9 Lästid 21 jan 2020
Affärskvinna data grafer skärmar AI affärsmöte

Så här kan CFO:n använda artificiell intelligens idag

9 Lästid 21 jan 2020
Relaterade ämnen AI Consulting

Hur kan finansfunktionen använda AI, vilka är fördelarna och var man ska börja?

Artificiell intelligens förflyttar sig snabbt från det experimentella till det operativa. AI kan användas inom många områden i företagets operativa verksamhet. Det omfattar allt från att förutspå hur konkurrenter kommer att reagera till att identifiera vilka maskiner som behöver repareras. AI kan till och med göra en prognos för vilka kunder som är företagets bästa om fem år.

Företagets CFO har en unik position när det kommer till att införliva AI i verksamheten. Han eller hon sitter mitt i flödet av företagets viktigaste information, till exempel om produktionens driftskostnader, kundfordringar och ekonomiska resultat från affärsenheterna. Denna information utgör den digitala grunden för AI.

Många ekonomichefer fungerar som Chief Compliance Officer (CCO) och tar ofta ett personligt ansvar för att företaget följer finansiella regler och krav från myndigheter. Finansfunktionen utför ett stort antal upprepade och rutinmässiga uppgifter som är redo att förändras med hjälp av AI. Företagets CFO ombeds allt oftare att stödja tillväxtplaner och spela en direkt roll i arbetet med att skapa intäkter.

Förväntningarna från aktieägare, tillsynsmyndigheter och revisionskommittéer har ökat, särskilt inom områdena finansiell och icke-finansiell rapportering, transparens och styrning. Alla dessa funktioner kan dra nytta av AI.

EY arbetar med många ekonomichefer på ledande företag och hjälper dem att utforma och integrera artificiell intelligens i sina verksamheter. Följande exempel är hämtade från finansfunktionen och relaterade funktioner. Alla tillhör finansfunktionens ansvarsområde och använder data som vanligtvis ligger inom CFO:ns kontroll.

CFO:n har en unik position när det gäller att införliva AI i företagets verksamhet.

Kunddata och prediktiv prissättning

I många företag ansvarar CFO:n för den rapportering som kommer från den kundrelaterade verksamheten – till exempel fordringar från säljorganisationen eller data om prissättning från försäljningsenheter. I dagens värld med digital handel ger detta CFO:n en stark sits när det gäller att koppla ihop prediktiv analys och kundbeteende.

En controller samarbetar med en dataanalysexpert för att hitta samband mellan prisbeteende och fordringar. Det omfattar transaktionsdata som typ av inköpt produkt, betalningsmetod och kunddemografi. De lägger till tredjepartsdata som input om väder och plats vid tidpunkten för inköp.

Resultatet – en prognos för en optimal prissättning för en kvinnlig kund i åldern 18 till 24 år som använder kreditkort för att köpa saker till semestern när vädret är dåligt.

  • Exempel – semesterkrigsrummet

    En stor amerikansk detaljhandlare använde data från säljenheter, lager och prissättning för att skapa ett "krigsrum" inför semestern. Med hjälp av AI-analyser arbetade finansfunktionen med försäljningsställena för att skapa en dynamisk prissättning där priset anpassades efter behov och egenskaper hos individer i olika situationer. Syftet var att maximera balansen mellan intäkter och enhetsförsäljning.

De flesta av oss har säkert sett hur denna typ av analys används i praktiken, till exempel när vi får filmrekommendationer som är baserade på innehåll vi tidigare tittat på.

Samma tillvägagångssätt kan hjälpa CFO:er att upprätthålla optimala lagernivåer, undvika nedskrivningar av lager och spara rörelsekapital.

Se bortom bokfört värde

En av de största utmaningarna för en CFO kan vara att bedöma tillgångarnas verkliga värde. Osäkerheter i värderingen, oavsett om det gäller att förvärva ett tillgångsintensivt företag eller fastställa skattegrunden för omsättningstillgångar, kan öka eller minska resultatet med miljoner.

Den mest effektiva metoden för att bestämma värdet på tillgångar är att gå igenom ett stort antal jämförbara oberoende transaktioner. Och det är här AI kan vara till hjälp.

