AI w procesach budżetowania i prognozowania

Sztuczna inteligencja wkracza do budżetowania i prognozowania. W artykule porównujemy AI z tradycyjnymi metodami i analizujemy jej wpływ na planowanie finansowe. Czy AI zastąpi controlling i menedżerów, czy pozostanie wsparciem? Przedstawiamy korzyści i wyzwania wdrożenia AI w procesach biznesowych.

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:

  1. Tu i teraz AI nie jest jeszcze gotowa by istotnie zmienić procesy budżetowania i prognozowania w firmach.
  2. Wiedze ekspercka i zrozumienie reguł świata biznesowego (fizycznego) jeszcze długo będą istotnym czynnikiem wpływającym na jakość planowania
  3. Umiejętne korzystanie z dostępnych rozwiązań IT może być optymalną strategią modelowania i automatyzacji reguł biznesowych w modelach budżetowania i prognozowania.

Powiązane artykuły

Budżetowanie w firmie
Budżetowanie

Budżetowanie w firmie a analiza scenariuszy budżetowych

Budżetowanie jest nieodłącznym elementem efektywnego zarządzania finansami w każdej firmie. W artykule przyjrzymy się różnym metodom tworzenia budżetu – od prostych modeli w Excelu, przez funkcje systemów ERP, aż po zaawansowane narzędzia EPM.
Omówimy także, jak rozwijać budżet wraz z rosnącymi potrzebami organizacji oraz jak efektywnie analizować scenariusze „co gdyby?”, aby podejmować lepsze decyzje finansowe.

Czytaj dalej >
FlexiSolutions słowniczek / budżet wynagrodzeń / Video Poradniki i prezentacje FlexiReporting / budżet firmy
Budżetowanie

Budżet firmy: 5 prawd okiem eksperta

Wkrótce wiele firm rozpocznie projekt #Budżet2025, więc dziś podzielę się przemyśleniami na temat budżetów. Aby nadać temu luźniejszy ton, omówię je w kontekście planu treningowego do maratonu. Dla niektórych może to być nowa perspektywa, ale przenośnie świetnie pomagają w zobrazowaniu i argumentacji swoich myśli.

Czytaj dalej >
system controllingu / KPI / wąskie gardło w zarządzaniu i budżetowaniu
Budżetowanie

Wąskie gardło w zarządzaniu i budżetowaniu

W zarządzaniu i budżetowaniu często napotykamy na różnorodne wyzwania, które mogą znacząco wpłynąć na efektywność całego procesu. Zrozumienie, jakie etapy budżetowania najczęściej stają się źródłem opóźnień i problemów, jest kluczowe dla skutecznego zarządzania.
Czy arkusz kalkulacyjny może stać się największym ograniczeniem? Jakie kroki można podjąć, aby zminimalizować ryzyka i problemy? W artykule przedstawiamy odpowiedzi na te pytania, skupiając się na identyfikacji i eliminacji wąskich gardeł w procesie budżetowym.

Czytaj dalej >

Co klienci mówią o nas?

