Die Buchhaltung trägt nicht zur Produktivität eines Unternehmens bei, aber schon kleine und mittlere Unternehmen wenden erhebliche Zeit auf, um eingegangene Zahlungen mit den eigenen Forderungen abzugleichen. Bei großen Unternehmen mit verschiedenen Abteilungen und mehreren Konten in verschiedenen Ländern wird der Forderungsabgleich erst recht komplex, zeitraubend und fehleranfällig.

Zugleich ist es offenkundig keine Geheimwissenschaft, einen Zahlungseingang mit einer Rechnungsnummer im Verwendungszweck und die zugehörige Ausgangsrechnung mit der gleichen Rechnungsnummer aufeinander zu mappen - vorausgesetzt, man hat beides im Blick. Dies gilt selbst bei kleineren Fehlern und Unstimmigkeiten oder wenn Zahlungen einzelnen Positionen innerhalb einer Rechnung zugeordnet werden müssen. Deshalb stößt es bei Verbrauchern oft auf Unverständnis, wenn ein Zahlungseingang nicht erkannt wird und eine Lieferung deshalb ausbleibt.

Machine Learning folgt auf Datenverarbeitung

Die Herausforderung liegt also in der Skalierung: Wie kann man Tausende von Zahlungseingängen effizient bearbeiten? Dies sieht nach einer Aufgabe aus, die Informationstechnologie lösen können müsste. Tatsächlich können laut Zahlen von McKinsey bis zu 70 Prozent der Aufgaben im Finanzwesen mit modernsten Technologie automatisiert werden. Seit Jahren schon gibt es dafür Ansätze. Doch in der Vergangenheit fußten diese auf einer regelbasierten Datenverarbeitung. Und damit blieb ihr Nutzen beschränkt: Sie erforderten einen hohen Konfigurations-, Pflege- und Nachbereitungsaufwand.

Neue Ansätze nutzen für den Forderungsabgleich Machine Learning. Sie können dadurch ungleich mehr Daten und Parameter in ihre Entscheidungsfindung einbeziehen und haben in der Folge eine höhere "Intelligenz" und bedeuten eine viel größere Entlastung von monotonen Tätigkeiten in der Buchhaltung.

Machine Learning entwickelt eigenständig Regeln. Die Algorithmen lernen aus den bisherigen manuellen Tätigkeiten der Buchhalter und sie werden mit jedem erledigten Job klüger. Wenn das System etwa einen Zahlungseingang keiner Forderung eindeutig zuordnen kann, macht sie mehrere Vorschläge, um welche Forderungen es sich handeln könnte. Aus der Angabe des Buchhalters, welches die richtige Forderung ist, zieht die Anwendung neue Schlüsse für zukünftige Problemfälle. Auch mittels jeder finalen Bestätigung der Debitorenbuchhaltung, ob die Zuordnung korrekt oder falsch ist, verfeinert sich die Entscheidungsfindung des Systems. Das Unternehmen profitiert von immer schnellerer Verarbeitung der Zahlungseingänge.

Die Bedeutung von Machine Learning im Forderungsabgleich lässt sich nicht auf den Umgang mit unfassbar großen Datenmengen (Big Data) und den intelligenten Umgang mit Rechnungs- und Kontodaten reduzieren. Das Spannende ist, dass die Algorithmen allen der ihnen präsentierten Daten so unvoreingenommen gegenüberstehen, dass sie sogar mit unstrukturierten Daten arbeiten können.
Sie extrahieren also auch aus Zahlungsavisen Informationen. Weiter können sie Informationen in unterschiedlichsten Sprachen und nach unterschiedlichen regionalen Konventionen verarbeiten. Und sie klassifizieren Zahlungseingänge in der gleichen Weise, wie dies Buchhalter in der Vergangenheit getan haben. Es braucht keine Schulung oder Programmierung, sondern einfach nur den Einblick in die historischen Daten des Unternehmens.

Je mehr Datenquellen, umso bessere Ergebnisse

Wenn es so simpel ist, warum macht dann nicht jeder einen solchen Forderungsabgleich auf der Basis von Machine Learning?

Ganz einfach: Der Algorithmus braucht Einsicht in unterschiedliche Quelldaten. Und diesen ermöglichen nur hochmoderne Daten-Umgebungen. Jede Machine-Learning-Lösung, die mehr als nur eine kleine punktuelle Herausforderung adressiert, erfordert eine horizontale Integration der Business Software. Nötig ist eine zentrale, integrierte Umgebung auf der Basis von In-Memory-Technologie, die verschiedenste Business-Prozesse enthält, zum Beispiel Prozesse aus dem SCM, Manufacturing, Finance, aber auch aus dem R&D.

Ein Zusatznutzen einer solchen Datenplattform der neuesten Generation ist, dass das Management immer Zugriff auf Echtzeitdaten hat - zum Beispiel auf Außenstände - und mit Predictive Analytics einen qualifizierten Blick in die Zukunft wagen kann. Fachabteilungen erhalten die Möglichkeit zur Durchrechnung von Simulationen und Modellierungen, im Rechnungswesen etwa bei der Veränderung von Zahlungszielen oder Zahlungsbedingungen. Obendrein lässt sich Machine Learning für die proaktive Entdeckung von betrügerischen Rechnungen einsetzen.

Der Rechnungseingang ist ein besonders offensichtlicher Fall, bei dem Machine Learning heute schon in vielen Unternehmen mit einer hohen Effizienz und geringen Fehlerrate für Kosteneinsparungen sorgen kann. Dabei ist es der einfachere Teil der Aufgabe, bestimmte Daten - zum Beispiel Rechnungen und Zahlungseingänge - aufeinander zu mappen. Die wirkliche Herausforderung besteht darin, dass diese Daten nicht nebeneinander liegen, sondern möglicherweise auf verschiedenen Kontinenten.

Was lässt sich daraus ableiten? Damit ein solcher Prozess funktioniert, muss das System verschiedene Datenquellen nutzen. Im Zuge der Digitalisierung von Unternehmen und der Nutzung von Machine Learning geht es im Kern um die horizontale Integration. Der Forderungsabgleich ist im Kern einfach und hat in den meisten Fällen die Buchhalter nicht inhaltlich überfordert, sondern eher von höherwertiger Arbeit abgehalten.

In der heutigen Zeit wollen innovative Unternehmen weitaus anspruchsvollere Aufgaben automatisieren, beschleunigen und optimieren. Je komplexer jedoch die Abläufe sind, desto wichtiger wird die zentrale Basis, die dafür sorgt, dass die Algorithmen Business-Prozess übergreifend funktionieren. Der wichtigste Schritt ist es, anzufangen, prozessual zu denken: Was hindert uns, Machine Learning mit allen notwendigen Informationen zu füttern, damit sich Prozesse vereinfachen?

An dieser Herausforderung sollten innovative Unternehmen ansetzen. Der Forderungseingang ist ein guter Startpunkt.