Im ersten Artikel der Reihe wurden die wesentlichen Eckpunkte und Funktionsweisen von Financial Analytics erläutert. Das folgende Praxisbeispiel verdeutlicht die bemerkenswerte Wirkung von Financial Analytics in der Anwendung.
Praxisbeispiel: Maschinelles Lernen im internationalen Einzelhandel
Ein internationales Einzelhandelsunternehmen mit einem Umsatz von über 12 Mrd. Euro hatte das Ziel, tiefere Einblicke in seine Daten zu gewinnen, insbesondere auf Kundenebene. Obwohl große Datenmengen verfügbar waren, stand der Kunde vor zahlreichen Herausforderungen.
So erforderte die Erstellung der Gewinn- und Verlustrechnung (GuV) den Umgang mit unterschiedlichen Tabellenkalkulationen, wobei jedes Team seine eigenen Formeln und Datensätze verwendete. Das Fehlen einer einheitlichen Datenbasis behinderte den Fortschritt. Darüber hinaus kamen lediglich grundlegende Analysefähigkeiten zur Anwendung, was dazu führte, dass das volle Potenzial der verfügbaren Daten nicht ausgeschöpft werden konnte.
Der Mangel an strukturierten Daten erschwerte die Prognose über verschiedene Organisationseinheiten hinweg. Die Prognosen selbst wurden überwiegend in umständlichen Tabellenkalkulationen erstellt, die viel manuelle Arbeit erforderten. Der Prozess erwies sich als zeitaufwendig und fehleranfällig, zumal die einzelnen Teams mit unterschiedlichen Basiszahlen arbeiteten.
In Zusammenarbeit mit dem Kunden entwickelte EY einen umfassenden Plan, um diese Herausforderungen zu bewältigen. Dieser umfasste die folgenden Elemente:
- Untersuchung der organisatorischen Bereitschaft: Datenverfügbarkeit, Prozesse, Technologie und Fähigkeiten wurden bewertet.
- Identifizierung von Treibern: In Zusammenarbeit mit den Geschäftsbereichen des Kunden und EY-Finanzfachleuten moderierte EY Workshops zur Erstellung von Treiberbäumen.
- Konsolidierung von Daten: Die Grundlage jeder Analyselösung sind Daten, weshalb der Datenaufbereitung höchste Priorität zukommt. EY konsolidierte die Unternehmensdaten, die anfangs über verschiedene Excel-Formulare verteilt waren, und erstellte Schnittstellen, die eine strukturierte Datenerfassung ermöglichten.
- Automatisches Testen von Prognosemodellen: EY nutzte die Möglichkeiten des maschinellen Lernens, testete mehrere fertige Prognosemodelle und überließ es dem System, die Modelle mit der höchsten Genauigkeit auszuwählen.
- Bewertung der Vorhersagegenauigkeit: EY bewertete die Genauigkeit der Modelle sorgfältig und identifizierte sowohl Posten, die eine hohe Genauigkeit aufwiesen, als auch solche, die zusätzliche Aufmerksamkeit erforderten. Für Letztere wurde die Einbindung alternativer Methoden zur Erhöhung der Genauigkeit untersucht.
- Kommunikation und Veränderungsmanagement: Im Rahmen von Workshops erzielte EY eine effektive Kommunikation und ein entsprechendes Change-Management. Die detaillierten Erläuterungen sorgten für einen Angleich der Erwartungen und ein allgemeines Verständnis des Kunden für die Modelle beziehungsweise das Tool.
- Erläuterung der Kundenvorteile: EY zeigte die Vorteile für den Kunden sowie die transformativen Ergebnisse auf, die durch die gemeinsamen Bemühungen erzielt wurden.
Als Transformationspartner verfolgt EY einen ganzheitlichen Ansatz, bei dem das Fachwissen von Daten-, Finanz- und Personalfachleuten gleichermaßen zum Einsatz kommt. Dies ist in der Transformationsstrategie von EY verankert. Ziel ist es, Innovationen in großem Umfang voranzutreiben, indem einerseits die Geschwindigkeit der Technologie genutzt und andererseits der Mensch in den Mittelpunkt gestellt wird. EY ist sich dessen bewusst, dass eine erfolgreiche Transformation die aktive Beteiligung der gesamten Finanzorganisation voraussetzt.