Michał Gumiński
Michał Gumiński
Dyrektor Finansowy w Torf Corporation
Współpraca z FlexiSolutions pozwoliła mi na stworzenie elastycznego ekosystemu, który adresuje trudne problemy operacyjne takie jak planowanie sprzedaży i w spójny sposób odzwierciedla je w obszarze controllingowym. 
Szczególnie warto podkreślić elastyczność rozwiązań i podejście zespołu FlexiSolutions wysoko zorientowane na rozwiązanie problemu – mogliśmy dzięki temu znaleźć niestandardowe rozwiązania, z którymi nie radziły sobie pudełkowe systemy.
Marcin Radziszewski
Marcin Radziszewski
Dyrektor Finansowy w PBKM S.A
System bardzo dobrze poradził sobie ze skalą i złożonością Grupy - w wyniku wdrożenia dysponujemy spójnym repozytorium danych finansowych wszystkich konsolidowanych spółek niezależnie od różnic w systemach i strukturach ewidencji księgowej prowadzonej na poziomie jednostkowym.
Z punktu widzenia comiesięcznego procesu raportowego szczególnie wysoko oceniamy wykorzystanie raportów kontrolnych pozwalających na szybką weryfikację spójności danych lokalnych dostarczanych przez spółki oraz raport pozwalające na uproszczenie uzgodnienia sald i rozrachunków. Dodatkowo, możliwości narzędzia zostały wykorzystane do zebrania i konsolidacji budżetów wszystkich spółek. Widząc realne korzyści, systematycznie rozwijamy zakres wykorzystania systemu w naszej firmie, nie tylko w dziale finansowym.
Piotr Kamiński
Piotr Kamiński
Wiceprezes Zarządu w Wielton SA
Wdrożone narzędzia szeroko wspierają procesy kontrolingu i raportowania zarządczego na poziomie jednostki dominującej Wielton S.A oraz spółek zależnych. System jest stale rozwijany i dostosowywany do rosnących potrzeb przedsiębiorstwa (...).
Obecnie FlexiEPM wykorzystywany jest przez wszystkie 16 spółek wchodzących w skład grupy, a z rozwiązania korzysta ponad 100 użytkowników.
Jednym z wdrożonych modułów jet moduł uzgodnienia transakcji wewnątrzgrupowych. Dostarczone narzędzie umożliwia uzgodnienie transakcji w ramach procesów raportowania zarządczego oraz giełdowego.
Grażyna Maciejuk
Grażyna Maciejuk
Dyrektor Finansowy w Instac
FlexiEPM to bardzo elastyczne narzędzie, w którym strukturę raportów można całkowicie dopasować do konkretnych potrzeb firmy. Polecam to rozwiązanie gdyż odpowiada potrzebom użytkowników różnych szczebli - operacyjnych, finansów jak i również kadry zarządzającej.
Zespół wdrożeniowy dokładnie rozpoznaje potrzeby analityczne i raportowe klienta, proponując różne możliwe rozwiązania ze swojego szerokiego doświadczenia. Znajomość merytoryki tematu analizy danych i raportów, a nie tylko technicznych aspektów wdrażania aplikacji - bardzo ułatwia proces wdrożenia.
Jolanta Anton
Jolanta Anton
Główny Księgowy w MediaMarktSaturn Polska
Rozwiązania dostarczone przez FlexiSolutions umożliwiają automatyczne przetwarzanie danych wejściowych w postaci odpowiednich raportów i transakcji systemu SAP R/3 oraz zapewniają możliwość wprowadzenia informacji uzupełniających i parametrów bezpośrednio przez użytkowników za pomocą odpowiednio zaprojektowanych formularzy.
Wdrożona konfiguracja zapewnia pełne wsparcie procesów sprawozdawczych włączając możliwość automatycznego przygotowania ostatecznych raportów w strukturach XML zgodnych z wymogami regulatora.
Justyna Szumowska
Justyna Szumowska
Główny Księgowy w Transition Technologies
System został wykorzystany do przygotowania sprawozdań jednostkowych spółek grupy oraz przygotowania sprawozdania skonsolidowanego. Aktualnie system wykorzystywany jest przez 18 podmiotów z grupy (włączając zagraniczne spółki zależne). Zestaw raportów pozwala w czytelny sposób analizować transakcje pomiędzy spółkami.
Raporty kontrolne pozwalają analizować dane od wartości sumarycznych do najniższego poziomu danych wejściowych. Rozwiązanie zostało przygotowane pod indywidualnie sprecyzowane potrzeby naszej organizacji. Mechanizmy przetwarzania danych finansowo - ksiegowych zapewniają odpowiednią automatyzację procesu. Efektem jest spójne repozytorium danych finansowych wszystkich spółek niezależnie od różnic w systemach i strukturach.
Michał Kacprzak
Michał Kacprzak
Członek Zarządu w Baltona
FlexiEPM wspiera następujące obszary raportowania: konsolidacja w układzie statutowym na potrzeby comiesięcznych pakietów raportowych dla właściciela, przygotowania sprawozdań jednostkowych oraz skonsolidowanych na potrzeby raportowania giełdowego, przygotowanie rocznych sprawozdań zgodnie z UoR oraz konsolidacja i raportowanie zarządcze.
System wykazuje się elastycznością niezbędną do obsługi różnych struktur kapitałowych, zaś zespół realizujący wdrożenie posiada odpowiednie kompetencje i doświadczenie pozwalające na efektywną realizację prac wdrożeniowych i rozwojowych.

Umów konsultację z ekspertem

Uporządkuj procesy planowania, controllingu, raportowania i konsolidacji w jednym systemie.
Wyeliminuj błędy i zmniejsz czasochłonność dzięki integracji i automatyzacji.
Mariusz Sumiński
Mariusz Sumiński

Dyrektor Zarządzający, Współzałożyciel