CFO:er och specialister på värderingar inom fastighetsbranschen kan använda AI för att bedöma tusentals bostadsvariabler – bolåneräntor, kvaliteten på skolor i närområdet, antal sovrum, lokala arbetstillfällen – för att bygga prediktiva modeller för huspriser. Dessa kan användas i samband med förvärv eller försäljningar. Det hjälper inte bara fastighetsföretaget, utan skapar även värde för köpare, säljare och långivare.

  • Exempel – direktvärderingsmodell

    En startup i Nederländerna använder en automatiserad värderingsmodell (AVM). AVM använder AI-algoritmer för att göra fastighetsbedömningar direkt, till skillnad från den traditionella modellen som kan ta veckor. CFO:er utnyttjar AVM:er för att uppskatta ett skäligt marknadspris på tillgångsvärden. Det används för att bestämma det egna företagets ekonomiska resultat och i samband med due diligence.

Förutsäga värdeförluster: prognosticera och hantera osäkra fordringar

Enligt de amerikanska skattemyndigheterna 1 står osäkra fordringar för 0,5 procent av amerikanska företags intäkter. 2018 saknades mer än 100 miljarder dollar, vilket minskade vinstmarginalerna med upp till 5 procent 2 .

Med hjälp av artificiell intelligens kan CFO:n förutsäga vilka kunder som kommer att betala i tid, vara sena eller inte betala alls. En analys av kunddata som branschtyp, kreditbetyg, produktköp och säljpersonal kan ge en prognos för sannolikheten att ett företag kommer att betala sina räkningar – och erbjudas utökad kredit. Att identifiera sannolika icke-betalare kan också hjälpa till med kundkvalificering och kreditgodkännanden.

  • Exempel – den falska säljaren

    Ett företag inom finansbranschen drabbades av högre bolåneförluster än genomsnittet. Försäljningschefen och hennes team försökte hitta mönstren bakom de uteblivna betalningarna, bland annat genom att titta på bostadstyp, handpenning och kreditvärdighet. Detta arbete gav inget resultat. Till slut byggde en medlem av teamet en prediktiv modell som inkluderade data om ersättningar inom säljorganisationen. Modellen hittade ett samband mellan förluster och lån som godkänts av vissa utlåningsansvariga.

    En modell byggdes som använde maskininlärning för att förstå relationen mellan vissa kompensationsstrukturer och osäkra fordringar. Det gav en långsiktig prognos för hur stor andel av lånen som eventuellt inte kommer att återbetalas med hänsyn till olika scenarier.

Osäkra fordringar

100 miljarder dollar

Summan av osäkra fordringar som påverkade amerikanska företag 2018.

Förskingring och bedrägerier

Interna oegentligheter är särskilt svåra att upptäcka och kontrollera. De lämnar inga tydliga dataspår och utförs ofta i små steg som undgår upptäckt. Dessutom kan förövaren avsiktligt förvanska dataspåret för att förhindra upptäckt.

Kostnader för bedrägerier uppskattas kosta företag 1,8 miljarder dollar per år 3 . Bedrägerier kan få betydande juridiska, skattemässiga och ekonomiska konsekvenser och distrahera CFO:er från mer strategiska frågor.

Inför artificiell intelligens. Med AI kan du analysera och tolka kostnadsdata och upptäcka misstänkta utgifter. Du kan undersöka mönster för utgifter och anställdas beteenden i olika roller. Dessutom kan maskininlärning identifiera och förutspå beteenden hos anställda som förfalskar eller överdriver utgifter. Detta gör det möjligt för en CFO att förutse potentiella oegentligheter innan de inträffar.

  • Exempel – skapa en kostnadspolicy

    En finansfunktion granskade tidigare fall av bevisade oegentligheter och samlade data om kostnadstyp och leverantörer (till exempel vissa flygbolag eller hotell). Men istället för att jaga företagets medarbetare beslutade finansfunktionen att de skulle erbjuda ett utbildningsprogram och noggrant övervaka potentiella riskområden. Med hjälp av AI kunde finansfunktionen inrikta utbildningen på de oegentligheter som mest troligt skulle inträffa – och därmed minska framtida bedrägerier på arbetsplatsen.

Kostnader för bedrägerier

1,8 miljarder dollar

Företagens årliga kostnad för bedrägerier.

