPT, Claude und Gemini sind hervorragend darin, statistische Prognosen zu erstellen.

KI sollte für den ersten Entwurf Ihrer Analysen und die Erstellung von Modellen eingesetzt werden.

„Erster Entwurf“ ist dabei der entscheidende Begriff. Mir sagen Menschen, dass sie dachten, KI würde 95 % ihrer Modellierungsaufgaben übernehmen. Die Erstellung solider Finanzmodelle erfordert jedoch mehr Zeit für die Überprüfung der Ergebnisse, wodurch ein großer Teil der Zeitersparnis wieder entfällt.

KI eignet sich außerdem gut für Prognosen auf Grundlage von Zeitreihenanalysen. Sie benötigen kein Datenwissenschaftsteam und keine teure Software mehr, um eine algorithmische Prognose zu erstellen. ChatGPT, Claude und Gemini sind hervorragend darin, statistische Prognosen zu erstellen. Sie müssen ihnen lediglich historische Daten zur Verfügung stellen und sie bitten, Python-Code zu erstellen, der ein ARIMA-Modell in Excel ausführt.

Und hier sind weitere Möglichkeiten, wie ich KI täglich im FP&A einsetze:

  • Abweichungsanalyse: Treiberbäume erstellen, die Abweichungen erklären.
  • Vorbereitung als Geschäftspartner: Gut vorbereitet in Besprechungen gehen, um die richtigen Informationen von Geschäftspartnern zu sammeln.
  • Budgetprüfungen: Risiken und Chancen im Budget eines Geschäftspartners identifizieren, ohne die Beziehung zu belasten.
  • Berichte optimieren: Die Geschichte hinter den Zahlen erzählen.
  • Präsentationen für den Vorstand: Schwierige Fragen vorhersehen, bevor sie gestellt werden.

Beispiele für Eingabeaufforderungen zu jedem dieser Anwendungsfälle finden Sie hier.

Einige Aufgaben müssen jedoch weiterhin von Menschen übernommen werden:

  • Tiefgehende Analyse
  • Zusammenarbeit als Geschäftspartner
  • Einflussnahme
  • Abwägung von Zielkonflikten

Warum Abweichungen bei KI-Prognosen durch die Eingaben bestimmt werden

Warum Abweichungen bei KI-Prognosen durch die Eingaben bestimmt werden

Vor einigen Jahren, als ich ein FP&A-Team bei einem großen Konsumgüterunternehmen leitete, war ich für die Prognose des Betriebskapitals verantwortlich. Es handelte sich um eine äußerst komplexe Prognose mit Dutzenden Teilprognosen für einzelne Positionen und Geschäftsbereiche, die sich zur Gesamtzahl des Unternehmens aufaddierten. Da sie so komplex und zeitaufwendig war, wählten wir sie aus, um erstmals einen Ansatz des maschinellen Lernens zu testen.

Wir beauftragten einen externen Dienstleister mit der Entwicklung des KI-Modells. Als wir die ersten Ergebnisse des neuen Modells erhielten und sie einen Monat später mit den tatsächlichen Werten verglichen, waren wir begeistert. Die Genauigkeit der Prognose war deutlich besser als bei unseren bisherigen Ergebnissen. Ich war sicher, dass dieses Projekt ein durchschlagender Erfolg werden würde, bis das Führungsteam eine Erklärung für die verbleibende Abweichung zwischen den Prognosen des maschinellen Lernmodells und den tatsächlichen Ergebnissen verlangte.

Ich wusste nicht, wie ich diese Frage beantworten sollte, weil ich nicht an der Erstellung des Modells beteiligt gewesen war. Ich kontaktierte den für das Modell verantwortlichen Datenwissenschaftler des externen Dienstleisters. Ich ging genauso vor, wie ich eine Abweichung aus einem herkömmlichen Excel-Prognosemodell analysieren würde: Ich bat ihn zu erklären, wie das Modell funktioniert, damit ich feststellen konnte, was die Abweichung verursachen könnte. Er sagte: „Wir verwenden ein Ensemble verschiedener Algorithmen des maschinellen Lernens. Sie treten jeden Monat gegeneinander an, und das leistungsstärkste Modell erstellt die Prognose. Konkret verwenden wir Algorithmen des maschinellen Lernens wie DeepAR von Amazon, den Temporal Fusion Transformer von Google sowie traditionelle Algorithmen wie Holt-Winters und Modelle des autoregressiven integrierten gleitenden Mittels. Insgesamt umfasst das Ensemble 12 verschiedene Algorithmen, die gegeneinander antreten. Wir führen für jeden einen Backtest durch und wählen anschließend den mit der höchsten Genauigkeit aus.“

Ich hatte nicht mehr als die Hälfte von dem verstanden, was er gesagt hatte, und fragte daher nach: „Okay, warum glauben Sie, dass weiterhin eine so erhebliche Abweichung zwischen den tatsächlichen Ergebnissen und den Prognosen des Modells besteht?“ Er antwortete, dass er es nicht wisse, weil er unser Geschäft nicht verstehe.

