Tekoälyn varaan rakentuva talousasiantuntija kertoo työnkuluistaan — ja siitä, miten hän tekee niistä auditoitavia

Sergei Mochtchenkov on työskennellyt rahoitusalalla yli 20 vuotta, muun muassa talousjohtajana. Nyt hän toimii osa-aikaisena talousjohtajana ja on neuvonut yli 300 asiakasta monilla eri toimialoilla.

Haastattelimme Sergeitä selvittääksemme, millaisia työnkulkuja ja työkaluja hän käyttää rahoitusorganisaatioissa. Tässä hänen vastauksensa.

Tekoälylähtöinen CFO

Olen Sergei Mochtchenkov, CFA. Toimin Kyjivissä sijaitsevana osa-aikaisena talousjohtajana ja työskentelen Pohjois-Amerikassa, Euroopassa ja muualla toimivien yritysten kanssa. Olen työskennellyt rahoitusalalla yli 20 vuotta: taloudellisen mallintamisen, arvonmäärityksen, sijoitusanalyysin ja tietojen visualisoinnin parissa (Excel, Power BI, SQL). Tänä aikana olen neuvonut yli 300 asiakasta, tukenut yli 1 miljardin dollarin velka- ja osakejärjestelyitä sekä useita teknologia-alan listautumisanteja ja toiminut talousjohtajana tai pääanalyytikkona yrityksissä, joiden toiminta on vaihdellut tekoälyä hyödyntävästä vaikuttajamarkkinointialustasta kalifornialaiseen kiinteistörahastoon.

Rakenne on tarkoituksella kevyt. Toimin ylimpänä talousjohtajana ja pääanalyytikkona; pieni tiimi hoitaa kirjanpidon, täsmäytykset ja raportoinnin, ja tekoälyagentit toimivat näiden välissä — jäsentäen tiliotteita, luokitellen tapahtumia, auditoiden malleja ja laatien raporttiluonnoksia. Monimutkaisuus ei niinkään johdu henkilöstön määrästä kuin toiminnan monipuolisuudesta: usean yhteisön rakenteista, konsernin sisäisistä tileistä, sijoittajien tuotonjakomalleista, SAFE-sopimuksista ja omistustaulukoista sekä erilaisista taloushallinnon järjestelmistä (QuickBooks, Xero, Odoo, Shopify ja Amazon Seller Central).

Polkuni tekoälyn pariin oli käytännönläheinen, ei teoreettinen. Osa-aikainen työ tarkoittaa monien asiakkaiden palvelemista samanaikaisesti, ja pullonkaula oli aina sama: ennen varsinaisen ajattelutyön aloittamista kului tunteja tietojen puhdistamiseen, mallien rakentamiseen uudelleen ja taulukkolaskentojen auditointiin. Kun tekoälystä tuli riittävän luotettavaa pääkirjan lukemiseen, tiliotteiden jäsentämiseen tai katkenneen kaavaketjun jäljittämiseen, rakensin työni uudelleen sen ympärille.

Nykyään asemoin itseni tekoälylähtöiseksi osa-aikaiseksi talousjohtajaksi: tekoäly hoitaa tiedot ja ensimmäiset luonnokset vaativan perustyön, ja minä käytän aikani harkintaan — siihen, mitä luvut tarkoittavat ja mitä omistajan pitäisi tehdä seuraavaksi.

Miten tekoäly tehostaa tietojen valmistelua taloushallinnon toiminnoissa

Suurin tekoälyn avulla tekemäni muutos on tämä: lakkasin pitämästä raakadatan valmistelua ihmisten työnä.

Jokainen uusi toimeksianto alkoi päivien puuduttavalla työllä — useiden pankkien PDF-muotoisten tiliotteiden lataamisella, niiden puolimanuaalisella muuntamisella ja tuhansien tapahtumien luokittelulla rivi riviltä ennen kuin analyysi saattoi alkaa. Virheitä pääsi mukaan, ja toimeksiannon kallein henkilö käytti aikaansa vähiten arvoa tuottavaan tehtävään.

