So nutzen Sie KI in FP&A: 5-Schritte-Rahmenwerk für die Überwachung von Prognosen mit maschinellem Lernen
Es sieht so aus, als ob wir alle noch herausfinden müssen, wie wir KI im FP&A (richtig) einsetzen können. Kann KI Ihre Arbeit erleichtern? Wahrscheinlich. Wird sie etwas Arbeit erfordern? Auf jeden Fall.
Ob Sie nun ChatGPT, Copilot oder etwas anderes verwenden, gibt es die Vorstellung, dass künstliche Intelligenz (KI) und maschinelles Lernen (ML) „Black Boxes“ sind – das heißt, es ist nicht möglich, ihre inneren Abläufe zu erkennen.
Im Finanzwesen stellt dieser Mangel an Transparenz und das Erfordernis der Digitalisierung für CFOs, Finanzleiter und Teams in der Finanzplanung und Analyse (FP&A) eine Herausforderung dar: Sie müssen zwar genaue Prognosen liefern, aber noch wichtiger ist, dass sie die zugrunde liegenden Einflussfaktoren für Geschäftsinteressenten verstehen und erklären können.
Want more from The CFO Club?
Create a free account to finish this piece and join a community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
Wie wir wissen, kann die Finanzabteilung ihrem Unternehmen keine automatisierte Prognose geben und bei Fragen nach den wichtigsten Einflussgrößen ihres Modells einfach sagen: „Die KI-Tools haben es so gesagt“.
Um dieses Problem anzugehen und Vertrauen in KI-gestützte Entscheidungsprozesse zu schaffen, ist es entscheidend, Mechanismen zur Überwachung von KI einzuführen, um die Verlässlichkeit und Nachvollziehbarkeit der erbrachten Leistungen sicherzustellen.
Doch dann kommt der schwierige Teil: Wie schafft man Rahmenwerke, um KI-Prozesse zu überwachen und sicherzustellen, dass die Arbeit korrekt ausgeführt wurde?
In diesem Artikel beleuchte ich einen spezifischen KI-Prozess – das maschinelle Lernen (ML) zur Prognose.
PS: Falls Sie sich noch fragen, welche FP&A-Aufgaben bei der Automatisierung Priorität haben, habe ich das bereits behandelt.
5-Schritte-Rahmenwerk zur Überwachung von ML-Prognosen
Wenn Sie wissen wollen, wie man KI im FP&A nutzt, brauchen Sie einen klaren Plan, um es richtig zu machen. Gerade beim ML-Forecasting erfordern verschiedene Schlüsselaspekte eine Kontrolle, damit die Arbeit korrekt durchgeführt wird. Hier sind die 5 Schritte, die ich anwende:
1. Überprüfen Sie Ihre Annahmen
Der erste Schritt ist die Validierung der bei der Prognoseerstellung getroffenen Annahmen. Das bedeutet, die zugrunde liegenden Hypothesen zu hinterfragen und zu prüfen, ob sie zum Geschäftsumfeld passen. Es gilt, darauf zu achten, dass die Annahmen vernünftig, konsistent und auf relevanten historischen Daten basieren.
Als ich zum Beispiel während COVID-19 angefangen habe, die Arbeitskosten zu prognostizieren, wurde das Modell mit historischen Daten trainiert, berücksichtigte aber nicht Aspekte wie steigende Nachfrage. Für einen Menschen wäre solch ein Nachfragesprung eine „vernünftige“ neue Annahme, aber eine Maschine würde nicht „auf die Idee kommen“, dies einzubeziehen. Wenn der ML-Algorithmus eine Black Box ist, könnten Sie die Auswirkungen der Nachfrage auf das Endergebnis nicht erkennen.
2. Überprüfen Sie Ihre Datenqualität
Genaue und hochwertige Datensätze sind entscheidend für verlässliche Prognosen. Wie wir in Finanz- und Rechnungswesen sagen: Wenn Ihre Eingaben Müll sind, sind es auch Ihre Ausgaben.
Es ist entscheidend zu prüfen, dass die für das ML-Training verwendeten Daten umfassend, aktuell und repräsentativ für die Zielgruppe sind. Techniken zum Bereinigen und Vorverarbeiten von Daten sollten eingesetzt werden, um Ausreißer, fehlende Werte und andere Datenqualitätsprobleme zu beheben.
Meiner Erfahrung nach ist das Fehlen von Echtzeitdaten (bzw. so nah wie möglich daran) und verlässlichen Daten der häufigste Grund, warum ML-Algorithmen für Unternehmen nicht funktionieren. Die Daten müssen bereinigt, standardisiert und so strukturiert sein, dass das ML-Modell sie verarbeiten kann.
3. Verstehen Sie die Argumentation des Algorithmus
Wenn Sie wissen wollen, wie man KI im FP&A nutzt, müssen Sie in den „Kopf“ der Maschine blicken. Das Verständnis für die Beweggründe des gewählten Algorithmus ist entscheidend – Sie müssen beurteilen, ob der Algorithmus für die jeweilige Prognoseaufgabe geeignet ist.
