Ramverket i 5 steg för AI i FP&A-prognoser: En guide
Kan AI inom FP&A göra ditt jobb enklare? Förmodligen. Kommer det att kräva en del arbete? Definitivt. Det finns en föreställning om att artificiell intelligens (AI) och maskininlärning (ML) är ”svarta lådor”, vilket innebär att det inte går att se hur de fungerar internt.
Denna brist på transparens och behovet av att digitalisera innebär en utmaning, eftersom du behöver ta fram korrekta prognoser samt förstå och förklara drivkrafterna för intressenter. Det är avgörande att etablera mekanismer för att övervaka AI för att säkerställa att arbetet är tillförlitligt och ansvarsfullt.
Ramverk i 5 steg för övervakning av ML-prognoser
Om du vill veta hur du använder AI inom FP&A behöver du en tydlig plan för att göra det på rätt sätt. När det gäller ML-prognoser kräver flera nyckelområden övervakning för att säkerställa att arbetet utförs korrekt. Här är de 5 steg jag följer:
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
1. Kontrollera dina antaganden
Det första steget är att validera antagandena som gjordes under prognosprocessen. Det innebär att granska de underliggande hypoteserna och säkerställa att de överensstämmer med verksamhetens kontext. Du bör utvärdera om antagandena är rimliga, konsekventa och baserade på relevant historisk data.
När jag till exempel började prognostisera arbetskraftskostnader under covid-19 tränades modellen på historiska data, men den tog inte hänsyn till andra faktorer, såsom ökad efterfrågan. För en människa skulle denna efterfrågeökning vara ett ”rimligt” nytt antagande, men en maskin skulle inte ”komma på” att inkludera den. Om ML-algoritmen var en svart låda skulle du inte kunna se efterfrågans påverkan på slutresultatet.
2. Kontrollera att dina data är korrekta
Korrekt data av hög kvalitet är avgörande för tillförlitliga prognoser. Som vi brukar säga inom ekonomi och redovisning: om dina indata är skräp blir dina utdata också skräp.
Det är viktigt att verifiera att de data som används för att träna ML-modellen är heltäckande, uppdaterade och representativa för målpopulationen. Tekniker för datarensning och förbehandling bör användas för att hantera avvikande värden, saknade värden och andra problem med datakvaliteten.
Enligt min erfarenhet är avsaknaden av tillförlitliga data i realtid (eller så nära realtid som möjligt) den vanligaste orsaken till att ML-algoritmer inte fungerar för företag. Du behöver rensa, standardisera och strukturera dina data på ett sätt som ML-modellen kan hantera.
3. Förstå algoritmens logik
Om du vill veta hur du använder AI inom FP&A behöver du ta dig in i maskinens ”sinne”. Det är viktigt att förstå logiken bakom den valda algoritmen – du behöver avgöra om algoritmen är lämplig för den aktuella prognosuppgiften.
Du bör bedöma om den valda ML-algoritmen överensstämmer med datans egenskaper och prognosens specifika mål. Eftersom AI-modeller vanligtvis bygger på prediktiv analys behöver du kontrollera att förutsägelserna faktiskt är rimliga. Denna utvärdering bidrar till att säkerställa att algoritmens underliggande antaganden överensstämmer med det finansiella området.
Ett sätt att göra detta är att dela upp algoritmen i mindre delar och försöka förstå matematiken bakom varje komponent. Förstå sedan relationen mellan dem och i vilka fall algoritmen kommer att visa vissa resultat. Om du inte känner dig rustad att hantera denna del av dataanalysen på egen hand bör du anlita en AI-expert (ingenjör, dataforskare eller någon i en roll som min) som kan göra uppdelningen åt dig. Alternativt kan du i stället använda ett verktyg för statistisk analys som är utformat för att förenkla processen.
Denna utvärdering av logiken behöver också kombineras med nästa del: att förstå drivkrafterna.
4. Förstå drivkrafterna (& kunna förklara dem)
Transparens i prognostiseringen kräver förmågan att förklara drivkrafterna bakom de förutsagda resultaten. Oavsett om du ingår i ett FP&A-team eller är CFO kan du inte presentera data som du inte förstår.
Du behöver förstå de viktigaste variablerna och egenskaperna som bidrar till de prognostiserade resultaten. Denna förklaring bidrar till att skapa förtroende och underlättar effektiv kommunikation med de intressenter som förlitar sig på prognosen.
I min egen process tillbringar jag 1 eller 2 dagar med den del av verksamheten som jag bygger algoritmen för innan jag börjar koda den. Besök en viss fabrik om algoritmen är avsedd att förutsäga dess energiförbrukning, eller följ med på ett säljbesök om algoritmen ska prognostisera försäljningen i en viss butik.
När du har fått en känsla för den berörda avdelningen, gruppen eller anläggningen ska du skriva ner alla drivkrafter som kan påverka prognosen och se till att algoritmen inte bara spottar ur sig ett ”slutresultat”, utan också förklarar vilka egenskaper eller drivkrafter som bidrog till att nå resultatet.
More Articles
5. Validera resultaten
ML-algoritmer bör valideras grundligt för att säkerställa att deras resultat är rimliga. Detta innebär att man granskar modellens prestandamått, såsom noggrannhet, precision, återkallning och medelabsolutfel. Om modellens prestanda understiger acceptabla tröskelvärden kan ytterligare förfining, omskolning eller utforskning av alternativa algoritmer vara nödvändig.
Under de senaste veckorna har jag pratat med många ekonomer, och de beskriver detta sista steg på olika sätt – vissa kallar det “magkänsla”, andra kallar det att känna på prognosresultatens “lukt”.
Enkelt uttryckt behöver du använda din empiriska kunskap och ämnesexpertis för att bedöma om prognosen är rimlig. Du kan använda matematiska beräkningar enligt beskrivningen ovan för att göra detta, men du behöver också ha inställningen hos en verklig affärspartner och ständigt bygga vidare på din verksamhetskunskap för att kunna bedöma resultatet från en AI-modell på rätt sätt.
Slutsatsen
Ge en person ML-automatisering: de automatiserar i en dag. Lär en person att använda AI inom FP&A: de automatiserar resten av livet.
Användningsområdena är många, eftersom AI:s möjligheter fortsätter att växa och upptäckas. Men affärsbesluten överlåts inte till robotarna riktigt än.
Fördelarna med AI kan göra livet enklare för ekonomichefer och FP&A-experter, men ChatGPT kan fortfarande inte utföra jobbet på egen hand.
Om du vill ligga steget före när det gäller implementering av AI inom ekonomi kan du prenumerera på The CFO Clubs nyhetsbrev och få de bästa guiderna direkt i din inkorg.