Die Situation war, dass ich nicht verstand, wie das Modell für maschinelles Lernen funktionierte, und der Datenwissenschaftler nicht verstand, wie das Unternehmen funktionierte. Wie konnten wir hier eine Abweichung erklären? Ich sammelte verschiedene Lösungsideen für dieses Problem. Sollten wir den Datenwissenschaftler in unser Büro einladen, damit wir ihm erklären können, wie das Unternehmen funktioniert? Sollten wir jemanden aus unserem Team bitten, einen Kurs über maschinelles Lernen und Datenwissenschaft zu belegen? War es überhaupt möglich, dies zu lernen, ohne einen Abschluss in Mathematik oder Informatik zu erwerben?

Es dauerte eine Weile, aber schließlich erkannte ich, dass ich das Problem völlig falsch betrachtete. Tatsächlich versuchte ich, das völlig falsche Problem zu lösen. Beim maschinellen Lernen erklärt man Abweichungen nicht, indem man auf Fehler im Modell selbst hinweist. Die fortschrittlichsten Algorithmen werden aus gutem Grund „Black-Box-Modelle“ genannt – selbst die Wissenschaftler, die sie entwickelt haben, verstehen manchmal die Schlussfolgerungen nicht, zu denen sie gelangen. Ich erkannte, dass es ausschließlich auf die Eingaben ankommt. Müll rein, Müll raus.

Um Abweichungen mithilfe maschinellen Lernens zu erklären, müssen wir untersuchen, ob die Datenpunkte, die wir dem Modell zuführen, korrekt und ausreichend sind. Am besten gelingt dies, indem man Experimente mit einem Ansatz namens „Rückvergleich“ kombiniert. Bei KI-Modellen kann man so tun, als sei das vergangene Jahr noch nicht geschehen, und das Modell bitten, eine Prognose zu erstellen. Wenn beispielsweise Mai 2026 ist, kann ich das KI-Modell bitten, eine Prognose für 2025 zu erstellen, indem ich ihm historische Daten von 2020 bis 2024 zuführe. Anschließend kann man sofort die Nähe zu den tatsächlichen Ergebnissen vergleichen, die Datenpunkte anpassen und den Vorgang erneut testen.

Letztendlich stellten wir fest, dass sich die Prognosegenauigkeit deutlich verbesserte, als wir dem Modell zusätzliche Daten aus unseren Bestandssystemen zuführten – Datenpunkte, die wir zuvor nie berücksichtigt hatten, weil unsere traditionellen, auf Tabellenkalkulationen basierenden Modelle dadurch noch komplexer geworden wären.

Beim maschinellen Lernen erklärt man Abweichungen nicht, indem man auf Fehler im Modell selbst hinweist. Die fortschrittlichsten Algorithmen werden aus gutem Grund „Black-Box-Modelle“ genannt – selbst die Wissenschaftler, die sie entwickelt haben, verstehen manchmal die Schlussfolgerungen nicht, zu denen sie gelangen.

Christian WattigGründer von Inside FP&A
Share This Quote on:

Warum CFOs Prozesse vor der Implementierung von KI standardisieren müssen

KI behebt fehlerhafte Finanzprozesse nicht. Sie skaliert sie.

Ich habe genug Finanzteams dabei beobachtet, wie sie neue Technologien einführen, um zu wissen, wie das abläuft. Die eingesetzten Werkzeuge verstärken alles, was bereits vorhanden ist – im Guten wie im Schlechten.

Wenn Ihre Kommentierung von Abweichungen heute ein Durcheinander ist – zum Beispiel, weil jeder Analyst sie anders verfasst, es keine vereinbarten Schwellenwerte und keine einheitliche Struktur gibt –, wird KI dieses Durcheinander über alle Kostenstellen hinweg erzeugen: flüssig formuliert und schnell. Wenn Ihr Modell keine Dokumentation oder Benennungsstandards hat, wird KI Ihnen helfen, es mit größerem Selbstvertrauen weiter zu beschädigen. Wenn Ihre Prognose von einem Monat zum nächsten ohne klare Erläuterung der Ursachen um 20 % schwankt, wird KI die Schwankungen beibehalten – nur mit besserer Formatierung.

