Das Controlling ist ein Hüter der Zahlen: Um dieses Gatekeeping abzubauen und Finanzkennzahlen im Unternehmen einfacher und schneller verfügbar zu machen, setzen die Controller der Deutschen Telekom ihre Hoffnung auf Künstliche Intelligenz (KI). In diesem Jahr haben sie auf Konzernebene dazu zwei Tools ausgerollt: Ein Chatbot soll das Abfragen von Finanzdaten vereinfachen. Ein zweites KI-Tool soll Abweichungen bei Kennzahlen erklären und damit das Reporting effizienter und konsistenter machen.
„Wir haben in den vergangenen Jahren schon viel investiert, um unser Reporting zu digitalisieren – sowohl im Frontend als auch im Backend. Wir haben unsere Datenstrukturen vereinheitlicht und ein semantisches Datenmodell aufgebaut, auf dem unser digitales Reporting nun basiert“, beschreibt der Head of Financial Controlling Sales & Service Dennis Koenigs die Ausgangslage. Er hat bis Mai das Team geleitet, das sich mit der digitalen Transformation im Controlling beschäftigt – und war auch bei den beiden KI-Tools federführend.
Chatbot gibt bei Telekom Auskunft über Finanzdaten
Für ihn hat das digitale Reporting allerdings den Nachteil, wenig intuitiv zu sein: „Ich muss wissen, in welchem Report die Information zu finden ist und welche Filter im Dashboard gesetzt werden müssen.“ Es brauche relativ viel Zeit und Klicks, um an die gewünschte Information zu kommen.
Das war dann auch der Ansatzpunkt für das Projekt „Chat with your data“. Statt sich selbst durch die Analyse-Dashboards zu klicken oder dem Controlling eine Nachricht mit Bitte um Kennzahlen zu schreiben, soll das Management seine Anfragen per Spracheingabe von einem Chatbot erledigen lassen.
„Wir müssen uns weniger mit Datenabfragen beschäftigen und haben mehr Zeit für wertigere, analytische Aufgaben.“
Georgios Stratigakis, Deutsche Telekom
Der Chatbot bringe auch Vorteile für das Controlling, meint Georgios Stratigakis, der als Vice President im Group Financial Controlling das Projekt mit angestoßen hat: „Wir müssen uns weniger mit Datenabfragen beschäftigen und haben mehr Zeit für wertigere, analytische Aufgaben.“ Er hat wie Koenigs mittlerweile innerhalb des Konzerns den Posten gewechselt und ist nun als Director Group Controlling bei der griechischen Tochter OTE aktiv.
KI kommentiert bei der Telekom relevante Kennzahlen
Neben der Entwicklung des Chatbots wurde unter der Regie von Stratigakis und Koenigs auch eine Lösung zur automatischen Kommentierung von finanziellen Kennzahlen umgesetzt. Bei dieser ist ebenfalls eine KI im Spiel, die in verständlicher Sprache erklären soll, wieso es bei einer Kennzahl zu Abweichungen kam – beispielsweise: Wieso ist das Ebitda im zweiten Quartal gegenüber dem Vorjahr gesunken?
Die Kollegen im Controlling erhalten so eine erste Analyse, ohne selbst in den Finanzdaten auf die Suche nach den Treibern einer Abweichung gehen zu müssen. Die automatisch generierten Erklärtexte können dann auch als Grundlage für die Berichterstattung oder das Erstellen einer Unternehmenspräsentation genutzt werden. Das soll einerseits den Aufwand reduzieren, aber auch für ein konsistenteres Berichtswesen sorgen.
Gemeinsame Datenbasis, unterschiedliche Module
Sowohl die Datenabfrage mittels Chatbot als auch die automatische Kommentierung von Finanzdaten greifen auf dieselbe Datenbasis zurück – für Stratigakis der grundlegende Faktor, um die Qualität der Daten und damit auch der Ergebnisse zu sichern.
Technologisch basiert der Chatbot auf dem Large Language Model GPT-4o. Durch die eingebaute Text-zu-SQL-Logik wird laut Koenigs mit einer Wahrscheinlichkeit von mehr als 99 Prozent sichergestellt, dass die Daten, die der Chatbot ausgibt, korrekt sind.
Info
SQL – Structured Query Language
SQL steht für Structured Query Language. Es handelt sich dabei um eine Programmiersprache, die genutzt wird, um Daten in relationalen Datenbanken zu strukturieren und zu verwalten. SQL gilt als Standardsprache für die Kommunikation mit Datenbanken. Mit ihr können Benutzer Daten abfragen und bearbeiten.
Allerdings stoßen Large Language Models wegen ihres Funktionsdesigns bei komplexeren mathematischen Operationen schnell an ihre Grenzen. Um bei solchen Berechnungen für mehr Qualität zu sorgen, ist die Idee, dem Sprachmodell künftig ein mathematisches Modell an die Seite zu stellen. Das Sprachmodell würde dann den Prompt eines Nutzers in eine Berechnungsanfrage übersetzen, diese an das mathematische Modell übergeben und deren Ergebnis zurück an den Nutzer überspielen.