Siksi rakensin tekoälyavusteisen työnkulun. Claude kirjoittaa ja suorittaa Python-koodia (pdfplumber-kirjaston avulla), joka jäsentää eri pankkien tiliotteet selkeiksi Excel-tiedostoiksi, ja jokainen tulos validoidaan täydellä saldotäsmäytyksellä — alkusaldon ja tapahtumien summan on vastattava loppusaldoa jakso jaksolta — joten mitään ei hyväksytä pelkän luottamuksen perusteella. Tapahtumat siirtyvät sen jälkeen Supabase-tietokantaan, jossa tekoäly luokittelee ne määrittelemieni ja hyväksymieni kohdistussääntöjen perusteella, ja kaikki epäselvät tapaukset ohjataan minulle. Eräässä hiljattain toteutetussa toimeksiannossa tämä kattoi neljä yhteisöä neljässä hyvin erilaisessa pankissa — yhdysvaltalaisessa ja saudialaisessa sekä uuspankissa ja perinteisessä pankissa.

Tämän seurauksena tietovaiheen läpimenoaika lyheni huomattavasti, tarkkuus parani, koska validointi on järjestelmällistä eikä pistokokeisiin perustuvaa, ja aikani siirtyi tietojen syöttämisestä harkintaan — poikkeamien, konsernin sisäisten rahavirtojen ja lähipiirierien tarkasteluun, sillä todelliset havainnot löytyvät juuri niistä.

Miten tekoäly tehostaa mallien auditointeja

Teen usein taloudellisten mallien auditointeja ja uudelleenrakentamista. Näin toimin:

• Vaihe 1 — Sääntöjen määrittäminen: Luo Claude-projekti, jossa on kirjalliset ohjeet: nimeämiskäytännöt, englanninkieliset toimitettavat aineistot, kaavat pelkkänä tekstinä sekä tiedostot, jotka kuuluvat työn piiriin ja sen ulkopuolelle.
• Vaihe 2 — Inventaario ja riippuvuuskartta: Claude luetteloi Pythonin (openpyxl) avulla jokaisen taulukon, nimetyn alueen, ulkoisen linkin, kiinteästi syötetyn numeron ja kaavakuvion sekä rakentaa kartan siitä, mikä syöttää mitäkin. Emme koske yhteenkään soluun ennen kuin ymmärrämme mallin rakenteen.
• Vaihe 3 — Virheiden etsiminen: Tekoäly jäljittää laskentaketjut suhteessa mallin suunniteltuun logiikkaan — vesiputoukset, IRR, velka-aikataulut, kassavirta — ja tuottaa virheluettelon, jossa ilmoitetaan solujen sijainnit, vakavuus ja vaikutus dollareissa. Ennen kuin luokittelemme jonkin asian korjaamisen arvoiseksi virheeksi, tarkistamme, lukeeko jokin myöhempi laskenta kyseistä solua.
• Vaihe 4 — Kahden keskustelun toteutus: Käytän pääkeskustelua rajaukseen ja tarkistukseen sekä erillistä toteutuskeskustelua. Toteutuskeskustelu saa kerrallaan yhden kirjallisen tehtävänannon, suorittaa sen ja tarkistaa itsenäisesti pääkeskustelun päättelyn. Kun kaksi tekoälyn suorittamaa tarkistuskierrosta ovat eri mieltä, se kehottaa minua tutkimaan asiaa tarkemmin.
• Vaihe 5 — Varmistus: Suoritan täydet uudelleenlaskennat, virheettömyystarkistukset, täsmäytykset lähdeasiakirjoihin ja keskeisten skenaarioiden stressitestit. Sen jälkeen tarkistan muutokset ja logiikan itse.

Miksi tekoäly käsittelee dataa ja ihmiset käyttävät harkintaa

Mitä tulee siihen, missä tekoälyä käytetään ja missä ihmisiä, sääntöni on yksinkertainen: tekoäly valmistelee, testaa ja laatii luonnoksia; ihminen tekee päätöksen ja allekirjoittaa.

