Kan KI i FP&A gjøre jobben din enklere? Sannsynligvis. Vil det kreve en viss innsats? Definitivt. Det finnes en oppfatning om at kunstig intelligens (AI) og maskinlæring (ML) er «svarte bokser», noe som betyr at det ikke er mulig å se hvordan de fungerer på innsiden.
Denne mangelen på åpenhet og behovet for å bli digital skaper en utfordring, fordi du må levere nøyaktige prognoser og forstå og forklare driverne for interessentene. Det er avgjørende å etablere mekanismer for å føre tilsyn med KI for å sikre at arbeidet som utføres, er pålitelig og etterprøvbart.
Femtrinnsrammeverk for tilsyn med ML-prognoser
Hvis du vil vite hvordan du bruker KI i FP&A, trenger du en tydelig plan for å gjøre det riktig. Når det gjelder ML-prognoser, krever flere nøkkelområder tilsyn for å sikre at arbeidet blir gjort på riktig måte. Her er de fem trinnene jeg følger:
Have an account? Log In
1. Kontroller antakelsene dine
Det første trinnet er å validere antakelsene som ble gjort under prognoseprosessen. Dette innebærer å granske de underliggende hypotesene og sikre at de samsvarer med forretningskonteksten. Du bør vurdere om antakelsene er rimelige, konsistente og basert på relevante historiske data.
Da jeg for eksempel begynte å lage prognoser for arbeidskraftkostnader under covid-19, ble modellen trent på historiske data, men tok ikke hensyn til andre forhold, som økt etterspørsel. For et menneske ville denne økningen i etterspørselen vært en «rimelig» ny antakelse, men en maskin ville ikke «tenkt» på å inkludere den. Hvis ML-algoritmen var en svart boks, ville du ikke kunne se hvilken innvirkning etterspørselen hadde på sluttresultatet.
2. Kontroller nøyaktigheten på dataene dine
Nøyaktige datasett av høy kvalitet er avgjørende for pålitelige prognoser. Som vi sier innen økonomi og regnskap: Hvis inndataene dine er søppel, blir utdataene dine søppel.
Det er avgjørende å kontrollere at dataene som brukes til å trene ML-modellen, er omfattende, oppdaterte og representative for målgruppen. Teknikker for datarensing og forbehandling bør tas i bruk for å håndtere avvik, manglende verdier og andre problemer med datakvaliteten.
Etter min erfaring er mangelen på pålitelige data i sanntid (eller så nær sanntid som mulig) den vanligste årsaken til at ML-algoritmer ikke fungerer for selskaper. Du må rense, standardisere og strukturere dataene dine på en måte som ML-modellen kan arbeide med.
3. Forstå begrunnelsen bak algoritmen
Hvis du vil vite hvordan du bruker KI i FP&A, må du komme inn i maskinens «hode». Det er avgjørende å forstå begrunnelsen bak den valgte algoritmen – du må avgjøre om algoritmen egner seg for prognoseoppgaven det gjelder.
Du bør vurdere om den valgte ML-algoritmen samsvarer med dataenes egenskaper og prognosens spesifikke mål. Ettersom KI-modeller vanligvis bygger på prediktiv analyse, må du kontrollere at prediksjonene faktisk gir mening. Denne vurderingen bidrar til å sikre at algoritmens underliggende antakelser samsvarer med det økonomiske fagområdet.
Én måte å gjøre dette på er å dele algoritmen opp i mindre deler og forsøke å forstå matematikken bak hver av komponentene. Deretter må du forstå forholdet mellom dem og tilfellene der algoritmen vil vise bestemte resultater. Hvis du ikke føler deg rustet til å håndtere denne delen av dataanalysen på egen hånd, kan du finne en KI-ekspert (ingeniør, dataforsker eller en person i en rolle som min) som kan dissekere den for deg. Alternativt kan du bruke et verktøy for statistisk analyse som er utviklet for å forenkle prosessen.
Denne vurderingen av begrunnelsen må også kombineres med det neste elementet: å forstå driverne.
4. Forstå driverne (& være i stand til å forklare dem)
Åpenhet i prognosearbeidet krever evnen til å forklare driverne bak de forventede resultatene: Enten du er en del av et FP&A-team eller økonomidirektøren, kan du ikke presentere data du ikke forstår.
Du må forstå de viktigste variablene og egenskapene som bidrar til prognoseresultatene. Denne forklaringen bidrar til å bygge tillit og legger til rette for effektiv kommunikasjon med interessenter som er avhengige av prognosen.
I min egen prosess bruker jeg én eller to dager sammen med den delen av virksomheten jeg utvikler algoritmen for, før jeg begynner å kode den. Besøk en bestemt fabrikk hvis algoritmen skal forutsi energiforbruket der, eller bli med på en salgsbefaring hvis algoritmen skal lage salgsprognoser for en bestemt butikk.
Når du har fått en forståelse av den aktuelle avdelingen, det aktuelle teamet eller anlegget, skriver du ned alle driverne som kan påvirke prognosen. Sørg for at algoritmen ikke bare spytter ut et «sluttresultat», men også forklarer hvilke egenskaper eller drivere som bidro til å komme frem til resultatet.
More Articles
5. Valider resultatene
ML-algoritmer bør valideres grundig for å sikre at resultatene deres gir mening. Dette innebærer å undersøke modellens ytelsesmål, som nøyaktighet, presisjon, tilbakekalling og gjennomsnittlig absolutt feil. Hvis modellens ytelse faller under akseptable terskler, kan det være nødvendig med ytterligere forbedring, ny opplæring eller utforsking av alternative algoritmer.
De siste ukene har jeg snakket med mange økonomifagfolk, og de beskriver dette siste trinnet på ulike måter – noen kaller det «magefølelse», mens andre kaller det å «lukte» på resultatene av prognosen.
Enkelt sagt må du bruke din empiriske kunnskap og faglige ekspertise til å vurdere om prognosen gir mening. Du kan bruke matematiske beregninger som beskrevet ovenfor for å gjøre dette, men du må også ha tankesettet til en ekte forretningspartner og hele tiden bygge opp forretningskunnskapen din for å kunne vurdere resultatet fra en AI-modell på riktig måte.
Konklusjonen
Gi en person en ML-automatisering: Da automatiserer personen i én dag. Lær en person å bruke AI i FP&A: Da automatiserer personen resten av livet.
Bruksområdene er mange, ettersom AI-funksjonaliteten fortsetter å vokse og nye anvendelser oppdages. Men forretningsbeslutninger overlates ikke til robotene helt ennå.
Fordelene med AI kan gjøre livet enklere for økonomidirektører og FP&A-fagfolk, men ChatGPT kan fortsatt ikke gjøre jobben på egen hånd.
Hvis du vil ligge i forkant når det gjelder implementering av AI i økonomifunksjonen, kan du abonnere på nyhetsbrevet til The CFO Club og få de beste veiledningene rett i innboksen din.
