Inventive FRC – Finance: Einsatz von Chatbots im Management-Reporting – ein Praxisbeispiel

Capgemini Invent adressiert die CxO Daten-Strategie und unterstützt seine Kunden bei der datengetriebenen Wertschöpfung.

Mit Inventive Finance, Risk & Compliance (Inventive FRC) meistern wir die Herausforderungen der Finanz-, Risiko- und Compliance-Funktion im Finanz-Sektor. Dieser Blog-Artikel fokussiert auf Finance.

Wie Chatbots das Management-Reporting im Controlling revolutionieren

Ein Echtzeit-Reporting stellt die klassische Controlling-Funktion vor Herausforderungen. Die bisherigen Prozesse benötigen Zeit, um Daten zu verarbeiten, zusammenzuführen und auszuwerten. In unserem vorangegangenen Artikel haben wir die Potenziale, die ein Chatbot für das Controlling bietet, herausgearbeitet.

Chatbots ermöglichen es, dass bereits bestehende Reportingdaten sowie relevante externe Daten in Echtzeit für jeden einfach verfügbar sind. Mittels natürlicher Sprache wird eine Konversation mit dem Chatbot initiiert. Dank Natural Language Process (NLP) und einer Kontextsensitivität können insbesondere Managementanfragen gezielter und zeiteffizienter bearbeitet werden.

Gemeinsam mit e-bot7 haben wir einen Prototyp entwickelt, der auf diese Bedürfnisse des Controllings eingeht. e-bot7 ist ein Münchner Start-up mit internationaler Ausrichtung, das praktische Anwendungen des Deep Learnings und Künstlicher Intelligenz entwickelt und Unternehmen dabei unterstützt, die Effizienz in Ihrer Kundenkommunikation zu steigern. Die Conversational AI Plattform von e-bot7 ermöglicht die Automatisierung von Antworten und Prozessen auf verschiedenen Kanälen.

Der aktuelle Leistungsumfang und die grundlegende Funktionsweise unseres Controlling-Chatbots CORA (Controlling and Reporting Assistant) werden im weiteren Verlauf des Blogs vorgestellt und erläutert.

Wie ein Chatbot in der Praxis unterstützen kann

Stellen Sie sich vor, Sie sitzen in einem wichtigen Meeting und benötigen ad-hoc Informationen zu der Umsatzverteilung über die verschiedenen Länder und Segmente hinweg. Diese Daten haben Sie im Voraus an das Meeting leider nicht bei der Controlling-Abteilung angefragt. Doch alternativ kann Ihnen CORA schnell und einfach helfen, diese Informationen zu erhalten.

Hierzu genügt es den Chatbot auf dem Laptop oder Smartphone aufzurufen und die Anfrage in schriftlicher Form zu formulieren. Sobald der Chat geöffnet wird, startet CORA eine Konversation und fragt nach, ob der Anwender auf Key Performance Indikatoren (KPIs) zugreifen möchte oder inhaltliche Fragen zu den Daten hat.

Bei Bedarf können noch weiterführende Informationen angefragt werden. Unter anderem kann es sinnvoll sein, die aktuellen Kennzahlen mit den Vorperioden zu vergleichen und diese in Relation zueinander zu setzen. Der Chatbot kann neben den internen Reportingdaten aber auch auf externe Daten zugreifen und diese verarbeiten. Das bedeutet, CORA hat beispielsweise auf aktuelle Währungskurse Zugriff und kann somit bei Bedarf entsprechende Betriebsergebnisse auch in der jeweiligen lokalen Währung anzeigen.

Darüber hinaus unterstützt der Chatbot bei inhaltlichen und qualitativen Fragestellungen. Neben der Definition von Kennzahlen, gibt CORA auch Auskunft, welche Daten grundsätzlich abrufbar sind. Metadaten, wie zum Beispiel der letzte Aktualisierungszeitpunkt der Daten, werden ebenfalls angezeigt.

Die Fragen hierzu könnten wie folgt gestellt werden:

• Wie definiert sich das Betriebsergebnis?
• Für welche Regionen sind Daten verfügbar?
• Wie aktuell sind die Daten?