Artificiell intelligens och upptäckt av penningtvätt

Med tanke på allvaret i penningtvättsbrott och införandet av kraftfulla lagstiftande sanktioner har många banker installerat varningssystem som baseras på kända mönster. Många av dessa varningsprogram krävs enligt lag. Problemet är att systemen kan generera en mycket stor mängd varningar. CFO-teamen vet inte vart de ska rikta sina knappa resurser.

Artificiell intelligens kan lära datorer att känna igen misstänkta beteenden och klassificera en varning som hög, medelhög eller låg risk. Att tillämpa klassificeringar kan minska mängden falska varningar och frigöra resurser som kan läggas på de fall där misstankarna om olagliga transaktioner är starka.

.
  • Exempel – klassificera varningar

    En europeisk bank ställdes inför ett eskalerande antal varningar och falska alarm om penningtvätt. Finansfunktionen skapade en modell för att identifiera olagliga transaktioner. Modellen baserades på myndighetsdata om bevisade penningtvättstransaktioner.

    Modellen använde en algoritm som klassificerade varningarna på en tiogradig skala. Poäng över åtta öppnade en omedelbar utredning, medan en tia utlöste en frysning av tillgångar. Tillsynsmyndigheter lyfte fram bankens prediktiva modellering som en standard för andra banker i kampen mot penningtvätt.

Ta bort onödigt rutinarbete

Det finns nog ingen del inom företaget som har lika många repetitiva, rutinmässiga uppgifter som ekonomiavdelningen. Arbetet med att fakturera, spåra fordringar och registrera betalningar sker till hög kostnad, men ger låg avkastning. Dessutom är det inte speciellt intressant för de anställda.

Artificiell intelligens, i kombination med Robotic Process Automation (RPA) , kan förändra den traditionella ekonomiavdelningen. Medan robotisering påskyndar transaktionerna, samlar AI insikter: Hur snabbar vi på hanteringen av fordringar? Inom vilka områden ska vi investera? Vad kommer påverkas om vi sänker våra priser?

CFO:er använder i allt högre grad AI för att hantera viktiga förändringar av redovisningsreglerna. Vi har till exempel sett stora företag spara arbetskraft genom att granska hyreskontrakt med hjälp av naturlig språkbehandling (NLP). Utan AI skulle det ha varit en mycket arbetsintensiv uppgift.

  • Exempel – minska kostnader och kompetensutveckla medarbetare

    En återförsäljare av kläder med en omsättning på flera miljarder dollar fann att ekonomifunktionen stod för över 3 procent av kostnaderna. Genom att automatisera hanteringen av kundfordringar och leverantörsskulder kunde företaget sänka dessa kostnader med 15 procent. Samtidigt samlade de in data om ekonomiska incitament för företaget. Medarbetare på ekonomiavdelningen "omskolades" till att istället analysera den data som samlades in.

CFO:n och förutsägelsens kraft

Historiskt sett har finansfunktionen fokuserat på att dokumentera det förflutna – redovisa intäkter, granska kostnader eller övervaka regelefterlevnad. Men artificiell intelligens placerar CFO:n i framtiden. Plötsligt kan ekonomiavdelningen förutse hur konkurrenter kommer att reagera, hur kunder kommer att agera och var risker kommer att uppstå.

Den här transformationen handlar inte om att göra digitala spådomar. Den handlar om att förändra CFO:ns och finansfunktionens roll och placera dem i företagets strategiska hjärta. Den CFO som utnyttjar möjligheterna med artificiell intelligens och maskininlärning kommer inte bara att transformera företaget, utan även sitt arbetes omfattning, ansvar och betydelse. 

En förkortad version av denna artikel har tidigare publicerats i CFO Magazine (EN).

  • Visa artikelreferenser#Dölj artikelreferenser

    1. US Corporate Income Tax Returns, Internal Revenue Service, 2008
    2. Margins by Sector, NY Stern School of Business, 2019
    3. Kostnader för bedrägerier beräknas uppgå till 1,8 miljarder dollar årligen, National Society of Accounts for Cooperatives, 2018

Summering

Artificiell intelligens ingår i den Finance 4.0-resan som CFO:er gör. I kombination med annan teknik, som blockkedjor och intelligent automatisering, kommer ekonomifunktionen ha möjlighet att fatta bättre affärsbeslut än någonsin tidigare.

Om artikeln

Relaterade ämnen AI Consulting