Neuester Einsatz von künstlicher Intelligenz im Bereich Transfer Pricing Benchmark-Studien

Für Sie scheint auf den ersten Blick das Thema „Benchmark-Studien“ eintönig und auch wenig produktinnovativ? Dabei bietet die Prozesslandschaft für die Erstellung von Datenbankstudien für steuerliche Verrechnungspreise viele Möglichkeiten für eine Digitalisierung und Automatisierung mit enormem Kosteneinsparpotenzial. Aus diesem Grund arbeiten DFKI und WTS-Experten der Service-Lines Digital Hub/wtsAI und Transfer Pricing gemeinsam an einer prototypischen Anwendung zur Automatisierung im Bereich Datenbankstudien für Verrechnungspreise.

Ziel ist es, den hohen manuellen Aufwand bei der Identifikation und Selektion von vergleichbaren Unternehmen durch intelligente Technologien zu automatisieren. Dabei soll sich die Lösung nahtlos in die bestehenden Workflows integrieren und die manuelle Arbeitszeit des „Economists“ maßgeblich reduzieren. Im folgenden Beitrag wird der Workflow skizziert und die Prozessintegration des Prototyps gezeigt.

Zweck der Benchmark-Studien ist der Nachweis und die Dokumentation der Angemessenheit von gruppeninternen Verrechnungspreisen für Produktlieferungen, Dienstleistungen und Lizenzen. Die WTS unterstützt ihre Mandanten hierbei durch die Erstellung von Benchmarking-Studien, prüft und dokumentiert die Angemessenheit der Verrechnungspreise u.a. mit Hilfe von GuV-Daten aus veröffentlichten Jahresabschlüssen. Dabei wird nach vergleichbaren Unternehmen gesucht, die die gleichen Funktionen wahrnehmen wie die getestete Einheit. Deren Finanzkennzahlen bilden den Maßstab für den Fremdvergleich (arm’s length principle). Die Vergleichbarkeitskriterien sind neben vielen anderen die Unternehmensfunktion, die angebotenen Produkte und Dienstleistungen und die getragenen Risiken.

Der Prozess erfordert derzeit enorme personelle Ressourcen und umfasst in der Regel folgende drei Schritte:

1. Standardisiertes Screening: Im standardisierten oder auch quantitativen Screening liegen die benötigten Datensätze europäischer und global agierender Unternehmungen bereits in Datenbanken in digitaler Form vor (z.B. AMADEUS oder RoyaltyStat). Diese Datensätze enthalten u.a. finanzielle Kennzahlen, Unabhängigkeitskriterien und Handelsbeschreibungen. Nach Eingabe von vergleichszielabhängigen Suchparametern der jeweiligen Auftraggeber, können die Datensätze ähnlicher Unternehmen automatisiert abgerufen werden. Diese identifizierten Unternehmen werden im folgenden Schritt anhand qualitativer Merkmale untersucht.

2. Qualitatives Screening: Mit dem qualitativen Screening sollen Funktions- und Unternehmensmerkmale der im standardisierten Screening gefundenen Unternehmen auf Vergleichbarkeit zur getesteten Einheit des Auftraggebers untersucht werden. Dabei wird geprüft, wo der Tätigkeitsschwerpunkt der Unternehmen liegt und welche Unternehmensfunktionen sie vereinen. Dazu ist die Unternehmenswebsite der Einstiegspunkt. Derzeit geschieht dies noch durch ein manuelles Screening der Internetpräsenz einer Peer Group. So müssen von den ausgewählten Unternehmen Tätigkeitsbeschreibungen eingeholt werden, was arbeitsintensiv durch eine manuelle Identifizierung sowie dem Abruf der jeweiligen Website und die Klassifikation hinsichtlich der Vergleichbarkeitskriterien erfolgt. Dieser manuelle Schritt soll mit der ersten Version des KI-basierten Prototyen automatisiert werden. Zur Automatisierung müssen mehrere Technologien kombiniert werden. Hier entwickeln wir zum einen eine Web-Mining-Technology, die alle Informationen der Unternehmenswebseiten, inkl. Unterseiten extrahiert. Zum anderen eine Natural Language Understanding (NLU) Technology, die eine textuelle Zusammenfassung der Inhalte klassifiziert. Die Interpretation erfolgt dabei durch maschinell trainierte Modelle, die durch eine Kombination von modernsten Technologien mit dem fachlichen Know-How von WTS sowie der Expertise aus vergangenen Studien entwickelt wurden. Die Grundlage bildet dabei ein Verfahren, das die Inhalte von Texten anhand semantischer Merkmale klassifiziert und zu Gruppen von Unternehmen mit gleicher Funktion ordnet. Neu zu bewertende Unternehmen nutzen diese Klassifikationseigenschaften und können so der passendsten Gruppe zugeordnet werden. Eine definierte Logik interpretiert das Ergebnis und macht Vorschläge zur Bewertung des Sachverhalts. Mit diesem neuartigen Verfahren soll die manuelle Arbeitszeit bei der Erstellung von Benchmark-Studien maßgeblich reduziert werden und trotz geringeren manuellen Aufwands weiterhin hochqualitative Benchmark-Studien erstellt werden.

3. Generierung des Reports: Nach Selektion und Erfassung der angemessenen Datensätze sind die Informationen, der Prozessablauf und die Ergebnisse entsprechend zu dokumentieren. Hierzu gibt es standardisierte Vorlagen, die automatisiert erstellt werden können.

DFKI und wtsAI arbeiten zusammen an diesem und weiteren Projekten zur Umsetzung der Vision einer Steuerfunktion der Zukunft – der Erforschung innovativer Technologien der Künstlichen Intelligenz und Begleitung des Innovationstransfers zur Gestaltung des Steuerarbeitsplatzes der Zukunft. Wir verfolgen insbesondere das Ziel, den Transfer innovativer Technologien und Lösungsansätze aus dem Bereich der Künstlichen Intelligenz für Steueranwendungen in die Praxis zu unterstützen.

Autor:

Alexander Beuther, M.Sc.
Alexander.Beuther@dfki.de
Deutsches Forschungszentrum für Künstliche Intelligenz