Fortgeschrittene Datenanalyse, Dashboards & Agentic Intelligence im Finanzbetrieb Schulung

Tag 1: KI-Grundlagen und Python mit KI für die Finanzen

KI, Analytik und Agentic AI in den modernen Finanzen

• Unterschiede zwischen generativer KI, Machine Learning, Automatisierung und Agentic AI sowie deren jeweilige Rolle in der Finanzwelt.
• Finanzanwendungsfälle in den Bereichen Buchhaltung, FP&A, Berichterstattung, Audit, Treasury und Shared Services.
• Identifizierung geeigneter Aufgaben für KI-Unterstützung im Vergleich zu kontrollierter Automatisierung.

Python für die Finanzen - KI als Programmierpartner nutzen

• Python-Grundlagen für Finanzfachleute: Variablen, Datentypen, Bedingungen, Funktionen und Notebooks.
• Einsatz von KI-Assistenten zum Generieren, Erklären, Debuggen und Verfeinern von Python-Code, anstelle isolierten Programmierens.
• Prompting-Techniken für eine zuverlässige Erzeugung von finanzspezifischem Code.

Arbeit mit Finanzdaten in Python

• Import von Excel- und CSV-Daten mit Pandas und DataFrames.
• Filtern, Gruppieren, Aggregieren und Berechnen von Finanzmetriken.
• Nutzung von KI zum Erklären von Fehlern, Optimieren von Logik und Dokumentieren der Analyse-Schritte.

Praktische Anwendungen im Finanz-Coding

• Automatisierung repetitiver Berechnungen, der Abweichungsanalyse und der Verhältnisanalyse.
• Erstellung wiederverwendbarer Python-Workflows mit KI-gestützter Code-Prüfung.
• Validierung der Ergebnisse vor deren Verwendung in der Finanzberichterstattung.

Praktische Übung

• Aufbau eines KI-gestützten Python-Workflows zur Analyse eines Beispieldatensatzes aus den Finanzen.
• Prüfung des generierten Codes, Testen von Annahmen und Verbesserung der Ergebnisse durch menschliche Validierung.

Tag 2: Fortgeschrittene Finanzdatenanalyse mit KI

Vorbereitung und Qualitätssicherung von Finanzdaten

• Bereinigung, Validierung und Standardisierung von Finanzdaten.
• Bearbeitung fehlender Werte, Duplikate, inkonsistenter Klassifizierungen und Datumsprobleme.
• Kombinierung von Daten aus mehreren Finanzquellen zur Analyse.

Fortgeschrittene Finanzanalyse

• Analyse von Umsatz, Kosten, Marge, Profitabilität und Working Capital.
• Plan-Ist-Vergleich, Abweichungsanalyse und Periodenvergleich (Period-over-Period).
• Drill-down-Analyse zur Identifizierung der wichtigsten finanziellen Einflussfaktoren.

KI-gestützte Analyse und Anomalie-Erkennung

• Einsatz von KI zur Untersuchung von Bewegungen, Mustern und ungewöhnlichen Transaktionen.
• Generierung analytischer Fragen und Hypothesen aus Finanzdaten.
• Unterscheidung zwischen nützlichen Signalen und irreführenden, KI-generierten Interpretationen.

Vorhersagen und Szenario-Analyse

• Historische Trends, Einflussfaktoren und Annahmen für Prognosen.
• Was-wäre-wenn-Analysen und Sensitivitätsanalysen zur Unterstützung finanzieller Entscheidungen.
• Nutzung von KI zur Unterstützung von Szenario-Beschreibungen unter Wahrung der finanziellen Kontrollen.

Praktische Übung

• Durchführung einer End-to-End-Analyse eines Finanzdatensatzes und Identifizierung wesentlicher Abweichungen und Anomalien.
• Erstellung einer prägnanten, KI-gestützten Zusammenfassung der Finanzinsights, gestützt durch die zugrunde liegenden Daten.

Tag 3: KI-basierte Finanzdashboards und Management-Erkenntnisse

Gestaltung von Finanzdashboards

• Auswahl sinnvoller KPIs für Finanz-, Management- und operative Reports.
• Gestaltung von Dashboards entlang von Entscheidungsfragen statt reiner visueller Darstellungsvielfalt.
• Strukturierung von Ansichten für Führungsebene, Management und Analysten.

Aufbau interaktiver Finanzdashboards

• Anbindung und Transformation von Finanzdaten für den Dashboard-Einsatz.
• Erstellung von KPI-Karten, Trenddarstellungen, Abweichungsvisualisierungen, Drill-downs und Filtern.
• Gestaltung von Ansichten für Plan-Ist-Vergleich, Profitabilität, Cashflow und Leistungskennzahlen.

