Digitale FP&A: Vooruitblik

Krijg vandaag nog inzicht in de kracht van arfiticial intelligence in finance, en vooral FP&A, en ontdek waar het heen gaat. Unit4’s Head of FP&A and Product Director, sprak onlangs met FP&A Trends London Circle over de kracht die AI realiseert voor FP&A en wat dat betekent voor de toekomst.

Waarom zijn AI en machine learning in finance zo krachtig voor bedrijven?

In de echte wereld nemen veel dingen tijd in beslag, vooral als ze handmatig door mensen worden gedaan. Onder de juiste omstandigheden is dat niet verkeerd. Maar in veel gevallen zouden zowel de gebruikers als de mensen die die taken uitvoeren hun tijd beter aan andere, belangrijkere taken kunnen besteden.

AI kan repetitieve, handmatige taken in een fractie van de tijd uitvoeren; in combinatie met machine learning kan AI zelfs leren om ze beter te doen.

Maar hoe is dit relevant voor FP&A? Wij geloven dat FP&A een van de meestbelovende toepassingen van machine learning is in finance. We kijken waarom dat zo is.

De uitdaging ten aanzien van tijd

Om dit te begrijpen, moet je je eerst de vraag stellen: wat is de grootste uitdaging of het belangrijkste pijnpunt is voor jouw organisatie?

Voor de meeste CFO’s en FP&A-teams is tijd een van de grootste uitdagingen. Er is gewoon niet genoeg tijd om alles te doen wat moet worden gedaan.

Een bepaald deel van de financiële taken kan repetitief zijn. Alhoewel ze cruciaal zijn, leveren deze taken soms maar weinig waarde op, bijvoorbeeld reconciliëren en het controleren van variaties tussen budgetten en werkelijke cijfers. Als je je bedenkt hoe vaak je deze taken moet doen, tikken de minuten al snel aan.

Het is ook tijd waarin je geen partner kunt zijn voor de organisatie en het bedrijf niet helpt zijn doelen te realiseren door de afdelingen te ondersteunen met management, besturing, risico’s en financiering. Hoe lost AI Smart Forecasting het tekort aan tijd op?

Hoe lost AI Smart Forecasting het tekort aan tijd op?

Laten we voor de duidelijkheid eens kijken naar een voorbeeld. Stel je je een bedrijf voor dat talloze benzinestations door het hele land runt en de personeelskosten en benodigde uren voor een station wil berekenen.

Hiertoe moeten ze bepalen hoeveel mensen ze elke week en elke dag nodig hebben om al deze stations te bemannen, hoeveel uur dit in totaal is en hoeveel het uiteindelijk kost. Dus wat doen ze?

De eerste uitdaging is het aantal verschillende factoren dat hierop invloed heeft, bijvoorbeeld de locatie van elk station, fluctuerende benzineprijzen en zelfs zaken als het weer en feestdagen.

Het kan jouw team een hoop tijd kosten om zulke problemen te overdenken. AI leert echter van de informatie die je erin stopt. Wanneer een AI-systeem eenmaal beschikt over deze informatie, kan het gaan zoeken naar patronen. Zo kan financiële forecasting met behulp van machine learning toekomstige behoeften voorspellen op basis van aannames die het systeem afleidt uit de data.

In dit voorbeeld: Als je jouw personeelskosten en -uren voor een dag of week in de komende maand wilt voorspellen, kan het AI-systeem kijken naar historische gegevens uit eerdere maanden en jaren. Samen met alle factoren die je hebt ingevoerd, kan de AI dan behoorlijk nauwkeurige voorspellingen maken.

Het belangrijkste punt hier is dat het dit vrijwel direct kan doen. Maar zijn deze voorspellingen net zo betrouwbaar als jouw eigen voorspellingen?

De rol van data en de waarde van de forecast

Elke vorm van nauwkeurigheid is altijd afhankelijk van de data. En belangrijker nog, de kwaliteit van die data.

Het is van groot belang te beseffen dat er een verschil is tussen de hoeveelheid data en de kwaliteit van die gegevens. En dat het volume van de data geen invloed heeft op de kwaliteit. Een hoop data is simpelweg een hoop data. Data van hoge kwaliteit weerspiegelt de situatie die je analyseert.

In dit voorbeeld: als je AI data van de voorgaande twee jaar gebruikt maar er sinds die tijd iets drastisch is gebeurd, zoals een wegafsluiting of -uitbreiding, dan weerspiegelen de resulterende voorspellingen niet de werkelijke situatie.

Je moet dus de waarde van de forecast doorgronden voordat je deze gebruikt. Eerst geloofde men dat de waarde van een voorspelling alleen voortkwam uit de nauwkeurigheid. Maar is dat zo?

Bij Unit4 hebben we geleerd dat het allemaal wel wat genuanceerder ligt. Nauwkeurigheid is belangrijk maar moet in evenwicht zijn met snelheid en wendbaarheid. Dit bleek meer dan eens in 2020, toen organisaties sneller moesten reageren dan ooit.

De toekomst van FP&A en AI

Wat interessant is, is dat AI het bedrijven mogelijk maakt om zich zo snel aan te passen. Veel klanten van Unit4 zien dat forecasts die vroeger maanden in beslag namen, nu binnen enkele minuten klaar zijn.

Maar hoe kan AI organisaties helpen hun voordeel te doen met de tijd die ze nu besparen?

Naarmate AI beter wordt geïntegreerd met jouw software, wordt het toegankelijker voor gebruikers. Het is niet alleen meer voorbehouden voor wetenschappers en dergelijke. Alle personeel heeft toegang tot AI op de werkplek en kan ervan profiteren. En de toepassingen van AI in finance blijven groeien.

Door het te integreren in jouw operationele omgeving, kun je value drivers sneller dan ooit identificeren en beschik je over de tijd en wendbaarheid om actie te nemen. Je ziet direct de impact van veranderende variabelen.

Meer nog, naarmate AI steeds meer leert over jouw organisatie, wordt de functionaliteit ook steeds geraffineerder. Het gaat dan verder dan simpele voorspellingen en kan in bepaalde gevallen zelfs de planning ondersteunen of zelfs automatiseren.

AI identificeert dan niet alleen key business drivers en hoe die veranderen in de tijd. Het kan ook extreem gedetailleerde lessen uit andere bronnen (waaronder wat in het verleden heeft gewerkt) gebruiken en je in de planning ondersteunen om te bepalen hoe je reageert op drivers. Daarnaast kan het dit op alle mogelijke niveaus doen, van organisatiebreed tot het individuele projectniveau.

En dat is nog maar het begin.