Obwohl der Umgang und die Kommunikation mit dem Chatbot grundsätzlich intuitiv sind, empfiehlt es sich im Rahmen der Einführung kurze Trainings anzubieten, um zu lernen, die Anfragen zielgerichtet zu formulieren.

Voraussetzungen für eine erfolgreiche Implementierung des Chatbots

Um CORA einzuführen, benötigt es vor der technischen Umsetzung ein fachliches Konzept. In einem ersten Schritt gilt es den Einsatzrahmen des Chatbots abzustecken. Dabei sollte zum einen geklärt werden, welche Zielgruppe den Chatbot nutzen und welcher Zweck damit erfüllt werden soll. Somit wird direkt festgelegt, ob neben internen Daten auch externe Quellen angebunden werden müssen.

Darüber hinaus gilt es zu definieren, wie die Kommunikation mit dem Chatbot ablaufen soll. Soll der Chatbot ein Tool zum reinen Abruf von Reportingdaten sein oder sollen diese Daten zusätzlich kontextualisiert werden? Dies ist beispielsweise der Fall, wenn Kennzahlen ins Verhältnis zu Vorjahresergebnissen gesetzt werden oder ein Benchmarking im Vergleich zu Mitbewerbern stattfinden soll. Zudem sollte festgelegt werden, ob eine „menschliche“ Konversation mit dem Chatbot möglich sein soll oder ob der Chatbot als Mittel genutzt wird, um zielgerichtet an Daten zu gelangen.

Folgende konzeptionellen Fragestellungen sind demnach hilfreich:

• Wer soll den Chatbot nutzen?
• Welche internen und externen Informationen sollen über den Chatbot zugänglich sein?
• Auf welchen Zeitraum beziehen sich die Daten, auf die der Chatbot zugreifen kann?
• Soll der Chatbot kontextsensitiv reagieren können?

Je nach Daten- und Auswertungsumfang sowie Komplexität der fachlichen Anforderungen, können sich sowohl der Implementierungszeitraum verlängern als auch der Projektplan ändern.

Anbindung von Chatbots an die bestehende IT-Landschaft

In einem nächsten Schritt müssen die technischen Rahmenbedingungen geklärt werden. Eine zentrale Fragestellung bei der Implementierung eines Chatbots ist, wie der Chatbot an die bestehende IT-Landschaft angebunden werden soll. Zu klären ist unter anderem:

• Existiert ein zentrales Data Warehouse (DWH), in welchem die meisten Quelldaten gebündelt werden?
• Welchen Umfang an Fragen und KPIs soll der Chatbot abdecken können?
• Kann der Chatbot auf bestehende Business-Logiken (z.B. im DWH) zurückgreifen oder muss ein Teil der Business-Logik im Chatbot selbst implementiert werden?

Idealerweise greift der Chatbot auf den bestehenden Reportinglayer zu. Dies bringt mehrere Vorteile mit sich. Zum einen wird die interne IT-Infrastruktur geringfügig bis gar nicht belastet, da auf bereits transformierte Daten im DWH bzw. Reportinglayer zurückgegriffen werden kann. Darüber hinaus ermöglicht die Minimierung von Business-Logiken im Chatbot eine Antwort nahezu in Echtzeit. Das bedeutet, Anfragen werden innerhalb weniger Sekunden bearbeitet.

Im Vergleich dazu erhöht sich die Antwortzeit des Chatbots, wenn der Chatbot auf mehrere Datenquellen zugreifen und die benötigten Daten anhand von Business-Logiken selbst transformieren muss. Darüber hinaus sind Anfragen, welche ein hohes Konfidenzniveau voraussetzen mit längeren Antwortzeiten verbunden. In der Regel erfolgt eine Antwort des Chatbots innerhalb von Sekunden.  Für den Fall, dass externe Daten herangezogen werden müssen, hängt die Antwortzeit von der Reaktionszeit der jeweiligen Anbieterschnittstellen ab.

Vielen Dank an die Co-Autoren Arlo M. Krämer und Jessica Kolla.