Datengetrieben Steuern – Der Blick von BARC auf Data Strategy, Data Governance und KI

00:00:00: Podcast: Zielführung starten - der Management-Podcast von CTcon.

00:00:21: Christian Bungenstock: Willkommen zu einer neuen Folge von Zielführung starten, dem Management Podcast von CTcon. Mein Name ist Christian Bungenstock, ich bin Partner bei CTcon in Düsseldorf und begleite unsere Tour. Heute blicken wir auf den Umgang mit Daten und Technologien in den Unternehmen. Data Strategy, Data Governance und datengetriebene Steuerung gewinnen stark an Bedeutung. Die künstliche Intelligenz verändert den Nutzen von Daten grundlegend. Was bedeutet das für den Umgang mit Daten? Welche Rolle spielt dabei Data Governance und wie lässt sich das Nutzenpotential für die Steuerung sowie in Finance und Controlling konkret heben? Dr. Carsten Bange, Gründer und Geschäftsführer von BARC in Würzburg hören wir dazu als langjährig bekannten Experten. Er steht für unabhängige Marktanalysen rund um Analytics, Business Intelligence und Data Management. BARC bietet Research, Fachveranstaltungen, sowie Beratung. Im Dialog mit Karsten ist mein Kollege Axel Neumann-Giesen, Partner bei CTcon in Bonn. Axel bewährt im Unternehmenssteuerung und Performance Management. Daten haben für seine Klienten in den Finanzbereichen dank der neuen Technologien eine stark wachsende Bedeutung. Lassen Sie uns gemeinsam diese Etappe gehen und erfahren, welche Erfolgsfaktoren für Unternehmen im Umgang mit Daten sowie für deren Potenzial in der Steuerung wichtig sind.

00:01:43: Podcast: Zielführung starten.

00:01:44: Axel Neumann-Giesen: Carsten, freue mich riesig, dass wir den Podcast Zielführung starten gemeinsam führen und dass wir nach so vielen Jahren, wo wir BARC und CTcon am Markt, aber auch immer wieder gemeinsam unterwegs sind, jetzt zu ganz spannenden, hochaktuellen Themen sprechen. BARC ist ja, seit über 20 Jahren am Markt. Wir haben seit vielen Jahren Kontakt, von daher erklär doch den Hörern mal ein bisschen, was BARC ist, wo ihr herkommt, was eure Story ist.

00:02:08: Carsten Bange: Ja, super gerne. Axel, erstmal vielen Dank für die Einladung. Also, ich freue mich total hier zu sein. Und ich bin ja selber Podcaster und jetzt mal als Gast einzukommen, das ist immer interessant, mal zu gucken auf der anderen Seite, wie das so aussieht. Genau, herzlichen Dank für die Einladung. Wo kommt BARC her? Ich habe die BARC 1999 gegründet und die Idee war schon damals, Unternehmen eine unabhängige, neutrale Hilfe zu geben bei Technologieentscheidungen. Das war so der Startpunkt. Wir waren hier damals an dem Lehrstuhl für Wirtschaftsinformatik an der Uni Würzburg, hatten dann eine kleine Gruppe, die sich eben mit diesen neuen, damals neuen Themen beschäftigt hat. Business Intelligence Werkzeuge waren brandneu, Ende der 90er Jahre. Es gab da so OLAP-Systeme, also multidimensionale Datenbanken, die waren auch neu, die gibt's heute immer noch in der Planung, interessanterweise. Also, das heißt, diese IBM TM1, ja, oder J-Dogs basiert auf einer multidimensionalen Datenbank, Board, also viele Systeme sind irgendwo multidimensional im Kern und das war damals eben was Neues. Und damit hat man sich dann so ein bisschen wissenschaftlich beschäftigt. Wir waren aber hier in Würzburg schon immer sehr anwendungsorientiert und haben dann eben eine Studie gemacht mit einem Vergleich. Also, wir haben gesagt, so ein bisschen Stiftung Warentest für Software. Das war die Grundidee. Also, wir sind unabhängig, wir haben kein Interesse irgendwas zu verkaufen, sondern wir haben Kriterien aufgestellt, Softwaresysteme gut vergleichen zu können und waren von Anfang an fokussiert auf diesen Bereich, also der hieß damals eben BI. Wird man heute wahrscheinlich eher Analytics nennen. Künstliche Intelligenz hieß damals Data Mining und natürlich alles im Umfeld im Finanzbereich, also Planung war eins unserer ersten Fokusgebiete schon, also Planungssysteme, weil die eben auf der gleichen Technologie in aller Regel basieren und in aller Regel auch Reporting auch mit abdecken. Und das heißt, also das ist schon diesen logischen Konnex. Dieser Toolvergleich, den wir dann auf dem Markt gebracht haben, der ist super eingeschlagen. Also, das war eben so eine Studie, damals wurde noch gedruckt und versandt und das ist super angekommen. Und daraufhin haben dann Unternehmen sich bei uns gemeldet, haben gesagt, das ist super, was ihr da macht, wir brauchen Hilfe hier für unsere eigene Umgebung. Und so ist quasi unsere Beratungspraxis gestartet, dass wir dann also Unternehmen auch helfen bei diesem konkreten Themen der Technologie Evaluation und wir haben dann relativ schnell auch die erste Konferenz gemacht, weil wir gesagt haben, ja, ist ja nett, dass jetzt alles zu lesen und wir haben da was weiß ich, 30, 40 Seiten pro Tool beschrieben, Screenshots gemacht etc., aber das zu sehen wäre ja mal ganz nett. Und deshalb haben wir dann die Softwareanbieter eingeladen, das auch mal zu zeigen, denen, die gerade was suchen und so ist eigentlich unser Konferenzgeschäft gestartet. Das sind die drei Bereiche, die wir heute noch machen. Aber wir machen sehr viel im Bereich Research, nennen wir das. Wir machen diese Werkzeugvergleiche nach wie vor. Wir machen aber auch viel empirische Marktforschung. Also, wir wollen verstehen, wie Menschen in Organisationen jetzt eigentlich z.B. so neue Trends wie künstliche Intelligenz aufgreifen, was sie für Erfahrung da machen, wo die Erfolgsfaktoren liegen, aber auch die Hindernisse. Das rundet sozusagen unser Research ab in beide Richtungen. Wir haben ein großes Konferenzprogramm, z.B. einmal im Jahr den Finance und Controlling Summit, wo wir die Anbieter einladen, das ist sehr Technologie orientiert. Und das dritte ist genau diese Advisory Practice, wo wir ganz konkret bei Themen eben Toolauswahl, aber auch Daten, Datenstrategie, Datenplattform oder weitergehend organisatorische Themen wie Data Governance, Datenkulturentwicklung in der Organisation dann aufgreifen.