Hyödynnän tekoälyä seuraavissa:

• Datan tuonti ja täsmäytys: tiliotteiden jäsentäminen, tapahtumien luokittelu sekä myyntisaamisten ja ostovelkojen analysointi.
• Muodollinen tarkastus: kaavaketjujen jäljittäminen, rikkoutuneiden linkkien, kiinteästi syötettyjen ohitusten ja asiakkaiden malleissa piilevien virheiden etsiminen. Tekoäly lukee tuhansia kaavoja väsymättä.
• Ennustaminen: Verkkokauppa-asiakkaille olen rakentanut kysynnän ennustejärjestelmiä, jotka puhdistavat datan, normalisoivat sen kausivaihtelun ja mainoskulujen perusteella sekä tuottavat myyntivälit 95 prosentin luottamuskaistoineen ostosuunnitelman pohjaksi.
• Poikkeama-analyysi
• Kommenttien ensimmäiset luonnokset
• Skenaarioajot
• Tutkimus, kuten kilpailijoiden vertailuarvot ja markkinadata

Seuraavat asiat jäävät nimenomaisesti ihmisten vastuulle:

• Oletukset: Malli on vain niin hyvä kuin sen taustalla oleva kasvuaste-, pääomitustuotto- tai asiakaspoistumaoletus, ja niiden arviointi edellyttää liiketoiminnan ja sitä johtavien ihmisten ymmärtämistä.
• Pääoman kohdentaminen, arvonmääritystä koskevat johtopäätökset ja kaikki se, mikä toimitetaan sijoittajalle, lainanantajalle tai hallitukselle minun nimissäni: CFA-tutkinnon suorittaneena olen vastuussa johtopäätöksestä, eikä vastuuta voi siirtää mallille.
• Ihmisiä ja suhteita koskevat päätökset: henkilöstöön vaikuttavat kustannusleikkaukset, neuvottelut ja keskustelu sellaisen perustajan kanssa, jonka suunnitelma ei toimi.

Tekoälyn kaksi pääasiallista hyötyä rahoituksessa

Varmistamisen laajuus on ollut tekoälyn suuri hyöty. Se tarkistaa kattavasti työn, josta aiemmin tarkistettiin vain otoksia. Viimeaikaisia esimerkkejä ovat elokuvatuotannon sijoittajaesittelyä varten laadittu 134 kohdan tunnuslukujen varmennustyökirja, jossa jäljitimme jokaisen esityksen luvun lähdeasiakirjoihin; asiakkaan tarjouslaskentatyökalu, jossa oli 126 tehtävää ja noin 1 200 kaavaa ja joka tuotti nolla kaavavirhettä; sekä neljän yrityksen tiliotteiden muunnos, jossa jokainen jakso läpäisi täydellisen saldojen täsmäytyksen.

Kustannukset ovat toinen hyöty. Tekoälyn avulla organisaatiot voivat automatisoida toistuvia tehtäviä ja prosesseja. Sen avulla on myös helppo karsia käyttämättömät ohjelmistolisenssit ja heikosti suoriutuvien kanavien markkinointikulut.

Opit tilanteista, joissa tekoälyllä on vaikeuksia

Tekoälyn virheet ovat vaarallisia juuri siksi, että ne näyttävät ammattimaisilta. Olen nähnyt viimeisteltyä tuotosta, jossa oli väärä alueviittaus tai väärin tulkittu rivinimike ja joka olisi mennyt läpi pintapuolisesta tarkistuksesta. Yksi pieni mutta kuvaava esimerkki: raportissa lainatuissa kaavoissa oli alussa yhtäläisyysmerkki, joten taulukkolaskentaohjelma yritti suorittaa ne, mikä tuotti rikkinäisiä viittauksia ja aiheettomia ilmoituksia kehäviittauksista. Nyt pysyvän säännön mukaan toimitettavissa aineistoissa kaavat kirjoitetaan pelkkänä tekstinä.

Tekoäly myös mielellään ”korjaa” asioita, joilla ei ole merkitystä. Ennen kuin päätän arvon palauttamisesta tai korjaamisesta, tarkistan ensin, lukeeko jokin myöhempi laskenta sitä todella. Tämä yksinkertainen toimintatapa säästää paljon turhaa työtä.

Seuraavassa on vielä muutama konkreettinen alue, joilla tekoäly ei tuota tulosta:

