Il quadro in 5 fasi per l’IA nelle previsioni FP&A: Una guida
Sembra che tutti noi stiamo cercando di capire come utilizzare l'IA in FP&A (nel modo giusto). L'IA può rendere il tuo lavoro più facile? Probabilmente sì. Richiederà comunque del lavoro? Decisamente.
Che tu stia usando ChatGPT, Copilot o qualsiasi altra cosa, esiste la percezione che l'intelligenza artificiale (IA) e il machine learning (ML) siano delle “scatole nere” – cioè strumenti di cui non è possibile vedere il funzionamento interno.
In ambito finanziario, questa mancanza di trasparenza e la necessità di digitalizzazione pongono una sfida per CFO, Finance Controller e i team di Financial Planning and Analysis (FP&A), che devono fornire previsioni accurate ma, soprattutto, devono comprendere e spiegare i fattori sottostanti agli stakeholder aziendali.
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
Come sappiamo, la funzione Finance non può presentare una previsione costruita automaticamente e, quando le viene chiesto quali siano i principali driver nel loro modello, rispondere semplicemente "L'ha detto l'IA".
Per affrontare questa problematica e favorire la fiducia nei processi decisionali guidati dall’IA, è fondamentale stabilire meccanismi di supervisione dell’IA per garantire che il lavoro svolto sia affidabile e responsabile.
Ma poi arriva la parte difficile: come si creano le strutture per supervisionare i processi di IA e assicurarsi che il lavoro sia svolto correttamente?
In questo articolo esplorerò un processo specifico di IA: le previsioni tramite Machine Learning (ML).
PS: Ho già trattato come determinare quali attività di FP&A danno priorità nell’automatizzazione dei processi se ti trovi bloccato su questo punto.
Framework in 5 Step per la Supervisione delle Previsioni ML
Se vuoi sapere come utilizzare l'IA in FP&A, avrai bisogno di un piano chiaro per farlo correttamente. Quando si tratta di previsioni ML, ci sono diverse aree chiave che richiedono supervisione affinché il lavoro sia fatto bene. Ecco i 5 step che seguo:
1. Verifica le tue Assunzioni
Il primo passo consiste nel validare le assunzioni fatte durante il processo di previsione. Ciò significa esaminare attentamente le ipotesi di base e assicurarsi che siano in linea con il contesto aziendale. Dovresti valutare se le assunzioni sono ragionevoli, coerenti e basate su dati storici rilevanti.
Ad esempio, quando ho iniziato a prevedere la spesa per il personale durante il COVID-19, il modello era addestrato su dati storici ma non teneva conto di altri fattori, come l’aumento della domanda. Per una persona, questo aumento della domanda sarebbe una nuova assunzione “ragionevole”, ma una macchina non penserebbe di includerlo. Se l’algoritmo ML fosse una scatola nera, non potresti vedere l’impatto della domanda sul risultato finale.
2. Controlla l'Accuratezza dei Dati
Dati accurati e di alta qualità sono fondamentali per previsioni affidabili. Come si dice in Finanza e Contabilità, se inserisci spazzatura, ottieni spazzatura.
È fondamentale verificare che i dati utilizzati per addestrare il modello ML siano completi, aggiornati e rappresentativi del target. Sono da implementare tecniche di pulizia e pre-elaborazione dei dati per affrontare valori anomali, mancanti e altri problemi di qualità dei dati.
Per esperienza, la mancanza di dati in tempo reale (o quanto più possibile), affidabili, è la ragione più comune per cui gli algoritmi ML non funzionano nelle aziende. Devi assicurarti che i tuoi dati siano puliti, standardizzati e strutturati in modo tale che il modello ML possa lavorarci.
3. Comprendi la Logica dell’Algoritmo
Se vuoi sapere come usare l'IA in FP&A, devi entrare nella "mente" della macchina. Comprendere la logica dietro l’algoritmo scelto è essenziale: devi valutare se l’algoritmo è adatto al compito di previsione in questione.