00:05:29: Axel Neumann-Giesen: Ja, vielen Dank. Klasse, uns verbindet auf jeden Fall Spin-off von der Uni. Wir sind ja von der WHU, damals Jürgen Weber, heute Utz Schäffer, von daher haben wir da einen gleichen Gründungsfunken gehabt vom Lehrstuhl kommend und tief in der Praxis heute unterwegs. Ja, das spannende ist, wir gucken sozusagen aufs gleiche Feld. Ihr guckt sehr stark aus dem Thema Technologie drauf, wir kommen stark aus der Fachlichkeit, aus den Steuerungsthemen, viel mit Finance, nicht nur auch in andere operativen Bereichen, wo gesteuert wird und letztlich Daten da immer mehr große Rolle spielen und das Thema KI da drauf zugreift, ist das natürlich für unsere beider Perspektiven hochrelevant. Wenn du jetzt mal drauf blickst, du hast beschrieben, wie seid ihr gestartet, was hat sich denn im Wesentlichen verändert? Was sind denn heute die Themen, die es damals noch nicht gab? Du hast gesagt, OLAP Tools gibt's immer noch, die haben sich nicht verändert. Ich vermute mal, der Schwerpunkt ist doch ein anderer.

00:06:17: Carsten Bange: Ich finde, wenn man so drüber nachdenkt, hat sich an vielen Stellen überhaupt nichts getan. Also, um es mal etwas provokant zu sagen. Warum sind OLAP Werkzeuge entstanden? Es ging von Anfang an um mehr Flexibilität, insbesondere im Fachbereich. Also, die stärkere Möglichkeit Software einfacher nutzen zu können, aber auch die Modelle, also das Planungssystem z.B. flexibler anpassen zu können und zwar als Fachanwender, nicht in einem Prozess. Ich habe eine Anforderung an der IT, ich muss warten, dann werde ich nicht richtig verstanden und so weiter. Also, ist was alle kennen. Und das ist ja eigentlich heute immer noch so. Wenn wir das auch befragen, sehen wir, dass dieses Thema, heute heißt es dann halt von mir aus Self-Service im Fachbereich oder ähnliches, dass das nach wie vor ganz oben auf der Agenda ist, ne? Das heißt, also ich glaube, das wäre so ein Thema, wo sich gar nicht so viel getan hat, also nach wie vor ein großer Bedarf. Der zweite große Bedarf ist sicherlich nach wie vor die Daten, die Datenbasis besser zu organisieren, besser in den Griff zu bekommen, besser auch im Zugriff zu haben. Da haben sich sicherlich die Dimensionen verändert im Sinne von Skalierung, also von Volumina an Daten, die ich jetzt habe. Wie viel Daten überhaupt erzeugt werden in so einer Organisation? Wie viel Systeme da inzwischen dran beteiligt sind? Das hat sich natürlich total verändert. Also, da reden wir logischerweise heute über eine ganz andere Dimension, aber die Kernfragen und die Herausforderungen, die Organisationen haben, die sind tatsächlich immer noch super ähnlich. Die sind nach wie vor eben Datenqualität, Data Governance. Wie schaffe ich es Verantwortlichkeiten zu schaffen? Klar gibt's da auch neue Ansätze, aber ich finde an vielen Stellen hat sich erschreckend, muss ich auch sagen, wenig getan. Was logischerweise jetzt viel stärker gerade ist, jetzt mal neben diesen grundsätzlichen Datenthemen, haben wir natürlich das Thema KI, was die letzten Jahre auch die Finanzbereiche extrem stark umgetrieben hat.

00:08:07: Axel Neumann-Giesen: Ja, würdest du die These teilen, dass viele Daten gab's früher auch, man hatte nur nicht die Möglichkeiten, sie so zu verarbeiten, damit umzugehen und heute hat man eben viel bessere Tools auch um diese großen Datenmengen nicht nur zu speichern, sondern auch im Zugriff zu haben und auch zu verbinden. Also, die Probleme sind die gleichen, man hat aber bessere Methoden, um die sich zu erschließen, auch wenn es noch nicht immer gelingt.

00:08:28: Carsten Bange: Ja, klar, also die Technologie hat sich durch rasant weiterentwickelt. Und man muss sagen, es gibt heute immer noch Bereiche, wo ich tatsächlich echte Probleme habe mit der Menge der Daten umzugehen, die liegen aber heute nicht mehr in den betriebswirtschaftlichen Bereich, über den wir hier reden, sondern die liegen heute z.B. bei IoT Daten, ja, also, wenn ich Millionen von Sensoren in meinen Produkten verbaue, dann habe ich immer noch echte Probleme diese Menge an Daten in irgendeiner Form sinnvoll zu managen, aber im betriebswirtschaftlichen Bereich, wo ich in aller Regel Finance Systeme habe, ERP-Systeme habe oder sowas, ja, da ist die Technologie inzwischen soweit, dass ich wirklich tolle Möglichkeiten habe, mit den Datenmengen umzugehen, die Integration auch hinzubekommen. Ja, und deshalb reden wir ja inzwischen auch oder von den Projekten her, sehen wir halt sehr stark diese Richtung eben auch diese integrierten Datenplattformen zu bauen, wo ich auch versuche Daten stärker auch gemeinsam in den Zugriff zu bekommen und auch von der Softwareseite her eher integrierte Systeme zu bauen, also das was manchmal auch XPA heißt oder ja, wo es eigentlich dann um die finanzielle und die operative Planung gemeinsam abbilden zu können, um eben das Schnittstellenproblem zu reduzieren.

00:09:35: Axel Neumann-Giesen: Schnittstellenprobleme und ein Zusammenspiel von Datenintegration. Da ist man schnell bei einem Begriff, den hast du eben auch schon reingebracht, Data Governance. Eins der Schlagwörter, das man in vielen Gesprächen mit Unternehmen immer wieder hat und da höre ich so alles von, oh das ist ein Verwaltungsmonster, da beschäftigen wir uns ja Jahre mit bis hin zu, wenn wir das nicht im Griff haben und hinkriegen, dann gelingt uns kein großer Wurf. Das ist der Schlüssel-Enabler, genau diese Struktur reinzukriegen, um sich die Daten, die Datenschätze, wie man oft sagt, überhaupt zu erschließen. Wie guckst du auf das Thema Data Governance?

