Czy sztuczna inteligencja w FP&A może ułatwić Ci pracę? Prawdopodobnie. Czy będzie to wymagało pewnego wysiłku? Zdecydowanie. Istnieje przekonanie, że sztuczna inteligencja (AI) i uczenie maszynowe (ML) to „czarne skrzynki”, co oznacza, że nie można zobaczyć, jak działają od wewnątrz.
Ten brak przejrzystości i potrzeba przejścia na rozwiązania cyfrowe stanowią wyzwanie, ponieważ musisz dostarczać dokładne prognozy oraz rozumieć i wyjaśniać interesariuszom czynniki, które na nie wpływają. Niezbędne jest ustanowienie mechanizmów nadzoru nad AI, aby zapewnić wiarygodność i rozliczalność wykonywanej pracy.
5-etapowe ramy nadzoru nad prognozowaniem ML
Jeśli chcesz wiedzieć, jak wykorzystywać AI w FP&A, potrzebujesz jasnego planu, aby robić to prawidłowo. W przypadku prognozowania z wykorzystaniem ML kilka kluczowych obszarów wymaga nadzoru, aby mieć pewność, że praca zostanie wykonana właściwie. Oto 5 kroków, które podejmuję:
Have an account? Log In
1. Sprawdź swoje założenia
Pierwszym krokiem jest zweryfikowanie założeń przyjętych podczas procesu prognozowania. Obejmuje to dokładną analizę hipotez leżących u podstaw modelu i upewnienie się, że są one zgodne z kontekstem biznesowym. Należy ocenić, czy założenia są rozsądne, spójne i oparte na istotnych danych historycznych.
Na przykład, gdy zacząłem prognozować wydatki na pracowników podczas pandemii COVID-19, model był trenowany na danych historycznych, ale nie uwzględniał innych czynników, takich jak rosnący popyt. Dla człowieka ten wzrost popytu byłby „rozsądnym” nowym założeniem, ale maszyna nie „pomyślałaby”, aby go uwzględnić. Gdyby algorytm ML był czarną skrzynką, nie można byłoby zobaczyć wpływu popytu na wynik końcowy.
2. Sprawdź dokładność swoich danych
Dokładne i wysokiej jakości zbiory danych mają kluczowe znaczenie dla wiarygodnych prognoz. Jak mówimy w finansach i księgowości: jeśli dane wejściowe są bezwartościowe, dane wyjściowe również będą bezwartościowe.
Kluczowe jest sprawdzenie, czy dane wykorzystywane do trenowania modelu ML są kompletne, aktualne i reprezentatywne dla populacji docelowej. Należy wdrożyć techniki oczyszczania i wstępnego przetwarzania danych, aby poradzić sobie z wartościami odstającymi, brakującymi wartościami i innymi problemami z jakością danych.
Z mojego doświadczenia wynika, że brak wiarygodnych danych w czasie rzeczywistym (lub możliwie zbliżonym do rzeczywistego) jest najczęstszym powodem, dla którego algorytmy ML nie działają w firmach. Dane muszą zostać oczyszczone, ustandaryzowane i uporządkowane w sposób, z którym model ML będzie w stanie pracować.
3. Zrozum uzasadnienie działania algorytmu
Jeśli chcesz wiedzieć, jak wykorzystywać AI w FP&A, musisz zajrzeć do „umysłu” maszyny. Zrozumienie uzasadnienia wyboru danego algorytmu jest niezbędne — musisz określić, czy algorytm nadaje się do danego zadania prognostycznego.
Należy ocenić, czy wybrany algorytm ML jest zgodny z charakterystyką danych i konkretnymi celami prognozy; ponieważ modele AI zazwyczaj opierają się na analizie predykcyjnej, trzeba sprawdzić, czy prognozy rzeczywiście mają sens. Taka ocena pomaga upewnić się, że założenia leżące u podstaw algorytmu są zgodne ze specyfiką obszaru finansów.
