A Gartner azonosította a pénzügyi tervezés és elemzés vezetői számára a mesterséges intelligencia (MI) öt leghasznosabb felhasználási esetét. "Azoknak a szervezeteknek, amelyek figyelmen kívül hagyják ezeket a felhasználási eseteket, jó okuk kell, hogy legyen erre, mert ezek kínálják a megvalósíthatóság és az üzleti haszon legjobb kombinációját" - mondta Mark D. McDonald, a Gartner pénzügyi üzletágának vezető kutatási igazgatója.
A szakember szerint, ha az MI-t más felhasználási esetekre akarják alkalmazni, mielőtt ezt az ötöt hatékonyan működésbe hoznák, akkor valószínűleg a folyamatok hatékonyságát és az üzleti teljesítménynövekedést hagyják az asztalon.
A Gartner elemzői 23 MI felhasználási esetet vizsgáltak a vállalati pénzügyekben, amelyek reprezentálják azokat a folyamatokat, amelyeken egy jövőbe tekintő autonóm pénzügyi szervezet dolgozni fog. Ezeket üzleti értékük és megvalósíthatóságuk alapján rangsorolták. "A pénzügyi vezetőknek figyelembe kell venniük saját szervezetük érettségét és igényeit, mert az alkalmazhatóság szervezetenként és iparáganként eltérő lehet. Ezeket a felhasználási eseteket általánosan bejáratottak és hatékonyak, de a legértékesebb felhasználási esetek kihasználják egy vállalat egyedi erősségeit, és lehetővé teszik, hogy tovább differenciálódjon" - magyarázta McDonald.
A felhasználási esetek tisztázása érdekében a Gartner szakértői részletesebb definíciókat adtak:
1. Kereslet/bevétel előrejelzés: Belső és külső adatforrások felhasználásával a modellek előrejelzik a keresletet és a kapcsolódó bevételt számos dimenzióban, beleértve az üzleti egységet, a termékcsaládot, a SKU-t, az ügyféltípust és a régiót.
2. Anomáliák és hibák felderítése: Az anomáliák észlelése gépi tanulási (ML) modellek sorozatát használja a hibás vagy a számviteli alapelveket vagy irányelveket potenciálisan sértő tranzakciók vagy egyenlegek kiemelésére. Az átfogó megoldás az adatbevitel során valós idejű elemzést is tartalmaz, amely megakadályozza, hogy a hibák bekerüljenek a munkafolyamatba, és elkerülhetővé teszi a költséges utólagos korrekciókat.
3. Döntéstámogatás: Az aktuális adatokon alapuló eredmények előrejelzésére tervezett ML előrejelző algoritmusok alternatív adatértékek használata esetén az eredmények előrejelzésére szolgálnak. A modellek hipotetikus adatokkal történő használata előre jelzi az alternatív döntések eredményét.
4. POC bevételek előrejelzése: Vagy POC elszámolás, az ML modellek a POC bevétel és a teljes hátralévő teljesítési erőfeszítés megjóslására a teljesítési százalékos metrikákat (pl. órák, költségek, egységek, súly stb.) jelzik előre.
5. Készpénzbehajtás: Az ML-modelleket arra használják, hogy megjósolják, mikor fogják az ügyfelek kifizetni a számlákat, és ezzel proaktív behajtási erőfeszítéseket indítanak el, mielőtt a kifizetések késedelmessé válnának. E modellek előrejelzéseit felhasználva a behajtási személyzet a kockázatos számlákra összpontosítja erőfeszítéseit. Az előrejelzett készpénzbehajtások hozzájárulnak az általános ML-alapú pénzforgalmi előrejelzéshez is.
"Az előrejelzés népszerű felhasználási eset a pénzügyi osztályokon, mivel a hagyományos folyamatok manuálisan intenzívek és közismerten megbízhatatlanok. Az AI kiválóan alkalmas az automatizálásra és a pontosság javítására. Sok előre konfigurált szoftvercsomag foglalkozik az olyan általános pénzügyi folyamatokkal, mint a kintlévőségek és a kötelezettségek, de tisztában kell lenni azzal, hogy az egyedi üzleti igényeket, például az előrejelzést célzó felhasználási esetek kialakításához szükség lesz némi belső szakértelemre" - szögezte le McDonald.
