Forecasten met Machine Learning: wordt de controller overbodig?

Eerst de basis in het kort. Machine Learning – ook wel  tot ML afgekort – laat computersystemen doen wat u in feite ook dagelijks doet: leren. Maar er is een groot verschil tussen hoe ML leert en hoe uw brein leert. Het menselijk brein focust van nature vooral op specifieke, begrensde onderwerpen die de eigenaar interesseren of hem bevestigen in de manier waarop hij al denkt. Daarmee wordt de mens door zijn brein beschermd tegen overbelasting en overprikkeling. Tegelijkertijd wordt de mens hierdoor van nature ook beperkt in zijn mogelijkheden om nieuwe routes te bewandelen en andere verbanden te zien.

Koelbloedige computersystemen
Een computersysteem daarentegen heeft geen enkele moeite met al die verschillende variabelen en stimuli: ieder goed ingericht systeem kan ze allemaal moeiteloos absorberen en –bijna– gelijktijdig verwerken en analyseren. Dat kan gaan om een analyse van tekst, geluid, beeld en geur, maar desgewenst ook het aantal bloemetjes in de wei of de bandenspanning van voorbijrijdende auto's. Het maakt de computer niets uit, hij registreert en analyseert miljoenen gegevens koelbloedig en foutloos.

Beperkt aantal stimuli
Even los van hoe er uit alle bovenstaande voorbeelden  data gegenereerd kan worden, is het bijna niet te bevatten met hoeveel variabelen bedrijven te maken hebben. In theorie draagt elke variabele linksom of rechtsom bij aan het tot stand komen van het bedrijfsresultaat. Elke organisatie doet, als het goed is, aan prestatiemeting. Om prestaties te kunnen meten, wordt een keur aan middelen ingezet om bedrijfsresultaten te kunnen verklaren: KPI’s, databases, personeelstevredenheid- en marktonderzoeken, evaluatiegesprekken, noem maar op. Ondanks dat het misschien veel lijkt, praten we voor ML-begrippen eigenlijk maar over een zeer beperkt aantal variabelen. Met behulp van Machine Learning gaat er een nieuwe wereld open voor de controller. 

Toetsen aan de werkelijke uitkomst
Machine Learning werkt in feite als een rekenmachine, die aan de hand van statistische analyses, voorspellingen doet (de eerdergenoemde Predictive Analytics) en deze voorspellingen vervolgens op zijn beurt weer toetst aan de werkelijke uitkomst. De werkelijke uitkomst wordt gebruikt om de volgende voorspelling nauwkeuriger te maken. Ik heb het hier niet over een voorspelling zoals bijvoorbeeld een sales forecast op basis van seizoensinvloeden van het voorgaande jaar. Bij ML gaat het over nog veel complexere berekeningen. Via enorme hoeveelheden variabelen en met behulp van ML-software kunnen uiterst nauwkeurige voorspellingen worden gedaan over alle denkbare onderwerpen binnen organisaties. 

Veel werk uit handen
Groot voordeel van Machine Learning ten opzichte van de huidige gangbare manieren van analyseren is dat de voorspellende analyses naarmate de tijd verstrijkt steeds accurater worden. Bovendien kan de controller in een handomdraai verrassend accurate en gedetailleerde forecasts maken. Zeker in het begin ga je daar als controller de blits mee maken, maar in een later stadium zal deze techniek je ook veel werk uit handen gaan nemen. Denk hierbij aan eenvoudig te automatiseren standaardanalyses, maandafsluitingen en reports.

Werkloze controller
Wordt de huidige controller daarmee op termijn werkloos door de opmars van kille Machine Learning-systemen? Ik denk het niet. Niet álle stimuli kunnen immers worden meegenomen in analyses. Zéker niet met het oog op instabiele factoren zoals het weer, economie en denk ook aan de politieke arena binnen de organisatie waarbij een belangrijke rol voor controllers is weggelegd. 

Controller wordt ook data-expert
Wel ben ik ervan overtuigd dat de rol van veel controllers zal veranderen door Machine Learning. Maandelijks een paar spreadsheetjes fabriceren met standaard analyses is binnenkort niet meer het eindpunt, maar slechts stap 1 in de verklaring van de organisatieresultaten. De crux zit hem in stap 2 tot 10.0000 waarin de key stimuli zitten die van invloed zijn op het resultaat. 

De controller moet leren begrijpen hoe die key stimuli te identificeren, te interpreteren. Vervolgens moet hij de organisatie aan de hand daarvan adviseren. Hiermee komt de controller van de toekomst deels terecht in het vakgebied van Data Science. Nieuwe technieken zorgen er weliswaar voor dat controllers de resultaten straks kant-en-klaar opgediend krijgen, maar dan moeten ze wel in staat zijn deze te interpreteren en er verder analyses mee te kunnen uitvoeren. 
 
Christiaan Vrieling is controller en bedrijfskundige, gespecialiseerd in vraagstukken rondom business intelligence. Hij is ondernemer en directeur van SUMMAVIEW, een jong bedrijf gespecialiseerd in Team Business Intelligence. Christiaan schrijft graag over onderwerpen als data-science, machine learning, database-optimalisatie en fancy dashboards.