• Suuret vanhat Excel-mallit: odotin tekoälyn ”vain ymmärtävän” ja korjaavan 30-välilehtisen mallin. Se ei onnistu. Suuret työkirjat, joissa on ulkoisia linkkejä, piilotettuja taulukoita, vanhaa VBA-koodia tai ActiveX-komponentteja sekä vuosien aikana tehtyjä paikkauksia, kuormittavat sitä liikaa — se kadottaa asiayhteyden välilehtien välillä ja ehdottaa korjauksia, jotka rikkovat jotakin muualla. Hitaammat ja kurinalaisemmat lähestymistavat toimivat paremmin: laadi ensin mallista luettelo ja riippuvuuskartta; anna tekoälyn sen jälkeen käsitellä yksi rajattu tehtävä kerrallaan ja tarkista tulos erillisellä tarkistuskierroksella. Tekoäly on vahva analyytikko, mutta ei vielä arkkitehti.
• Ennustaminen toimintaympäristön muuttuessa: Tilastolliset ja koneoppimiseen perustuvat ennusteet toimivat erinomaisesti, kun tulevaisuus muistuttaa menneisyyttä — esimerkiksi kausiluonteisen verkkokauppakysynnän tapauksessa. Ukrainassa asuvana ja työskentelevänä näen usein, kuinka huonosti historiaan perustuvat mallit käsittelevät sotaa, pakotteita, valuuttakurssishokkeja ja kustannusten äkillistä inflaatiota. Tällaisissa ympäristöissä tekoäly tuottaa itsevarman oloisia lukuja ilman todellista perustaa; skenaariot ja ihmisen harkinta ovat paljon tärkeämpiä.

Vielä yksi pienempi huomio: tapahtumien luokittelu saavuttaa lakipisteensä. Tekoäly käsittelee suurimman osan siitä hyvin, mutta epäselvä loppuosa — lähipiiritahojen väliset siirrot, omistajien kulut ja konsernin sisäiset rahavirrat — on juuri se alue, johon kirjanpidon riskit keskittyvät, ja siihen tarvitaan edelleen ihmisen laatima sääntökirja.

Miten tekoäly aiheuttaa piileviä kustannusriskejä taloushallinnossa

Talousjohtajien on seurattava laskentakustannuksia myytyjen tuotteiden kustannusten piilevänä muuttuvana kustannuseränä.

Monet johtajat edelleen ajattelevat tekoälyä ohjelmistona — kiinteänä tilauksena. AI-pohjaisten tuotteiden kohdalla asia ei ole näin. Jokainen käyttäjän toiminto voi käynnistää mallikutsuja, ja päättelykustannukset kasvavat käytön, kehotteiden pituuden ja mallin valinnan mukaan. Näin korkean katteen SaaS-liiketoiminnalta näyttävästä toiminnasta tulee liiketoimintaa, johon liittyy todellisia ja vaihtelevia muuttuvia kustannuksia. Näen säännöllisesti AI-startup-yrityksiä, joiden bruttokatteet heikkenevät hiljalleen niiden kasvaessa, koska niiden mallin suunnittelussa oletettiin ohjelmistoille tyypilliset katteet eikä kukaan seurannut kustannuksia asiakasta, ominaisuutta tai tapahtumaa kohden.

Ratkaisu on uuden kustannuserän hallintaan sovellettu taloushallinnon peruskurinalaisuus: mittaa yksikkötaloutta AI-kutsun tasolla, kirjaa laskentakustannukset myytyjen tuotteiden kustannuksiin, joihin ne kuuluvat, aseta budjetit ja hälytykset, suhteuta mallin koko tehtävään ja hinnoittele tuote laskentakustannukset huomioiden. Laskentakustannusten hallinta on nyt jokaisen vahvasti tekoälyä hyödyntävän liiketoiminnan talousjohtajan keskeinen vastuu — ei tekninen yksityiskohta.

Miten tekoälyä johdetaan

Tekoäly tarvitsee johtamista, ei vain kehotteita. Aluksi kohtelin sitä kuin erittäin nopeaa työkalua, mutta se toimii paljon enemmän kuin loistava uusi työntekijä, jolla ei ole muistikuvaa eilisestä ja jolla on voimakas halu olla avuksi. Tässä on kolme asiaa, jotka kertoisin aiemmalle itselleni, jos voisin:

