Wiemy, że sztuczna inteligencja (AI, ang. Artificial Intelligence) potrafi być kreatywna. Pisze opowiadania i wiersze, maluje obrazy i koryguje zdjęcia, komponuje muzykę. Można więc liczyć na to, że AI będzie działać także w biznesie i np. zastąpi działy controllingu oraz menedżerów w planowaniu.
W naszym artykule postaramy się odpowiedzieć na pytania:
- czym różni się sztuczna inteligencja o tradycyjnego modelowania matematycznego bądź ekonometrycznego (na przykładzie prognozy pogody)
- gdzie modele matematyczne i analizy statystyczne sprawdzają się jako narzędzie do wspomagające planowanie finansowe?
- Jak w przyszłości może wyglądać przygotowanie budżetów i prognoz?
Jeżeli interesuje Was tematyka wykorzystania AI w controllingu to zachęcam do zapoznania się z artykułem Sztuczna inteligencja w controllingu – możliwości i zastosowania.
Modele matematyczne i metody eksperckie kontra AI na przykładzie prognozy pogody
Prognoza pogody to potencjalnie najbardziej powszechny rodzaj prognozowania! Pojęcie to znają i rozumieją wszyscy niezależnie od wieku, wykształcenia, zawodu czy miejsca zamieszkania. Skoro zatem interesuje nas wykorzystanie AI w prognozowaniu, to warto odpowiedzieć na pytanie, jak powstają prognozy pogody oraz czy (lub jak) AI jest obecnie wykorzystywana przy tworzeniu prognoz pogody.
Sztuczna inteligencja działa w sposób bardzo różny od tradycyjnego prognozowania pogody. Od wielu lat do tworzenia prognoz pogody wykorzystuje się sieci złożonych równań, które dążą do odwzorowania chaotycznej fizyki atmosfery. Są one zasilane danymi meteorologicznymi zbieranymi w punktach pomiarowych rozsianych po całym świecie (balony i stacje meteorologiczne). Modele matematyczne pozwalają „wyliczyć” na podstawie dostępnych danych, w jaki sposób pogoda będzie się rozwijać, gdy różne masy powietrza i inne cechy atmosferyczne będą oddziaływać na siebie. Specjaliści tworzący prognozy pogody zazwyczaj uruchamiają kilka takich modeli, a następnie integrują uzyskane informacje – łączą uzyskane wyniki z własną wiedzą ekspercką na temat lokalnej geografii oraz mocnych i słabych stron każdego modelu i ten sposób powstaje ostateczna wersja prognozy.
Z kolei większość nowych narzędzi AI absolutnie nie próbuje zrozumieć i odtworzyć matematycznie reguł fizyki obowiązujących świata rzeczywistego. Zamiast tego narzędzia AI są modelami statystycznymi: rozpoznają wzorce w zestawach danych treningowych składających się z dziesięcioleci obserwacyjnych zapisów pogody i informacji zaczerpniętych z prognoz fizycznych. W związku z tym modele te mogą zauważyć, że konfiguracja pogody pewnego dnia przypomina podobne wydarzenia w przeszłości i sporządzić prognozę na podstawie tego wzorca. Innymi słowy
– znajdź podobną konfigurację stanu bieżącego w przeszłości i przygotuj prognozę. Jeszcze inaczej
– znajdź podobny obrazek…
Wśród atutów AI w prognozowaniu pogody wymieniane są głównie szybkość, mniejsza konsumpcja zasobów oraz technologiczny postęp. Jednak jeżeli chodzi o trafność, to eksperci są zgodni, że sztuczna inteligencja przegrywa z tradycyjnymi podejściami prognozowania pogody. A to jest jakby nie patrzeć kluczowe! Ze względu na zależność od danych z przeszłości większość modeli AI może być słabo przygotowana do prognozowania rzadkich i nigdy wcześniej nieobserwowanych zdarzeń.
Jeżeli chcecie poczytać więcej na temat AI w prognozowaniu pogody to odsyłam do bardzo ciekawego artykułu AI Weather Forecasting Can’t Replace Humans—Yet.
