KI omformer ferdighetene i økonomiteamet

Christian Wattig er grunnleggeren av Inside FP&A, en nettbasert kursplattform som lærer økonomiteam å ta bedre forretningsbeslutninger. Han har undervist ledere hos blant andre Google, Merck, Lowe’s og Discover, og har også hatt økonomistillinger hos Procter & Gamble, Unilever og Squarespace.

Vi satte oss ned med ham for å forstå hvilke ferdigheter økonomiledere trenger nå som KI kan håndtere så mye av arbeidet. Her er det han fortalte oss.

Å lede FP&A

Jeg er en FP&A-ekspert, kursprodusent på nett og bedriftsinstruktør. Mine fysiske programmer har satt økonomiteam hos Google, Merck, Lowe’s, Discover og mange andre i stand til å ta bedre forretningsbeslutninger. Jeg leder også FP&A-sertifiseringsprogrammet ved Wharton School ved University of Pennsylvania, og deler innsikt på LinkedIn og i det ukentlige nyhetsbrevet mitt.

Før jeg grunnla den nettbaserte kursplattformen min, Inside FP&A, tilbrakte jeg over ti år hos Procter & Gamble og Unilever, der jeg ledet FP&A- og regnskapsteam på tvers av globale markeder. Før det begynte jeg i raskt voksende teknologiselskaper, blant annet ved å bidra til børsnoteringen av Squarespace og forberede selskapets første finansielle presentasjon for Wall Street-analytikere.

Slik bør KI brukes i FP&A

Christian deler

Du trenger ikke lenger et datavitenskapsteam eller dyr programvare for å lage en algoritmisk prognose. ChatGPT, Claude og Gemini er fantastiske til å lage statistiske prognoser.

KI bør brukes til ditt første utkast til analyse og modellbygging.

«Første utkast» er det avgjørende uttrykket her. Folk forteller meg at de trodde KI ville overta 95 % av modelleringsoppgavene deres, men det å bygge gode finansielle modeller krever mer tid til å gjennomgå resultatet, noe som eliminerer mye av tidsbesparelsen.

Det er også nyttig til prognoser basert på tidsserieanalyse. Du trenger ikke lenger et datavitenskapsteam eller dyr programvare for å lage en algoritmisk prognose. ChatGPT, Claude og Gemini er fantastiske til å lage statistiske prognoser. Alt du trenger å gjøre, er å gi dem historiske data og be dem lage Python-kode som kjører en ARIMA-modell i Excel.

Her er andre måter jeg bruker KI i FP&A hver dag:

• Avviksanalyse: Bygg drivertrær som forklarer avvik.
• Forberedelse til møter med forretningspartnere: Gå inn i møter forberedt på å innhente riktig informasjon fra partnerne.
• Budsjettgjennomganger: Identifiser risikoer og muligheter i en forretningspartners budsjett uten å skade forholdet.
• Finpussing av rapporter: Fortell historien bak tallene
• Presentasjoner for styret: Forutse vanskelige spørsmål før de blir stilt

For eksempler på instruksjoner for hvert av disse bruksområdene, gå hit.

Noen oppgaver må imidlertid fortsatt utføres av mennesker:

• Grundig analyse
• Forretningspartnerskap
• Påvirkning
• Avveining av kompromisser

Hvorfor avvik i KI-prognoser bestemmes av inndataene

For noen år siden, da jeg ledet et FP&A-team i et stort forbrukervareselskap, hadde jeg ansvaret for prognosen for arbeidskapital. Det var en omfattende prognose, med dusinvis av delprognoser for linjeposter og divisjoner som ble aggregert til selskapets samlede tall. Fordi den var så kompleks og tidkrevende, valgte vi den for å teste en maskinlæringstilnærming for første gang.

Vi satte ut utviklingen av KI-modellen til en tredjepart. Da vi mottok modellens første resultater og sammenlignet dem med de faktiske tallene en måned senere, var vi begeistret. Nøyaktigheten til prognosen var betydelig bedre enn resultatene våre tidligere. Jeg var sikker på at dette prosjektet ville bli en stor suksess, helt til ledergruppen ønsket en forklaring på det gjenværende avviket mellom maskinlæringsmodellens prediksjoner og de faktiske resultatene.

