Il prossimoProssima guida
L'intelligenza artificiale nella tesoreria aziendale e nelle previsioni di cassa
Applicazioni
GUIDA alle applicazioni
L'intelligenza artificiale per FP&A utilizza modelli statistici e di apprendimento automatico per produrre previsioni finanziarie di base, mantenere aggiornate le previsioni e redigere commenti sulla varianza.
Ascolta questa guidaNarrato dall'IA · ~3 min
I pianificatori stabiliscono ancora i driver di business e le ipotesi che spiegano i numeri. È importante perché buone previsioni guidano le decisioni in materia di assunzioni, spese e liquidità, e l’intelligenza artificiale può accelerare e affinare parti di quel lavoro. Non è automaticamente più accurato e non può spiegare il motivo per cui si è verificata una variazione a meno che qualcuno non ne fornisca il motivo.
I team di pianificazione e analisi finanziaria (FP&A) creano budget e previsioni e spiegano i risultati rispetto ad essi. Tre approcci spesso lavorano insieme. Le previsioni basate sui driver collegano le linee finanziarie ai driver operativi. Gli esempi includono numero di dipendenti per costo caricato, unità per prezzo o percentuale di vincita per pipeline. Il modello mostra causa ed effetto e i pianificatori possono testare gli scenari modificando i driver. Le previsioni statistiche e di machine learning apprendono modelli dalla storia. I metodi classici di serie temporali come il livellamento esponenziale e ARIMA, strumenti open source come Prophet (rilasciato da Facebook nel 2017) e modelli di potenziamento del gradiente con variabili esterne possono produrre linee di base per migliaia di serie. Gli esempi sono prodotti, regioni e centri di costo, molto più di quanto un team potrebbe prevedere manualmente. Le previsioni mobili sostituiscono o si aggiungono a un budget annuale fisso con una previsione che si estende per un determinato numero di mesi in anticipo, ad esempio 12 o 18, e viene aggiornata regolarmente. Le linee di base automatizzate rendono più pratici gli aggiornamenti frequenti. Piattaforme di pianificazione come Anaplan, Workday Adaptive Planning, Oracle EPM e Pigment offrono funzionalità di previsione integrate. I dettagli variano in base al fornitore e cambiano spesso. I modelli linguistici aggiungono un nuovo utilizzo: redigere commenti sulla varianza e rispondere a domande sul piano in un linguaggio semplice. Due idee sbagliate meritano attenzione: l’apprendimento automatico non è sempre più accurato. Nel caso di storie brevi, discontinue o discontinue, una previsione stagionale ingenua può battere un modello complesso, motivo per cui è importante effettuare test retrospettivi rispetto a semplici linee di base; e un modello linguistico può descrivere una varianza ma non può conoscerne la causa. I dati mostrano che la spesa per i viaggi superava il budget del 20% e non spiega perché. Un commento che sembra plausibile ma che è inventato è peggio di niente, perché i leader agiscono di conseguenza.
Una società SaaS modella i ricavi come clienti fidelizzati più nuovi clienti, moltiplicati per il ricavo medio per account, utilizzando i tassi di abbandono e vincita come fattori trainanti. Un modello suggerisce i valori guida dalla cronologia e i pianificatori li adattano per una variazione di prezzo pianificata.
Un rivenditore prevede le vendite settimanali del negozio con un modello di incremento graduale che utilizza promozioni, festività ed eventi locali. Prima di adottarlo, il team esegue un backtest del modello rispetto a un semplice riferimento della stessa settimana dell’anno scorso.
Alla fine del mese, un modello linguistico elabora commenti sulla varianza da una tabella di confronto tra costi effettivi e budget. Un analista sostituisce le spiegazioni ipotizzate con cause confermate dai leader delle vendite e delle operazioni.
Un produttore esegue una previsione mobile di 18 mesi aggiornata mensilmente. Una base statistica viene aggiornata automaticamente e ogni modifica gestionale viene registrata con un proprietario e un motivo.
I software di pianificazione continueranno probabilmente ad aggiungere linee di base per l’apprendimento automatico e interfacce conversazionali. Il lavoro di FP&A potrebbe spostarsi dall’assemblare numeri a ipotesi e scenari impegnativi. L’accuratezza delle previsioni dipende ancora dalla qualità dei dati e da eventi che nessun modello ha rilevato, come nuovi prodotti, variazioni dei prezzi o shock economici. I team che misurano l’accuratezza e prevedono onestamente il valore aggiunto sapranno dove l’automazione aiuta e dove dovrebbe portare il giudizio. Le affermazioni di grandi guadagni di precisione dovrebbero essere testate rispetto ai test retrospettivi del team prima che qualcuno faccia affidamento su di essi.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L'intelligenza artificiale per FP&A utilizza modelli statistici e di apprendimento automatico per produrre previsioni finanziarie di base, mantenere aggiornate le previsioni e redigere commenti sulla varianza. I pianificatori stabiliscono ancora i driver di business e le ipotesi che spiegano i numeri. È importante perché buone previsioni guidano le decisioni in materia di assunzioni, spese e liquidità, e l’intelligenza artificiale può accelerare e affinare parti di quel lavoro. Non è automaticamente più accurato e non può spiegare il motivo per cui si è verificata una variazione a meno che qualcuno non ne fornisca il motivo.
I modelli basati sui driver collegano i risultati finanziari ai driver operativi, in modo da mostrare causa ed effetto e supportare i test degli scenari.
Una previsione mobile mantiene un orizzonte fisso rispetto al presente e viene aggiornata regolarmente.
La complessità non garantisce la precisione. Il confronto con una linea di base ingenua mostra se il modello aggiunge valore.
Perdita significa utilizzare informazioni che non esisterebbero al momento della previsione. Fa sì che i backtest sembrino migliori delle prestazioni reali.
I dati sulla varianza mostrano l’entità, non la causa. Senza le note confermate degli imprenditori, il modello potrebbe fornire spiegazioni in base alle quali i leader poi agiranno.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
L'intelligenza artificiale nella tesoreria aziendale e nelle previsioni di cassa
Applicazioni