Rodzi się więc pytanie – czy implementacja nowych technologii w planowaniu i budżetowaniu przyniesie podobny skutek co w przewidywaniu pogody?
Modelowanie matematyczne w planowaniu finansowym
W niektórych branżach statystyka jest fundamentem planowania finansowego i operacyjnego – firmy windykacyjne czy ubezpieczyciele w dużej mierze opierają swoje plany finansowe na modelowaniu statystycznym lub regułach generowanych przez algorytmy Data Mining.
Zastosowanie algorytmów Data Mining do identyfikacji reguł biznesowych
Tak właśnie już teraz wygląda prognozowanie spływu wierzytelności w firmach windykacyjnych. Sam budowałem podobne rozwiązanie ponad 10 lat temu. Wykorzystaliśmy reguły Data Mining (polskie terminy to Eksploracja danych i Odkrywanie wiedzy) do przygotowania klasyfikacji wszystkich dłużników. Zmienną zależną (wyjściową) była w tym przypadku spłata długu (czy kiedy i w jakiej części wierzytelność zostanie odzyskana). A parametrami wejściowymi do modelu (zmienne niezależne) były wszystkie cechy opisujące dług (kwota, wiek przeterminowania, historia windykacji) oraz dłużnika (płeć, wiek, miejsce zamieszkania, stan cywilny, itp.).
Model w ramach procesu „uczenia się” danymi historycznymi zbudował klasyfikację najlepiej różnicującą całą populację. Reguły były zrozumiałe dla odbiorców („jeżeli dłużnika ma więcej niż 50 lat i mieszka w dużym mieście i dług nie przekracza 1000 zł, to…”) i zgodne z doświadczeniem biznesowym pracowników firmy. Dla każdej grupy również na podstawie historii powstał rozkład spłat i działań windykacyjnych (przekładających się na koszty operacyjne spółki).
I tyle. Potem model już sam był w stanie generować prognozy. Na wejściu dostawał informację o aktualnej strukturze portfela wierzytelności. Dane te przechodziły przez reguły klasyfikacyjne i controlling dostawał projekcję wpływów oraz kosztów operacyjnych.
Ten przykład prezentuje model biznesowy, w którym rachunek prawdopodobieństwa ma istotny wpływ na efektywność procesu. W takich przypadkach obecne modele matematyczne (zaawansowane acz dalekie od tego co kryje się wewnątrz AI) doskonale sprawdzają się w zastosowaniach budżetowania i prognozowania.
Analiza trendów i szeregów czasowych w prognozowaniu sprzedaży
W innych branżach, firmy również już teraz korzystają z modeli statystycznych przy prognozowaniu popytu. Firmy FMCG korzystają z modeli ekonometrycznych i za ich pomocą przygotowują projekcję sprzedaży. Patrzą na historię, sezonowość sprzedaży, trendy i inne dostępne dane.
Tutaj narzędzia planistyczne opierają się na modelach analizy trendów czy szeregów czasowych. To też jest bardziej zaawansowana matematyka, i dalej nie jest to AI. Nie zapominajmy jednak, że cała koncepcja sztucznej inteligencji opiera się na fundamentach matematycznych i koniec końców wszystko sprowadza się do podstawowych pojęć statystycznych.
Wykorzystanie AI w prognozowaniu
Jak zatem może wyglądać wdrożenie AI do przygotowania budżetów lub prognoz sprzedaży? W zasadzie to podobnie jak w obu opisanych wcześniej przykładach. Na koniec dnia firma posiadać będzie model, który na podstawie odpowiednich danych wejściowych wygeneruje plan. Najczęściej będzie to plan sprzedaży, bo koszty (zwłaszcza zmienne) da się już łatwiej zaplanować
Model AI w prognozowaniu popytu
To co będzie go różnić od obecnych rozwiązań to poziom złożoności. Model decyzyjny, będzie „czarną skrzynką”, która na podstawie wielu różnych zmiennych będzie generować prognozę sprzedaży.
