Tekoäly muuttaa taloustiimien osaamisvaatimuksia

Christian Wattig on Inside FP&A:n perustaja. Inside FP&A on verkkokurssialusta, joka opettaa taloustiimeille, miten tehdään parempia liiketoimintapäätöksiä. Hän on kouluttanut Googlen, Merckin, Lowe’sin ja Discoverin kaltaisten yritysten johtajia sekä työskennellyt taloustehtävissä Procter & Gamblessa, Unileverillä ja Squarespacella.

Keskustelimme hänen kanssaan ymmärtääksemme, millaisia taitoja talousjohtajilta vaaditaan nyt, kun tekoäly pystyy hoitamaan niin suuren osan työstä. Tässä on, mitä hän kertoi meille.

FP&A:n johtaminen

Olen FP&A-asiantuntija, verkkokurssien luoja ja yrityskouluttaja. Lähikoulutukseni ovat auttaneet Googlen, Merckin, Lowe’sin, Discoverin ja monien muiden yritysten taloustiimejä tekemään parempia liiketoimintapäätöksiä. Johdan myös Pennsylvanian yliopiston Wharton Schoolin FP&A-sertifikaattiohjelmaa ja jaan näkemyksiäni LinkedInissä sekä viikoittaisessa uutiskirjeessäni.

Ennen verkkokurssialustani Inside FP&A:n perustamista työskentelin yli vuosikymmenen Procter & Gamblessa ja Unileverillä johtaen FP&A- ja kirjanpitotiimejä eri puolilla maailmanmarkkinoita. Sitä ennen siirryin nopeasti kasvaviin teknologiayrityksiin. Olin muun muassa mukana viemässä Squarespacea pörssiin ja valmistelemassa yhtiön ensimmäistä taloudellista esitystä Wall Streetin analyytikoille.

Miten tekoälyä tulisi käyttää FP&A:ssa

Christian kertoo

Et enää tarvitse datatiedetiimiä tai kallista ohjelmistoa algoritmisen ennusteen rakentamiseen. ChatGPT, Claude ja Gemini ovat erinomaisia tilastollisten ennusteiden laatimisessa.

Tekoälyä tulisi käyttää analyysin ja mallin rakentamisen ensimmäiseen luonnokseen.

”Ensimmäinen luonnos” on tässä avainsana. Ihmiset kertovat minulle luulleensa, että tekoäly hoitaisi 95 prosenttia heidän mallinnustehtävistään. Vahvojen talousmallien rakentaminen vaatii kuitenkin enemmän aikaa tuotosten tarkistamiseen, mikä poistaa suuren osan ajansäästöstä.

Tekoälystä on hyötyä myös aikasarja-analyysiin perustuvassa ennustamisessa. Et enää tarvitse datatiedetiimiä tai kallista ohjelmistoa algoritmisen ennusteen rakentamiseen. ChatGPT, Claude ja Gemini ovat erinomaisia tilastollisten ennusteiden laatimisessa. Sinun tarvitsee vain syöttää niille historialliset tiedot ja pyytää niitä luomaan Python-koodi, joka suorittaa ARIMA-mallin Excelissä.

Tässä on myös muita tapoja, joilla käytän tekoälyä FP&A:ssa päivittäin:

• Poikkeama-analyysi: Rakenna ajuripuita, jotka selittävät poikkeamat.
• Valmistautuminen liiketoimintakumppanitapaamisiin: Mene kokouksiin valmistautuneena keräämään kumppaneilta oikeat tiedot.
• Budjettikatselmukset: Tunnista liiketoimintakumppanin budjetin riskit ja mahdollisuudet vahingoittamatta suhdetta.
• Raporttien viimeistely: Kerro lukujen taustalla oleva tarina.
• Hallitusesitykset: Ennakoi vaikeat kysymykset ennen kuin niitä esitetään.

Esimerkkejä kehotteista kuhunkin näistä käyttötapauksista löydät täältä.

Jotkin tehtävät on kuitenkin jätettävä ihmisille:

• Syvällinen analyysi
• Liiketoimintakumppanuus
• Vaikuttaminen
• Vaihtoehtojen välisten kompromissien punnitseminen

Miksi tekoälyennusteen poikkeama määräytyy syötteiden perusteella

Muutama vuosi sitten, johtaessani FP&A-tiimiä suuressa kulutustavarayrityksessä, vastasin käyttöpääomaennusteesta. Se oli valtava ennuste, joka sisälsi kymmeniä rivikohtaisia eriä ja divisioonien alaennusteita, jotka yhdistyivät koko yrityksen lukuun. Koska ennuste oli niin monimutkainen ja aikaa vievä, valitsimme sen ensimmäiseksi koneoppimiseen perustuvan lähestymistavan testikohteeksi.

Ulkoistimme tekoälymallin kehittämisen kolmannelle osapuolelle. Kun saimme uuden mallin ensimmäiset tulokset ja vertasimme niitä kuukautta myöhemmin toteutuneisiin lukuihin, olimme innoissamme. Ennusteen tarkkuus oli huomattavasti parempi kuin aiemmissa tuloksissamme. Olin varma, että hankkeesta tulisi suuri menestys, kunnes johtoryhmä halusi selityksen koneoppimismallin ennusteiden ja toteutuneiden tulosten väliselle jäljellä olevalle poikkeamalle.