Jeg hadde ingen anelse om hvordan jeg skulle svare på det spørsmålet, fordi jeg ikke var involvert i utviklingen av modellen. Jeg kontaktet dataforskeren som var ansvarlig for modellen hos tredjeparten. Jeg gikk frem på samme måte som jeg ville ha analysert et avvik fra en tradisjonell Excel-basert prognosemodell: Jeg ba ham forklare hvordan modellen fungerer, slik at jeg kunne identifisere hva som kunne forårsake avviket. Han sa: "Vi bruker en samling av ulike maskinlæringsalgoritmer. De konkurrerer mot hverandre hver måned, og modellen som presterer best, lager prognosen. Konkret bruker vi maskinlæringsalgoritmer som DeepAR fra Amazon, Temporal Fusion Transformer fra Google og tradisjonelle algoritmer som Holt-Winters og modeller for autoregressivt integrert glidende gjennomsnitt. Totalt består samlingen av 12 ulike algoritmer som konkurrerer mot hverandre. Vi gjennomfører ettertesting av hver av dem, og velger deretter den med høyest nøyaktighet.”

Jeg forsto ikke mer enn halvparten av det han sa, så jeg fulgte opp med: «OK, hvorfor tror du at det fortsatt finnes et så betydelig avvik mellom faktiske resultater og modellens prognoser?» Han svarte at han ikke hadde noen anelse, fordi han ikke forsto virksomheten vår.

Situasjonen var at jeg ikke forsto hvordan maskinlæringsmodellen fungerte, og dataforskeren ikke forsto hvordan virksomheten fungerte. Hvordan kunne vi forklare et avvik her? Jeg idédrodlet ulike løsninger på problemet. Burde vi invitere dataforskeren til kontoret vårt, slik at vi kunne forklare hvordan virksomheten fungerer? Burde vi be noen i teamet vårt om å ta et kurs i maskinlæring og dataforskning? Var det i det hele tatt mulig å lære dette uten å ta en grad i matematikk eller informatikk?

Det tok litt tid, men til slutt innså jeg at jeg hadde sett på problemet på helt feil måte. Faktisk prøvde jeg å løse helt feil problem. Med maskinlæring forklarer man ikke avvik ved å peke på feil i selve modellen. De mest avanserte algoritmene kalles «svartboksmodeller» av en grunn – selv forskerne som utviklet dem, forstår noen ganger ikke konklusjonene de trekker. Jeg innså at alt handler om inndataene. Søppel inn, søppel ut.

For å forklare avvik med maskinlæring må vi undersøke om datapunktene vi mater modellen med, er riktige og tilstrekkelige. Den beste måten å gjøre dette på er å kombinere eksperimentering med en metode som kalles «ettertesting». Med KI-modeller kan du late som om det siste året ennå ikke har skjedd, og be modellen lage en prognose. Hvis det for eksempel er mai 2026, kan jeg be KI-modellen om å lage en prognose for 2025 ved å gi den historiske data fra 2020 til 2024. Deretter kan du umiddelbart sammenligne hvor nært resultatet ligger de faktiske resultatene, justere datapunktene og teste den på nytt.

Til slutt innså vi at prognosenøyaktigheten ble betydelig bedre da vi matet modellen med ytterligere data fra lagersystemene våre – datapunkter vi aldri hadde vurdert før, fordi dette ville ha gjort de tradisjonelle, regnearkbaserte modellene våre enda mer komplekse.

Hvorfor finansdirektører må standardisere prosessene før de implementerer KI

KI reparerer ikke ødelagte økonomiprosesser. Den skalerer dem.

Jeg har sett nok økonomiteam ta i bruk ny teknologi til å vite hvordan dette fungerer. Teknologien forsterker det som allerede er på plass, enten det er bra eller dårlig.

