Die meisten Geschäftsinhaber und CEOs haben ihre Aufmerksamkeit auf Gewinnsteigerungen, Ertragskennzahlen und Kostensenkungen verlagert, die dazu dienen, auf elegante Weise zu zeigen, wie gut ein Unternehmen arbeitet. Laut Reider & Heyler, 2003 könnten diese Unternehmen jedoch ihr wichtigstes tägliches Anliegen vergessen - die Überwachung der Cash-Position des Unternehmens. Bargeld ist das wichtigste liquide Vermögen eines Unternehmens, das sicherstellt, dass die Lohn- und Gehaltsabrechnung erfüllt wird, neue Kunden akquiriert, neue Produkte entwickelt, Lieferantenrechnungen und Steuern bezahlt werden und - was am wichtigsten ist - dass Wachstum und Expansion eines Unternehmens möglich sind. Die Menge an Bargeld, die ein Unternehmen zu einem bestimmten Zeitpunkt auf seinen Konten hat, stellt die Zahlungsfähigkeit des Unternehmens dar. Die Überwachung der Cash-Situation eines Unternehmens ist eine weitere Möglichkeit, seine Finanzkraft und Liquidität zu messen. Wie von Reider & Heyler, 2003 erwähnt, ist es der Mangel an Bargeld, der Unternehmen zum Scheitern bringt, und nicht der Mangel an Gewinn oder Wachstum. Nicht genügend Bargeld zu haben, ist eine Sorge vieler CEOs, die befürchten, dass sie aus diesem Grund ihre Geschäfte verlieren könnten. Auf der anderen Seite kann zu viel Bargeld auf den Konten zu Opportunitätskosten führen, die als Cash Drag bezeichnet werden. Durch das Halten von zu viel Bargeld können Unternehmen Geld verlieren, da der Wert des Bargeldes aufgrund der Inflation abnehmen kann, obwohl sie durch die Zuteilung in andere Produkte mit höheren Erträgen mehr hätten verdienen können. Hinzu kommt, dass wir derzeit mit der Situation negativer Zinssätze konfrontiert sind, die dazu führen können, dass die Bank dafür bestraft wird, dass sie zu viel Geld auf den Konten hat.
In einem ersten Blogpost über GRC Plattformen mit dem Titel „GRC und Governance Plattformen – Einführung“ haben wir das Thema aus der Vogelperspektive beleuchtet. Nun möchte ich die Artikelreihe mit dem Thema „Audit Management“ fortführen, welches aus drei aufeinanderfolgenden Artikeln bestehen wird. Die folgenden Themenbereiche werde ich dabei ansprechen:
Interne Kontrollen werden oft als ausschließlich in der Verantwortung von Finanz- und Rechnungsprüfungsfachleuten liegend betrachtet. Wenn interne Kontrollen jedoch in einer Organisation und in den drei Verteidigungslinien harmonisch funktionieren, können sie der Organisation helfen, rechtliche Auswirkungen zu vermeiden und effektiver und effizienter zu arbeiten. Die Schaffung eines strengen internen Kontrollsystems kann zwar eine Herausforderung sein, aber es ist durchaus möglich. Nehmen Sie an unserem 60-minütigen Webinar um 11:00 Uhr (MESZ) teil in dem Trsitan Bonn und Anton Grening (Consultant bei dab: Daten - Analysen & Beratung GmbH) erklären werden: wie Sie den Reifegrad Ihrer internen Kontrollen beurteilen können wie Sie die Kontrollen auf die gesamte Organisation und die drei Verteidigungslinien ausweiten können die Herausforderung des "Änderungsrisikos" und die Rolle des Risikos bei der Gestaltung von Kontrollen wie Sie ein solides internes Kontrollsystem schaffen und eine kontinuierliche Überwachung ermöglichen wie man interne Kontrollmängel und Schritte zu deren Minimierung definiert Registrieren Sie sich jetzt!
Wie die meisten von Ihnen ja wissen, ist die dab:Daten – Analysen & Beratung GmbH eine Ausgründung aus der Technischen Hochschule Deggendorf (THD). Seit jeher haben wir daher auch immer Werkstudenten, die bei uns arbeiten und manchmal auch ihre Abschlussarbeit bei uns schreiben.
4 Drei Anwendungsbeispiele Konkrete Anwendungsfälle sind also gefragt. Aus unserem Portfolio möchte ich hier drei Beispiele aufzeigen, um Ihnen entsprechende Anregungen zu geben. Dies habe ich in drei verschiedene Kategorien aufgeteilt: Einmal ein Beispiel dafür, wie sich bekannte, transaktionsbasierte Analysen verbessern lassen, am Beispiel der klassischen Doppelzahlungsanalyse. Weiter geht es mit neuen Analyseansätzen, und zwar konkret dem Vergleich der Stammdatenqualität, ausgedrückt in einer objektiv ermittelten Kennzahl. Drittes Beispiel ist die Segmentierung von Geschäftspartnern in der Finanzbuchhaltung, allerdings nicht klassisch, sondern basierend auf der Buchungsstruktur, die diese Partner aufweisen.
