Het 5-stappenraamwerk voor AI in FP&A-voorspellingen: een handleiding
Kan AI in FP&A je werk gemakkelijker maken? Waarschijnlijk wel. Zal het wat werk vereisen? Absoluut. Er bestaat het idee dat kunstmatige intelligentie (AI) en machine learning (ML) “black boxes” zijn, wat betekent dat het niet mogelijk is om hun werking van binnen te zien.
Dit gebrek aan transparantie en de noodzaak om digitaal te gaan vormt een uitdaging, omdat je nauwkeurige prognoses moet maken en de drijfveren moet begrijpen en uitleggen aan belanghebbenden. Het is essentieel om mechanismen in te stellen voor het toezicht op AI, zodat het uitgevoerde werk betrouwbaar en verantwoord is.
5-stappenraamwerk voor toezicht op ML-prognoses
Als je wilt weten hoe je AI in FP&A gebruikt, heb je een duidelijk plan nodig om dit correct te doen. Bij ML-prognoses zijn er verschillende belangrijke gebieden waarop toezicht nodig is om ervoor te zorgen dat het werk goed wordt uitgevoerd. Dit zijn de 5 stappen die ik neem:
Create a Free Account to Read More
You'll also get access to a growing community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
1. Controleer je aannames
De eerste stap is het valideren van de aannames die tijdens het prognoseproces zijn gedaan. Dit houdt in dat je de onderliggende hypothesen kritisch onderzoekt en nagaat of ze aansluiten bij de bedrijfscontext. Je moet beoordelen of de aannames redelijk en consistent zijn en gebaseerd zijn op relevante historische gegevens.
Toen ik bijvoorbeeld tijdens COVID-19 begon met het voorspellen van arbeidskosten, was het model getraind op historische gegevens, maar hield het geen rekening met andere zaken, zoals een toenemende vraag. Voor een mens zou deze toename van de vraag een “redelijke” nieuwe aanname zijn, maar een machine zou er niet vanzelf aan denken om die mee te nemen. Als het ML-algoritme een black box was, zou je de impact van de vraag op het eindresultaat niet kunnen zien.
2. Controleer de nauwkeurigheid van je gegevens
Nauwkeurige datasets van hoge kwaliteit zijn van cruciaal belang voor betrouwbare prognoses. Zoals we in Finance en Accounting zeggen: als je invoer waardeloos is, is je uitvoer dat ook.
Het is cruciaal om te controleren of de gegevens die worden gebruikt om het ML-model te trainen volledig, actueel en representatief zijn voor de doelpopulatie. Er moeten technieken voor gegevensopschoning en voorbewerking worden toegepast om uitschieters, ontbrekende waarden en andere problemen met de gegevenskwaliteit aan te pakken.
In mijn ervaring is het ontbreken van betrouwbare realtimegegevens (of gegevens die daar zo dicht mogelijk bij in de buurt komen) de meest voorkomende reden waarom ML-algoritmen niet werken voor bedrijven. Je gegevens moeten opgeschoond, gestandaardiseerd en gestructureerd zijn op een manier waarmee het ML-model kan werken.
3. Begrijp de achterliggende redenatie van het algoritme
Als je wilt weten hoe je AI in FP&A gebruikt, moet je in het “hoofd” van de machine kunnen kijken. Het is essentieel om de redenatie achter het gekozen algoritme te begrijpen - je moet bepalen of het algoritme geschikt is voor de prognosetaak in kwestie.
Je moet beoordelen of het geselecteerde ML-algoritme aansluit bij de kenmerken van de gegevens en de specifieke doelstellingen van de prognose; omdat AI-modellen doorgaans zijn gebaseerd op voorspellende analyses, moet je controleren of de voorspellingen daadwerkelijk logisch zijn. Deze evaluatie helpt ervoor te zorgen dat de onderliggende aannames van het algoritme aansluiten bij het financiële domein.
