Maschinelles Lernen

Von Sprachassistenten bis zu Produktempfehlungen arbeiten Technologien des maschinellen Lernens in vielen Ecken des Alltags. Für Finanzteams lautet die eigentliche Frage jedoch: Was leistet diese Technologie konkret in den Ausgaben- und Spesenprozessen eines Unternehmens? Wer klassifiziert die Belegberge, wer erkennt doppelte Einträge, wer prognostiziert das Budget des nächsten Quartals?

In diesem Leitfaden fassen wir die Grundbegriffe des maschinellen Lernens kurz zusammen und richten den Hauptfokus dann auf das Ausgabenmanagement: Kategorielernen, Dublettenerkennung, Anomalie-Markierung und Prognose.

Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das es Computersystemen ermöglicht, ohne explizite Programmierung aus Daten zu lernen und ihre Leistung mit Erfahrung zu verbessern. In traditioneller Software schreibt der Entwickler die Regeln einzeln; beim maschinellen Lernen entdeckt das System Muster in den ihm vorgelegten Beispielen und bildet daraus eigene Regeln.

Arthur Samuel von der Stanford University definierte das Feld 1959 so: "Das Forschungsgebiet, das Computern die Fähigkeit verleiht zu lernen, ohne explizit programmiert zu werden." Die Definition gilt bis heute. Im Kern gibt es drei Bausteine: Daten (die zu lernende Rohinformation), den Algorithmus (die Methode, die das Muster extrahiert) und das Modell (die Struktur, die nach dem Training Vorhersagen liefern kann).

Lernarten: Ein kurzer Überblick

Maschinelles Lernen gliedert sich in drei Hauptansätze. Jeden mit einem Beispiel aus dem Ausgabenmanagement zu denken, macht die Konzepte greifbar:

• Überwachtes Lernen: Das Modell wird mit gelabelten Beispielen trainiert, deren richtige Antwort bekannt ist. Ein Modell, das gesehen hat, zu welcher Spesenkategorie Tausende Belege gehören, lernt, einen neuen Beleg selbstständig zu klassifizieren.
• Unüberwachtes Lernen: Das Modell entdeckt verborgene Gruppen und Muster in ungelabelten Daten selbst. Es extrahiert Cluster "normalen" Verhaltens in den Ausgabendaten des Unternehmens; eine Transaktion außerhalb des Clusters fällt auf.
• Bestärkendes Lernen: Das System lernt durch Versuch und Irrtum die Strategie, die die Belohnung maximiert. Es glänzt eher in Bereichen wie Robotik und Spielen als im täglichen Finanzbetrieb.

Tiefe Theorie ist nicht Thema dieses Artikels; die eigentliche Frage ist, wie diese Ansätze in Spesenprozessen eingesetzt werden.

Was leistet maschinelles Lernen im Ausgabenmanagement?

In einem Unternehmen entstehen jeden Monat Hunderte Belege, Rechnungen und Spesenpositionen. Dieses Volumen von Hand zu verarbeiten ist langsam und fehleranfällig; die Spesenerfassung hat für das Unternehmen versteckte Zeitkosten. Genau hier übernimmt maschinelles Lernen vier Kernaufgaben.

1. Kategorielernen: Vom Beleg zur richtigen Spesenposition

Die häufigste Entsprechung des überwachten Lernens im Ausgabenmanagement ist die automatische Kategorisierung. Ausgehend von Feldern wie Lieferantenname, Betrag, Datum und Beschreibung sagt das Modell voraus, zu welcher Kategorie eine Ausgabe gehört — Verpflegung, Transport, Unterkunft oder Bewirtung.

Entscheidend ist, dass das Modell unternehmensspezifisch lernt. Derselbe Lieferant kann in einem Unternehmen "Kundenbewirtung" sein, in einem anderen "Teamessen". Korrigiert das Finanzteam etwas, lernt das Modell aus diesem Feedback; mit der Zeit sinkt der Korrekturbedarf und die Buchhaltungsdaten werden konsistent mit dem Kontenplan.

2. Dublettenerkennung: Derselbe Beleg kann nicht zweimal erfasst werden

Dass derselbe Beleg zweimal eingereicht wird, ist meist keine böse Absicht, sondern Unachtsamkeit; das Ergebnis ist aber in beiden Fällen, dass das Unternehmen zu viel zahlt. Regelbasierte Prüfungen erkennen nur exakt identische Datensätze. Maschinelles Lernen arbeitet dagegen mit Ähnlichkeit: Es bewertet die Wahrscheinlichkeit, dass zwei Einträge mit gleichem Betrag, einem um einen Tag verschobenen Datum und unterschiedlich geschriebenem Lieferantennamen dieselbe Ausgabe sind, und legt das verdächtige Paar zur Prüfung vor.