Es sollte bewertet werden, ob der gewählte ML-Algorithmus zu den Datenmerkmalen und den spezifischen Zielsetzungen der Prognose passt; da KI-Modelle in der Regel auf prädiktiver Analytik beruhen, ist zu prüfen, ob die Prognosen wirklich Sinn ergeben. Diese Bewertung hilft sicherzustellen, dass die Grundannahmen des Algorithmus mit dem Finanzbereich übereinstimmen.
Eine Möglichkeit besteht darin, den Algorithmus in einzelne Komponenten zu zerlegen und die Mathematik dahinter zu verstehen. Danach sollten Sie die Beziehungen zwischen den Komponenten und die Fälle nachvollziehen, in denen der Algorithmus bestimmte Ergebnisse liefert. Wenn Sie sich hierfür nicht selbst gerüstet fühlen, suchen Sie sich einen KI-Experten (Ingenieur, Datenwissenschaftler oder jemanden in einer Funktion wie meiner), um die Analyse durchzuführen. Alternativ können Sie stattdessen auch ein statistisches Analyse-Tool nutzen, das den Prozess vereinfachen soll.
Diese Überprüfung der Argumentation muss zudem mit dem nächsten Aspekt verbunden werden: dem Verständnis der Treiber.
4. Verstehen Sie die Einflussfaktoren (und seien Sie in der Lage, sie zu erklären)
Transparenz in der Prognose verlangt die Fähigkeit, die Einflussfaktoren für die prognostizierten Ergebnisse zu erklären: Egal, ob Sie Teil eines FP&A-Teams sind oder CFO, Sie können keine Daten präsentieren, die Sie nicht verstehen.
Sie müssen die Schlüsselfaktoren und Merkmale verstehen, die zu den prognostizierten Ergebnissen beitragen. Diese Erklärung hilft, Vertrauen aufzubauen und erleichtert die effektive Kommunikation mit Stakeholdern, die sich auf die Prognose verlassen.
In meinem eigenen Prozess verbringe ich, bevor ich mit der Programmierung des Algorithmus beginne, 1 oder 2 Tage mit dem Bereich des Unternehmens, für den ich ihn entwickle. Ich besuche zum Beispiel eine bestimmte Fabrik, wenn der Algorithmus den Energieverbrauch vorhersagen soll, oder gehe auf eine Vertriebsreise mit, wenn der Algorithmus die Verkäufe in einem bestimmten Geschäft prognostizieren wird.
Sobald Sie ein Gespür für die betreffende Abteilung, das Team oder die Einrichtung bekommen haben, notieren Sie sich alle Einflussfaktoren, die die Vorhersage beeinflussen könnten. Stellen Sie außerdem sicher, dass der Algorithmus nicht nur ein „Endergebnis“ ausgibt, sondern auch erklärt, welche Merkmale oder Faktoren zu diesem Ergebnis beigetragen haben.
5. Validieren Sie die Ergebnisse
ML-Algorithmen sollten sorgfältig validiert werden, um sicherzustellen, dass ihre Ausgaben sinnvoll sind. Dazu gehört die Überprüfung der Leistungskennzahlen des Modells wie Genauigkeit, Präzision, Recall und mittlerer absoluter Fehler. Wenn die Leistung des Modells unter akzeptablen Schwellenwerten liegt, sind weitere Verfeinerungen, erneutes Training oder die Prüfung alternativer Algorithmen unter Umständen notwendig.
In den letzten Wochen habe ich mit vielen Finanzprofis gesprochen, und sie beschreiben diesen letzten Schritt unterschiedlich – einige nennen es „Bauchgefühl“, andere sprechen vom „Geruch“ der Prognoseergebnisse.
Einfach ausgedrückt: Sie müssen Ihr empirisches Wissen und Ihre Fachexpertise nutzen, um zu beurteilen, ob die Prognose sinnvoll ist. Sie können dafür – wie oben beschrieben – mathematische Berechnungen verwenden, brauchen aber auch die Denkweise eines echten Geschäftspartners und sollten Ihr Geschäftswissen stets weiterentwickeln, um ein KI-Modellergebnis angemessen einzuordnen.
Das Fazit
Gib einer Person eine ML-Automatisierung: Sie automatisiert für einen Tag. Bringe einer Person bei, wie sie KI in FP&A einsetzt: Sie automatisiert ein Leben lang.
Die Anwendungsmöglichkeiten sind vielfältig, da die Fähigkeiten der KI stetig wachsen und weiter entdeckt werden. Aber Geschäftsentscheidungen werden den Robotern noch nicht überlassen.
Die Vorteile von KI können das Leben für CFOs und FP&A-Expert:innen vereinfachen, aber derzeit kann ChatGPT die Arbeit noch nicht alleine erledigen.
Wenn Sie bei der KI-Implementierung im Finanzbereich einen Schritt voraus sein möchten, abonnieren Sie den Newsletter des CFO Clubs und erhalten Sie die besten Leitfäden direkt in Ihr Postfach.