Jednym ze sposobów jest podzielenie algorytmu na mniejsze części i próba zrozumienia matematyki stojącej za każdym z elementów. Następnie należy zrozumieć zależności między nimi oraz przypadki, w których algorytm wyświetli określone wyniki. Jeśli nie czujesz się przygotowany do samodzielnego zajęcia się tą częścią analizy danych, znajdź eksperta ds. AI (inżyniera, naukowca zajmującego się danymi lub osobę na stanowisku podobnym do mojego), który wykona tę analizę za Ciebie. Alternatywnie możesz skorzystać z narzędzia do analizy statystycznej, którego zadaniem jest uproszczenie tego procesu.
Ocena tego uzasadnienia musi również zostać połączona z kolejnym elementem: zrozumieniem czynników wpływających na wynik.
4. Zrozum czynniki wpływające na wynik (& i potrafisz wyjaśnić ich znaczenie)
Przejrzystość prognozowania wymaga umiejętności wyjaśnienia czynników stojących za przewidywanymi wynikami: niezależnie od tego, czy jesteś częścią zespołu FP&A, czy dyrektorem finansowym, nie możesz przedstawiać danych, których nie rozumiesz.
Musisz rozumieć kluczowe zmienne i cechy, które przyczyniają się do uzyskania prognozowanych wyników. Takie wyjaśnienie pomaga budować zaufanie i ułatwia skuteczną komunikację z interesariuszami, którzy polegają na prognozie.
W moim procesie, zanim zacznę programować algorytm, spędzam 1 lub 2 dni w tej części firmy, dla której go tworzę. Udaj się do konkretnej fabryki, jeśli algorytm ma prognozować jej zużycie mediów, albo wybierz się w teren z zespołem sprzedaży, jeśli algorytm będzie prognozował sprzedaż w konkretnym sklepie.
Gdy już poznasz dział, zespół lub obiekt, którego dotyczy analiza, zapisz wszystkie czynniki, które mogą wpływać na prognozę, i upewnij się, że algorytm nie zwraca jedynie „wyniku końcowego”, lecz także wyjaśnia, które cechy lub czynniki przyczyniły się do jego uzyskania.
More Articles
5. Zweryfikuj wyniki
Algorytmy ML powinny zostać dokładnie zweryfikowane, aby upewnić się, że ich wyniki mają sens. Obejmuje to analizę wskaźników skuteczności modelu, takich jak dokładność, precyzja, czułość oraz średni błąd bezwzględny. Jeśli skuteczność modelu spadnie poniżej akceptowalnych progów, konieczne może być jego dalsze udoskonalenie, ponowne wytrenowanie lub zbadanie alternatywnych algorytmów.
W ciągu ostatnich kilku tygodni rozmawiałem z wieloma specjalistami z branży finansowej i opisują oni ten ostatni etap na różne sposoby — niektórzy nazywają go „przeczuciem”, inni „wyczuciem” wyników prognozy.
Mówiąc najprościej, musisz wykorzystać swoją wiedzę empiryczną i specjalistyczną wiedzę z danej dziedziny, aby ocenić, czy prognoza ma sens. Możesz w tym celu skorzystać z opisanych powyżej obliczeń matematycznych, ale musisz również myśleć jak prawdziwy partner biznesowy i stale poszerzać swoją wiedzę o biznesie, aby właściwie oceniać wynik modelu AI.
Werdykt
Daj komuś automatyzację ML, a będzie automatyzować przez jeden dzień. Naucz kogoś korzystać z AI w FP&A, a będzie automatyzować przez całe życie.
Zastosowań jest wiele, ponieważ możliwości AI wciąż rosną i są odkrywane. Jednak decyzje biznesowe nie są jeszcze pozostawiane robotom.
Korzyści płynące z AI mogą ułatwić życie dyrektorom finansowym i specjalistom FP&A, ale obecnie ChatGPT wciąż nie jest w stanie samodzielnie wykonywać tej pracy.
Jeśli chcesz wyprzedzać zmiany we wdrażaniu AI w finansach, zasubskrybuj biuletyn The CFO Club i otrzymuj najlepsze poradniki bezpośrednio na swoją skrzynkę odbiorczą.