Tekoälyn 5-vaiheinen kehys FP&A-ennustamiseen: opas
Voiko FP&A:n tekoäly helpottaa työtäsi? Todennäköisesti. Vaatiiko se jonkin verran työtä? Ehdottomasti. On olemassa käsitys, että tekoäly (AI) ja koneoppiminen (ML) ovat ”mustia laatikoita”, mikä tarkoittaa, ettei niiden sisäistä toimintaa ole mahdollista nähdä.
Tämä läpinäkyvyyden puute ja tarve siirtyä digitaaliseen toimintaympäristöön aiheuttavat haasteen, koska sinun on tuotettava tarkkoja ennusteita sekä ymmärrettävä ja selitettävä niiden taustalla olevat tekijät sidosryhmille. On olennaista luoda mekanismit tekoälyn valvontaan, jotta voidaan varmistaa työn luotettavuus ja vastuullisuus.
ML-ennustamisen valvonnan 5 kohdan viitekehys
Jos haluat tietää, miten tekoälyä käytetään FP&A:ssa, tarvitset selkeän suunnitelman sen asianmukaiseen toteuttamiseen. ML-ennustamisen yhteydessä useat keskeiset osa-alueet edellyttävät valvontaa, jotta työn oikeaoppinen toteutus voidaan varmistaa. Tässä ovat viisi vaihetta, joita itse noudatan:
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
1. Tarkista oletuksesi
Ensimmäinen vaihe on ennustamisprosessin aikana tehtyjen oletusten validointi. Tämä tarkoittaa taustalla olevien hypoteesien tarkkaa tarkastelua ja sen varmistamista, että ne vastaavat liiketoimintaympäristöä. Sinun tulisi arvioida, ovatko oletukset järkeviä ja johdonmukaisia sekä perustuvatko ne olennaisiin historiallisiin tietoihin.
Kun esimerkiksi aloitin työvoimamenojen ennustamisen COVID-19-pandemian aikana, malli oli koulutettu historiallisilla tiedoilla, mutta siinä ei otettu huomioon muita tekijöitä, kuten kysynnän kasvua. Ihmiselle tämä kysynnän kasvu olisi ”järkevä” uusi oletus, mutta kone ei ”ajattelisi” sisällyttää sitä. Jos ML-algoritmi olisi ollut musta laatikko, et olisi voinut nähdä kysynnän vaikutusta lopputulokseen.
2. Tarkista tietojesi tarkkuus
Tarkat ja laadukkaat tietoaineistot ovat luotettavien ennusteiden edellytys. Kuten taloushallinnossa ja laskentatoimessa sanomme: jos syötteesi ovat roskaa, myös tuloksesi ovat roskaa.
On erittäin tärkeää varmistaa, että ML-mallin kouluttamiseen käytetyt tiedot ovat kattavia, ajan tasalla ja kohdejoukkoa edustavia. Tietojen puhdistus- ja esikäsittelytekniikoita tulisi käyttää poikkeamien, puuttuvien arvojen ja muiden tietojen laatuun liittyvien ongelmien käsittelemiseksi.
Kokemukseni mukaan reaaliaikaisten tai mahdollisimman lähellä reaaliaikaa olevien luotettavien tietojen puuttuminen on yleisin syy siihen, etteivät ML-algoritmit toimi yrityksissä. Tietosi on puhdistettava, standardoitava ja jäsenneltävä tavalla, jota ML-malli pystyy hyödyntämään.
3. Ymmärrä algoritmin toimintaperiaate
Jos haluat tietää, miten tekoälyä käytetään FP&A:ssa, sinun on päästävä koneen ”mielen” sisälle. Valitun algoritmin toimintaperiaatteen ymmärtäminen on olennaista – sinun on määritettävä, soveltuuko algoritmi kyseiseen ennustamistehtävään.
Sinun tulisi arvioida, vastaako valittu ML-algoritmi tietojen ominaisuuksia ja ennusteen erityisiä tavoitteita. Koska tekoälymallit perustuvat yleensä ennakoivaan analytiikkaan, sinun on tarkistettava, että ennusteet todella ovat järkeviä. Tämä arviointi auttaa varmistamaan, että algoritmin taustalla olevat oletukset sopivat taloudelliseen toimintaympäristöön.
