9 minutt lesing 15 feb 2020
Forretningskvinne data grafer skjerm AI forretningsmøte

Seks måter finansdirektøren kan bruke kunstig intelligens på i dag

9 minutt lesing 15 feb 2020
Relaterte temaer Rådgivning

vis ressurser

Bevisste finansdirektører spør hvor AI passer inn i økonomifunksjonen, hva fordelene er og hvor de skal starte.

K unstig intelligens beveger seg raskt fra å være eksperimentell til operativ. Den brukes allerede dypt inn i driftsmuskelen til bedriften – fra å forutsi hvordan konkurrenter vil reagere, til å identifisere hvilke maskiner som vil trenge reparasjon, og til og med forutse de beste kundene våre om fem år fra nå.

Finansdirektøren er i en unik posisjon for å bringe AI til bedriften. Han eller hun sitter i skjæringspunktet mellom de viktigste dataene for firmaet – driftskostnader fra produksjon, fordringer fra kunden, økonomiske resultater fra forretningsenhetene – som fungerer som det digitale grunnlaget for AI.

Mange finansdirektører fungerer effektivt som Chief Compliance Officer og tar ofte personlig ansvar for å overholde økonomiske krav og krav fra myndighetene. Finansfunksjonen inkluderer et bredt spekter av repetitive og rutinemessige oppgaver – funksjoner som er modne for disrupsjon ved hjelp av AI. Endelig blir den strategiske finansdirektøren i økende grad bedt om å støtte bedriften i sine vekstplaner og spille en direkte rolle i å bygge inntektsstrømmer.

Forventningene fra aksjonærer, tilsynsmyndigheter og revisjonskomiteer har økt, spesielt innen områdene finansiell og ikke-finansiell rapportering, åpenhet og styring. Alle disse funksjonene kan dra nytte av AI.

EY samarbeider med mange av verdens ledende finansdirektører, og hjelper dem å designe og integrere kunstig intelligens dypt inn i sine fagområder. Følgende er bruksmønstre som vi ser får tidlig trekkraft i finans og relaterte funksjoner. Alle er innenfor myndigheten til finansfunksjonen, og alle bruker data som vanligvis er innenfor kontrollområdet for finansdirektøren.

Finansdirektøren er i en unik posisjon for å bringe AI til bedriften.

Kundedata og prediktiv pris

I mange firmaer har finansdirektøren ansvaret for rapporteringsdelen av data som kommer fra kunderettet virksomhet – for eksempel fordringer som er gitt fra salgsorganisasjonen eller prisdata fra salgssteder. I dagens verden av digital handel setter dette finansdirektøren i en sterk posisjon til å koble prediktiv analyse og kundeatferd.

En controller går sammen med dataeksperter for å kjøre sammenhenger mellom prisatferd og fordringer. Deretter legges det over et sett med transaksjonsdata, slik som type produkt som har blitt kjøpt, betalingsmetode og kundedemografi. Bare for å gjøre det interessant, legger de til data fra tredjepart om innspill som vær og beliggenhet på kjøpsstedet.

Resultatet er en projeksjon av den optimale prisingen for en kvinnelig kunde fra 18 til 24 år som bruker kredittkort for å kjøpe gaver til høytiden når været er dårlig.

  • Eksempel – feriens kommandosentral

    En stor amerikansk forhandler kombinerte data fra salgssteder, varelager og priser for å skape en «kommandosentral» for høytiden. Ved hjelp av AI-analyser jobbet økonomiteamet med utsalgsstedene for å skape dynamiske øyeblikkelige priser som maksimerte balansen mellom inntekter og enhetssalg.

De fleste av oss må ha sett applikasjoner av denne typen prediktive analyser, for eksempel når vi mottar film- eller videoanbefalinger basert på innhold vi har sett tidligere.

Disse samme tilnærmingene kan til og med hjelpe finansdirektører med å opprettholde optimale lagernivåer, unngå nedskrivning av lager og spare arbeidskapital.

Se utover bokført verdi

En av de største utfordringene for en finansdirektør kan være å vurdere den virkelige verdien av eiendeler. Usikkerhet i verdsettelsen, enten det er å anskaffe et kapitalintensivt selskap eller bestemme skattegrunnlaget for omløpsmidler, kan tilføre eller trekke millioner fra bunnlinjen.

Den mest effektive metoden for å bestemme verdien av eiendeler er en vurdering av et stort antall sammenlignbare uavhengige transaksjoner. Det er her AI kan hjelpe.

