Для многих предприятий совершенствование процессов финансового планирования (включая финансовое планирование и анализ, планирование продаж и операционное планирование, интегрированное бизнес-планирование и прогнозирование) является одной из самых приоритетных задач. Автоматизация, улучшение интеграции между системами и повышение эффективности процессов представляются постоянными усилиями. В настоящее время искусственный интеллект и машинное обучение, кажется, предлагают многообещающие возможности в этой области, но действительно ли это то, что ваша компания должна приобрести и/или разработать?

За свою карьеру я видел много примеров неправильного использования термина "искусственный интеллект". Кроме того, многие программные продукты продаются с надписью "искусственный интеллект", не имея в себе никаких реальных функций искусственного интеллекта. Даже если программное обеспечение содержит ИИ, большинство компаний не могут напрямую начать его использовать, исходя из текущего состояния своих процессов планирования. Однако компании должны понимать, что внедрение и развитие самых инновационных технологий может быть реализовано в приемлемые сроки и в рамках бюджета. И здесь кроется суть вопроса: чтобы правильно внедрить и использовать ИИ, необходим структурированный подход. Это требует времени, тщательной подготовки, технологического развития и, в большинстве случаев, также довольно серьезных изменений в методах работы. Сложно сделать все это сразу, поэтому рекомендуется поэтапный подход: цель - стабильная и гибкая среда, которая работает сейчас, но при этом может быстро адаптироваться к изменениям в бизнесе, окружающей среде и соответствующих процессах принятия решений.

В этой статье будут рассмотрены 5 различных этапов процессов планирования и прогнозирования. Основное внимание будет уделено необходимым изменениям, которые потребуются для того, чтобы подняться на ступень выше на вашем пути к достижению конечной цели - созданию наибольшей ценности в рамках этих процессов с использованием всех доступных ресурсов, включая ИИ. Термины "планирование" и "прогнозирование" будут использоваться как взаимозаменяемые.

Стадия 0

В качестве отправной точки можно отметить отсутствие процесса планирования. Это означает, что не было сделано никаких инвестиций в надлежащие технологии, и любая работа выполняется вручную без какой-либо основы. Постоянно требуется пожаротушение без централизованного анализа, и в компании нет четкого видения краткосрочного и долгосрочного планирования.

Этап 1

На этом этапе процесс планирования уже существует, однако он не является высокоценным или хорошо продуманным. Регулярные мероприятия по планированию, такие как повторное прогнозирование, являются базовыми и относительно наивными (например, просто экстраполяция исторических значений за предыдущие периоды), но, по крайней мере, имеется базовая линия в качестве отправной точки. Поскольку точность этого прогноза, скорее всего, будет низкой, от плановиков потребуется много усилий, чтобы скорректировать "базовую линию" для окончательного представления. Время, затрачиваемое на тушение пожаров, должно быть меньше, чем на этапе 0. Инвестиции в соответствующие технологии не требуются, поскольку процесс все равно будет чрезвычайно ориентирован на результат и может быть предвзятым в зависимости от субъективного мышления различных планировщиков.

Этап 2

Для большинства компаний это вероятный уровень зрелости процессов планирования и прогнозирования. На этом этапе компания, скорее всего, имеет разрозненные системы и большое количество данных. Отсутствие хорошо построенного процесса автоматизации и интеграции является основной причиной неэффективности. Однако большим плюсом на этом этапе является наличие более сложных методов прогнозирования; базовые показатели, тенденции, нерегулярные колебания, цикличность или сезонность: доступные статистические методы прогнозирования смогут обнаружить закономерности в данных и могут быть использованы плановиками. При использовании менее продвинутых (интуитивных) статистических методов прогнозирования, таких как скользящее среднее, историческое среднее, регрессия или любой подход на основе драйверов), это можно сделать в Excel. Для более продвинутых методов прогнозирования, таких как экспоненциальное сглаживание (одинарное, двойное, тройное), линейный тренд Холта, мультипликативное разложение и мультипликатив Винтера, необходимо более продвинутое программное обеспечение (программы или инструменты для программирования статистических вычислений). Рекомендуется написать требования и игровой план для потока данных, интеграционного дизайна и функционального дизайна модели, прежде чем принимать решение о том, какое программное обеспечение использовать.

На этом этапе можно увидеть четкое перераспределение труда. После реконсолидации данных объем работы для плановиков становится меньше, поскольку, помимо распознавания тенденций в данных и применения правильного статистического подхода, плановикам нужно лишь подкорректировать прогноз на основе знаний, которые не отражены ни в одной системе. Однако необходимо инвестировать дополнительное время в долгосрочное развитие модели и процесса прогнозирования, чтобы увеличить масштабирование и эффективность всех функций в компании.

В этой статье я не буду раскрывать точное содержание передовых методов прогнозирования. Для каждого метода учитывается как минимум три из следующих компонентов: базовая линия, тренд, сезонность, цикличность, нерегулярные колебания и рост.

Этап 3

На этом этапе происходит интеграция транзакционных систем учета. Это означает, что в компании достигнуто состояние единого источника истины , что положительно сказывается на ежедневной работе плановиков. Объем малоценной работы (проверка, сверка, исправление ошибок) для плановиков становится меньше благодаря интегрированному решению. В это сэкономленное время плановики могут заниматься высокоценной работой (всевозможным анализом данных) вместо ежемесячных ручных повторных сверок.