• Kirjaa säännöt kerran. Jokaisella yrityksellä on kirjoittamattomia käytäntöjä — miten prosentit esitetään, mitkä tilit näkyvät missäkin raportissa, miten kaavat dokumentoidaan ja millä kielellä toimitukset laaditaan. Jos nämä asiat ovat vain omassa päässäsi, tekoäly tekee joka kerta ”järkevästi” jotakin erilaista.
• Erota kysymykset muutoksista. Kysy tekoälyltä, miksi jokin luku näyttää oudolta, ja se usein ”korjaa” sen. Nykyinen pysyvä sääntöni on seuraava: kun esitän kysymyksen, tekoäly vastaa ensin ja odottaa hyväksyntää ennen kuin muuttaa mitään. Tämä olisi alkuvaiheessa estänyt useita huomaamattomia muokkauksia, jotka jouduin myöhemmin peruuttamaan.
• Pidä tehtävät pieninä ja alkuperäinen koskemattomana. Ensimmäisissä yrityksissäni annoin tekoälylle liikaa tehtävää kerralla — ”tarkista koko tämä malli ja korjaa se”. Tulokset näyttivät vaikuttavilta, mutta niitä oli vaikea todentaa. Rajatut tehtävänannot, yksi muutos kerrallaan, alkuperäisen puhdas kopio ja muutosloki tekevät jokaisesta vaiheesta tarkistettavan.

Nämä kolme asiaa olisivat säästäneet minulta tuntikausia uudelleentyötä, muutaman tarkistuksessa kiinni jääneen kiusallisen läheltä piti -tilanteen ja jonkin aikaa vallinneen väärän uskomuksen siitä, että tekoälyn tärkein arvo on nopeus. Tärkein arvo on siinä, että sinulla on varaa tarkistaa kaikki — mutta vain, jos suunnittelet prosessin sitä varten.

Miten tekoälyä voidaan hyödyntää käyttöpääomassa

Useimmat taloustiimit hallinnoivat edelleen myyntisaamisia, ostovelkoja ja varastoa kuukausiraporttien ja tuntuman perusteella, vaikka juuri näillä alueilla rahaa syntyy tai sitoutuu. Tekoäly on kuitenkin täällä poikkeuksellisen vahva, koska syötteet ovat suuria volyymiltaan, toistuvia ja sisältävät malleja, joiden havaitsemiseen ihmisillä ei ole aikaa.

Kaksi aluetta, jotka olen suunnitellut uudelleen:

• Verkkokaupan varasto- ja ostosuunnittelu: Urheiluvaatteiden, uima-asujen, lelujen ja proteiinipatukoiden brändeille korvasimme ”osta uudelleen sitä, mikä myi viime kaudella” -ajattelun ennustejärjestelmällä, johon viittasin jo lyhyesti aiemmin. Puhdistamme myyntihistorian, normalisoimme kausivaihtelun ja mainoskulut, ennustamme kysynnän 95 prosentin vaihteluväleillä ja laadimme sitten ostosuunnitelman, jossa tehdään näkyväksi varastointikustannusten, bruttokatteen, oman pääoman tuoton, määräalennusten ja toimittajan toimitusajan väliset kompromissit. Tuloksena on ostopäätös, joka perustuu mahdollisten lopputulosten vaihteluväliin ja jossa väärän päätöksen kustannukset kumpaankin suuntaan ovat alusta alkaen näkyvissä — yhden arvauksen sijaan.
• Myyntisaamiset, ostovelat ja viestintä: Rakennan Clauden avulla analyysiratkaisuja myyntisaamisista, ostoveloista ja yrityksen omasta viestinnästä, jotta taloushallinto näkee paitsi sen, että lasku on myöhässä, myös syyn siihen — riidan, toimitusongelman tai vaikeuksissa olevan asiakkaan — ja voi toimia aiemmin. Sama näkökulma auttaa havaitsemaan päällekkäiset tai epätavalliset ostovelat sekä toimittajaehdot, jotka ovat hiljalleen muuttuneet.

Miksi Claude Code ja Cowork muuttavat taloushallinnon pelin

Claude muuttaa pelin — erityisesti agenttisessa muodossaan (Claude Code ja Cowork), jossa se ei vain keskustele, vaan käsittelee tiedostoja, kirjoittaa ja suorittaa Pythonia, lukee ja rakentaa Excel-malleja sekä yhdistää tietokantoihin ja liiketoimintasovelluksiin.

Sen avulla voin jäsentää tiliotteita, tarkastaa 30 välilehden mallin, rakentaa ennustejärjestelmän, luonnostella sijoittajamuistion ja rakentaa Power BI:tä varten valmiin tietojoukon — ja mikä tärkeintä, se kirjoittaa koodia, jonka voin säilyttää, suorittaa uudelleen ja tarkastaa, sen sijaan että se vain antaisi minulle vastauksia. Projektikohtaisten ohjeiden avulla voin määrittää kunkin asiakkaan säännöt kerran, joten työ pysyy johdonmukaisena istuntojen välillä.

