Das 5-Schritte-Modell für KI in FP&A-Prognosen: Ein Leitfaden
Kann KI im Bereich FP&A Ihre Arbeit erleichtern? Wahrscheinlich. Wird es etwas Arbeit erfordern? Auf jeden Fall. Es gibt die Vorstellung, dass künstliche Intelligenz (KI) und maschinelles Lernen (ML) „Black Boxes“ sind, was bedeutet, dass es nicht möglich ist, ihre inneren Abläufe einzusehen.
Dieser Mangel an Transparenz und die Notwendigkeit der Digitalisierung stellen eine Herausforderung dar, denn Sie müssen genaue Prognosen liefern sowie die Treiber verstehen und Stakeholdern erklären können. Es ist entscheidend, Mechanismen zur Überwachung von KI zu etablieren, um sicherzustellen, dass die Arbeit zuverlässig und nachvollziehbar ist.
5-Schritte-Rahmen zur Überwachung von ML-Prognosen
Wenn Sie wissen möchten, wie Sie KI im Bereich FP&A einsetzen können, benötigen Sie einen klaren Plan, um es richtig zu machen. Beim Thema ML-Prognosen müssen Sie mehrere Schlüsselbereiche überwachen, um sicherzustellen, dass die Arbeit richtig erledigt wird. Hier sind die 5 Schritte, die ich gehe:
Sie möchten mehr vom The CFO Club?
Erstellen Sie ein kostenloses Konto, um diesen Beitrag zu Ende zu lesen und einer Community moderner CFOs und Finanzverantwortlicher beizutreten, die auf erprobte Methoden, Tools und Erkenntnisse zugreifen, um sich in der KI-gesteuerten Finanzwelt zurechtzufinden.
Have an account? Log In
1. Überprüfen Sie Ihre Annahmen
Der erste Schritt besteht darin, die Annahmen zu validieren, die während des Prognoseprozesses gemacht wurden. Dies beinhaltet, die zugrunde liegenden Hypothesen zu überprüfen und sicherzustellen, dass sie zum geschäftlichen Kontext passen. Sie sollten bewerten, ob die Annahmen vernünftig, konsistent und auf relevanten historischen Daten basieren.
Zum Beispiel, als ich während COVID-19 damit begann, die Arbeitskosten zu prognostizieren, wurde das Modell zwar auf historischen Daten trainiert, berücksichtigte aber andere Punkte wie steigende Nachfrage nicht. Für einen Menschen wäre dieser Nachfrageschub eine „vernünftige“ neue Annahme, aber eine Maschine würde nicht von sich aus daran denken, sie einzubeziehen. Wenn der ML-Algorithmus eine Black Box wäre, könnten Sie den Einfluss der Nachfrage auf das Endergebnis nicht erkennen.
2. Überprüfen Sie die Datenqualität
Genauigkeit und hohe Qualität der Datensätze sind entscheidend für verlässliche Prognosen. Wie wir im Finanz- und Rechnungswesen sagen: Wenn Ihre Eingabedaten unbrauchbar sind, sind auch die Ergebnisse unbrauchbar.
Es ist wichtig sicherzustellen, dass die für das Training des ML-Modells verwendeten Daten vollständig, aktuell und repräsentativ für die Zielgruppe sind. Methoden zur Datenbereinigung und -vorverarbeitung sollten eingesetzt werden, um Ausreißer, fehlende Werte und andere Probleme der Datenqualität zu beheben.
Meiner Erfahrung nach ist das Fehlen von Echtzeitdaten (oder so nah wie möglich daran) und zuverlässigen Daten der häufigste Grund, warum ML-Algorithmen bei Unternehmen nicht funktionieren. Ihre Daten müssen bereinigt, standardisiert und in einer Struktur vorliegen, mit der das ML-Modell arbeiten kann.
3. Verstehen Sie die Begründung des Algorithmus
Wenn Sie wissen möchten, wie Sie KI im Bereich FP&A nutzen, müssen Sie in das „Denken“ der Maschine eintauchen. Das Verständnis der Begründung für den ausgewählten Algorithmus ist entscheidend – Sie müssen beurteilen, wie gut der Algorithmus für die jeweilige Prognoseaufgabe geeignet ist.
Sie sollten beurteilen, ob der ausgewählte ML-Algorithmus zu den Datenmerkmalen und den spezifischen Zielen der Prognose passt; da KI-Modelle typischerweise auf prädiktiver Analytik aufbauen, müssen Sie prüfen, ob die Vorhersagen tatsächlich sinnvoll sind. Diese Bewertung hilft, sicherzustellen, dass die Annahmen des Algorithmus mit dem Finanzbereich übereinstimmen.