Технология полностью поддерживает базовый сквозной процесс прогнозирования. В отличие от этапа 2, будет доступно больше данных для различных компонентов процесса прогнозирования, таких как обширный анализ данных, планирование сценариев, анализ воздействия и т.д. Возможности прогнозирования больше не ограничены: выявление закономерностей спроса (иерархических, но и причинно-следственных) на основе внешней базы данных со статистикой станет стандартом. На этапе 2 статистическое прогнозирование основывалось на выбранных фактических данных, но на этом этапе используется предиктивная аналитика, чтобы определить, какие (дополнительные) данные имеют наибольшую предсказательную ценность для прогноза в масштабах всей компании. Будет внедряться все больше и больше алгоритмов, основанных на данных, что подразумевает еще меньше работы для планировщиков, поскольку с помощью этой технологии будут создаваться также стандартизированные обширные анализы данных и отчеты. Плановикам нужно будет только сказать, какой вид анализа принесет дополнительную ценность, и эти анализы будут разрабатываться стандартным образом в масштабах всей компании. Потребуется некоторое время, чтобы плановики почувствовали себя комфортно в своей "новой" роли.

Этап 4

На этом этапе технология поддерживает более продвинутый процесс сквозного прогнозирования и включает более инновационные методы прогнозирования. Улучшением по сравнению с этапом 3 является возможность использования различных методов для краткосрочного (0-3 месяца) и среднесрочного (3-24 месяца) прогнозирования. Возможность проводить различие между краткосрочным и среднесрочным планированием снижает вероятность того, что у вас будет слишком мало данных о последующих событиях, и повышает точность долгосрочного прогноза. На этом этапе доступны как гранулированные, так и последующие данные, что позволяет также обнаружить закономерности в иерархии или причинно-следственные связи.

Характер труда с точки зрения прогнозирования будет все больше и больше заключаться в принятии стратегических решений вместо того, чтобы фокусироваться на данных, поступающих снизу. Традиционные специалисты по планированию будут переквалифицированы на то, чтобы добавлять ценность выше по технологической цепочке. На этом этапе данные больше не будут главной темой разговора, но предположения модели будут оспариваться и моделироваться в сценарном планировании, чтобы повысить точность прогнозирования и иметь хорошее представление о будущих возможностях. Модель предоставит весь анализ, чтобы процесс принятия решений прошел гладко.

Этап 5

Это конечное состояние, когда весь процесс прогнозирования выполняется автоматически и возглавляется централизованной системой RPA (Robot Process Automation). Централизованная система RPA - это машина с искусственным интеллектом, которая является ядром всей автоматизации: все подключено к этой системе RPA. Эта самообучающаяся технология владеет сквозным процессом прогнозирования и может самостоятельно выполнять все этапы этого процесса и принимать решения. Однако ее необходимо обучать, чтобы она совершенствовалась, что подразумевает, что вместо улучшения модели необходимо давать обратную связь системе RPA. Преимуществом этого является то, что вы можете предоставить машине ИИ подробную информацию о потенциальных улучшениях, а система RPA сможет определить точную первопричину несоответствия и скорректировать ее соответствующим образом. Если на этапах 3 и 4 интуиция, лежащая в основе методов прогнозирования, исчезает, то на этом этапе она полностью отсутствует: системе RPA полностью доверяют ее возможности и требуют точного обучения.

Когда система RPA руководит процессом прогнозирования, сотрудники понадобятся для разработки и обучения машины искусственного интеллекта, но для проверки прогнозных цифр по-прежнему требуется почти ноль сотрудников. Самая большая проблема на этом этапе - передать управление. И не другому способному коллеге, а продукту искусственного интеллекта, который способен увидеть в данных больше, чем видят все самые светлые умы компании вместе взятые (при достаточном обучении). Как и на большинстве этапов, старый и новый процессы можно выполнять параллельно. После запуска этого процесса в течение нескольких месяцев и сравнения прогнозов предыдущих месяцев с текущими фактическими данными в пределах определенной погрешности, компании чувствуют себя более комфортно, позволяя системе RPA управлять процессом, и с этого момента рассматривают только высокоуровневые предположения и числа. Тем временем, каждое низкоуровневое отклонение и новые данные будут поступать в машину, чтобы сделать прогноз на следующий месяц еще более точным.

Настоящей проблемой для этой дорожной карты является переход к следующему шагу только тогда, когда компания действительно готова. Если действовать слишком быстро, неэффективность станет еще более неэффективной и приведет к нестабильной среде. Проведите надлежащие пилотные проекты и позвольте текущим и новым разработкам работать параллельно для части бизнеса. Поддержите бизнес в преобразованиях, потому что им будет нелегко. Проинструктируйте их об изменении обязанностей и о том, как управлять ожиданиями обычных планировщиков. Как компания, вы можете двигаться только так быстро, как самая медленная часть вашего бизнеса.

Стоит рассмотреть еще одну проблему - постепенный отказ от контроля. В этом процессе нельзя позволить системе RPA делать прогнозы, если нет плана игры или нет времени, вложенного в настройку интеграции, очистку имеющихся данных, понимание методов прогнозирования и т. д. Эксперты в компании должны обладать знаниями, которые позволят им подготовить машину искусственного интеллекта на своем уровне, чтобы повысить ценность компании.

Наконец, абсолютно точно придется изменить методы работы. Некоторые роли даже исчезнут в рамках процесса, и переобучение сотрудников неизбежно. Не стоит недооценивать последствия этого и будьте честны относительно масштабов изменения процедур и того, что необходимо для выполнения следующего шага в совершенствовании процесса прогнозирования.

Никогда не поздно начать и получить информацию о том, как добиться больших побед в текущем процессе прогнозирования в вашей компании. Создайте долгосрочную дорожную карту при поддержке всей компании и приступайте к работе.