16
16 RISIKO MANAGER 05|2019 grafisch aufbereiteter Dashboards und dynamischer Navigationspfade » Möglichkeit der eigenständigen Analyse durch den Benutzer mittels Filter, Parameterkombinationen oder Drill Down auf Ursprungsdaten » Kombination von Daten aus mehreren Quellen wie dem Treasury-Management -System, Hauptbuch- und Controllingdaten aus dem ERP-System (Enterprise Resource Planning), Marktdaten, Fondsreports oder Kreditrisikodatenbanken. Dies erlaubt etwa eine Automatisierung von Abstimmungshandlungen zwischen dem Hauptbuch und dem Nebenbuch für die Finanzinstrumente, die häufig noch manuell erfolgen Für die Umsetzung des digitalen Treasury Reporting stehen mittlerweile leistungsfähige BI-Tools zur Verfügung, die auch ohne Programmierkenntnisse implementiert werden können. Sofern kein direkter Zugang zu einem vom Systemhersteller qualitätsgesicherten und freigegebenen Datenlayer möglich ist, können die Ursprungsdaten mittels ETL-Tools (Extract Transfer Load) aus Reports oder anderen Quellen extrahiert, aufbereitet und in den Datenlayer übertragen werden. Darauf kann dann das BI-Tool zugreifen, um eine Darstellung in Form von gestaltbaren Berichtsformaten wie zum Beispiel Dashboards zu erstellen. Das unterscheidet sich deutlich von dem herkömmlichen Verfahren: Bisher war es üblich, Reports manuell aus ggf. unterschiedlichen Systemen oder Modulen zu generieren, in Excel aufzubereiten, in PowerPoint darzustellen oder in eine PDF-Datei umzuwandeln. BI-Tools sind im Vergleich zu diesen statischen Darstellungsformen ökonomischer – ganz zu schweigen von einer deutlichen Steigerung der Analysefähigkeit und Transparenz. Währungsmanagement Vor wenigen Jahren vertrat die Mehrzahl der Treasurer noch die Ansicht, dass sie vor der Durchführung von Sicherungsgeschäften die Hedge-Position mit eigenen Augen prüfen müssen. Heute werden die Möglichkeit und Sinnhaftigkeit eines durchgängig automatisierten Ablaufs der einzelnen Arbeitsschritte überwiegend nicht mehr bezweifelt. Der aktuelle Stand der Technik erlaubt die: » Erhebung des Exposures je Währung, sowohl gebuchter und kontrahierter künftiger Fremdwährungszahlungen als auch des geplanten Exposures mittels weitgehend automatisierter währungsdifferenzierter Liquiditätsplanung durch Predictive Analytics (s. u.) » Anwendung einer regelbasierten Hedging-Strategie, die ggf. auch komplexeren Parametern hinsichtlich Horizont, Quote und Instrumentenmix sowie Risikomessgrößen und/oder Marktdaten unterliegt » Ableitung von Deals, die bestimmte Größenordnungen, Market-Timing oder andere Elemente eines Algorithmus-basierten Handels berücksichtigen » Automatisierung des Handels und der Geschäftsbestätigungen über elektronische Plattformen » Erfassung, Validierung, Bewertung und Buchung bis hin zum Settlement der einzelnen Transaktionen sowie Zuordnung zum zugrunde liegenden Exposure zum Zweck des Hedge Accountings. Ausnahmen von diesem Straight Through Processing stellen beispielsweise Auffälligkeiten oder Nischenwährungen dar. Für diese lohnt sich eine solche Automatisierung meist nicht. Cash Management Im Cash Management gehören das manuelle Erfassen von Kontoauszugssalden in Tabellen, die Errechnung des Tagesfinanzstatus, der Abgleich mit den Tages-Forecasts und die Bestimmung der erforderlichen Kontoüberträge sowie die Eingabe der Zahlungsaufträge in eBanking-Applikationen häufig noch zum täglichen Geschäft. Da diese Prozesse regelbasiert ablaufen und hohe Frequenzen haben, eignen sie sich ideal für eine Robotic Process Automation (RPA). Denn ein