Patrząc na proces prognozowania popytu (ang. Demand planning) w wielu firmach, taki model uwzględniać będzie zapewne następujące kategorie danych
- Historia sprzedaży – wewnętrzne dane firmy uwzględniające realizowane wolumeny, stosowane warunki cenowe oraz promocje
- Historia produktów i wsparcie marketingowe – informacje o datach wprowadzenia produktów do oferty oraz działaniach marketingowych prowadzonych przez firmę
- Dane makroekonomiczne – ogólnie dostępne parametry takie jak stopa inflacji, kursy walut, bezrobocie, wzrost wynagrodzeń czy PKB, które mogą wpływać na zachowania konsumenckie
- Dane rynkowe – informacje o sprzedaży, cenach i działaniach promocyjnych konkurencji, które mogą wpływać na sprzedaż realizowaną przez spółkę. W tej kategorii mogą znajdować się jednakowo dane historyczne (np. na podstawie raportów Nielsen, IQVIA, itp.) oraz prognozy dotyczące przyszłości (planowane ekspercko przez naszych menedżerów sprzedaży)
- Dane dotyczące sieci dystrybucji – informacja o liczbie, lokalizacji i rozwoju punktów detalicznych prowadzonych przez spółkę lub jej odbiorców (sieci handlowe); parametry kontraktów dystrybucyjnych (ilość „miejsca na półce” dla naszych produktów)
- Pozostałe dane, często różnorodne i nie koniecznie ustrukturyzowane – pogoda, święta ruchome, istotne wydarzenia społeczne, kulturalne lub sportowe jeżeli tylko czynniki te wpływają na chwilowy popyt na produkty firmy
Samodzielne zbudowanie modelu odwzorowującego równania łączące tak szeroki zakres parametrów jest w tej chwili mało realne. By poradzić sobie z taką ilością i różnorodnością zmiennych konieczne jest zaprzęgniecie AI. Sztuczna inteligencja, dysponując odpowiednio dużym zbiorem danych referencyjnych samodzielnie zbuduje odpowiedni model.
Prognozowanie sprzedaży z wykorzystaniem AI to będzie „czarna skrzynka”. Z dużym prawdopodobieństwem, wygenerowany model będzie tak złożony, że my – kontrolerzy, menedżerowie czy konsultanci – nie będziemy w stanie go wyjaśnić, czy zrozumieć. Trzeba będzie mu zaufać.
Taki model świetnie sprawdzi się w planowaniu scenariuszowym. Zamiast intuicji i oczekiwań menedżerów (jak inflacja wpłynie na sprzedaż naszych produktów?) na wyjściu pojawią się twarde liczby wyliczone za wykorzystaniem złożonego algorytmu wag i współczynników przypisanych do poszczególnych parametrów wejściowych
Budżetowanie i prognozowanie z pomocą AI – czy jest się czego obawiać?
Eksperci zajmujący się prognozami pogody wątpią, by w horyzoncie 5-10 lat AI była w stanie całkowicie zautomatyzować ich pracę. Ten przykład pokazuje, że tradycyjne narzędzia planowania stosowane w controllingu – modele matematyczne i wiedza ekspercka również nie zostaną szybko zastąpione przez AI.
Postęp i zmiana jest jednak nieunikniony. Technologia cyfrowa a wraz z nią rozwój sztucznej inteligencji będzie coraz mocniej włączać się w tym w procesy budżetowania i prognozowania. Z perspektywy osób odpowiedzialnych za koordynację tych działań kluczowe będzie rozwijanie umiejętności efektywnego korzystania ze wszystkich dostępnych danych oraz możliwości narzędzi IT.
Spodziewamy się, że z każdym rokiem rola arkusza kalkulacyjnego jako tradycyjnego narzędzia do tworzenia budżetów i prognoz będzie maleć. Będzie to spowodowane stałym wzrostem liczby dostępnych (i potrzebnych) danych, w szczególności szerszym wykorzystaniem danych zewnętrznych i nie w pełni uporządkowanych.
Drugim trendem ograniczającym możliwości efektywnego korzystania z Excela będą rosnąc potrzeby menedżerów w zakresie symulacji i analiz ad-hoc/w czasie rzeczywistym. Już teraz w wielu firmach sektora finansowego przygotowuje się równolegle kilka wersji prognoz lub planów finansowych. Warianty alternatywne mają na celu ewaluację ryzyka oraz dostarczenie menedżerom właściwych informacji na potrzeby podejmowania istotnych decyzji biznesowych.