Excel on kuitenkin edelleen korvaamaton. Se on yhä kieli, jota sijoittajat, lainanantajat ja hallitukset lukevat, ja parhaat käyttämäni tekoälytyönkulut päättyvät selkeään ja läpinäkyvään taulukkoon, jonka ihminen voi tarkistaa rivi riviltä.

Miten tekoäly muuttaa tiimejä ja koulutuspolkuja

Pyramidista on tullut timantti. Perinteisesti taloushallinnon käytäntö tarvitsee paljon nuorempia työntekijöitä tietojen syöttämiseen, täsmäytyksiin ja ensimmäisten malliluonnosten tekemiseen, muutaman kokeneemman tarkastamaan ne sekä yhden kumppanin huipulle. Nykyään tekoäly hoitaa suurimman osan tästä perustasta.

Etsimäni osaajaprofiili on muuttunut tämän mukaisesti. Tietojenkäsittelyn nopeus merkitsee vähemmän; paljon tärkeämpiä ovat kolme asiaa: ymmärrys siitä, miten yritys ansaitsee rahaa, kyky kirjoittaa täsmällinen toimeksianto ja testata tulos sekä rohkeus kertoa perustajalle, että jokin luku tai suunnitelma on väärä.

Avoin kysymys ammatin kannalta on koulutuspolku. Nuoremmat työntekijät oppivat ennen tekemällä rutiinityön. Jos tekoäly tekee sen, meidän on opetettava harkintakykyä tarkoituksellisesti — antamalla ihmisten tarkastella, haastaa ja selittää tekoälyn tuottamaa sisältöä sen sijaan, että he tuottaisivat sen alusta alkaen.

Viisi neuvoa talousjohtajille

Tässä ovat neuvoni talousjohtajille:

• Käytä tekoälyä itse tällä viikolla oikeassa työssä. Älä delegoi tekoälyä innovointikomitealle tai odota täydellistä käyttöönottoa koko organisaatiossa. Valitse yksi tuskallinen, toistuva prosessi — täsmäytys, mallin auditointi tai hallituksen kokousmateriaalin ensimmäinen luonnos — ja tee se henkilökohtaisesti tekoälyn avulla. Et voi johtaa muutosta, jota et ole itse kokenut.
• Suunnittele kontrollit ennen kuin laajennat käyttöä. Jokaisessa tekoälytyönkulussa on oltava sisäänrakennettu tarkistus, joka ei perustu tekoälyyn luottamiseen: saldojen läpikäynti, täsmäytys pääkirjaan tai toinen riippumaton tarkistus. Tekoäly tekee virheitä nopeammin ja vakuuttavammin kuin nuorempi analyytikko, joten kontrollien suunnittelun on oltava parempaa kuin ennen.
• Pidä harkinta ja vastuu ihmisillä. Anna tekoälyn valmistella, testata ja luonnostella; pidä oletukset, pääoman kohdentaminen ja kaikki nimissäsi allekirjoitettava ihmisten vastuulla. Kirjaa tämä raja, jotta tiimisi tietää, missä se kulkee.
• Rakenna tiimi uudelleen, älä vain työkaluja. Tulevaisuuden taloustiimi on pienempi, kokeneempi ja analyyttisempi. Investoi ihmisiin, jotka osaavat muotoilla kysymyksiä, kyseenalaistaa lukuja ja keskustella liiketoiminnan kanssa — nämä taidot vahvistuvat tekoälyn myötä; pelkkä tietojen käsittely ei.
• Mittaa arvoa, älä toimintaa. Nopeampi raportointi on hyvä asia, mutta todellinen kysymys on, löydätkö enemmän arvoa: katetta, jota et aiemmin havainnut, väärään paikkaan sitoutunutta rahaa tai väärin hinnoitellun kaupan. Jos tekoäly vapauttaa taloustiimin aikaa eikä tätä aikaa käytetä päätöksentekoon, olet vain automatisoinut vanhan työn.

Seuraa mukana

Voit seurata Sergei Mochtchenkovin työtä LinkedInissä. Tutustu myös sivustoihin aistartupcfo.com ja financialmodeling.net.

Lisää asiantuntijahaastatteluja on tulossa The CFO Clubissa!