Hvis avvikskommentarene deres er et rot i dag – for eksempel fordi hver analytiker skriver dem på sin egen måte, det ikke finnes avtalte terskelverdier og ingen konsekvent struktur – vil KI produsere det samme rotet på tvers av hvert kostnadssenter, flytende og raskt. Hvis modellen deres mangler dokumentasjon eller navnestandarder, vil KI hjelpe dere med å ødelegge den med større selvtillit. Hvis prognosen svinger 20 % fra én måned til den neste uten en tydelig forklaring på hva som driver utviklingen, vil KI fortsette å la den svinge, bare med bedre formatering.

Økonomiteamene jeg ser få reell verdi av dette, er ikke de som har det mest avanserte oppsettet. Det er de som allerede visste hvordan et godt resultat skulle se ut. De hadde maler. De hadde en fungerende definisjon av «nyttig». De hadde gjort det lite glamorøse arbeidet med å standardisere før de i det hele tatt ba KI om å gjøre noe.

Hvorfor økonomiteam må bruke Greg Brockmans metode for å skrive instruksjoner

Mange økonomiteam sliter med å få gode resultater fra KI-verktøyene sine fordi instruksjonene er for korte eller ikke spesifikke nok. De behandler KI som om det var et Google-søk.

Jeg anbefaler alltid Greg Brockmans metode for å gi instruksjoner til resonneringsmodeller:

1. Mål
2. Utdataformat
3. Advarsler
4. Kontekst

Med denne tilnærmingen får team konsekvent bedre resultater.

Slik bør CFO-er utforme ansettelser på nytt for KI-æraen

Christian deler

Se opp for overdreven selvtillit, verktøy-først-tenkning, svak kommunikasjon og fravær av avveininger. Disse tre øvelsene vil hjelpe deg med å vurdere egenskapene jeg nevnte ovenfor.

CFO-er må utforme prosessene for utvelgelse av jobbsøkere på nytt. KI-æraen krever andre ferdigheter.

Tradisjonelt fokuserer ledere på regnearkshastighet, Excel-kompetanse og kvaliteten på rapportskrivingen. Men KI automatiserer alle disse oppgavene. Se heller etter følgende:

• Dømmekraft under usikkerhet
• Forretningskommunikasjon
• Systemtenkning
• Læringshastighet
• Dataforståelse

Når du intervjuer kandidater til en hvilken som helst rolle, kan du prøve følgende:

• Gi kandidatene en kort, plausibel, KI-generert forklaring på avvik eller et sammendrag av resultater. Spør dem hva som er tvilsomt, og hva som må verifiseres. Be dem deretter skrive det om til noen få punkter for en leder.
• Be kandidaten oppgi de fem første spørsmålene de ville stilt hvis de måtte forklare hvorfor inntektsprognosen ikke stemte – og hvorfor.
• Fortell kandidaten at du forventer marginpress og usikker etterspørsel i neste kvartal. Be kandidaten definere tre scenarioer, navngi de viktigste driverne og anbefale hva som bør gjøres nå.

Se opp for overdreven selvtillit, verktøy-først-tenkning, svak kommunikasjon og fravær av avveininger. Disse tre øvelsene vil hjelpe deg med å vurdere egenskapene jeg nevnte ovenfor.

Hvorfor strategiske ferdigheter og dybdeanalyse er det som betyr noe nå

Finansavdelinger må vite hva de optimaliserer for.

Når de frigjør all denne tiden med KI, vil seniorledere forvente at de skaper verdi på en annen måte – ved å bli strategiske partnere og levere dybdeanalyse. Det forventes at de kobler sammen operasjonelle nøkkeltall og økonomiske resultater for å komme med konkrete anbefalinger om hvordan virksomheten bør utnytte muligheter eller redusere risiko.

Med andre ord må de styrke kompetansen sin innen strategiske ferdigheter på høyere nivå i økonomifaget, som KI ikke kan håndtere. Det er den eneste måten å få en plass rundt bordet i en KI-aktivert fremtid.

Følg med

Følg arbeidet til Christian Wattig på LinkedIn. Lær også av ham på YouTube, eller ta en titt på nettbaserte kursplattformen hans, Inside FP&A.

Det kommer flere ekspertintervjuer på The CFO Club!