Computer führt die Aufgabe schneller, fehlerfreier und günstiger durch. Der Cash Manager übernimmt somit nur noch die Kontrolle, sollte das Vertrauen gegenüber dem Roboter gerade in der Anfangsphase noch gering sein. Analytics Die größte Weiterentwicklung bietet die Digitalisierung im Bereich der Datenanalyse sowie der Anwendung von Künstlicher Intelligenz (KI) und Machine Learning. Im Bereich des Treasury können diese Techniken für folgende Aufgaben angewendet werden: Liquiditätsplanung mit Predictive Analytics Die noch weit verbreitete Form der Liquiditätsplanung entspricht entweder der Ableitung des Cashflows aus der Abschluss-basierten indirekten Kapitalflussrechnung oder der direkten Erfassung von erwarteten Zahlungsströmen in Tabellen. Erstere ist methodisch ungenau, letztere aufwändig. Beide sind von der Erfahrung und Sorgfalt des planenden Mitarbeiters abhängig. Die Liquiditätsplanung mit Predictive Analytics hingegen leitet mittels statistischer Methoden Planwerte aus historischen Daten ab. Das schließt Daten von tagesgenauen und ursachendifferenzierten Zahlungen sowie Währungskurse, Rohstoffpreise, Kundenstatistiken und anderen Marktdaten, Produktionsvolumina, Konjunkturindizes und weiteren für die Cashflows relevante Parameter mit ein. Durch den Algorithmus werden Muster erkannt und Vorhersagen für künftige Cashflows generiert. Darüber hinaus ist es möglich, bekannte oder erwartete Ereignisse wie etwa Investitionen und Unternehmenstransaktionen als Einflussfaktoren mit einfließen zu lassen. Die größte Herausforderung für die Unternehmen stellen in den meisten Fällen die Ist-Daten dar. Diese sollten mindestens drei Jahre zurückreichen. Ohne die Daten ist sowohl die Entwicklung als auch das Training der Algorithmen schwierig. Besteht noch keine hinreichende Ist-Rechnung, ist es möglich, diese mit einem vertretbaren Mehraufwand nachträglich aus den Kontoauszügen und den Buchungen abzuleiten. Mithilfe der Abweichungsanalyse können die Algorithmen durch weitere Einflussfaktoren oder Kalibrierungen ihre Gewichtung verbessern. Jedoch sollten die maschinell generierten Planwerte noch einer Plausibilitätskontrolle durch erfahrene Mitarbeiter unterzogen werden – zumindest in dem Zeitraum, in dem das Modell noch verbessert wird.
ERM 17 Fraud Prevention und Sanction Screening Im Zahlungsverkehr sind Stichprobenprüfungen vielerorts noch üblich, da eine lückenlose Prüfung mit konventionellen Auswertungsmethoden mit einem zu hohen Aufwand verbunden ist. Diese Kontrollen sind naturgemäß lückenhaft und bei einer hohen Anzahl von Transaktionen selbst sehr umfangreich und daher aufwändig auszuwerten. Dadurch kann die Zeitspanne bis zum Erkennen eines kritischen Falls zu groß werden, um diesen dann noch zu verhindern. Demgegenüber bieten leistungsfähige Tools die Möglichkeit, mittels komplexer statistischer Verfahren eine vollständige Analyse von Massenzahlungen durchzuführen. Dadurch können in sehr kurzer Zeit Auffälligkeiten entdeckt und eingehender auf das Vorliegen eines Betrugsfalls untersucht werden. Hierbei können zum einen bekannte kritische Sachverhalte vorgegeben werden (z. B. Prüfung, ob das Sitzland der Bank zum Sitzland des Zahlungsempfängers passt). Zum anderen kann Künstliche Intelligenz (KI) ungewöhnliche Muster von Zahlungsdaten erkennen und anzeigen. Werden diese dann als zulässig gekennzeichnet, laufen entsprechende Zahlungen künftig unbeanstandet durch die Maschine. Darüber hinaus stellt die Einrichtung eines solchen Kontrollmechanismus für die Zahlungsdateien eine Lösung für