Die Finanzteams, die meiner Erfahrung nach tatsächlich einen Mehrwert aus diesen Dingen ziehen, sind nicht diejenigen mit der aufwendigsten Ausstattung. Es sind diejenigen, die bereits wussten, wie gute Ergebnisse aussehen. Sie hatten Vorlagen. Sie hatten eine funktionierende Definition von „nützlich“. Sie hatten die wenig glamouröse Arbeit der Standardisierung erledigt, bevor sie KI überhaupt um etwas baten.

Warum Finanzteams die Prompting-Methode von Greg Brockman nutzen müssen

Warum Finanzteams die Prompting-Methode von Greg Brockman nutzen müssen

Viele Finanzteams haben Schwierigkeiten, gute Ergebnisse von ihren KI-Werkzeugen zu erhalten, weil ihre Prompts zu kurz oder nicht spezifisch genug sind. Sie behandeln KI wie eine Google-Suche.

Für Prompts an Modelle mit logischem Schlussfolgern empfehle ich immer die Methode von Greg Brockman:

  1. Ziel
  2. Ausgabeformat
  3. Warnungen
  4. Kontext

Mit diesem Ansatz erzielen Teams ausnahmslos bessere Ergebnisse.

Wie CFOs die Personalgewinnung für das KI-Zeitalter neu gestalten sollten

Christian Wattig

Christian berichtet

Achten Sie auf übermäßiges Selbstvertrauen, ein Denken, bei dem die Werkzeuge im Vordergrund stehen, schwache Kommunikation und das Fehlen von Abwägungen. Diese drei Übungen helfen Ihnen, die oben genannten Eigenschaften zu bewerten.

CFOs müssen ihre Verfahren zur Vorauswahl von Bewerbern neu gestalten. Das KI-Zeitalter erfordert andere Kompetenzen.

Traditionell konzentrieren sich Führungskräfte auf die Geschwindigkeit bei der Arbeit mit Tabellenkalkulationen, Excel-Kenntnisse und die Qualität von Berichten. KI automatisiert jedoch all diese Aufgaben. Achten Sie stattdessen auf Folgendes:

  • Urteilsvermögen unter Unsicherheit
  • Geschäftliche Kommunikation
  • Systemisches Denken
  • Lerngeschwindigkeit
  • Datenkompetenz

Wenn Sie Bewerber für eine beliebige Position interviewen, versuchen Sie Folgendes:

  • Geben Sie Kandidaten eine kurze, plausible, von KI generierte Erklärung für eine Abweichung oder Zusammenfassung der Leistung. Fragen Sie sie, was fragwürdig ist und was überprüft werden muss. Bitten Sie sie anschließend, dies in einige Stichpunkte für eine Führungskraft umzuschreiben.
  • Bitten Sie den Kandidaten, die ersten fünf Fragen zu nennen, die er stellen würde, wenn er erklären müsste, warum die Umsatzprognose falsch lag – und warum.
  • Sagen Sie dem Kandidaten, dass Sie im nächsten Quartal mit Margendruck und Nachfrageunsicherheit rechnen. Bitten Sie ihn, drei Szenarien zu definieren, die wichtigsten Einflussfaktoren zu nennen und zu empfehlen, was jetzt zu tun ist.

Achten Sie auf übermäßiges Selbstvertrauen, ein Denken, bei dem zuerst die Tools im Vordergrund stehen, schwache Kommunikation und fehlende Abwägungen. Diese drei Übungen helfen Ihnen dabei, die oben genannten Eigenschaften zu beurteilen.

Warum strategische Fähigkeiten und tiefgehende Analysen jetzt entscheidend sind

Warum strategische Fähigkeiten und tiefgehende Analysen jetzt entscheidend sind

Finanzteams müssen wissen, worauf sie ihre Ressourcen ausrichten.

Sobald sie mit KI all diese Zeit freisetzen, werden Führungskräfte von ihnen erwarten, auf andere Weise Mehrwert zu schaffen – indem sie zu strategischen Partnern werden und tiefgehende Analysen liefern. Von ihnen wird erwartet, dass sie die Zusammenhänge zwischen operativen Kennzahlen und Finanzergebnissen herstellen, um konkrete Empfehlungen dazu abzugeben, wie das Unternehmen Chancen nutzen oder Risiken mindern sollte.

Mit anderen Worten: Sie müssen ihre strategischen Finanzkompetenzen auf höherer Ebene weiterentwickeln – in Bereichen, die KI nicht abdecken kann. Nur so können sie sich in einer von KI geprägten Zukunft einen Platz am Tisch sichern.

Weiterführende Informationen

Folgen Sie Christian Wattigs Arbeit auf LinkedIn. Lernen Sie außerdem auf seinem YouTube-Kanal von ihm oder sehen Sie sich seine Onlinekursplattform Inside FP&A an.

Auf The CFO Club werden weitere Interviews mit Experten folgen!

You may also like