Finansdirektører og takseringspesialister i eiendomsbransjen kan bruke AI til å vurdere tusenvis av boligvariabler – boliglånsrenter, kvalitet på skolene, antall soverom, lokal sysselsetting – for å bygge prediktive modeller for boligprisene. Disse kan være for anskaffelse eller for salg av foretaket. Dette hjelper ikke bare eiendomsselskapet, men gir også verdi til kjøpere, selgere og långivere.

  • Eksempel – øyeblikkelig verdsettelsesmodell

    En nederlandsk basert oppstartsbedrift bruker en automatisert verdsettelsesmodell (AVM) som utnytter AI-algoritmer til å utføre eiendomsvurderinger umiddelbart, i motsetning til den tradisjonelle modellen som kan ta flere uker. Finansdirektører utnytter slike AVM-er for å estimere verdiene av eiendeler til virkelig pris / markedspris for å bestemme økonomisk ytelse for eget selskap og selskaper de utfører due diligence på.

Å forutse dødgang: prognoser og styring av dårlig gjeld

Ifølge de amerikanske skattemyndighetene1 utgjør dårlig gjeld 0,5 % av amerikanske firmaers inntekter. I 2018 utgjorde det over 100 milliarder USD i manglende penger, noe som reduserte fortjenestemarginene med hele 5 %2.

Kunstig intelligens setter økonomidirektøren i stand til å forutsi hvilke kunder som vil betale, være sent ute med å betale, eller ikke vil betale i det hele tatt. En multivariat analyse av B2B-kundedata, som bransjetype, kredittvurdering, produktkjøp og salgsperson, kan gi en prognose for sannsynligheten for at en bedrift vil betale regningene sine – og bør gis kreditt. Alternativt hjelper identifisering av sannsynlige ikke-betalere med å kvalifisere kunder og godkjenne kreditt.

  • Eksempel – den useriøse selgeren

    Et finansselskap ble plaget med høyere mislighold av boliglån enn gjennomsnittet. Salgssjefen og teamet hennes prøvde å finne mønstrene bak manglende betaling – inkludert type hjem, avdrag og kredittstatus – uten resultat. Til slutt bygde et medlem av økonomiteamet en prediktiv modell som inkluderte data fra kompensasjon til selgere og fant at den høyeste korrelasjonen var lån godkjent av visse utlånsansvarlige.

    Det ble bygget en modell som brukte maskinlæring for å forstå de pågående forholdene mellom visse kompensasjonsstrukturer og dårlig gjeld, og ga en langsiktig prognose om mislighold under forskjellige scenarier.

Dårlig gjeld

100 milliarder USD

Mengden dårlig gjeld som påvirker amerikanske firmaer i 2018.

Bedrageri og utgiftssvindel

Intern svindel er spesielt vanskelig å oppdage, forutsi og kontrollere. Den er episodisk, og etterlater ikke et tydelig dataspor. Den blir ofte utført i små trinn som unnslipper deteksjon. Til slutt kan gjerningsmannen med vilje forvrenge datasporet for å forhindre å bli oppdaget.

Kostnadssvindel alene anslås å koste selskaper 1,8 milliarder dollar per år3. Å håndtere denne risikoen, som kan ha betydelige juridiske, skattemessige og økonomiske konsekvenser, kan distrahere finansdirektører fra mer strategiske spørsmål.

Her kommer kunstig intelligens inn i bildet. Med AI kan du analysere og tolke utgiftsdata og oppdage mistenkelige utgiftskrav. Du kan utforske bruksmønster og ansattes atferd i forskjellige roller. Dessuten kan maskinlæringsteknologi identifisere og forutsi vanlig atferd hos ansatte som forfalsker eller overdriver påstander. Dette gjør det mulig for en finansdirektør å forutse potensiell utgiftssvindel før det skjer.

.
  • Eksempel – å definere en utgiftspolicy

    En økonomidirektørs team var i stand til å gjennomgå et historisk sett med påviste saker om utgiftsmisbruk og hentet ut data om utgiftstype og leverandører (for eksempel visse flyselskaper eller hoteller). Men heller enn å etterfølge medarbeiderne, bestemte økonomifunksjonen seg for å sørge for et aggressivt opplæringsprogram og nøye overvåking av overgrepsområder. KI-teamet lot opplæringen være rettet mot overtredelsene som mest sannsynlig ville skje, og reduserte dermed fremtidig svindel på arbeidsplassen.

Utgiftssvindel

1,8 milliarder USD

De anslåtte årlige kostnadene for utgiftssvindel mot selskaper.