KI-erweitertes Dashboarding

• Nutzung von Natural Language Querying zur Exploration von Finanzdaten.
• Generierung KI-gestützter Zusammenfassungen und Erklärungen zu KPI-Veränderungen.
• Einsatz von KI zur Identifizierung von Bereichen, die einer tieferen Analyse bedürfen.

Kontrollen und Zuverlässigkeit bei Dashboards

• Berücksichtigung von Datenaktualisierung, Nachvollziehbarkeit, Validierung und Rekonciliation.
• Verwaltung von Zugriffen, sensiblen Finanzinformationen und kontrollierter Verbreitung.
• Vermeidung irreführender visueller oder KI-generierter Schlussfolgerungen.

Praktische Übung

• Aufbau eines interaktiven Finanzdashboards auf Basis eines strukturierten Datensatzes.
• Hinzufügen von KI-gestützten Management-Kommentaren, die an messbare finanzielle Bewegungen geknüpft sind.

Tag 4: Fortgeschrittene KI-Werkzeuge im Hauptbuch und im Finanzbetrieb

KI-Anwendungen im Hauptbuch (General Ledger)

• Analyse von Hauptbuchkonten, Transaktionsmustern und Buchungsgewohnheiten.
• Einsatz von KI zur Unterstützung der Transaktionsklassifizierung und der kontobasierten Prüfung.
• Identifizierung ungewöhnlicher, risikoreicher oder vom Muster abweichender Einträge.

KI für Rekonciliationen

• Abgleich von Datensätzen und Identifizierung von Ausnahmen in Finanzdaten.
• Unterstützung bei Bank-, Konzern- und Bilanzrekonciliationen.
• Priorisierung nicht rekonciliierter Posten für die menschliche Untersuchung.

Journeleintrags-Analytik

• Erkennung von doppelten, ungewöhnlichen und manuellen Journaleinträgen.
• Analyse von Journaleinträgen am Periodenende und Generierung unterstützender Erklärungen.
• Risikoindikatoren und Prüfpunkte für Finanzteams.

KI im Rechnungsabschluss und in der Berichterstattung

• Priorisierung von Abschlussaufgaben und ausnahmebasierte Prüfung.
• KI-gestützte Abweichungserklärungen, Kommentare und Prüfnotizen.
• Nutzung strukturierter Genehmigungen und Validierungen vor der finalen Berichterstattung.

Praktische Übung

• Analyse eines Beispieldatensatzes des Hauptbuchs und Identifizierung von Anomalien und Rekonciliationsausnahmen.
• Erstellung einer kontrollierten, KI-gestützten Prüfungs-Zusammenfassung für das Finanzmanagement.

Tag 5: Agentic AI für Finanzoperationen und Entscheidungsunterstützung

Agentic AI für die Finanzen verstehen

• Was einen KI-Workflow „agentic“ macht: Ziele, Planung, Werkzeuge, Gedächtnis, Aktionen und Feedback-Schleifen.
• Wo Agentic AI Finanzoperationen unterstützen kann und wo menschliche Freigaben essenziell bleiben.
• Single-Agent im Vergleich zu mehrstufigen oder Multi-Agent-Finanzworkflows.

Gestaltung von agentic Finanzworkflows

• Erstellung von Agenten für Aufgaben zur Datenerfassung, Analyse, Validierung und Berichterstattung.
• Anbindung von Agenten an strukturierte Finanzdaten und freigegebene Werkzeuge.
• Gestaltung von Eskalationsregeln, Prüfpunkten und Genehmigungsgrenzen.

Agentic Anwendungsfälle in den Finanzen

• Automatisierte Untersuchung von Abweichungen und Workflow für Management-Kommentare.
• Triage von Hauptbuchausnahmen, Unterstützung bei Rekonciliationen und Überwachung des Abschlussstatus.
• Aktualisierung von Prognosen, Vorbereitung von Szenarien und KI-Assistenten für Finanzabfragen.

Governance, Risiko und Kontrollen für Agentic AI

• Human-in-the-loop-Kontrollen, Audit-Trails, Berechtigungen und Trennung der Zuständigkeiten.
• Datengeheimhaltung, Risiko von Halluzinationen, Validierung und Modellgrenzen.
• Definition sicherer Betriebsgrenzen vor der Produktivsetzung.

Finale praktische Abschlussarbeit (Capstone)

• Kombination von Python mit KI, fortgeschrittener Analytik und Dashboard-Ergebnissen in einem einzigen Finanzanwendungsfall.
• Gestaltung eines agentic Workflows, der Ergebnisse analysiert, Ausnahmen markiert und Management-Erkenntnisse vorbereitet.
• Präsentation des Workflows, der Kontrollen, der Ergebnisse und der empfohlenen nächsten Schritte.