Sztuczna inteligencja zmienia umiejętności zespołów finansowych

Christian Wattig jest założycielem Inside FP&A, platformy kursów online, która uczy zespoły finansowe podejmowania lepszych decyzji biznesowych. Szkolił liderów między innymi w firmach Google, Merck, Lowe’s i Discover, a także zajmował stanowiska finansowe w Procter & Gamble, Unilever i Squarespace.

Spotkaliśmy się z nim, aby zrozumieć, jakich umiejętności potrzebują liderzy finansowi teraz, gdy sztuczna inteligencja może przejąć tak dużą część ich pracy. Oto, co nam powiedział.

Zarządzanie FP&A

Jestem ekspertem w dziedzinie FP&A, twórcą kursów online i trenerem korporacyjnym. Moje programy stacjonarne pomogły zespołom finansowym w firmach Google, Merck, Lowe’s, Discover i wielu innych podejmować lepsze decyzje biznesowe. Kieruję również programem certyfikacyjnym FP&A w Wharton School na University of Pennsylvania oraz dzielę się spostrzeżeniami na LinkedIn i w moim cotygodniowym biuletynie.

Zanim założyłem moją platformę kursów online Inside FP&A, spędziłem ponad dekadę w firmach Procter & Gamble i Unilever, kierując zespołami FP&A i księgowości na rynkach całego świata. Wcześniej dołączyłem do szybko rozwijających się firm technologicznych, między innymi pomagając wprowadzić Squarespace na giełdę i przygotowując pierwszą historię finansową firmy dla analityków z Wall Street.

Jak należy wykorzystywać sztuczną inteligencję w FP&A

Christian dzieli się wskazówkami

Nie potrzebujesz już zespołu analityki danych ani drogiego oprogramowania, aby stworzyć prognozę algorytmiczną. ChatGPT, Claude i Gemini świetnie radzą sobie z tworzeniem prognoz statystycznych.

Sztuczna inteligencja powinna być wykorzystywana do przygotowania pierwszej wersji analizy i budowy modelu.

Kluczowe jest tu określenie „pierwsza wersja”. Ludzie mówią mi, że sądzili, iż sztuczna inteligencja przejmie 95% ich zadań związanych z modelowaniem, ale budowanie solidnych modeli finansowych wymaga poświęcenia większej ilości czasu na sprawdzanie wyników, co eliminuje znaczną część oszczędności czasowych.

Sztuczna inteligencja dobrze sprawdza się również w prognozowaniu na podstawie analizy szeregów czasowych. Nie potrzebujesz już zespołu analityki danych ani drogiego oprogramowania, aby stworzyć prognozę algorytmiczną. ChatGPT, Claude i Gemini świetnie radzą sobie z tworzeniem prognoz statystycznych. Wystarczy dostarczyć im dane historyczne i poprosić o stworzenie kodu w Pythonie, który uruchomi model ARIMA w Excelu.

Oto inne sposoby, w jakie codziennie wykorzystuję sztuczną inteligencję w FP&A:

• Analiza odchyleń: tworzenie drzew czynników wyjaśniających odchylenia.
• Przygotowanie do współpracy z partnerem biznesowym: wchodzenie na spotkania z przygotowaniem pozwalającym zebrać od partnerów odpowiednie informacje.
• Przeglądy budżetu: identyfikowanie ryzyk i szans w budżecie partnera biznesowego bez niszczenia relacji.
• Dopracowywanie raportów: opowiadanie historii kryjącej się za liczbami.
• Prezentacje dla zarządu: przewidywanie trudnych pytań, zanim zostaną zadane.

Przykłady promptów dla każdego z tych zastosowań znajdziesz tutaj.

Niektóre zadania muszą jednak pozostać domeną człowieka:

• Pogłębiona analiza
• Współpraca z partnerami biznesowymi
• Wywieranie wpływu
• Rozważanie kompromisów

Dlaczego odchylenia w prognozowaniu za pomocą sztucznej inteligencji zależą od danych wejściowych

Kilka lat temu, gdy kierowałem zespołem FP&A w dużej firmie z branży dóbr konsumpcyjnych, odpowiadałem za prognozę kapitału obrotowego. Była to niezwykle złożona prognoza, obejmująca dziesiątki prognoz cząstkowych dla poszczególnych pozycji i działów, które składały się na pełną wartość dla całej firmy. Ponieważ była tak złożona i czasochłonna, wybraliśmy ją do pierwszego testu podejścia opartego na uczeniu maszynowym.

Opracowanie modelu sztucznej inteligencji zleciliśmy zewnętrznej firmie. Gdy otrzymaliśmy pierwsze wyniki nowego modelu i miesiąc później porównaliśmy je z rzeczywistymi danymi, byliśmy podekscytowani. Dokładność prognozy była znacznie lepsza niż w przypadku naszych wcześniejszych wyników. Byłem pewien, że projekt zakończy się spektakularnym sukcesem, dopóki zespół kierowniczy nie zażądał wyjaśnienia pozostałego odchylenia między przewidywaniami modelu uczenia maszynowego a rzeczywistymi wynikami.