Kunstig intelligens og deteksjon av hvitvasking av penger

Med tanke på alvoret i hvitvaskingslovbrudd og muligheten for sterke regulatoriske sanksjoner, har mange banker installert varslingsmekanismer basert på kjente misbruksmønstre. Mange av disse varslingsprogrammene er lovpålagt. Problemet er at disse systemene kan generere en flom av varsler og gjøre at finansdirektørens team lurer på hvor de skal plassere knappe ressurser.

Kunstig intelligens kan lære datamaskiner å gjenkjenne mistenkelig oppførsel og å klassifisere varsler som høy, middels eller lavere risiko. Å bruke regler på disse varslingsklassifiseringene kan lette automatisk lukking av falske varsler, og frigjøre personalet til å fokusere på det lille mindretallet som har en sterk sannsynlighet for å være en ulovlig transaksjon.

.
  • Eksempel – rangering av varsler

    En europeisk bank sto overfor utfordringen med et skyhøyt antall varsler og «falske positiver» i hvitvasking. Økonomiteamet laget en prediktiv modell for ulovlige transaksjoner basert på data fra rettshåndhevelse om påviste transaksjoner med hvitvasking.

    Ved å bruke en algoritme som klassifiserte varsler i en én-til-ti skala, ville en score på over åtte åpne opp for en øyeblikkelig undersøkelse, og ti utløste frysing av eiendeler. Bankens prediktive modell ble anført av regulatorer som en standard for andre banker i kampen mot hvitvasking

Å ta slitet ut av finans

Kanskje har ingen deler av bedriften like mange repetitive, rutinemessige oppgaver som økonomiavdelingen. Å legge inn fakturaer, spore fordringer og logge betalingstransaksjoner koster mye, har lav avkastning og er ikke av høy interesse for ansatte.

Kunstig intelligens, kombinert med robotprosessautomatisering, gir mulighet til å utvikle finansavdelingens tradisjonelle back-office . Mens robotikken setter fart i transaksjonen, bruker AI innsiktsdataene på front-office: Hvordan setter vi fart i innsamlingen? Hvor skal vi investere? Hva vil være virkningen hvis vi senker prisene?

Finansdirektører bruker i økende grad AI for å håndtere betydelige endringer i regnskapsregelverk. For eksempel har vi sett store selskaper spare betydelig arbeidskraft ved å bruke naturlig språkbehandling (NLP) for gjennomgang av leiekontrakter. Uten AI ville dette vært en veldig arbeidsintensiv oppgave.

  • Eksempel – redusering av kostnader og opplæring av ansatte

    En klesforhandler med flere milliarder dollar i omsetning fant at finansfunksjonen sto for over 3 % av kostnadene. Ved å anvende en RPA-struktur på fordringer og gjeld, var de i stand til å redusere disse kostnadene med 15 % mens de høstet inn data om økonomiske insentiver for firmaet. Ingen ansatte ble sagt opp, men de ble i stedet omskolert for å gjennomføre analysen av de innhentede dataene, et middel som kuttet kostnader og reduserte syklusstiden.

Finansdirektør og kraften i prognoser

Historisk har økonomifunksjonen fokusert på å dokumentere fortiden – inntektsføring, revisjonskostnader eller overvåking av compliance. Kunstig intelligens er transformativ fordi den plasserer finansdirektøren i fremtiden med den datadrevne prediksjonskraften. Plutselig er finansavdelingen utrustet til å forutsi hvordan konkurrenter vil reagere, hvordan kunder vil svare, og hvor risiko vil dukke opp.

Denne transformasjonen går langt utover digital spådomskraft: den forvandler finansdirektørens og økonomiteamets rolle, og plasserer den i det strategiske hjertet av bedriften. Finansdirektøren som griper mulighetene innen kunstig intelligens og maskinlæring vil ikke bare transformere bedriften, men også omfanget, ansvaret og kraften i selve jobben. 

En forkortet versjon av denne artikkelen ble opprinnelig publisert i CFO Magazine.

  • Vis artikkelreferanser # Skjul artikkelreferanser

    1. Amerikanske selvangivelser for selskaper, Skattemyndighetene, 2008
    2. Margins by Sector, NY Stern School of Business, 2019
    3. Expense Fraud Projected to Cost $1.8 Billion Annually, National Society of Accounts for Cooperatives, 2018

Sammendrag

Kunstig intelligens er ett aspekt av den bredere reisen Finance 4.0 som finansdirektører tar. Når det kombineres med andre teknologier, for eksempel blockchain og intelligent automatisering, vil det gi finansfunksjonen mulighet til å ta bedre forretningsavgjørelser enn noen gang før.

om denne artikkelen

Relaterte temaer Rådgivning