Eine Möglichkeit, dies zu tun, besteht darin, den Algorithmus in kleinere Teile zu zerlegen und die Mathematik hinter jedem dieser Komponenten zu verstehen. Verstehen Sie dann die Beziehungen zwischen ihnen und die Fälle, in denen der Algorithmus bestimmte Ergebnisse liefert. Wenn Sie sich nicht in der Lage fühlen, diesen Teil der Datenanalyse selbst zu übernehmen, holen Sie sich einen KI-Experten (Ingenieur, Data Scientist oder jemanden in einer ähnlichen Funktion wie meiner), der die Analyse für Sie übernimmt. Alternativ könnten Sie auch ein statistisches Analysetool verwenden, das den Prozess vereinfachen soll.
Diese Bewertung der Begründung muss mit dem nächsten Element kombiniert werden: dem Verständnis der Treiber.
4. Verstehen der Einflussfaktoren (und diese erklären können)
Transparenz in der Prognose erfordert die Möglichkeit, die treibenden Faktoren hinter den vorhergesagten Ergebnissen zu erklären: Ganz gleich, ob Sie Teil eines FP&A-Teams oder CFO sind – Sie können keine Daten präsentieren, die Sie nicht verstehen.
Sie müssen die Schlüsselfaktoren und Merkmale verstehen, die zu den prognostizierten Ergebnissen beitragen. Diese Erläuterung trägt dazu bei, Vertrauen zu schaffen und eine effektive Kommunikation mit Stakeholdern zu ermöglichen, die auf die Prognose angewiesen sind.
In meinem eigenen Prozess verbringe ich, bevor ich mit dem Codieren des Algorithmus beginne, 1 oder 2 Tage mit dem Teil des Geschäfts, für den ich ihn entwickle. Besuchen Sie eine bestimmte Fabrik, wenn der Algorithmus deren Energieverbrauch prognostizieren soll, oder begleiten Sie den Außendienst, wenn der Algorithmus die Verkäufe in einem bestimmten Geschäft vorhersagen soll.
Nachdem Sie ein Gefühl für die entsprechende Abteilung, das Team oder die Einrichtung bekommen haben, schreiben Sie alle Einflussfaktoren auf, die die Prognose beeinflussen könnten, und sorgen Sie dafür, dass der Algorithmus nicht nur ein „Endergebnis“ ausgibt, sondern auch erläutert, welche Merkmale oder Treiber zu diesem Ergebnis beigetragen haben.
5. Ergebnisse validieren
ML-Algorithmen sollten gründlich validiert werden, um sicherzustellen, dass ihre Ergebnisse sinnvoll sind. Dazu gehört die Überprüfung der Leistungskennzahlen des Modells wie Genauigkeit, Präzision, Recall und mittlerer absoluter Fehler. Liegen die Leistungswerte des Modells unter den akzeptablen Schwellenwerten, kann eine weitere Verfeinerung, ein erneutes Training oder die Erkundung alternativer Algorithmen notwendig sein.
In den letzten Wochen habe ich mit vielen Finanzexperten gesprochen und sie beschreiben diesen letzten Schritt auf unterschiedliche Weise – manche nennen es „Bauchgefühl“, andere sprechen vom „Geruch“ der Prognoseergebnisse.
Einfach ausgedrückt: Sie müssen Ihr empirisches Wissen und Ihre fachliche Expertise nutzen, um zu beurteilen, ob die Prognose schlüssig ist. Sie können dazu wie oben beschrieben mathematische Berechnungen einsetzen, aber Sie brauchen auch die Denkweise eines echten Geschäftspartners und sollten Ihr betriebswirtschaftliches Wissen laufend erweitern, um ein KI-Modellergebnis richtig beurteilen zu können.
Das Fazit
Gibt man einer Person eine ML-Automatisierung: automatisiert sie für einen Tag. Bringt man einer Person bei, wie sie KI in FP&A einsetzen kann: automatisiert sie für ihr ganzes Leben.
Die Anwendungsfälle sind vielfältig, da die Fähigkeiten von KI weiterwachsen und immer neue Einsatzmöglichkeiten entdeckt werden. Aber die Geschäftsentscheidungen werden den Robotern noch nicht überlassen.
Die Vorteile von KI können CFOs und FP&A-Experten das Leben erleichtern, aber derzeit kann ChatGPT die Arbeit noch nicht allein erledigen.
Wenn Sie beim Thema KI-Einführung im Finanzwesen auf dem Laufenden bleiben wollen, abonnieren Sie den Newsletter des CFO Club und erhalten Sie die besten Leitfäden direkt in Ihr Postfach.