Nie miałem pojęcia, jak odpowiedzieć na to pytanie, ponieważ nie brałem udziału w tworzeniu modelu. Skontaktowałem się z analitykiem danych odpowiedzialnym za model po stronie zewnętrznego dostawcy. Podszedłem do tego tak samo, jak podszedłbym do analizy odchylenia w tradycyjnym modelu prognozy w Excelu: poprosiłem go o wyjaśnienie, jak działa model, abym mógł ustalić, co mogło spowodować odchylenie. Powiedział: „Korzystamy z zespołu różnych algorytmów uczenia maszynowego. Co miesiąc rywalizują ze sobą, a prognozę przygotowuje model osiągający najlepsze wyniki. W szczególności używamy algorytmów uczenia maszynowego, takich jak DeepAR firmy Amazon i Temporal Fusion Transformer firmy Google, a także tradycyjnych algorytmów, takich jak modele Holta-Wintersa oraz autoregresyjnej zintegrowanej średniej ruchomej. Łącznie zespół obejmuje 12 różnych algorytmów, które rywalizują ze sobą. Testujemy historycznie każdy z nich, a następnie wybieramy ten o najwyższej dokładności”.

Nie zrozumiałem więcej niż połowy tego, co powiedział, więc dopytałem: „Dobrze, dlaczego pana zdaniem nadal występuje tak znaczne odchylenie między rzeczywistymi wynikami a prognozami modelu?”. Odpowiedział, że nie ma pojęcia, ponieważ nie rozumie naszej działalności.

Sytuacja wyglądała tak, że ja nie rozumiałem, jak działa model uczenia maszynowego, a analityk danych nie rozumiał, jak działa firma. Jak mogliśmy w tej sytuacji wyjaśnić odchylenie? Zacząłem rozważać różne rozwiązania tego problemu. Czy powinniśmy zaprosić analityka danych do naszego biura, abyśmy mogli wyjaśnić mu, jak działa firma? Czy powinniśmy poprosić kogoś z naszego zespołu o ukończenie kursu z uczenia maszynowego i analityki danych? Czy w ogóle można się tego nauczyć bez uzyskania dyplomu z matematyki lub informatyki?

Minęło trochę czasu, ale w końcu zdałem sobie sprawę, że zupełnie niewłaściwie patrzyłem na ten problem. W rzeczywistości próbowałem rozwiązać całkowicie niewłaściwy problem. W przypadku uczenia maszynowego odchyleń nie wyjaśnia się, wskazując na błędy w samym modelu. Najbardziej zaawansowane algorytmy nazywa się „modelami czarnoskrzynkowymi” nie bez powodu — nawet naukowcy, którzy je stworzyli, czasami nie rozumieją formułowanych przez nie wniosków. Zdałem sobie sprawę, że wszystko sprowadza się do danych wejściowych. Błędne dane wejściowe oznaczają błędne wyniki.

Aby wyjaśniać odchylenia za pomocą uczenia maszynowego, musimy sprawdzić, czy punkty danych przekazywane do modelu są prawidłowe i wystarczające. Najlepszym sposobem jest połączenie eksperymentowania z podejściem zwanym „testowaniem historycznym”. W przypadku modeli AI można założyć, że miniony rok jeszcze się nie wydarzył, i poprosić model o przygotowanie prognozy. Na przykład jeśli jest maj 2026 roku, mogę poprosić model AI o prognozę na 2025 rok, przekazując mu dane historyczne z lat 2020–2024. Następnie można od razu porównać prognozę z rzeczywistymi wynikami, dostosować punkty danych i ponownie ją przetestować.

Ostatecznie zdaliśmy sobie sprawę, że dokładność prognoz znacznie się poprawiła, gdy przekazaliśmy do modelu dodatkowe dane z naszych systemów magazynowych — punkty danych, których wcześniej nie braliśmy pod uwagę, ponieważ ich uwzględnienie uczyniłoby nasze tradycyjne modele oparte na arkuszach kalkulacyjnych jeszcze bardziej złożonymi.

Dlaczego CFO muszą standaryzować procesy przed wdrożeniem AI

AI nie naprawia niesprawnych procesów finansowych. Skaluje je.

Obserwowałem wystarczająco wiele zespołów finansowych, które wdrażały nowe technologie, aby wiedzieć, jak to wygląda. Narzędzia wzmacniają wszystko, co już istnieje — zarówno dobre, jak i złe rozwiązania.