00:10:06: Carsten Bange: Ich glaube, das Spannungsfeld ist schon ganz gut beschrieben, ja. Ja, Governance heißt halt natürlich irgendwo Kontrolle, irgendwo ähm ja, äh Leitlinien. Also, damit schränke ich ein und die Aufgabe ist es in aller Regel immer zu schauen, dass es eben nicht zu anstrengend wird. Wenn man das so an zwei Polen sich anschaut, was niemand möchte, ist Chaos, ja? Also, was niemand möchte, keine Governance haben, weil dazu sind inzwischen die Daten auch zu sensibel, die ich da habe. Wir haben große, natürlich Diskussion immer gehabt im Bereich der Personenbezogenen Daten. Was im Finance Bereich natürlich noch viel stärker ist, ist eigentlich die aktuelle Data Sovereignty Diskussion, also die Frage, wo liegen eigentlich diese Daten? Wie kritisch sind die für mein Unternehmen? Und was muss ich denn jetzt eigentlich tun? Und wir haben ja jetzt ernsthafte Diskussionen, ja, dass man tatsächlich weg will von den amerikanischen Hyperscalern, was technisch gar nicht so einfach ist, aber sag mal so, die Sensibilität z.B. für so ein Thema ist ja extrem gewachsen und das ist ja auch ein Governance Thema. Also, keiner will Chaos, aber was man eben auch nicht möchte, ist eine übertriebene Governance, ja? Das ist dann, wenn du quasi eine neue Datenanforderung hast und erst mit dem mit dem Unternehmensanwalt reden musst, dann weißt du, dass du ein Problem hast, ja? Also, das kann es dann eben auch nicht sein. Und für alle gilt dann eben genau diese Balance zu finden und das ist erlebe ich doch sehr branchenunterschiedlich und häufig auch sehr Unternehmensunterschiedlich. Es gibt Unternehmen, die haben im Data Governance Bereiche, die sich inzwischen wirklich toll aufstellen und die einfach sagen, wir sind der Helfer in der Not, ja? Wir sind der Enabler, ja, wir sind nicht der Verhinderer, sondern wir helfen euch, wenn ihr in der Organisation irgendwo in Datenqualitätsprobleme lauft, das ist häufig auch eins der Hauptthemen für Governance tatsächlich, dann ruft uns an. Ja, wir haben die Methoden, wir haben die Tools und wir helfen euch sowas wieder gerade zu ziehen und wir sind die Unterstützer und eben nicht die Verhinderer. Das ist so ein aktueller Trend. Der zweite, wo Governance sehr positiv wirkt, aktuell ist Dezentralisierung der Datenverantwortung. Das ist für viele Organisationen gerade eins der ganz großen Schritte, häufig verbunden mit dem Thema Datenprodukte. Also, der Versuch Data as a Product, also das wie ein Produkt zu behandeln, was eben, ja, so gemanagt wird, auch wie ein Produkt. Also, ich muss die Eigenschaften beschreiben, ich muss es aktiv vermarkten, ich muss auf meine Kunden hören, alles Dinge, die häufig neu sind. Und eine Dezentralisierung ist natürlich eine spannende Governance Aufgabe, wo es dann vor allem sehr stark um Verantwortlichkeiten geht. Also, ich muss auch dann dafür sorgen, dass ich da auch jemand verantwortlich fühlt für diese Datenprodukte, die dann z.B. im Finance Bereich gebaut und verantwortet werden und dann in die Organisation geteilt werden über einen Marktplatz oder über andere Mechanismen. Und da sind wir auch wieder beim Thema Governance und das ist mit eine der zentralen Aufgaben, denn ich kann so viel Datenprodukte bauen, wie ich lustig bin, wenn ich diese, da keine vernünftige Verantwortlichkeit für hinkriege, dann werden die einfach versanden, ja, damit die es keiner nutzen, dann werden die schnell nicht mehr Up-to-Date sein. Also, insofern absolut notwendig, aber man darf es auf keinen Fall eben übertreiben.

00:13:09: Axel Neumann-Giesen: Ja, und wir sehen in dem Zusammenhang auch Stichwort Data Mesh, du hast so bis einige dieser Elemente Data as a Product, die darunter ja auch zu subsumieren sind, adressiert für uns auch den Eindruck, dass gerade in großen komplexen Organisationen kommt man gar nicht umhin Verantwortung A zu delegieren und klar zu benennen, weil ein Team kann das gar nicht für ein großes Unternehmen schaffen, da können Rahmen, da können Spielregeln gesetzt werden, aber man kommt da handwerklich an Grenzen, von daher sehe ich das auch abhängig von Stück weit des Geschäftsmodells und der Art des Unternehmens, dass diese Dezentralisierung da auch ein kluger Weg ist, um es handhabbar zu machen. Zwei Gedanken, Data Governance, wer macht denn die Regeln? Gibt's da eine Person, die im Finance Bereich oder im IT Bereich oder ganz woanders sitzt in so einem Unternehmen? Habt ihr da Beobachtungen, wo Data Governance angesiedelt wird jetzt mal als Kopfstelle, wissend, dass man das auch dezentral natürlich unterlegen muss. Ähm gibt's da einen Trend aus deiner Sicht oder muss das gar nicht eine Stelle sein, die das Thema Data Governance führt?

00:14:06: Carsten Bange: Na ja, also ich glaube schon, dass es sinnvoll ist, eine Stelle zu haben, weil ich auch eine gewisse Kompetenz brauche. Ich muss, es ist ja auch viel Koordination und Steuerung, was da passieren muss. Also, das das glaube ich schon und die Organisationen, die sowohl sehr stark mit Daten arbeiten, als auch da relativ hohe Anforderungen haben durch eine externe Regulatorik. Ich denke jetzt z.B. an die Finanzbranche, die haben da sehr ausgeprägte Rollen z.B. oder Stellen auch. Wo liegen die, ist tatsächlich eine spannende Frage. Wir sehen ja gleichzeitig auch eine stärkere Ausprägung der Datenbereiche, auch häufig als eigenständigere Organisationen. Das ist dann typischerweise eben auch verbunden. Also, in dem Moment, wo ich einen Chief Data Officer habe oder ähnliche Organisationsformen, sehe ich dann die Governance häufig auch da mit quasi angesiedelt. Das wäre, würde ich sagen, so gerade auch ein gewisser Trend.

00:15:00: Axel Neumann-Giesen: Siehst du diese Chief Data Officer Rolle dann oft im Finance Bereich oder hängt das stark davon ab, wie die Unternehmen aufgestellt sind oder ist es eigentlich gar nicht wichtig, hauptsächlich ist die richtige Person mit dem richtigen Mindset diese Rolle annimmt?

00:15:12: Carsten Bange: Ist die Ausweichantwort. Ja, das persönliche Mindset ist natürlich ganz entscheidend, aber die müssen ja auch ein bisschen Gestaltungsmöglichkeiten bekommen, ja? Deshalb ist es dann doch nicht ganz egal, wo die sind. Also, vielleicht ist eine Beobachtung ist, dass ein Chief Data Officer auch manchmal gar nicht auf dem C-Level angesiedelt ist, obwohl er den das C im Titel hat, das wäre mal so eine erste Beobachtung. Und dann sind die tatsächlich eben manchmal aber unabhängig aufgestellt, also als eigenständiger Bereich, was ich für eine sehr sinnvolle Idee halte, damit eben Daten wirklich sowohl einmal über die gesamte Organisation organisiert werden, aber auch so wie sie eigentlich richtig gut organisiert werden, nämlich nicht als reines IT oder als reines Fachthema, ne? Sondern ich brauche diese Zusammenführung der Kompetenzen. Das ist eigentlich meine Grundherausforderung. Deshalb manchmal Datenbereiche in der IT nicht so gut funktionieren, weil den häufig dann der Bezug zu den Fachprozessen fehlen. Und umgekehrt das gleiche, ja, wenn ich irgendwie, ja, das versuche 100 % fachlich zu führen und zu organisieren, dann fehlt mir häufig die Technologie oder die Technikkompetenz da drin. Deshalb ist ja eigentlich immer die Kernfrage, wie kriege ich das zusammen, ja? Und dann manche wählen dann so diese Richtung der Center of Excellence oder ähnlichen Konstrukten, ja? Also, wo ich dann ja schon organisatorische Konstrukte habe, um so eine übergreifende Kompetenz zu schaffen oder die zusammenzubringen. Tatsächlich sind aber viele CDOs auch beim CIO angesiedelt und der ist dann ja auch häufig wiederum beim CFO und damit ist der CDO dann auch im Finanzbereich irgendwo. Manchmal hängen die aber auch woanders, ne? Manchmal je nach Business tatsächlich. Manchmal unterm COO auch, ja, wenn die Operations einen großen Stellenwert haben. Also, da gibt's unterschiedlichste Modelle. Vielleicht ist es aber, da spielt ja deine Frage ein bisschen drauf an, vielleicht ist es aber auch so ein bisschen egal tatsächlich, wo die sind, ja, wenn man sicherstellt, dass man eben die, zum einen diese Kompetenzzusammenführung hat und zum zweiten, dass es aber auch einen gewissen Gestaltungsmöglichkeiten gibt. Ja, weil sonst, wenn da nur Empfehlungen ausgesprochen werden können oder ähnliches, ja, dann finde ich, dann fehlt für so ein wichtiges Thema wie Daten dann auch wirklich eine Durchsetzungskraft.

