AI omformar kompetenserna i ekonomiteamen

Christian Wattig är grundare av Inside FP&A, en plattform för onlinekurser som lär finansteam att fatta bättre affärsbeslut. Han har utbildat ledare på bland andra Google, Merck, Lowe’s och Discover, och har även haft ekonomroller på Procter & Gamble, Unilever och Squarespace.

Vi satte oss ner med honom för att förstå vilka färdigheter som krävs av ekonomichefer nu när AI kan hantera så mycket av arbetet. Här är vad han berättade.

Att leda FP&A

Jag är en FP&A-expert, skapare av onlinekurser och företagsutbildare. Mina program på plats har hjälpt finansteam på Google, Merck, Lowe’s, Discover och många andra att fatta bättre affärsbeslut. Jag leder också FP&A-certifieringsprogrammet vid Wharton School vid University of Pennsylvania och delar insikter på LinkedIn och i mitt veckovisa nyhetsbrev.

Innan jag grundade min plattform för onlinekurser, Inside FP&A, tillbringade jag över ett decennium på Procter & Gamble och Unilever, där jag ledde FP&A- och redovisningsteam på globala marknader. Dessförinnan började jag på snabbväxande teknikföretag, bland annat genom att hjälpa Squarespace att börsnoteras och ta fram företagets första finansiella berättelse för Wall Street-analytiker.

Så bör AI användas inom FP&A

Christian delar med sig

Du behöver inte längre ett datavetenskapligt team eller dyr programvara för att skapa en algoritmisk prognos. ChatGPT, Claude och Gemini är fantastiska på att skapa statistiska prognoser.

AI bör användas för ditt första utkast till analys och modellbygge.

”Första utkast” är det centrala uttrycket här. Folk berättar för mig att de trodde att AI skulle ta över 95 % av deras modelleringsuppgifter, men att bygga starka finansiella modeller kräver mer tid för att granska resultatet, vilket eliminerar en stor del av tidsbesparingen.

AI är också bra för prognoser baserade på tidsserieanalys. Du behöver inte längre ett datavetenskapligt team eller dyr programvara för att skapa en algoritmisk prognos. ChatGPT, Claude och Gemini är fantastiska på att skapa statistiska prognoser. Allt du behöver göra är att mata in historiska data och be dem skapa Python-kod som kör en ARIMA-modell i Excel.

Här är andra sätt jag använder AI inom FP&A varje dag:

• Avvikelseanalys: Bygg drivträd som förklarar avvikelser.
• Förberedelser inför samarbetet med verksamheten: Gå in i möten väl förberedd för att samla in rätt information från verksamhetens representanter.
• Budgetgranskningar: Identifiera risker och möjligheter i en verksamhetspartners budget utan att skada relationen.
• Förfining av rapporter: Berätta historien bakom siffrorna
• Styrelsepresentationer: Förutse svåra frågor innan de ställs

För exempel på instruktioner för vart och ett av dessa användningsområden, gå hit.

Vissa uppgifter måste dock förbli mänskliga:

• Djupgående analys
• Samarbete med verksamheten
• Påverkan
• Att väga kompromisser mot varandra

Varför avvikelser i AI-prognoser styrs av indata

För några år sedan, när jag ledde ett FP&A-team på ett stort konsumentvaruföretag, ansvarade jag för prognosen för rörelsekapitalet. Det var en enorm prognos, med dussintals delprognoser för poster och divisioner som stegvis summerades till hela företagets siffra. Eftersom den var så komplex och tidskrävande valde vi den för att för första gången testa en maskininlärningsmetod.

Vi lade ut utvecklingen av AI-modellen på en extern part. När vi fick modellens första resultat och en månad senare jämförde dem med de faktiska siffrorna blev vi entusiastiska. Prognosens träffsäkerhet var betydligt bättre än våra tidigare resultat. Jag var säker på att projektet skulle bli en stor framgång tills ledningsgruppen ville ha en förklaring till den återstående avvikelsen mellan maskininlärningsmodellens förutsägelser och de faktiska resultaten.