Yksi tapa tehdä tämä on jakaa algoritmi pienempiin osiin ja yrittää ymmärtää kunkin komponentin taustalla oleva matematiikka. Sen jälkeen on ymmärrettävä niiden väliset suhteet sekä tilanteet, joissa algoritmi tuottaa tiettyjä tuloksia. Jos et tunne olevasi riittävän pätevä käsittelemään tätä tietojen analysoinnin osa-aluetta itse, etsi tekoälyasiantuntija (insinööri, datatieteilijä tai henkilö, joka toimii kaltaisessani roolissa) tekemään tämän erittelyn puolestasi. Vaihtoehtoisesti voit käyttää tilastollisen analyysin työkalua, joka on tarkoitettu prosessin yksinkertaistamiseen.
Tämä toimintaperiaatteen arviointi on myös yhdistettävä seuraavaan osa-alueeseen: taustalla vaikuttavien tekijöiden ymmärtämiseen.
4. Ymmärrä taustalla vaikuttavat tekijät (& pysty selittämään ne)
Ennustamisen läpinäkyvyys edellyttää kykyä selittää ennustettujen tulosten taustalla vaikuttavat tekijät. Olitpa sitten osa FP&A-tiimiä tai talousjohtaja, et voi esittää tietoja, joita et ymmärrä.
Sinun on ymmärrettävä keskeiset muuttujat ja ominaisuudet, jotka vaikuttavat ennustettuihin tuloksiin. Tämä selitys auttaa rakentamaan luottamusta ja mahdollistaa tehokkaan viestinnän niiden sidosryhmien kanssa, jotka tukeutuvat ennusteeseen.
Omassa prosessissani vietän ennen algoritmin koodaamisen aloittamista päivän tai kaksi sen liiketoiminta-alueen kanssa, jota varten rakennan algoritmia. Mene tietylle tehtaalle, jos algoritmin tarkoituksena on ennustaa sen energiankulutusta, tai lähde myyntikäynnille, jos algoritmi ennustaa tietyn myymälän myyntiä.
Kun olet tutustunut kyseiseen osastoon, tiimiin tai toimipaikkaan, kirjoita ylös kaikki tekijät, jotka saattavat vaikuttaa ennusteeseen, ja varmista, ettei algoritmi tuota pelkästään ”lopputulosta”, vaan selittää myös, mitkä ominaisuudet tai tekijät vaikuttivat kyseisen tuloksen saavuttamiseen.
5. Vahvista tulokset
ML-algoritmit tulee validoida perusteellisesti, jotta voidaan varmistaa niiden tulosten järkevyys. Tämä edellyttää mallin suorituskykymittareiden, kuten tarkkuuden, täsmällisyyden, kattavuuden ja keskimääräisen absoluuttisen virheen, tarkastelua. Jos mallin suorituskyky jää hyväksyttävien kynnysarvojen alapuolelle, sitä voi olla tarpeen kehittää edelleen, kouluttaa uudelleen tai tutkia vaihtoehtoisia algoritmeja.
Viime viikkoina olen keskustellut monien talousalan ammattilaisten kanssa, ja he kuvailevat tätä viimeistä vaihetta eri tavoin – jotkut kutsuvat sitä ”mututuntumaksi”, kun taas toiset puhuvat ennusteen tulosten ”haistamisesta”.
Yksinkertaisesti sanottuna sinun on hyödynnettävä empiiristä tietämystäsi ja toimiala-asiantuntemustasi arvioidaksesi, onko ennuste järkevä. Voit käyttää tähän edellä kuvattuja matemaattisia laskelmia, mutta sinun on myös omaksuttava todellisen liiketoimintakumppanin ajattelutapa ja kartutettava jatkuvasti liiketoimintaosaamistasi, jotta voit arvioida tekoälymallin tulosta asianmukaisesti.
Lopputulos
Anna henkilölle ML-automaatio, niin hän automatisoi päivän ajan. Opeta henkilölle, miten tekoälyä käytetään FP&A:ssa, niin hän automatisoi koko elämänsä ajan.
Käyttötapauksia on monia, kun tekoälyn valmiudet kasvavat ja niitä löydetään jatkuvasti lisää. Liiketoimintapäätöksiä ei kuitenkaan vielä olla jättämässä robottien tehtäviksi.
Tekoälyn hyödyt voivat helpottaa talousjohtajien ja FP&A-ammattilaisten elämää, mutta tällä hetkellä ChatGPT ei vieläkään pysty hoitamaan tehtävää yksin.
Jos haluat pysyä tekoälyn käyttöönoton kehityksen kärjessä taloushallinnossa, tilaa The CFO Clubin uutiskirje ja saat parhaat oppaat suoraan sähköpostiisi.
