Machine learning en AI kunnen de technologische basis vormen voor veel nauwkeurigere modellen.

Machine learning en Artificial Intelligence (AI) behoren tot de belangrijkste trends in de financiële wereld. Aan de hand van praktische use cases laat een nieuwe whitepaper zien hoe controllers optimaal gebruik kunnen maken van deze nieuwe technologieën.

Toegang tot gegevens en kennis staat altijd centraal. Dit geldt des te meer voor de financiële functie. Maar het nemen van de juiste beslissingen vereist dat de data juist is. De huidige technologische ontwikkelingen bieden een kans voor financiële afdelingen om aanzienlijk te profiteren van machine learning en AI, mits er gekozen wordt voor een goede aanpak. Om een optimale toegevoegde waarde te bereiken is het van belang om mogelijke valkuilen, die het gebruik van nieuwe technologieën met zich mee kunnen brengen, te vermijden.

Machine learning en Artificial Intelligence (AI) in controlling

In het whitepaper “Kunstmatige Intelligentie in Controlling” gaan de experts Prof. Dr. Karsten Oehler (CCH Tagetik) en Marco Van der Kooij (ForSight Consulting) in op realistische en praktijkgerichte scenario's voor controllers. De focus ligt op aspecten als forecasting, planning en simulatie.

De kracht van AI en machine learning komt op de financiële functie het beste tot zijn recht als het wordt ingezet voor:

Verbetering van datakwaliteit

Door gebruik te maken van machine learning is het mogelijk om de kwaliteit van brondata aanzienlijk te verhogen. Dit wordt bijvoorbeeld bereikt door fouten te detecteren uit databronnen (bijv. duplicerende waarden, onjuiste toewijzing van data aan perioden of andere dimensies, etc.). Zelfs ogenschijnlijk consistente gegevens uit het boekhoudsysteem laten deze tekortkomingen zien, waardoor een zinvolle analyse niet optimaal is zonder voorbereiding.

Forecasting van resultaat en financiële positie

Door het implementeren van een geïntegreerde en geautomatiseerde forecast kunnen verschillende voordelen worden bereikt: Er wordt een betere basis voor de planning gecreëerd en de kosten van handmatig forecasten kan worden verlaagd. Daarnaast kan een beter inzicht in de succesfactoren worden gebruikt voor simulatie en activity based planning, wat leidt tot een proactieve beheersing van kosten- en opbrengsten.

Analyse van planning data en andere gedecentraliseerde informatie

Met alleen handmatige validatie van bottom-up verzamelde gegevens is het vaak moeilijk om uitschieters of inconsistenties te ontdekken. Zijn de distributiekosten te hoog (of laag) in verhouding tot de geplande verkoop in vergelijking met de vorige periode of met andere leveranciers op de markt? Met machine learning kunnen gegevens worden gecontroleerd op basis van geavanceerde algoritmen die gebaseerd zijn op vergelijkbare historische informatie. Op de lange termijn zal dit leiden tot een beter wederzijds begrip tussen planner en manager over doelstellingen, verwachtingen en beperkingen.

Driver based simulatie

Machine learning en AI kunnen de technologische basis vormen voor het creëren van veel nauwkeurigere simulaties en modellen. Welke effecten hebben prijs- en kortingsveranderingen op de winst en de liquiditeit? Dit vereist een onderzoek naar het effect van bepaalde drivers op de verkoop. Door het integreren van een breed scala aan drivers kunnen beter geïnformeerde beslissingen worden genomen en kunnen gekwalificeerde acties worden gepland.

Aan de hand van concrete cases laat het nieuwe whitepaper financiële experts zien hoe een holistische aanpak voor data gestuurde besluitvorming kan worden geïmplementeerd. Het behandelt ook typische problemen en pijnpunten.

Download het volledige whitepaper