Zudem galt es sicherzustellen, dass die Kennzahl auch tatsächlich jene ist, die der Nutzer auch haben wollte. Deshalb soll der Chatbot dem Nutzer bei seiner Antwort nicht nur eine Kennzahl ausgeben, sondern auch immer erklären, welche Daten er dafür genutzt hat – ob es sich beispielsweise um das Ebitda oder das bereinigte Ebitda handelt. Das ist für Koenigs insbesondere dann hilfreich, wenn ein Nutzer seine Anfrage nicht präzise genug formuliert hat. Auf Basis der bereitgestellten Informationen könne dieser dann seine Anfrage nachschärfen, um die Kennzahl zu bekommen, die ihn interessiert.
Telekom-Controller geben dem System Analysewege vor
Bei der Lösung zur automatischen Kommentierung wiederum wird das Large Language Model schon jetzt nur dafür genutzt, die Ergebnisse der Analyse in einen Text zu übersetzen. Für die Analyse selbst wurde ein Algorithmus geschrieben, der je nach Anfrage bestimmte vorgegebene Parameter prüft.
„Der Algorithmus prüft nach statistischen Regeln; er soll etwa 80 Prozent der Abweichung sauber erklären können.“
Dennis Koenigs, Deutsche Telekom
Beim Aufsetzen des Algorithmus sei das Know-how der Telekom-Controller zum Tragen gekommen, berichtet Koenigs. Das Controlling habe vorgegeben, welche möglichen Treiber sich das System bei welcher Kennzahl anschauen soll.
„Der Algorithmus prüft nach statistischen Regeln; er soll etwa 80 Prozent der Abweichung sauber erklären können“, erläutert er weiter. Das sei ein Kompromiss, um die wesentlichen Gründe für eine Abweichung zu erklären, ohne zu umfängliche Analysen zu generieren. Die Nutzer können zudem wählen, in welcher Form die KI die Erkenntnisse aufbereiten soll: als Stichpunkte oder als Fließtext.
Strukturiertes Datenmodell im Reporting lag bereits vor
Ein weiterer Entwicklungsschritt sei es, die automatische Kommentierung in den Chatbot zu integrieren. Derzeit stehen die beiden noch als separate Module nebeneinander. „Dem User soll es egal sein können, auf welches Modul das System letztlich zurückgreift, um eine Anfrage zu beantworten“, formuliert Stratigakis die Vision für die Zukunft.
Der Aufwand, um „Chat with your data“ und die automatische Kommentierung mit dem aktuellen Leistungsstand einsatzfähig zu bekommen, hat sich laut Koenigs und Stratigakis in Grenzen gehalten: Ein gutes halbes Jahr lang hat ein kleines Controlling-Team zusammen mit zwei Kollegen aus dem Shared Service, die die technologischen Komponenten entwickelt haben, an der Umsetzung gearbeitet.
„Wir hatten das Glück, mit unserem zentralen semantischen Datenmodell eine gute Basis zu haben“, meint Koenigs. „Im Grunde mussten wir uns ‚nur‘ noch mit der Frage beschäftigen, wie eine KI am besten mit diesen Daten interagieren kann. Ohne das existierende Datenmodell hätte es sicher deutlich länger gedauert.“
Deutsche Telekom sammelt Praxiserfahrung mit KI
Für die Personen, die im Konzern mit den neuen unterstützenden Reporting-Tools arbeiten sollen, gab es Einführungsveranstaltungen. Hinzu kommen nun Prompting-Trainings, damit die Nutzer zu besseren Anfragen und Ergebnissen kommen. „Die Veranstaltungen dienen aber auch dazu, Ängste zu nehmen und zu zeigen, dass die Tools einen Controller nicht ersetzen, sondern Werkzeuge sind, um besser zu arbeiten und weniger spaßige Aufgaben, wie das Heraussuchen von Zahlen, zu vereinfachen“, meint Koenigs.
Auch wenn die beiden Lösungen erst in den ersten Ausbaustufen vorliegen und sich auch noch in der Praxis beweisen müssen: Für ihre KI-Ideen im Reporting-Bereich waren die Controller der Deutschen Telekom in diesem Jahr für den „Albrecht Deyhle Award for Controlling Excellence“ nominiert.
„Es sind viele Möglichkeiten da“, ist Stratigakis überzeugt. „Wir sind aber noch am Anfang, diese zu entdecken und live im Geschäftsbetrieb auszuprobieren.“ Er schielt jedoch schon darauf, dass die Lösungen, die sich bislang auf die Konzernebene beschränken, angenommen, erweitert sowie sukzessive skaliert und im operativen Bereich ausgerollt werden.
Lena Scherer ist Redakteurin bei FINANCE. Sie hat Publizistik, Anglistik und Komparatistik an der Johannes-Gutenberg-Universität Mainz studiert und nebenbei für verschiedene Redaktionen gearbeitet. Bevor sie zu FINANCE kam, war sie mehr als acht Jahre lang beim Branchen-Fachdienst buchreport aktiv, zuletzt als Co-Chefredakteurin. Dort hat sie unter anderem Marktanalysen vorgenommen sowie die Bereiche Fachinformation, Recht/Wirtschaft/Steuern und Digitales betreut.