00:17:20: Axel Neumann-Giesen: Der Begriff datengetrieben steuern, den verwenden wir in dem Zuge damit, denn das verbindet eigentlich genau die beiden Themen. Also, ich will damit steuern, auch Einfluss ausüben, einen Unterschied machen, aber das ganze datengetrieben, das heißt aus dem Datenschatz, der häufig so benannt wird, als der da schlummert in den Unternehmen, endlich Potenzial holen. Aus deiner Sicht, was sind Voraussetzungen, damit sowas gut funktioniert? Du hast eben schon ein bisschen gesagt, das ist übergreifend gucken, also über die eigenen Profession hinaus denken, denn man muss ja fachliche und nicht nur eine fachliche und mit einer technischen Verbindung, man muss mehrere fachliche Vertrieb und Finanzthemen, vielleicht Produktionsthemen zusammenbringen. Aus deiner Sicht, was sind da Erfolgsfaktoren, damit sowas im Unternehmen auch funktionieren kann, dieser Zugriff auf Daten unterschiedlicher Profession, ohne dass Sorgen und Eitelkeiten von denen, die auf den Töpfen heute vielleicht noch sitzen, getroffen werden.

00:18:08: Carsten Bange: Ja, die habe ich halt, deshalb da wäre sofort die Antwort, da kommt man in aller Regel nur top-down dran. Also, ich brauche ein definitiv ein committetes Top Management, was das verstanden hat, was das den Wert der Daten verstanden hat und da auch klare Ansagen macht, ja? Sonst wird das nicht passieren, weil es natürlich häufig eher Eigeninteresse, Eigennutz ist, ja, und wenn also in dem Sinne diese, dieses Thema der Datensilos ist ein großes, zum Teil sogar das größte Problem in Richtung Daten getriebene Steuerung oder Daten getriebene Organisation und da muss man halt dran, ja? Und das ist ähm nach meiner Erfahrung geht das in aller Regel nur top-down, dass man sagt, so ähm ja, das das geht so nicht weiter, wir haben den Wert von Daten erkannt, wir haben die Nutzung von Daten und den Wert von Daten auch in der Geschäftsstrategie verankert, das wäre ein weiterer Erfolgsfaktor. Wenn das nicht gegeben ist, dann ja, da habe ich immer nur begrenzte Möglichkeiten der Organisation, weil ich ja selten dann aufzeigen kann, ja, wo zahle ich denn jetzt wirklich drauf ein auf die wirklich wichtigen Ziele dieser Organisation, auf das, was wir wirklich erreichen wollen. Also, deshalb brauche ich top-down, ich brauche es in der Strategie. Ich brauche natürlich eine richtige Technologie, ja, das ist ja nach wie vor auch zum Teil ein echtes Problem, ja, gerade in den letzten Jahren hat natürlich z.B. die Anforderung nach Flexibilität ist deutlich gewachsen, z.B. gerade auch im Planungsbereich und deshalb brauche ich auch flexible Werkzeuge und da kann manchmal Technologie durchaus ein Hemmnis sein. Also, brauche ich eine solide Technologie und dann brauche ich eine Datenkultur. Das ist so eins unserer großen Themen. Ich muss in der Organisation dafür sorgen, dass es eben eine Kultur der Datennutzung, der offenen, also ein Mindset der Datennutzung geben, der Begründung von Entscheidungen oder der Basierung von Entscheidungen auf Daten, also mehr ein Evidenz oder Fakten basiertes Vorgehen, auch eine gewisse Lust am Experimentieren, ja, mit neuen KI Methoden, ja, mit zuschauen, was ist denn jetzt innovativ möglich, ja, mit jetzt Daten zu tun. Natürlich immer fokussiert auf Use Cases, auf einen Business Nutzen, das ist auch ein Erfolgsfaktor, ja, also nicht eben irgendwie nur Technologie anzuführen, weil sie cool und neu ist oder ganz toll aussieht oder weil jetzt AI draufsteht, sondern halt immer diesen Prozess, den Geschäftsnutzen im Mittelpunkt zu haben. Und zur Datenkultur gehören übrigens dann auch ganz verschiedene Facetten, die ich ausprägen muss in der Organisation. Eine ganz wesentliche ist natürlich auch Ausbildung. Also, ich muss ja auch die Kompetenzen schaffen in der Organisation mit Daten umzugehen, also das inhaltlich zu verstehen, wie geht eigentlich Datenanalyse, worauf muss ich achten, was ist ein Bias in Daten, wenn ich mit AI Modellen arbeite und so weiter. Also, so diese ganze Ausbildung gehört auch dazu, um so eine Kultur dann in der Organisation ausprägen zu können.

00:20:50: Axel Neumann-Giesen: Hast du das Gefühl, dass das von den Unternehmen angenommen wird oder auch von den Mitarbeitern? Wird das als Chance erachtet oder eher als Pflichtübung? Vielleicht ein bisschen rhetorische Frage, weil die Reise geht ja dahin, von daher kann sich keiner dem entziehen, aber verspürst du da Unterschiede in der Art und Weise, wie Unternehmen das Thema Kultur angehen, wie stark sie es pushen oder wie stark sie da auf großes Interesse auch der Mitarbeiterschaft zurückgreifen können?

00:21:12: Carsten Bange: Absolut. Also, gibt's schon Unterschiede. Und das interessante ist ja, wir haben es jetzt ja mit Menschen zu tun, ja? So, und dann gibt's eigentlich ein sag mal typische Verhaltensmuster, die scheinbar erstmal menschlich sind. Es gibt ja so ein schönes Modell, ja, wo sagt, okay, du hast was ich, 5 % vielleicht oder 10 %, die sind immer an der Sperrspitze, die finden alles Neue total super und sind die ersten, die dabei sind. Und dann hast du einen guten Teil in der Organisation, die da offen für sind. Und dann hast du einen hoffentlich kleinen Teil, ja, die sich möglichst gar nicht verändern wollen, ja, oder die es komplett ablehnen sowas. Und eine der wesentlichen Aufgaben ist ja so eine Art Momentum zu schaffen, ja, oder eine Bewegung in der Organisation zu schaffen, dass man sagt, ja, okay, jetzt mal unabhängig von denen, die sowieso da ganz vorne mit dabei sind, ähm muss ich eben einen einen guten Teil dieses Restes eben bewegen. Der muss sich eben anfangen, äh das das gut zu finden. Und deshalb ist eben auch Kultur der richtige Begriff hier, weil das eben, das ist die Unternehmenskultur, ob ich da jetzt eben das gut finde, mitmache etc. Und das kann ich halt nicht befehlen oder als kann ich auch nicht einkaufen, sondern das kann ich eben nur beeinflussen. Und das ist dann auch die Führungsaufgabe tatsächlich, das zu machen. Und das haben einige Organisationen ähm schon sehr sehr stark erkannt. Kann ich vielleicht ein bisschen Werbung machen für meinen Data Culture Podcast. Da kommen immer wieder, also jede Woche kommen Menschen zu Wort, die das in ihrer Organisation vorantreiben oder die Ideen haben, wie das geht oder berichten können, was funktioniert, was auch nicht funktioniert hat. Also, da kann man, glaube ich, auch einen tollen Wissensschatz inzwischen auch zurückgreifen, was man dann tun kann. Und das ist ein sehr breites Portfolio an Dingen, was man tatsächlich da auch konkret angehen kann, um genau das herzustellen, dass so eine Bewegung in der Organisation sich entwickelt und dass Menschen immer mehr mit Daten arbeiten, das Thema AI gut finden, das positiv für sich erachten, da auch ein bisschen mit experimentieren und dann am Ende aber auch sinnvolle und gute Sachen machen.