die zunehmenden und sich ändernden Sanktionslisten sowie die Anforderungen an die Geldwäscheprävention dar. Kreditrisikobeurteilung Die wachsende Zahl von Datendienstleistern und die Weiten des Internets bieten eine Fülle von Informationen über Geschäftspartner. Diese werden derzeit meistens nur rudimentär genutzt. Komplexe Methoden der Datenanalyse erlauben mithilfe von leistungsfähigen Computern, diese Datenmassen zu erheben, sie intelligent zu verknüpfen und zu analysieren sowie die Auswertungen laufend zu optimieren. Statt Informationen von nur einem Anbieter zu beziehen, können mehrere Datendienste herangezogen werden, um unternehmensbezogene, regionale oder branchenspezifische Lücken des einen auszugleichen. Ebenso können anbieterspezifische Ausreißer, Modellfehler oder andere Schwächen kompensiert werden. In einer weiteren Ausbaustufe ist es sogar möglich, weitere Daten aus Presse- und anderen Informationsdiensten bis hin zur Auswertung von Social Media zu nutzen. Vielfach wird an diesen Verfahren kritisiert, dass der Aufwand nicht dem Nutzen entspricht. In diesen Fällen sollte aber auch analysiert werden, inwieweit die aktuell verwendeten und oft sehr rudimentären Methoden überhaupt ein wirksames Kreditrisikomanagement darstellen. Schließlich verursachen auch diese laufende Kosten. Performance In Folge der Digitalisierung werden IT-Systeme zunehmend von einer On-Premise-Installation in die Cloud verlagert. Durch die Verlagerung lassen sich Kosten einsparen, die Verarbeitungsgeschwindigkeit steigern und Upgrades schneller durchführen. Die Vorteile einer höheren Automatisierung oder intelligenteren Datennutzung lassen sich jedoch nur vollständig ausschöpfen, wenn systemübergreifend und interdisziplinär gearbeitet wird. Electronic-Bank-Account-Management Treasurer beklagen den Aufwand, der mit der Öffnung, Änderung oder Schließung von Bankkonten einhergeht. Durch regulatorische Vorgaben ist der Umfang der be- reitzustellenden Daten und Informationen stark angestiegen. Hinzu kommen die unterschiedlichen Anforderungen der verschiedenen Banken. Auch die technischen Lösungen für die Datenübermittlung – häufig in Form von eBanking-Portalen – entsprechen in den seltensten Fällen den heutigen Anforderungen. Zur Vereinfachung des Bank-Account- Management wurden bereits Lösungen entwickelt. Die digitale Speicherung und Verarbeitung von Daten und Dokumenten führen beispielsweise zu einer erheblichen Beschleunigung und Vereinfachung der Arbeit. Mühseliges manuelles Zusammentragen von Registerauszügen, Unterschriftslisten oder Ausweisdokumenten wird durch die automatisierten Prozesse überflüssig. Process Monitoring Die im Rahmen des Treasury generierten Daten werden bei dieser Anwendung laufend auf die Einhaltung bestimmter Kenngrößen für die Prozesseffizienz analysiert. So können die Bearbeitungsdauer für Prozesse wie die Bestätigung eines Finanzgeschäfts transparent gemacht werden, die Anzahl von Fehlerkorrekturen oder anderen nicht fehlerfrei ablaufenden Prozessen erhoben und mit Zielvorgaben verglichen werden. Diese Daten identifizieren die wesentlichen Schwachstellen, zeigen die Ursachen auf und ermöglichen die Ableitung von Maßnahmen zur Optimierung. Als App auf Tablet oder Smartphone kann der Treasurer damit auch außer Haus die Prozessparameter im Blick behalten. Die Möglichkeit einer Analyse der Prozessabläufe in Echtzeit durch solche „Process Mining Tools“ kann beispielweise auch durch die Interne Revision für eine kontinuierliche Überwachung der Einhaltung von Vorgaben genutzt werden.