Jeśli komentarze dotyczące odchyleń są dziś chaotyczne — na przykład każdy analityk przygotowuje je inaczej, nie ma uzgodnionych progów ani spójnej struktury — AI będzie tworzyć ten sam chaos we wszystkich centrach kosztów, szybko i płynnie. Jeśli model nie ma dokumentacji ani standardów nazewnictwa, AI pomoże wam z większą pewnością jeszcze bardziej go zepsuć. Jeśli prognoza zmienia się o 20% z miesiąca na miesiąc bez jasnego opisu przyczyn, AI będzie podtrzymywać te wahania, tylko w lepiej sformatowanej formie.

Zespoły finansowe, które — jak widzę — czerpią z tych rozwiązań rzeczywistą wartość, nie mają najbardziej wymyślnych konfiguracji. To zespoły, które już wcześniej wiedziały, jak wygląda dobra praca. Miały szablony. Miały praktyczną definicję tego, co jest „użyteczne”. Wykonały mało efektowną pracę polegającą na standaryzacji, zanim w ogóle poprosiły AI o zrobienie czegokolwiek.

Dlaczego zespoły finansowe muszą korzystać z metody tworzenia promptów Grega Brockmana

Wiele zespołów finansowych ma trudności z uzyskiwaniem dobrych rezultatów z narzędzi AI, ponieważ ich prompty są zbyt krótkie lub niewystarczająco precyzyjne. Traktują AI tak, jakby korzystały z wyszukiwarki Google.

Zawsze sugeruję metodę Grega Brockmana dotyczącą tworzenia promptów dla modeli rozumujących:

1. Cel
2. Format wyjściowy
3. Ostrzeżenia
4. Kontekst

Dzięki temu podejściu zespoły niezmiennie uzyskują lepsze rezultaty.

Jak dyrektorzy finansowi powinni przeprojektować rekrutację w erze AI

Christian dzieli się

Zwróć uwagę na nadmierną pewność siebie, myślenie skoncentrowane najpierw na narzędziach, słabą komunikację oraz brak kompromisów. Te trzy ćwiczenia pomogą Ci ocenić wspomniane przeze mnie cechy.

Dyrektorzy finansowi muszą przeprojektować procesy weryfikacji kandydatów do pracy. Era AI wymaga innych umiejętności.

Tradycyjnie liderzy koncentrują się na szybkości pracy z arkuszami kalkulacyjnymi, biegłości w obsłudze programu Excel oraz jakości tworzenia raportów. AI automatyzuje jednak wszystkie te zadania. Zamiast tego szukaj następujących cech:

• Umiejętność podejmowania trafnych decyzji w warunkach niepewności
• Komunikacja biznesowa
• Myślenie systemowe
• Szybkość uczenia się
• Biegłość w pracy z danymi

Podczas rozmów kwalifikacyjnych z kandydatami na dowolne stanowisko wypróbuj następujące podejście:

• Przedstaw kandydatom krótkie, wiarygodne wyjaśnienie odchyleń lub podsumowanie wyników wygenerowane przez AI. Zapytaj ich, co budzi wątpliwości i co należy zweryfikować. Następnie poproś ich o przeredagowanie tego tekstu do kilku punktów przeznaczonych dla członka kadry kierowniczej.
• Poproś kandydata o podanie pierwszych pięciu pytań, które zadałby, gdyby musiał wyjaśnić, dlaczego prognoza przychodów okazała się nietrafna — oraz dlaczego właśnie tych pytań.
• Powiedz kandydatowi, że w przyszłym kwartale spodziewasz się presji na marże i niepewności popytu. Poproś kandydata o zdefiniowanie trzech scenariuszy, wskazanie kluczowych czynników oraz zarekomendowanie, co należy zrobić już teraz.

Zwróć uwagę na nadmierną pewność siebie, myślenie skoncentrowane najpierw na narzędziach, słabą komunikację oraz brak kompromisów. Te trzy ćwiczenia pomogą Ci ocenić wspomniane przeze mnie cechy.

Dlaczego teraz liczą się umiejętności strategiczne i dogłębna analiza

Zespoły finansowe muszą wiedzieć, co chcą optymalizować.

Gdy dzięki AI odzyskają cały ten czas, starsi rangą liderzy będą oczekiwać od nich innego sposobu tworzenia wartości — poprzez stanie się partnerami strategicznymi i dostarczanie dogłębnych analiz. Będą musieli łączyć dane dotyczące wskaźników operacyjnych z wynikami finansowymi, aby formułować konkretne rekomendacje dotyczące tego, jak firma powinna wykorzystywać szanse lub ograniczać ryzyko.

Innymi słowy, muszą podnosić swoje kwalifikacje w zakresie zaawansowanych strategicznych umiejętności finansowych, których AI nie jest w stanie zapewnić. To jedyny sposób, aby zasiąść przy stole w przyszłości finansów i planowania wspieranej przez AI.

Śledź jego działalność

Śledź działalność Christiana Wattiga na LinkedIn. Ucz się od niego na jego kanale YouTube lub poznaj jego platformę kursów online, Inside FP&A.

Na The CFO Club pojawi się więcej wywiadów z ekspertami!