00:23:09: Axel Neumann-Giesen: Und mein Blick da drauf, dem total folgen. Mein Blick da drauf ist, dass mit Gen AI auch sehr stark, reden gleich noch mal ein bisschen über Gen AI und was da an Möglichkeiten zur Verarbeitung von Daten und zur Nutzung von Daten hinter steckt, aber eben auch die gewisserweise Niederschwelligkeit im Zugang. Also, die Möglichkeit, mal zu chatten, mal Fragen zu stellen. Das finde ich eine ganz spannende Entwicklung, weil damit natürlich die technische Barriere, das zu nutzen, relativ niedrig ist und Menschen dadurch eben Zugang haben zu Fragen, die aus ihrer Praxis kommen und das verbindet einen dann automatisch mit der Technologie und das finde ich eine Riesen- Chance von Gen AI unabhängig davon, was fachlich Gen AI mit dem Lernen und Verknüpfen von Informationen aus Daten Umgebung bringen kann. Also, auch durchaus eine wichtige Komponente aus meiner Sicht, die das Thema Data Culture mit beflügelt, gute Zugriffe, Zugänge zu haben und kann das nur unterstreichen, das Thema Leadership, das ist ein Führungsthema. Also, wenn das Leadership nicht, Beispiel Gen AI wieder nutzt, damit arbeitet, warum sollen uns andere tun? Außer, dass sie es persönlich spannend finden, aber das ist beim Unternehmen meistens die zweite oder dritte Priorität, es geht ja um Geschäftszweck. Also, dieses als Geschäftszweck zu erkennen und dann muss es eben von oben beginnen und gedrückt werden, dass man sich damit auseinandersetzt. Das ist meine Beobachtung, aber vielleicht noch mal das Thema Gen AI, ist ja eins, was die letzten Jahre immer stärker geworden ist und wir haben eben über Data und Data Governance und Nutzung von Daten wichtiger geworden, welche Potenziale siehst du in Gen AI als dem Ast, der die letzten mal drei, vier Jahre da den größten Rückenwind und wahrscheinlich nach vorne auch die stärkste Aufmerksamkeit zumindest in der Öffentlichkeit nehmen wird.

00:24:42: Carsten Bange: Ja, absolut. Ich meine, das ist mit Sicherheit die größte Umwälzung gewesen der letzten Jahre. Und wenn man sich das anschaut, ist es ja auch erstmal faszinierend eigentlich, ne, was da jetzt für Möglichkeiten entstanden sind, das ist ja mal die Basis. Die Anwendungsgebiete kristallisieren sich inzwischen ja relativ klar, ja, also neben jetzt mal der Softwareerstellung, was momentan eigentlich so der größte Case ist, ja, wo auch in Organisationen die größten Produktivitätsgewinne rausgezogen werden aktuell, gibt's natürlich eine Vielzahl von spannenden anderen Dingen. Ähm also eigentlich immer, wenn es in irgendeiner Form um Text, Video, Audio, Sprache geht, habe ich hier eigentlich ganz neue Möglichkeiten geschaffen und da wird ja inzwischen auch schon sehr viel gemacht. Du hast so ein bisschen ja gefragt, was ist jetzt hier Hype oder wie real ist das denn? Was wir eigentlich gerade sehen, ist, dass viele Organisationen so im Übergang sind. Also, die erste Euphorie ist jetzt vorbei. Es wurde zum Teil viel investiert und was ja auch in vielen prominenten Studien inzwischen ja sehr publik gemacht wurde, ist, dass bei sehr vielen Organisationen eigentlich der Impact auf der Bottom Line fehlt, ne? Also, dass eigentlich, dass man jetzt zeigen kann, was sind denn jetzt hier die echt eingesparten Kosten oder der Mehrumsatz oder was ist jetzt hier passiert? Und da tun sich halt viele tatsächlich extrem schwer mit und da ist man eigentlich gerade dran, ja, zu gucken, was machen wir jetzt mit damit eigentlich, weil wir haben die persönlichen Produktivitätsvorteile, die wahrscheinlich jeder irgendwo hat, ne? Also, mal was zusammenfassen, Meeting Minutes, eine E-Mail schreiben lassen, wenn man Dokumente hat, in irgendeiner Form im Vertragswesen oder ähnliches, ja, da die Summaries, die Zugänglichkeit machen von Texten und sowas, also da gibt's schon super Cases. Viele von denen sind aber relativ stark so auf dieses Personal Productivity ausgerichtet, wo sich Organisationen extrem schwer tun, die da am Ende messbar zu machen, ja? Oder vielleicht gibt's die auch gar nicht, den Effekt dann auf die Bottom Line, aber es gibt sicherlich den Effekt auf die persönliche Arbeit. Was jetzt dazu kommt, ist natürlich der Kostendruck unter dem alle sind. Das heißt, wir erleben gerade, dass viele Organisationen gesagt haben, ja, okay, aber jetzt mal halt. Jetzt haben wir hier investiert, wir erleben jetzt aber gar nicht so den ganz großen Effekt, was ist jetzt los, ja? Und dann gibt's so zwei, glaube ich, wesentliche Ansätze. Das eine ist, es gibt ja weiterhin technischen Fortschritt und der geht jetzt ganz klar Richtung Agenten und das kommt aus meiner Sicht gerade jetzt auch zur rechten Zeit, weil was steckt jetzt hinter Agenten? Da steckt ja eine gewisse autonome Prozessausführung hinter. Und damit bin ich sehr fokussiert beim Thema Prozessautomation. Und komme also weg von so Infrastruktursachen, nach dem Motto, okay, jetzt soll mal jeder Mitarbeiter in der Organisation soll jetzt mal Zugriff auf einen LLM kriegen oder sowas, das sind so Infrastrukturinvestitionen, sondern jetzt komme ich zu ganz spezifischen Prozessverbesserungen und damit werde ich auch messbar. Da kann ich sehr schnell sehen, okay, bringt das jetzt was oder nicht? Also, brauche ich jetzt weniger Menschen in den Prozess oder können die das jetzt schneller erledigen oder eine höhere Menge? Und das ist genau das, was wir jetzt auch brauchen, um das eben den Nutzen auch messbar zu machen, ja? Und dann sehen wir eben, dass es auch passiert. Also, das zweite jetzt mal neben dem technischen Fortschritt ist nämlich da mal eine viel stärkere Fokussierung auf den Nutzen, den konkret messbaren Nutzen auch in Prozessen. Und da erleben wir halt das, was immer passiert bei Technologie Innovation, dass man erstmal völlig begeistert ist und erstaunt über die Möglichkeiten, dann aber merkt, dass es halt, dass wir es wieder mit Menschen und Organisationen zu tun haben und die sind halt träge, ja? Es geht halt nicht von heute auf morgen, ja, sondern da muss man erstmal dran arbeiten, muss Überzeugungsarbeit leisten, muss ich auch was überlegen, muss überlegen, wie man mit neuen Möglichkeiten umgeht. Man muss sagen, das geht alles so schnell, dass man vielleicht nicht zu lange überlegen sollte, aber faktisch ist es so und das ist weltweit so, dass man um Organisationen zu verändern, um Prozesse zu automatisieren, einfach mehr Zeit braucht, ja, und das ist eigentlich das, wo wir gerade drin stecken und deshalb wird, glaube ich, dieser große Nutzen von AI nach meiner Überzeugung, dauert das noch so ein bisschen, bis wir den sehen, aber wir werden ihn sehen und der liegt dann eben genau an so einer agentischen Prozessautomation.