Jag hade ingen aning om hur jag skulle svara på den frågan eftersom jag inte var involverad i att bygga modellen. Jag kontaktade dataforskaren som ansvarade för modellen hos tredjepartsleverantören. Jag angrep det på samma sätt som jag skulle analysera en avvikelse från en traditionell Excel-prognosmodell: jag bad honom förklara hur modellen fungerar så att jag kunde identifiera vad som kunde orsaka avvikelsen. Han sa: "Vi använder en ensemble av olika maskininlärningsalgoritmer. De tävlar mot varandra varje månad, och den modell som presterar bäst gör prognosen. Mer specifikt använder vi maskininlärningsalgoritmer som DeepAR från Amazon, Temporal Fusion Transformer från Google samt traditionella algoritmer som Holt-Winters och modeller med autoregressivt integrerat glidande medelvärde. Totalt omfattar ensemblen 12 olika algoritmer som tävlar mot varandra. Vi backtestar var och en och väljer sedan den med högst träffsäkerhet.”

Jag förstod inte mer än hälften av det han sa, så jag följde upp med: ”Okej, varför tror du att det fortfarande finns en så betydande avvikelse mellan de faktiska resultaten och modellens förutsägelser?” Han svarade att han inte hade en aning eftersom han inte förstod vår verksamhet.

Situationen var att jag inte förstod hur maskininlärningsmodellen fungerade, och dataforskaren förstod inte hur verksamheten fungerade. Hur skulle vi kunna förklara en avvikelse här? Jag brainstormade olika lösningar på problemet. Skulle vi bjuda in dataforskaren till vårt kontor så att vi kunde förklara hur verksamheten fungerar? Skulle vi be någon i vårt team att gå en kurs i maskininlärning och datavetenskap? Var det ens möjligt att lära sig detta utan att ta en examen i matematik eller datavetenskap?

Det tog ett tag, men till slut insåg jag att jag såg på problemet på helt fel sätt. Faktum är att jag försökte lösa helt fel problem. Med maskininlärning förklarar man inte avvikelser genom att peka på brister i själva modellen. De mest avancerade algoritmerna kallas ”svarta lådemodeller” av en anledning — även forskarna som byggde dem förstår ibland inte slutsatserna de drar. Jag insåg att allt handlar om indata. Skräp in, skräp ut.

För att förklara avvikelser med maskininlärning måste vi undersöka om datapunkterna vi matar in i modellen är korrekta och tillräckliga. Det bästa sättet att göra detta är att kombinera experiment med en metod som kallas ”backtestning”. Med AI-modeller kan du låtsas att det senaste året ännu inte har inträffat och be modellen skapa en prognos. Om det till exempel är maj 2026 kan jag be AI-modellen att prognostisera 2025 genom att mata in historiska data från 2020 till 2024. Sedan kan du omedelbart jämföra hur nära den ligger de faktiska resultaten, justera datapunkterna och testa igen.

Slutligen insåg vi att prognosprecisionen förbättrades avsevärt när vi matade modellen med ytterligare data från våra lagersystem, datapunkter som vi aldrig tidigare hade övervägt eftersom det skulle ha gjort våra traditionella kalkylbladsbaserade modeller ännu mer komplexa.

Varför ekonomichefer måste standardisera processer innan de implementerar AI

AI åtgärdar inte bristfälliga ekonomiprocesser. Det skalar upp dem.

Jag har sett tillräckligt många ekonomiteam införa ny teknik för att veta hur det brukar gå. Verktygen förstärker det som redan finns på plats, oavsett om det är bra eller dåligt.

