Das Rollenverständnis sowie die Aufgabenbereiche innerhalb der Finanzfunktion unterliegen einem stetigen Wandel. Während CFOs in der Vergangenheit als reine kaufmännische Leiter betrachtet wurden, deren Kernkompetenzen im Wesentlichen in der retrospektiven Betrachtung von Steuer- und Handelsbilanzen lagen, nehmen CFOs und die gesamte Finanzfunktion heute eine zentrale Rolle im Bereich des „prospektiven Business Partnerings“ ein. Da Mitarbeiter der Finanzfunktion an der Quelle aller geschäftsrelevanten Daten sitzen, haben sie nun die Möglichkeit, entscheidend zur Geschäftsentwicklung beizutragen und als Sparringspartner des Managements wichtige Unterstützung in strategischen Entscheidungsprozessen zu leisten.
Der technologische Fortschritt und die Applikabilität von Big Data ermöglichen es Unternehmen heutzutage, eine Vielzahl an Daten zu speichern und zu nutzen. Entscheidend ist nun, dass die Finanzfunktion sich im Überangebot von Daten zurechtfindet, diese validiert und aussagefähig aufbereitet, so dass basierend auf diesen Datengrundlagen sinnhafte Entscheidungsprozesse angestoßen werden können. Der Zukunftsforscher John Naisbitt trifft mit seiner Aussage „wir ertrinken in Informationen und dürsten nach Wissen“ den Nagel auf den Kopf. Viele Digitalisierungsprojekte scheitern, da häufig die benötigten Kompetenzen und das Verständnis für die Daten fehlen. Die Fähigkeit, planvoll mit Daten umzugehen und sie im jeweiligen Kontext bewusst einzusetzen, wird somit zu einer Schlüsselqualifikation der Finanzabteilungen im Zuge der digitalen Transformation. Diese Qualifikation und Fähigkeit im Umgang mit Daten wird in der Literatur aktuell mit dem Begriff „Datenkompetenz“ beschrieben.
Der systematische Aufbau und die zielgerichtete Entwicklung einer Datenkompetenz im Finanzwesen stellt künftig einen entscheidenden komparativen Wettbewerbsvorteil dar. Die Frage, die sich nun stellt, ist, wie diese Datenkompetenz strukturell konzipiert und implementiert werden kann. Als Antwort auf diese Frage wurde ein Kompetenzrahmen entwickelt, welcher in Form eines Prozessmodells schrittweise die Kompetenzstufen innerhalb der Organisation beschreibt:
Der Aufbau einer Datenkompetenz kann nur funktionieren, sofern zunächst eine Kultur geschaffen wird, die die Mitarbeiter für das Thema sensibilisiert. Darauf aufbauend müssen anschließend Datenquellen identifiziert sowie verifiziert und aufbereitet werden. Insbesondere die Anbindung unterschiedlicher Systeme und die Vereinheitlichung von heterogenen Datenquellen ist hier von besonderer Bedeutung. Im nächsten Schritt kann die Auswertung in Form von Analysen beginnen. Die Durchführung der Analysen setzt beim Anwender die Fähigkeit voraus, messbare Beziehungen in Modellen abzubilden. Sobald diese vorbereitenden Tätigkeiten abgeschlossen sind, beginnt die Interpretation und damit die Dekodierung der Datengrundlage. Hierbei geht es darum, relevante von irrelevanten Informationen im Analyseprozess zu trennen und das eigene Kontextwissen mit den Daten zu verknüpfen. Zum Schluss werden, basierend auf den vorangegangenen Teilschritten, Handlungsalternativen und mögliche Wirkungen evaluiert.
Neben dem Rahmenkonzept müssen sich die Anwender aus dem Finanzbereich zudem immer wieder vor Augen führen, dass eine Strukturierung aller Datengrundlagen vorgenommen werden muss. Die Datengrundlage sollte stets den Anforderungen des sog. FAIR-Prinzips genügen. D.h. die Daten müssen:
- auffindbar sein (F – „findability“),
- für den Nutzer zugänglich sein (A – „accessibility“),
- mit anderen Daten verknüpfbar sein (I – „interoperability“) und
- in anderen Zusammenhängen nutzbar sein (R – „reusability“).
Erst wenn die Finanzfunktion eines Unternehmens diese strukturellen Vorarbeiten geleistet hat, kann die Operationalisierung der Daten beginnen. Die Einsatzmöglichkeiten und Anwendungsfelder der Finanzdaten sind im Folgenden fast unerschöpflich.
Der Finanzbereich kann so als Sparringspartner der Entscheidungsträger beispielsweise KI-basierte Planungsmodelle und Forecasts implementieren, die auf den aufbereiteten Finanzdaten des Unternehmens fußen. Zudem sind auch Lösungen zur Einhaltung von Regelungen und Vorgaben aus dem Rechnungswesen denkbar. „Predictive Analytics“-Modelle können auf Basis der strukturierten Finanzdaten, zum Beispiel im Rahmen von IFRS 9, für eine exaktere Berechnung von erwarteten Zahlungsausfällen etabliert werden.
Eine ausgeprägte Datenkompetenz führt zusammengefasst zu qualitativ höherwertigen Entscheidungshilfen durch eine verbesserte Aussagefähigkeit der vorliegenden Finanzdaten.
Unsere Experten unterstützen Unternehmen umfassend und kompetent beim Aufbau ihrer Datenkompetenz und bei der Einführung digitaler und datengesteuerter Lösungen im Finanzbereich.
Autor: Christoph von Klimesch