00:29:51: Axel Neumann-Giesen: Damit kommen wir, glaube ich, hervorragend in so ein Thema, was die Finance Organisationen oder Finance Umgebung betrifft. Wir haben es erstmal das Thema ein bisschen breiter beleuchtet, immer wieder auch unseren, ja, gemeinsamen Fokus in Richtung Finance, Planning gehabt, denn du hast gesagt, Bottom Line ist wichtig, da ist eine Finance Organisation natürlich sofort gefragt, wenn es um solche Dinge gibt, Business Cases etc. Gucken wir auf die Finance Bereiche. Die sind doch Datenprozessgeprägt in der Aufstellung, in der Historie. Sind die jetzt eigentlich aus deiner Sicht Vorreiter, was diese Themen betrifft oder gibt's da andere, die viel flotter unterwegs sind? Treibt Finance die Organisation oder muss Finance gucken, dass sie hinterherkommen bei diesen Entwicklungen?

00:30:28: Carsten Bange: Also nach meiner persönlichen Beobachtung eher Follower. Also nicht der Treiber der Organisation. Im AI-Bereich wird das sehr deutlich, das können wir uns auch an unseren Studien zeigen, dass eben da die Finance Bereiche eher hinten dran hängen. Das hängt, glaube ich, gerade sicherlich auch mit einer gewissen Skepsis vor einer Technologie, die ja inhärent auch erstmal jetzt nicht änderbar halluziniert, ja? Also, ich überlege, dass ich da meine Kennzahlen der Organisation in irgendeiner Form mit bearbeite, verarbeite und habe ein System, was immer wieder auch mal was erfindet, ja? Dann habe ich natürlich vielleicht ein inhärentes Problem. Was ich damit aber vielleicht etwas übersehen habe in Finance Bereichen ist, dass es natürlich noch unglaublich viele andere Anwendungsbereiche gibt, mal neben, ja, den Bereichen, wo eine Zahl exakt sein muss, wo ich das natürlich super nutzen kann und deshalb, das ist so meine persönliche Interpretation, warum Finance da vielleicht so ein bisschen hinterher hängt, aber jetzt ja doch irgendwo aufholt oder wir sehen doch sehr, sehr viele Initiativen in dem Umfeld. Fakt ist, sie sind nicht der Vorreiter, weder für AI, noch für Daten, Datenplattformen, das sehen wir momentan auch als ein großes Thema in Finance Bereichen bzw. wir machen sehr viel gerade Projekte und Initiativen, die wir begleiten dürfen, wo es eben genau um diesen Aufbau von Datenplattformen geht, weil man eben gemerkt hat, zum einen, man braucht diese stärkere Integration, um besser steuern zu können, gerade eben in Zeiten, wo wir ja sehr viel wieder Bedarf haben nach Agilität, ja, da hier Veränderung auch umsetzen zu können in unseren Systemen, in unseren Datenmodellen. Und das zweite ist ein Riesentreiber ist natürlich wiederum AI. Inzwischen haben alle gemerkt, ja, ohne gute Daten funktioniert meine künstliche Intelligenz überhaupt nicht gescheit und nach diesen jetzt einigen Jahren, wo man sehr viel Prototypen gebaut hat auf der einen Seite, wo man sicherlich auch die Cases umgesetzt hat, die sehr guten Nutzen auch zeigen können sehr schnell, ist man jetzt doch eigentlich an so einer, man merkt, dass man eben dieses Thema gar nicht skaliert kriegt in die Organisation, weil die Daten nicht ausreichend verfügbar sind, ja, Stichwort Silos oder die Qualität nicht stimmt und deshalb sind jetzt eigentlich in allen Organisationen gibt es momentan sehr große Initiativen Richtung der Datenbasis, um dann AI tatsächlich auch gescheit nutzbar zu machen. Übrigens noch ein Grund, warum AI nicht so schnell geht, wie man sich das manchmal wünschen würde. Und da ist Finance auch voll mit dabei, ganz logisch, weil Finance natürlich 100 % auf Daten basiert.

00:31:51: Axel Neumann-Giesen: Ich kann das unterstreichen nur, die Möglichkeiten gerade zu Reporting Management Reporting mit entsprechenden KI Modellen zu unterlegen sind riesig. Auf der anderen Seite ist immer die große Sorge natürlich, ich berichte irgendwie eine abweichende Zahl und das Management ist verwirrt, wenn ich es mal ein bisschen platt formuliere. Also, wie stelle ich sicher, dass ich da nicht widersprüchliche Aussagen mache, dass das Thema Halluzination und Dinge erfinden. Na ja, der ein oder andere Controller ein bisschen flapsig formuliert ist vielleicht sogar ganz froh, wenn die, wenn er sich sonst auch Ursachen aus den Fingern saugen muss, manchmal in der Kommentierung, da ist man von der Halluzination der KI gar nicht so weit weg. Nee, Spaß beiseite, ich merke, dass das natürlich die Unternehmen stark bewegt und von daher häufig erstmal kuratierte Datenwürfel mit einer KI-ähnlichen Front-End-Schnittstelle verbunden werden. Das heißt, man kann Abfragen machen, man hat das Gefühl, man ist in der KI Welt. Es werden automatisch durch die KI Tabellen erstellt, aber eigentlich ist das ein relativ begrenzter Datenraum, der qualitätsgesichert schon ist und man scheut sich noch davor, sagen die Datenschleusen zu öffnen, weil man die Sorge hat, dann kommen da Informationen zusammen und dann werden sozusagen Widersprüchlichkeiten möglicherweise in den Analysen stärker, die man im kuratierten Datenumfeld noch ja beseitigt hat vorher. Wie lange dauert das, bis man diese Schleusen öffnet und die KI auch in der Lage ist, mal die Datenwelten dahinter zu beherrschen oder muss man am Thema Datenqualität arbeiten, weil die KI das nie so schaffen wird? Ein bisschen philosophische Frage, aber wie blickst du da drauf, gibt's da Grenzen?