Co z tego wynika dla praktyków controllingu? Próbując podsumować całość wcześniejszych rozważań 3 głównych punktach, zaryzykowałbym następujące stwierdzenia:
- Tu i teraz AI nie jest jeszcze gotowa by istotnie zmienić procesy budżetowania i prognozowania w firmach.
- Wiedze ekspercka i zrozumienie reguł świata biznesowego (fizycznego) jeszcze długo będą istotnym czynnikiem wpływającym na jakość planowania
- Umiejętne korzystanie z dostępnych rozwiązań IT może być optymalną strategią modelowania i automatyzacji reguł biznesowych w modelach budżetowania i prognozowania.
Zobacz też:
Sztuczna inteligencja w controllingu
Cały świat pasjonuje się sztuczną inteligencją, więc również my powinniśmy myśleć o jej wykorzystaniu w controllingu. Jakie zmiany wprowadzi w codziennej pracy kontrolerów i analityków?
W najnowszym wpisie Mariusz Sumiński prezentuje przykłady innowacji, które mogą zmieniać profil zadań realizowanych przez controlling.
Jak wygląda budżetowanie i prognozowanie z wykorzystaniem #AI ?
Jak AI identyfikuje anomalie?
Jakie są konsekwencje wykorzystania sztucznej inteligencji w controllingu?
Budżet firmy: 5 prawd okiem eksperta
Przed nami ostatni wakacyjny „długi weekend”. Po nim controlling w większości firm zacznie projekt o nazwie #Budżet 2025. Dlatego dziś chcę podzielić się z Wami przemyśleniami na temat budżetów. Abu pozostać w luźniejszym klimacie omówię je na przykładzie planu treningowego do maratonu. Dla wielu osób będzie to zupełnie nowa perspektywa, ale wykorzystanie przenośni jest świetnym sposobem ilustrowania i argumentacji swoich przemyśleń.
Co sztuczna inteligencja myśli o FlexiReporting?
Poniższa strona to podsumowanie eksperymentu z wykorzystaniem sztucznej inteligencji do budowania treści marketingowych.
Zapytaliśmy najpopularniejszy model językowy o nasz system oraz o korzyści z migracji procesów z arkusza kalkulacyjnego do FlexiReporting. Odpowiedzi nam się podobają. Mamy co prawda pewne uwagi i zastrzeżenia, którymi dzielimy się na końcu artykułu. Pomimo tego uważamy, że sztuczna inteligencja przedstawia nasze atuty wiarygodnie i entuzjastycznie.
FlexiSolutions: sukcesy i wyzwania pierwszego półrocza
Zapraszamy do obejrzenia najnowszego wywiadu z Mariuszem Sumińskim, dyrektorem zarządzającym naszej firmy. W rozmowie Mariusz opowiada o sukcesach i wyzwaniach pierwszego półrocza, dzieli się planami na przyszłość oraz ujawnia największe zaskoczenia, z jakimi się spotkaliśmy.
Dowiedz się, czego nasi klienci mogą spodziewać się w najbliższych miesiącach.
Dyskonto przyszłych płatności według MSSF 16 – jak to policzyć?
Zarządzanie zobowiązaniami leasingowymi stało się bardziej skomplikowane od momentu wprowadzenia standardu MSSF 16. Jednym z kluczowych elementów, które muszą uwzględnić firmy, jest dyskonto przyszłych płatności. Jakie stopy procentowe powinny być stosowane? Jakie metody wyceny są najbardziej efektywne? W artykule przybliżymy proces obliczania wartości bieżącej zobowiązań, omówimy różne podejścia do wyznaczania stopy dyskontowej oraz podpowiemy, na co zwrócić uwagę, aby zapewnić zgodność z MSSF 16.
Konsolidacja finansowa: niezrealizowane zyski – co to jest?
Czym są niezrealizowane zyski w konsolidacji? Jak się ma do tego marża na zapasie? Zapraszamy do przeczytania artykułu, w którym prosty sposób tłumaczymy, o co chodzi w tych zawiłych terminach.