Om din avvikelsekommentar är en enda röra i dag, till exempel att varje analytiker skriver den på sitt eget sätt, att det saknas överenskomna tröskelvärden och en enhetlig struktur — då kommer AI att producera samma röra för varje kostnadsställe, flytande och snabbt. Om din modell saknar dokumentation eller namnstandarder kommer AI att hjälpa dig att förstöra den med större självförtroende. Om din prognos svänger 20 % från en månad till nästa utan någon tydlig förklaring av drivkrafterna kommer AI att fortsätta få den att svänga, bara med bättre formatering.

De ekonomiteam som jag ser få verkligt värde av det här är inte de som har den mest avancerade uppsättningen. Det är de som redan visste hur något bra såg ut. De hade mallar. De hade en fungerande definition av ”användbart”. De hade gjort det oglamorösa arbetet med att standardisera innan de ens bad AI att göra något.

Varför ekonomiteam måste använda Greg Brockmans metod för promptar

Många ekonomiteam har svårt att få bra resultat från sina AI-verktyg eftersom deras promptar är för korta eller inte tillräckligt specifika. De behandlar AI som om det vore en Google-sökning.

Jag rekommenderar alltid Greg Brockmans metod för att prompta resonemangsmodeller:

1. Mål
2. Utdataformat
3. Varningar
4. Kontext

Med detta tillvägagångssätt får team konsekvent bättre resultat.

Så bör CFO:er utforma rekryteringen på nytt för AI-eran

Christian delar med sig

Se upp för överdrivet självförtroende, ett verktygscentrerat tänkande, bristande kommunikation och avsaknad av avvägningar. Dessa tre övningar hjälper dig att utvärdera de egenskaper jag nämnde ovan.

CFO:er behöver göra om sina processer för granskning av jobbsökande. AI-eran kräver andra färdigheter.

Traditionellt fokuserar ledare på snabbhet i kalkylbladsarbete, kunskaper i Excel och kvaliteten på rapportskrivandet. Men AI automatiserar alla dessa uppgifter. Leta i stället efter följande:

• Omdöme under osäkerhet
• Kommunikation i affärssammanhang
• Systemtänkande
• Inlärningstakt
• Datakompetens

När du intervjuar kandidater för vilken roll som helst kan du prova följande:

• Ge kandidaterna en kort, rimlig AI-genererad förklaring av en avvikelse eller en resultatsammanfattning. Fråga dem vad som verkar tveksamt och vad som behöver verifieras. Be dem sedan skriva om den till några få punkter för en chef.
• Be kandidaten att ange de fem första frågorna som hen skulle ställa om hen behövde förklara varför intäktsprognosen inte stämde — och varför.
• Säg till kandidaten att du förväntar dig marginalpress och efterfrågeosäkerhet under nästa kvartal. Be kandidaten definiera tre scenarier, ange de viktigaste drivkrafterna och rekommendera vad som bör göras nu.

Se upp för överdrivet självförtroende, ett verktygscentrerat tänkande, bristande kommunikation och avsaknad av avvägningar. Dessa tre övningar hjälper dig att utvärdera de egenskaper jag nämnde ovan.

Varför strategiska färdigheter och djupgående analys är det som är viktigt nu

Ekonomiteam behöver veta vad de optimerar för.

När de frigör all den tiden med hjälp av AI kommer seniora ledare att förvänta sig att de skapar värde på ett annat sätt — genom att bli strategiska partner och tillhandahålla djupgående analyser. De förväntas koppla samman operativa mätvärden med finansiella resultat för att ge konkreta rekommendationer om hur företaget bör ta vara på möjligheter eller minska risker.

Med andra ord behöver de vidareutbilda sig inom de strategiska färdigheter på högre nivå inom ekonomi som AI inte kan hantera. Det är det enda sättet att få en plats vid bordet i en AI-aktiverad framtid.

Följ med

Följ Christian Wattigs arbete på LinkedIn. Lär dig också av honom på hans YouTube eller ta en titt på hans plattform för onlinekurser, Inside FP&A.

Fler expertintervjuer kommer på The CFO Club!