Die Digitalisierung ist nicht erst seit Corona ein brennendes Thema in den Unternehmen, doch zeigt die plötzliche Umstellung auf dezentrale Orte wie das Homeoffice die Schwachstellen bei der Digitalisierung deutlich auf. Etwaige Versäumnisse oder fehlende Bereitschaft wirken sich nun stark auf den Arbeitsalltag in den einzelnen Unternehmen aus.
Dies ist der zweite Teil einer kurzen Blogpostreihe, in der wir Ihnen zwei Vorgehensweise präsentieren, wie die Analysesoftware „ACL™ Robotics“ - früher „ACL™ Analytics“ - des Softwarehersteller Galvanize die Umsetzung von Machine Learning ermöglicht. Die seit vielen Jahren am Markt etablierte Softwarelösung „ACL™ Robotics“ unterstützt die manuelle und automatisierte Analyse großer Datenmengen. Neben vielen Schnittstellen u.a. zu SAP (via "SAP Connector"), Salesforce, Google Hive, Amazon Redshift, Outlook, PDF-Importen oder beliebigen ODBC-Datenquellen, hilft eine automatisierte Skriptsprache, die Abfolge von Analyseschritten zu automatisieren. Der Hersteller Galvanize ordnet dies dem Bereich RPA (Robotic Process Automation) zu. Einzelne Analyseschritte werden durch Methoden bzw. Kommandos wie Sortierungen, Summenstrukturen, Joins, Relationen oder Verdichtungen wie Kreuztabellen und Summenstrukturen abgebildet. Im Zusammenhang mit diesem Blogpost gehören dazu seit geraumer Zeit auch drei Kommandos im Kontext von Machine Learning: „Train“, „Predict“ und „Cluster“. Wir bringen Ihnen im Folgenden die Verwendung dieser drei Kommandos anhand von konkreten betriebswirtschaftlichen Beispielen näher. Für ACL-Anwender bieten wir zudem die Möglichkeit, ACL-Projekte für die Beispiele herunterzuladen, um jede Methode selbst in der Praxis nachzuvollziehen.
Die Analyse von Prozessen in Unternehmen mithilfe von Process Mining im speziellen für die Prozesse Purchase-to-Pay und Order-to-Cash sind weiterhin stark gefragt. Unsere Position und Lösungen zu diesem Thema haben wir bereits in verschiedenen Blogposts vorgestellt.
Ich hoffe Ihnen hat unser erster Beitrag in unserer Reihe über Machine Learning gefallen. Sollten Sie ihn verpasst haben - kein Problem. Hier können Sie ihn nachlesen. Im zweiten Teil dieser Blogreihe fokussieren wir uns auf folgende Themen:
In diesem Blogpost zeigen wir Ihnen zwei Beispiele von Vorgehensweisen, wie die Analysesoftware „ACL™ Robotics“ - früher „ACL™ Analytics“ - des Softwarehersteller Galvanize die Umsetzung von Machine Learning ermöglicht. Für Profis: Es werden sowohl Supervised- als auch Unsupervised-Learning Ansätze unterstützt. „ACL™ Robotics“ ist eine Softwarelösung, die schon seit vielen Jahren die manuelle und automatisierte Analyse großer Datenmengen unterstützt. Neben vielen Schnittstellen u.a. zu SAP (via "SAP Connector"), Salesforce, Google Hive, Amazon Redshift, Outlook, PDF-Importen oder beliebigen ODBC-Datenquellen, hilft eine automatisierte Skriptsprache, die Abfolge von Analyseschritten zu automatisieren. Der Hersteller Galvanize ordnet dies dem Bereich RPA (Robotic Process Automation) zu. Einzelne Analyseschritte werden durch Methoden bzw. Kommandos wie Sortierungen, Summenstrukturen, Joins, Relationen oder Verdichtungen wie Kreuztabellen und Summenstrukturen abgebildet, um nur einige Beispiele zu nennen. Zu diesen Kommandos gehören seit geraumer Zeit auch drei, mit deren Hilfe sich Machine Learning Ansätze automatisieren lassen: „Train“, „Predict“ und „Cluster“. Wir bringen Ihnen in diesem Blogpost die Verwendung dieser drei Kommandos näher, anhand von konkreten betriebswirtschaftlichen Beispielen wie etwa der Vorhersage von Retourenwerten und dem Clustering von Kunden im Zusammenspiel mit Zahlungszielen. Für bestehende ACL-Anwender bieten wir zudem die Möglichkeit, ACL-Projekte für die Beispiele herunterzuladen und so jede Methode selbst Schritt für Schritt ausprobieren zu können.
Process Mining ist eines der trending Topics in vielen Unternehmen, da man sich durch die Visualisierung des Prozesses erhofft, Schwachstellen erkennen und beheben zu können. Dass Process Mining jedoch ohne die Aufbereitung von Daten nicht funktioniert, haben dabei die wenigsten im Hinterkopf.
Wir haben Sie an dieser Stelle bereits öfter mit Updates über die Highbond Plattform von Galvanize auf dem Laufenden gehalten. Die Investitionen, die Galvanize im Zusammenhang mit der GRC Plattform tätigt, in Verbindung mit der klaren und eindeutig definierten Strategie zahlen sich nun aus: Forrester Research führt Galvanize als Leader in ihrem Report „The Forrester Wave™: Governance, Risk, and Compliance Platforms, Q1 2020“