Minulla ei ollut aavistustakaan, miten vastata tuohon kysymykseen, koska en ollut mukana mallin rakentamisessa. Otin yhteyttä kolmannen osapuolen palveluksessa olevaan datatieteilijään, joka vastasi mallista. Lähestyin asiaa samalla tavalla kuin analysoisin perinteisen Excel-ennustemallin poikkeamaa: pyysin häntä selittämään, miten malli toimii, jotta voisin selvittää, mikä voisi aiheuttaa poikkeaman. Hän sanoi: "Käytämme erilaisten koneoppimisalgoritmien yhdistelmää. Ne kilpailevat keskenään joka kuukausi, ja parhaiten suoriutuva malli tekee ennusteen. Käytämme erityisesti Amazonin DeepAR:n ja Googlen Temporal Fusion Transformerin kaltaisia koneoppimisalgoritmeja sekä perinteisiä algoritmeja, kuten Holt-Winters-menetelmää ja autoregressiivista integroituvaa liukuvaa keskiarvoa. Yhteensä yhdistelmä sisältää 12 erilaista algoritmia, jotka kilpailevat keskenään. Suoritamme kullekin jälkitestauksen ja valitsemme sitten sen, jonka tarkkuus on paras.”

En ymmärtänyt puoliakaan hänen puheestaan, joten kysyin vielä: ”Selvä, miksi luulet, että toteutuneiden tulosten ja mallin ennusteiden välillä on edelleen näin merkittävä poikkeama?” Hän vastasi, ettei hänellä ollut aavistustakaan, koska hän ei ymmärtänyt liiketoimintaamme.

Tilanne oli se, etten minä ymmärtänyt, miten koneoppimismalli toimi, eikä datatieteilijä ymmärtänyt, miten liiketoiminta toimi. Miten voisimme selittää poikkeaman tässä tilanteessa? Pohdin erilaisia ratkaisuja tähän ongelmaan. Pitäisikö meidän kutsua datatieteilijä toimistollemme, jotta voisimme selittää hänelle, miten liiketoiminta toimii? Pitäisikö meidän pyytää jotakuta tiimistämme suorittamaan koneoppimista ja datatiedettä käsittelevä kurssi? Oliko tätä edes mahdollista oppia ilman matematiikan tai tietojenkäsittelytieteen tutkintoa?

Kesti jonkin aikaa, mutta lopulta tajusin tarkastelevani ongelmaa täysin väärin. Itse asiassa yritin ratkaista kokonaan väärää ongelmaa. Koneoppimisen avulla poikkeamia ei selitetä osoittamalla itse mallissa olevia puutteita. Kehittyneimpiä algoritmeja kutsutaan ”mustan laatikon malleiksi” syystä — edes niitä rakentaneet tutkijat eivät toisinaan ymmärrä niiden tekemiä johtopäätöksiä. Tajusin, että kaikki riippuu syötteistä. Roskaa sisään, roskaa ulos.

Selittääksemme poikkeamia koneoppimisen avulla meidän on tutkittava, ovatko mallille syöttämämme datapisteet oikeita ja riittäviä. Paras tapa tehdä tämä on yhdistää kokeilu niin kutsuttuun ”jälkitestaukseen”. Tekoälymalleilla voit teeskennellä, ettei edellistä vuotta ole vielä tapahtunut, ja pyytää mallia laatimaan ennusteen. Jos nyt olisi esimerkiksi toukokuu 2026, voisin pyytää tekoälymallia ennustamaan vuoden 2025 syöttämällä sille historialliset tiedot vuosilta 2020–2024. Sen jälkeen voit heti verrata ennusteen läheisyyttä toteutuneisiin tuloksiin, muokata datapisteitä ja testata mallia uudelleen.

Lopulta havaitsimme, että ennustetarkkuus parani merkittävästi, kun syötimme mallille lisätietoja varastonhallintajärjestelmistämme – datapisteitä, joita emme olleet aiemmin huomioineet, koska niiden mukaan ottaminen olisi tehnyt perinteisistä taulukkolaskentaan perustuvista malleistamme vielä monimutkaisempia.

Miksi talousjohtajien on standardoitava prosessit ennen tekoälyn käyttöönottoa

Tekoäly ei korjaa rikkinäisiä talousprosesseja. Se moninkertaistaa niiden vaikutukset.

Olen seurannut riittävän monen taloustiimin ottavan käyttöön uutta teknologiaa tietääkseni, miten tässä käy. Työkalut vahvistavat sitä, mitä organisaatiossa jo on – hyvää tai huonoa.