00:33:20: Carsten Bange: Ja, also um das ganz konkret zu antworten, am Thema Datenqualität muss ich sowieso immer arbeiten. Da gibt's auch eine philosophische Antwort drauf, bei der Daten sind ja ein Abbild der Realität zu einem bestimmten Zeitpunkt, in dem Moment, wo dieses Datum gespeichert wurde oder erhoben wurde und die Realität ändert sich. Das heißt, da werden häufig viele Daten werden automatisch dann schlechter, weil sie eben nicht mehr die Realität abbilden, was sie eigentlich tun sollen. Also, das klassische Beispiel ist die Adresse und dann ziehe ich halt um, ja, aber in der Datenbank steht ja immer noch die alte und so geht's natürlich vielen Daten. Also, insofern ist Datenqualität eine ständige Herausforderung und da muss ich auch ständig dran bleiben und wenn ich das eben nicht mache, habe ich automatisch wieder ein Problem. Aber ein bisschen genereller beantwortet, wir können das eigentlich heute schon alles machen. Man muss vielleicht KI-Systeme dann auch stärker als eine Orchestrierungsebene vielleicht verstehen von verschiedenen Werkzeugen dann auch. Und in dem Moment, wo ich das so vielleicht so verstanden habe, dann und auch weiß, dass ich vielleicht Stellen gibt, wo gerechnet werden soll und das Ergebnis sollte richtig sein oder wo ich eben ja bestimmte Transformation, Manipulation von Daten habe, die dann eben am Ende bitte richtig sein soll, ja, dann würde ich halt in ein Gesamt-KI-System eben entsprechende so genannte Engines einbauen, die das sicherstellen und das ist auch so ein bisschen das, was du gerade beschrieben hast. Ich kann wo jetzt generative KI extrem stark ist, ist eben im Bereich des User Interface, der Interaktion, eben weil ich jetzt sprechen kann, ja, oder weil da eben in natürlicher Sprache auch interagiert werden kann, die Ausgabe ist verständlicher, ich kann Rückfragen stellen und so weiter. Also, das ist natürlich eine der super starken, nur bitte da wo dann die Zahl erzeugt wird, die da rausgegeben wird, da nutze ich häufig noch die vorhandenen bestehenden Business Intelligence Systeme, Analytics Systeme, Data Warehouses, Data Lakes, was auch immer. Das heißt, es geht, glaube ich, eher in dieser Kombination und das geht auch heute schon. Deshalb muss man da, glaube ich, gar nicht groß warten, sondern sich halt überlegen, ja, wie baue ich das sinnvoll zusammen? Wo nutze ich die Stärken und die GenAI-Stärken sind eben genau in dieser Interaktion mit dem Nutzer. Da sehen wir ja schon, das läuft zum Teil auch unter Talk to your data oder sowas, ja? Also, da gibt's jetzt ja schon auch, ja, schon fast Standard Sachen. Und natürlich immer, wenn es in irgendeiner Form um Text geht und da sehen wir natürlich im Finance Bereich eben genau diese Kommentierungsthemen, Berichtserzeugung, also auch Wissensmanagement natürlich, ja, also da, wo ich irgendwie Wissen in irgendeiner Form schriftlich vorliegen habe, das ganze Thema Vertragsmanagement, also da, wo Dokumente ein Gegenstand sind, da habe ich heute natürlich auch schon sehr gute Einsatzgebiete, die auch super funktionieren.

00:35:55: Axel Neumann-Giesen: Ja, und damit auch, wir haben das Thema Agentic AI eben gehabt, gerade im Finanzbereich, viele Bereiche, wo man eben durch kluge Agentenbildung viele Aufgaben effizienter machen kann und damit die Arbeit von Finanzen stärker fokussieren kann auf die businessrelevanten Themen oder auf den Blick nach vorne. Blick nach vorne ist Thema Predictive. Wir haben es eben stark über die Nutzung von Daten, die so da sind. Das zweite ist ja dann zu sagen, wie kann ich aus den Daten, die so da sind, eigentlich einen Blick nach vorne erzeugen und da bin ich jetzt beim Thema wie Predictive Forecast, Predictive Planning. Unsere Beobachtung ist, dass das das Thema eigentlich den Hype schon verlassen hat und in vieler Hinsicht bei Unternehmen Teil des normalen Bestecks geworden ist, Zukunftsaussagen vorzubereiten. Also, den Forecast zu machen. Viele Planungsanwendungen umfassen auch solche Predictive Lösungen. Seht ihr das auch so, wie ist eure Beobachtung dazu, inwieweit Predictive Forecasting als, ja, Teil des Planungsbestecks mittlerweile sich etabliert hat oder wird da noch viel experimentiert und mit getestet?

00:36:55: Carsten Bange: Also erstmal würde ich zustimmen, dass das Teil des Bestecks ist. Also, da sind wir ja übrigens in dem Bereich, den man inzwischen irgendwie so traditionelle KI nennt, weil wir sind eben nicht im generativen Bereich, sondern hier werden ja in aller Regel dann für die Vorhersagen statistische Methoden oder Machine Learning oder neuronale Netze oder ähnliches eingesetzt, also alles, was man schon lange hat, bevor jetzt GenAI eigentlich die gesamte Aufmerksamkeit auf sich gezogen hat. Und ähm man hat ja eigentlich ein recht etabliertes Instrumentarium an der Hand, was häufig, wie du richtig sagst, ja auch schon in bestehenden Werkzeugen eingebaut ist, ne? Also, ich kann da auch direkt drauf zugreifen oder ich nutze es halt separat. Was wir aber wahrnehmen, ist ein Riesen-Gap in der tatsächlichen Nutzung dieser Möglichkeit. Das befragen wir seit über 10 Jahren. Also, wir befragen Organisationen, was plant ihr denn in dem Umfeld zu tun und was macht ihr wirklich? Und der Gap ist riesig. Also, seit 10 plus Jahren sagen immer in diesen Befragungen 40, 50 und mehr Prozent der Teilnehmenden, ja, da wollen wir auf jeden Fall was machen. Und dann fragen wir ja, okay, und ja, nutzt ihr das wirklich at Scale, also wirklich produktiv in der Organisation? Und da ist die Zahl ist irgendwo bei äh zwischen 10 und 15 %, die das wirklich tun. Also, dramatisch wenig eigentlich. Das ist halt finde ich einer der spannendsten Bereiche in dem Umfeld hier, weil diese Schere, die geht noch nicht mal zu, sondern die geht sogar eher, die geht sogar auf, ja, also, weil jetzt alle immer mehr sagen, ah, das hat halt irgendwas mit KI zu tun und Machine Learning oder sowas, ja, klar, wollen wir das machen. Aber die tatsächliche Nutzung ist die wächst überhaupt nicht. Das ist erstmal spannend und stellt natürlich dann sofort die Frage, ja, warum denn eigentlich, ja? Wir sehen ja zum Teil, dass die Einsatzszenarien zum Teil gar nicht so häufig sind. Also, es gibt welche, wo ich da sicherlich was Interessantes machen kann, aber häufig eben auch nicht. Das liegt zum Teil an der Daten, weil ich brauche natürlich um jetzt so mal belastbare Vorhersagen zu machen, brauche ich für viele Verfahren auch ein belastbares Datenmaterial, auf dem die überhaupt aufsetzen können. Das liegt vielleicht daran, dass die Schwankungen so groß geworden sind, natürlich je nachdem, was ich mir angucke, ja, aber wenn diese Unvorhersagbarkeit und diese externen Schocks, ja, so häufig werden, dann wird natürlich auch die Vorhersagemöglichkeiten, die maschinelle Vorhersagemöglichkeit wird eher eingeschränkt, ja, weil die weiß ich ja immer nicht, okay, ist das jetzt ein Kriegsbedingtes, ein Schock in der Supply Chain durch irgendwas oder sowas, ja, was ein Ausreißer ist oder ist das jetzt was, was normal ist und ich versuche irgendwie in die Zukunft zu projizieren? Also, es gibt einfach verschiedene Faktoren, die glaube ich auch Grenzen aufzeigen der Einsetzbarkeit dieser Methode.