Diese Fähigkeit ist auch bei bewussten Betrugsszenarien die erste Verteidigungslinie. Zur Richtlinien- und Kulturseite des Themas siehe unseren Artikel über Spesenbetrug.

3. Anomalie-Markierung: Das Ungewöhnliche automatisch erkennen

Die praktische Entsprechung des unüberwachten Lernens ist die Anomalieerkennung. Das Modell lernt aus den historischen Ausgabendaten des Unternehmens das "übliche" Verhalten nach Abteilung, Zeitraum und Mitarbeiter und markiert Transaktionen, die von diesem Muster abweichen, von selbst:

• Ein Ausgabenbetrag deutlich über der gewohnten Spanne,
• Ungewöhnliche Einträge, die sich am Wochenende oder außerhalb der Arbeitszeit häufen,
• Eine plötzlich steigende Ausgabenfrequenz in einer Kategorie,
• Datensätze, die den Grenzen der Ausgabenrichtlinie ständig sehr nahe kommen.

So konzentriert sich das Finanzteam statt auf die Einzelprüfung jeder Zeile nur auf markierte Ausnahmen; der Prüfaufwand sinkt, während die Richtlinientreue steigt.

4. Prognose: Budget und Cashflow vorhersehen

Historische Ausgabendaten werden nicht nur für rückblickende Berichte genutzt, sondern auch für vorausschauende Prognosen. Regressionsbasierte Modelle bewerten Saisonalität, Wachstumstrend und Abteilungsverhalten gemeinsam und prognostizieren das Ausgabenniveau der kommenden Periode.

Diese Prognosen nützen direkt in zwei Bereichen: im Budgetmanagement, um realistische Ziele zu setzen und Abweichungen innerhalb der Periode früh zu erkennen; und in der Cashflow-Planung, um die anstehende Zahlungslast im Voraus zu kennen und die Liquidität richtig zu steuern.

Was bedeutet das für Finanzteams?

Das gemeinsame Ergebnis dieser vier Fähigkeiten: Manuelle Dateneingabe und zeilenweise Kontrolle nehmen ab, die Zeit des Finanzteams verlagert sich auf Ausnahmemanagement und Analyse. Abschlussprozesse beschleunigen sich, die Konsistenz der Buchhaltungsdaten steigt, Richtlinienverstöße werden vor der Zahlung erkannt. Maschinelles Lernen ist hier keine Technikmode, sondern eine Infrastruktur, die das Skalieren des Spesenbetriebs ermöglicht.

Maschinelles Lernen bei Masraff

Masraff stellt die in diesem Artikel beschriebenen Fähigkeiten in den Mittelpunkt seines Produkts für Spesenmanagement:

• Beleg- und Rechnungserkennung: Lieferant, Betrag, Datum und Steuerinformationen werden automatisch aus dem Foto des Belegs extrahiert; der Mitarbeiter gibt keine Daten von Hand ein.
• Kategorielernen: Ausgaben werden automatisch nach dem Kontenplan des Unternehmens klassifiziert; mit den Korrekturen des Teams passt sich das Modell dem Unternehmen an.
• Dubletten- und Anomaliekontrolle: Ähnliche Einträge sowie richtlinienwidrige oder ungewöhnliche Ausgaben werden im Genehmigungsablauf automatisch markiert.
• Ausgabentransparenz: Die nach Kategorie, Abteilung und Zeitraum gesammelten Daten bilden die Grundlage für Budget- und Liquiditätsplanung.

Fazit

Maschinelles Lernen ist ein weites Feld, das mit Begriffen wie überwachtem, unüberwachtem und bestärkendem Lernen beschrieben wird. Sein Wert für die Wirtschaft zeigt sich jedoch nicht in abstrakten Definitionen, sondern in konkreten Prozessen: Der Beleg wandert von selbst in die richtige Kategorie, der doppelte Eintrag wird vor der Zahlung erkannt, die ungewöhnliche Ausgabe wird sofort markiert und die kommende Periode wird vorhersehbar.

Um diese Fähigkeiten in Ihren Ausgabenprozessen zu erleben, können Sie die Spesenmanagement-Lösung von Masraff erkunden und für eine auf Ihr Team zugeschnittene Bewertung Kontakt mit uns aufnehmen.