Dovresti valutare se l’algoritmo ML selezionato è allineato alle caratteristiche dei dati e agli obiettivi specifici della previsione; poiché i modelli IA si basano generalmente su analisi predittive, devi verificare che le previsioni abbiano davvero senso. Questa valutazione aiuta a garantire che le assunzioni di base dell’algoritmo siano coerenti con il contesto finanziario.
Un modo per farlo è suddividere l’algoritmo in parti più piccole e cercare di capire la matematica dietro ciascun componente. Poi, comprendere la relazione tra di loro e i casi in cui l’algoritmo darà certi risultati. Se non ti senti in grado di affrontare questa parte dell’analisi dati da solo, trova un esperto di IA (ingegnere, data scientist o qualcuno con un ruolo simile al mio) che possa occuparsene. In alternativa, potresti optare per uno strumento di analisi statistica pensato per semplificare il processo.
Questa valutazione della logica va combinata anche con il prossimo elemento: comprendere i driver.
4. Comprendere i Driver (e saperli spiegare)
La trasparenza nelle previsioni richiede la capacità di spiegare i driver dietro i risultati previsti: che tu faccia parte di un team FP&A o sia il CFO, non puoi presentare dati che non comprendi.
Devi individuare e comprendere le variabili e le caratteristiche chiave che contribuiscono ai risultati previsti. Questa spiegazione aiuta a costruire fiducia e facilita una comunicazione efficace con gli stakeholder che si affidano alle previsioni.
Nel mio processo, prima di iniziare a programmare l’algoritmo, passo 1 o 2 giorni con la parte del business per cui lo sto sviluppando. Vado in una determinata fabbrica se l’algoritmo è destinato a prevedere il consumo di energia della struttura oppure partecipo a un giro nella rete vendita se l’algoritmo dovrà prevedere le vendite in un determinato negozio.
Una volta acquisita familiarità con il dipartimento, il team o la struttura in questione, annota tutti i fattori che potrebbero influenzare la previsione e assicurati che l’algoritmo non restituisca solo un “risultato finale”, ma anche che spieghi quali caratteristiche o fattori hanno contribuito a quel risultato.
5. Valida i Risultati
Gli algoritmi di ML devono essere accuratamente validati per garantire che i risultati abbiano senso. Questo comporta l'esame delle metriche di prestazione del modello, come accuratezza, precisione, richiamo ed errore medio assoluto. Se le prestazioni del modello sono inferiori alle soglie accettabili, potrebbe essere necessario un ulteriore affinamento, una nuova fase di addestramento o l’esplorazione di algoritmi alternativi.
Nelle ultime settimane, ho parlato con molti professionisti della finanza e ciascuno descrive quest’ultimo passaggio in modo diverso – alcuni lo chiamano “sensazione istintiva”; altri, il “fiuto” per i risultati della previsione.
In poche parole, devi usare la tua conoscenza empirica e la tua competenza specifica per valutare se la previsione è sensata. Puoi utilizzare i calcoli matematici descritti sopra per farlo, ma devi anche avere la mentalità di un vero business partner e arricchire costantemente le tue conoscenze aziendali per valutare correttamente i risultati di un modello AI.
Il Verdetto
Dai a una persona un’automazione ML: automatizzerà per un giorno. Insegna a una persona come utilizzare l’IA in FP&A: automatizzerà per tutta la vita.
I casi d’uso sono molti, dato che le capacità dell’IA continuano a crescere e ad essere scoperte. Ma le decisioni aziendali non sono ancora delegate ai robot.
I vantaggi dell’IA possono rendere la vita più facile ai CFO e ai professionisti di FP&A, ma, al momento, ChatGPT ancora non può svolgere il lavoro in completa autonomia.
Se vuoi restare al passo con l’implementazione dell’IA nella finanza, iscriviti alla newsletter di The CFO Club e ricevi le migliori guide direttamente nella tua inbox.