00:39:39: Axel Neumann-Giesen: Wenn du CFOs einen Tipp geben würdest, wir haben eben eingeleitet mit der Frage, Mensch, die sind eigentlich eher Follower und im Finance Bereich, wir haben eben über die Möglichkeit von Gen AI gesprochen, hier zum Ende noch ein bisschen über Predictive gesprochen, die klassische KI. Wenn du jetzt CFOs einen Tipp geben würdest, was sollten die eigentlich machen? Die ist eigentlich das große und viele sind noch nicht so weit, das hast du auch bestätigt, die Nutzungsquote ist hinter dem, was man sich vornimmt, deutlich hinterher. Würdest du sagen, die sollen jetzt eine große digitale Transformation ausrufen und die Organisation treiben oder selektiv die bekannten Leuchttürme hochziehen? Wahrscheinlich ist die Antwort beides, aber die überlasse ich dir. Überlasse ich dir.

00:40:18: Carsten Bange: An der Stelle muss die Antwort auch beides sein, denn ich brauche eine Transformation und es gibt ja auch sehr, sehr viel Digital Finance Projekte, Initiativen, sogar Bereiche und Menschen mit der Aufgabe und das ist ja auch richtig so. Die hängen halt bei großen Organisationen teilweise immer noch in so S4 Migrationen, was halt unglaublich viel Geld und Ressourcen bindet und habe ich es manchmal so einen Eindruck, bindet zu viel an der Stelle und ja, und lässt nicht so viel Platz dann für solche innovativen Themen, aber ist natürlich wichtig, weil es ja dann letztendlich das Basissystem ist an der Stelle, verstehe ich auch. Aber ich muss natürlich das auch ein bisschen breiter denken, weil wir haben ja jetzt schon so viele Bereiche berührt, ne? Also, ich muss an der Datenbasis arbeiten, ich muss an dem gesamten Modell arbeiten, ja, habe ich ein integriertes Finanz operatives Modell, wie kann ich das in der gesamten Organisation sehen? Ich habe eine ganze Reihe paralleler Baustellen sozusagen. Ich habe als Hauptthema des, also, wo am meisten getan wird, ist im Bereich Planung, weil ich da für viele sehen, die sehen da auch einen der größten Hebel im Sinne der operativen Produktivitätssteigerung. Also, da geht's wirklich einfach um, ja, wie können wir jetzt schneller werden? Wie können wir mit weniger Ressourcen öfter forecasten, weil das eben nötig ist heutzutage? Daneben haben wir noch viele andere Themen, ja, wir haben legale Konsolidierung, wir haben das ganze Thema Steuern, wir haben das jetzt ja alles nur im Steuerungsbereich, und dann haben wir immer noch den operativen, ja, also, Accounting Automatisierung geht ja auch voran, ja, z.B. eben das, die automatische Verarbeitung von Eingangsrechnungen. Also, wir haben ein breites Feld an guten Möglichkeiten mit digitalen Lösungen oder mit neuer Software auch echte interessante Dinge zu tun und mal echte Vorteile zu erreichen und gerade Prio 1 für viele ist tatsächlich Produktivitätsgewinn. Prio 2 ist man natürlich auch Qualität, also da ja bessere Ergebnisse zu erzeugen. Also, in dem Sinne, wir haben viele Anwendungen, wir haben das ganze Thema Daten und wir sollten nicht vergessen, das Thema Datenkultur, zu dem dann eben auch so Governance Aspekte und ähnliches gehört. Und ich glaube, wenn man diesen Bereichen schaut, dann kann man sagen, das ist so der Gesamtgegenstand der Transformation. Natürlich spielt AI in allen diesen Bereichen eine Rolle und diese Leuchttürme müssen halt dann sehr stark nutzenorientiert ausgerichtet sein. Also, ich erlebe gerade niemanden mehr, der Zeit hat z.B. irgendwie drei Jahre lang eine Datenplattform zu bauen oder sowas, ne? Das hat man ja vor 10, 15 Jahren durchaus gemacht, man hat gesagt, okay, jetzt bauen wir erstmal das Data Warehouse, dann haben wir eine tolle Grundlage und dann machen wir da weiter. Das heißt, diese Leuchttürme heißt ja eigentlich, dass man so diese Use Cases oder Use Case orientiert vorgeht mit einem Plan im Kopf, ja, wo das Ganze hingeht und damit dann aber Stück für Stück sozusagen diese Plattform baut und das wäre dann noch mal eine Empfehlung.

00:42:53: Axel Neumann-Giesen: Karsten, vielen Dank. Das war ein toller Blick in das, was dich bewegt. Das Gespräch könnt, könnte, glaube ich, noch ewig weitergehen, denn das ist hochspannend, was du berichtest und ich finde es auch immer spannend, das zu reflektieren mit dem, was, was wir so sehen, wenn wir mit den CFOs, mit den Finanzbereichen unterwegs sind in vielen Themen, die du auch gestreift hast. Es hat mir großen Spaß gemacht. Vielen Dank für deinen Besuch bei uns im Podcast und ich glaube, mit dem Thema KI und Gen AI und all den Facetten, die wir heute diskutiert haben, wird auch für eine BARC die Arbeit nicht ausgehen und der Spaß an der Arbeit, den hat man deinen Ausführungen entnehmen können. Also, das Herzblut war ganz klar zu erkennen. Karsten, vielen Dank.

00:43:32: Carsten Bange: Axel, ich bedanke mich. Herzlichen Dank für die Einladung.

00:43:36: Christian Bungenstock: Wir hoffen, dass Ihnen diese Etappe von Zielführung starten gefallen hat und Sie vielfältige Impulse für den Einsatz von Daten und von künstlicher Intelligenz im Management Alltag mitnehmen. Die nächste Folge erscheint in einem Monat. Damit Sie diese nicht verpassen, folgen Sie uns gerne in ihrer Podcast App. Wenn Ihnen unser Podcast gefällt, freuen wir uns über eine Bewertung in ihrem Podcast Verzeichnis. Bei Fragen, Kritik oder Themenvorschlägen, schreiben Sie uns gerne an Podcast@CTcon.de. Vielen Dank fürs Zuhören und bis zum nächsten Mal.

00:44:18: Podcast: Das war "Zielführung starten", der Management-Podcast von CTcon.