Jos poikkeamien kommentointisi on tällä hetkellä sekavaa – esimerkiksi jokainen analyytikko kirjoittaa ne eri tavalla, yhteisiä kynnysarvoja ei ole eikä johdonmukaista rakennetta ole – tekoäly tuottaa saman sekamelskan jokaisessa kustannuspaikassa, sujuvasti ja nopeasti. Jos mallillasi ei ole dokumentaatiota tai nimeämisstandardeja, tekoäly auttaa sinua rikkomaan sen entistä varmemmin. Jos ennusteesi heilahtelee 20 % kuukaudesta toiseen ilman selkeää selitystä muutoksen aiheuttajasta, tekoäly pitää sen heilahtelun käynnissä – vain paremmalla muotoilulla.

Ne taloustiimit, joiden näen saavan tästä todellista hyötyä, eivät ole niitä, joilla on hienoimmat järjestelmät. Ne ovat niitä, jotka tiesivät jo ennestään, miltä hyvä näyttää. Niillä oli mallipohjia. Niillä oli toimiva määritelmä sanalle ”hyödyllinen”. Ne olivat tehneet standardoinnin epäkiitollisen työn jo ennen kuin pyysivät tekoälyä tekemään mitään.

Miksi taloustiimien on käytettävä Greg Brockmanin kehotemenetelmää

Monilla taloustiimeillä on vaikeuksia saada tekoälytyökaluistaan hyvää tuotosta, koska niiden kehotteet ovat liian lyhyitä tai eivät riittävän täsmällisiä. Ne kohtelevat tekoälyä kuin se olisi Google-haku.

Suosittelen aina Greg Brockmanin menetelmää päättelymallien kehotteiden laatimiseen:

1. Tavoite
2. Tulostusmuoto
3. Varoitukset
4. Konteksti

Tällä lähestymistavalla tiimit saavat poikkeuksetta parempia tuloksia.

Miten talousjohtajien tulisi uudistaa rekrytointia tekoälyn aikakaudella

Christian jakaa

Varo liiallista itsevarmuutta, työkalulähtöistä ajattelua, heikkoa viestintää ja kompromissien puuttumista. Näiden kolmen harjoituksen avulla voit arvioida edellä mainitsemiani ominaisuuksia.

Talousjohtajien on uudistettava työnhakijoiden seulontaprosessejaan. Tekoälyn aikakausi edellyttää erilaisia taitoja.

Perinteisesti johtajat keskittyvät taulukkolaskennan nopeuteen, Excel-osaamiseen ja raporttien kirjoittamisen laatuun. Tekoäly kuitenkin automatisoi kaikki nämä tehtävät. Etsi sen sijaan seuraavia ominaisuuksia:

• Arviointikyky epävarmoissa tilanteissa
• Liiketoimintaviestintä
• Järjestelmäajattelu
• Oppimisnopeus
• Sujuva datan hyödyntäminen

Kun haastattelet ehdokkaita mihin tahansa tehtävään, kokeile seuraavaa:

• Anna ehdokkaille lyhyt ja uskottava tekoälyn tuottama poikkeamaselitys tai suorituskyvyn yhteenveto. Kysy heiltä, mikä siinä on kyseenalaista ja mikä on tarkistettava. Pyydä heitä sitten kirjoittamaan se uudelleen muutamaksi johtajalle suunnatuksi luetelmakohdaksi.
• Pyydä ehdokasta kertomaan viisi ensimmäistä kysymystä, jotka hän esittäisi, jos hänen pitäisi selittää, miksi liikevaihtoennuste poikkesi toteumasta – ja miksi.
• Kerro ehdokkaalle, että odotat katteisiin kohdistuvaa painetta ja kysynnän epävarmuutta ensi vuosineljänneksellä. Pyydä ehdokasta määrittelemään kolme skenaariota, nimeämään keskeiset ajurit ja suosittelemaan, mitä pitäisi tehdä nyt.

Varo liiallista itsevarmuutta, työkalulähtöistä ajattelua, heikkoa viestintää ja kompromissien puuttumista. Näiden kolmen harjoituksen avulla voit arvioida edellä mainitsemiani ominaisuuksia.

Miksi strategiset taidot ja syvällinen analyysi ovat nyt tärkeitä

Taloustiimien on tiedettävä, mitä varten ne optimoivat toimintaansa.

Kun he vapauttavat kaiken tuon ajan tekoälyn avulla, ylemmän tason johtajat odottavat heidän tuottavan arvoa eri tavalla – toimimalla strategisina kumppaneina ja tarjoamalla syvällistä analyysiä. Heidän odotetaan yhdistävän operatiiviset mittarit taloudellisiin tuloksiin ja tekevän konkreettisia suosituksia siitä, miten yrityksen tulisi hyödyntää mahdollisuuksia tai pienentää riskejä.

Toisin sanoen heidän on kehitettävä korkeamman tason strategisen taloushallinnon taitoja, joihin tekoäly ei pysty vastaamaan. Se on ainoa tapa ansaita paikka päätöksentekopöydässä tekoälyn mahdollistamassa tulevaisuudessa.

Pysy mukana

Seuraa Christian Wattigin työtä LinkedInissä. Opi häneltä lisää hänen YouTube-kanavallaan tai tutustu hänen verkkokurssialustaansa Inside FP&A.

Lisää asiantuntijahaastatteluja on luvassa The CFO Clubissa!