Een manier om dit te doen is het algoritme op te splitsen in kleinere onderdelen en te proberen de wiskunde achter elk onderdeel te begrijpen. Begrijp vervolgens de relatie tussen deze onderdelen en de situaties waarin het algoritme bepaalde resultaten zal laten zien. Als je je niet toegerust voelt om dit deel van de gegevensanalyse zelf uit te voeren, zoek dan een AI-expert (ingenieur, datawetenschapper of iemand in een functie zoals de mijne) om de ontleding voor je uit te voeren. Je kunt ook een hulpmiddel voor statistische analyse gebruiken dat bedoeld is om het proces te vereenvoudigen.
Deze evaluatie van de achterliggende redenatie moet ook worden gecombineerd met het volgende element: inzicht in de drijfveren.
4. Begrijp de drijfveren (& leg ze uit)
Transparantie bij prognoses vereist dat je de drijfveren achter de voorspelde uitkomsten kunt uitleggen: of je nu deel uitmaakt van een FP&A-team of de CFO bent, je kunt geen gegevens presenteren die je niet begrijpt.
Je moet inzicht hebben in de belangrijkste variabelen en kenmerken die bijdragen aan de voorspelde resultaten. Deze uitleg helpt vertrouwen op te bouwen en maakt effectieve communicatie mogelijk met belanghebbenden die op de prognose vertrouwen.
In mijn eigen proces breng ik, voordat ik begin met het programmeren van het algoritme, 1 of 2 dagen door met het onderdeel van het bedrijf waarvoor ik het bouw. Ga naar een bepaalde fabriek als het algoritme bedoeld is om het energieverbruik ervan te voorspellen, of ga mee op een verkoopbezoek als het algoritme de verkoop in een bepaalde winkel zal voorspellen.
Zodra je een beeld hebt gekregen van de betreffende afdeling, het team of de faciliteit, noteer je alle drijfveren die de prognose kunnen beïnvloeden en zorg je ervoor dat het algoritme niet alleen een “eindresultaat” oplevert, maar ook uitlegt welke kenmerken of drijfveren hebben bijgedragen aan dat resultaat.
5. Valideer de resultaten
ML-algoritmen moeten grondig worden gevalideerd om er zeker van te zijn dat hun uitvoer logisch is. Dit houdt in dat de prestatie-indicatoren van het model worden onderzocht, zoals nauwkeurigheid, precisie, recall en de gemiddelde absolute fout. Als de prestaties van het model onder de aanvaardbare drempelwaarden liggen, kan verdere verfijning, hertraining of het onderzoeken van alternatieve algoritmen nodig zijn.
De afgelopen weken heb ik met veel financiële professionals gesproken en zij beschrijven deze laatste stap op verschillende manieren: sommigen noemen het “onderbuikgevoel”; anderen spreken over de “geur” van de resultaten van de voorspelling.
Kort gezegd moet je je empirische kennis en inhoudelijke expertise gebruiken om te beoordelen of de voorspelling logisch is. Je kunt daarvoor wiskundige berekeningen gebruiken, zoals hierboven beschreven, maar je moet ook de instelling van een echte bedrijfspartner hebben en voortdurend je bedrijfskennis uitbreiden om het resultaat van een AI-model goed te kunnen beoordelen.
Het oordeel
Geef iemand ML-automatisering: diegene automatiseert één dag. Leer iemand hoe AI in FP&A te gebruiken: diegene automatiseert een leven lang.
Er zijn veel toepassingsmogelijkheden, aangezien de mogelijkheden van AI blijven groeien en worden ontdekt. Maar zakelijke beslissingen worden voorlopig nog niet volledig aan robots overgelaten.
De voordelen van AI kunnen het leven van CFO's en FP&A-professionals gemakkelijker maken, maar ChatGPT kan het werk momenteel nog steeds niet zelfstandig uitvoeren.
Als je voorop wilt blijven lopen met de implementatie van AI in de financiële sector, abonneer je dan op de nieuwsbrief van The CFO Club en ontvang de beste handleidingen rechtstreeks in je inbox.
