Machine leren in de financiële wereld: Aan de slag

Machine learning heeft schijnbaar onbeperkte mogelijkheden om uw financiële afdeling efficiënter en effectiever te maken. Maar het kan ontmoedigend zijn om te overwegen de veranderingen door te voeren die nodig zijn om de technologie ten volle te benutten.

"Het vooruitzicht van kunstmatige intelligentie zal op meerdere niveaus zeer intimiderend zijn," vertelde Jack McCullough, voorzitter van de CFO Leadership Council, in een recent interview. "Hoewel de belofte van AI verbazingwekkend is, staan we tot op zekere hoogte nog in de kinderschoenen. ... [Maar] omarm het als positief! Het gaat je bedrijf verbeteren. Het gaat de levenskwaliteit van mensen over de hele wereld fundamenteel verbeteren. En dat is een feit."

Maar de vraag die de meeste financiële leiders bezighoudt is: Waar begin ik?

Het goede nieuws is dat de toepassing van machine learning in Finance niet alles of niets is. De sleutel is om te beginnen met een project dat zowel een laag risico als een grote impact heeft. Zo kun je een gemakkelijke overwinning behalen en van daaruit verder bouwen.

Dit gezegd hebbende, volgt hier een eenvoudig stappenplan voor het toevoegen van machine learning aan uw financiële processen, samen met de huidige toepassingen.

Stap 1: Begin met automatisering

Machines houden van routinetaken. Mensen? Niet zo veel. Automatisering van financiële processen heeft het dubbele voordeel dat het voor financiële groepen het eenvoudigst is om machine learning te implementeren en dat het de meest tastbare resultaten oplevert.

De eerste stap is het identificeren van een project dat kritisch is, maar ook tijdrovend, repetitief en data-afhankelijk. Wil de automatisering uitstekende resultaten opleveren, dan moeten de invoergegevens en de datapijplijn natuurlijk ook in orde zijn. Zorg er dus voor dat de gegevens worden gezuiverd en goed gestructureerd en dat de relevante partijen worden getraind in gegevensbeheer en -hygiëne voordat een project wordt gestart.

De volgende functies zijn uitstekende doelen voor machine learning. Door deze veelvoorkomende taken via één platform te automatiseren, zouden organisaties een goede kans moeten maken op machine learning.

Procure-to-pay (P2P): Een geautomatiseerd P2P-proces kan leidinggevenden op het gebied van financiën een beter overzicht geven van de uitgaven van de organisatie en van de dagelijkse details van de status van facturen en inkooporders. Typische stappen in een geautomatiseerd P2P-proces zijn aanvragen, facturen vastleggen, facturen matchen, facturen goedkeuren en ERP-integratie.

Order-naar-kas: In het traditionele order-to-cash proces gebruiken verschillende bedrijfsfuncties hun eigen systemen en gegevens, wat resulteert in inefficiënte processen en onvolmaakte gegevens. Door het order-to-cash proces te automatiseren, kunnen financiële afdelingen een beter bewustzijn van risicowaarderingen, een snellere verwerking van financiële documenten en nauwkeurigere facturering verwachten - allemaal factoren die de cashflow en efficiëntie verbeteren. Uit gegevens van het IBM Institute for Business Value blijkt zelfs dat het verbeteren van de order-to-cash praktijk kan leiden tot een prestatieverbetering van 83%.

Record-to-report (R2R): Het automatiseren van het R2R-proces kan zorgen voor een snellere financiële afsluiting, de naleving van bedrijfsregels verbeteren, de integriteit van de financiële rapportage helpen waarborgen en continue bewaking van KPI's en flash-rapportage bieden. Mijlpalen in een geïntegreerd R2R-proces zijn: assimilatie van gegevens van subboekingen, integratie van gegevens in het grootboek, aggregatie van de gegevens en geautomatiseerde rapportage.

Stap 2: Versterken met augmentatie

Na het overdragen van routinetaken aan automatisering wordt de vraag: hoe kan machine learning financiële organisaties helpen betere beslissingen te nemen. Dat is de basis van augmented intelligence en het speelt al een belangrijke rol in veel financiële organisaties:

Fraudevermindering en Beveiliging: Finance is al lang afhankelijk van de verwerkingskracht van computers om afwijkend gedrag te identificeren. Het verschil is dat, terwijl eerdere systemen het product waren van een complexe en robuuste reeks regels, nieuwere systemen actief leren en zich aanpassen op basis van waargenomen veiligheidsrisico. Hierdoor worden mogelijke fraude en beveiligingsproblemen eerder gesignaleerd. John Colthart, VP of Growth bij MindBridge Ai, legt deze relatie verder uit. "AI vangt de fouten en anomalieën op, het potentieel voor problemen die een accountant, boekhouder of financiële professional vervolgens zou onderzoeken. Als ze dat onderzoek doen met de juiste informatie van de AI, kunnen ze specifieker zijn in hun vraagstelling en zullen ze in staat zijn om opzet te vinden. Op het moment dat ze opzet vinden, kunnen ze dat claimen als iets frauduleus."

Gegevensbeheer: Augmented AI helpt bij het overwinnen van uitdagingen met intern gegevensbeheer, het samenbrengen van ongelijksoortige gegevens en het benadrukken van inzichten om zakelijke beslissingen vorm te geven. Een andere toepassing voor augmented AI is het sorteren van honderdduizenden e-mails of formulierinzendingen, het bepalen van prioritaire communicatie en de intentie van de afzender.

Klantenservice: Het gebruik van augmented AI kan financiële organisaties helpen klantgericht te blijven nu de verwachtingen van consumenten voor service en reactiesnelheid toenemen. Voor financiële groepen die met klanten te maken hebben, worden chatbots en conversatie-interfaces als enorm potentieel gezien. Sommige organisaties maken ook gebruik van augmented robo-advisors die gedetailleerde antwoorden kunnen geven over sparen en lenen.

Gerelateerde lectuur: John Colthart over hoe CFO's zich volledig kunnen inzetten voor AI

Stap 3: Schakel AI in voor analyse en voorspelling

Het volgende niveau van machinaal leren is het gebruik van computerverwerkingskracht om gegevens te analyseren, snel aannames te doen, scenarioanalyses uit te voeren en uitkomsten te voorspellen. AI-systemen kunnen tot 800 miljoen pagina's tekst per seconde doornemen en zelfs nieuwe regels binnenkrijgen op het moment dat ze worden gemaakt, zodat hun aannames altijd kloppen.

Huidige toepassingen van datagestuurde besluitvorming zijn onder andere hedgefondsbeheer en algoritmische handel. De effecten van machine learning op de adviserende rol zijn te zien in de transformatie van het acceptatieproces. Veel van het potentieel voor AI-gestuurde voorspellende analyse is echter nog niet aangeboord en Finance Leaders kunnen in de toekomst andere ontwikkelingen verwachten.

Aan de slag met machinaal leren

Machine learning kan de financiële sector transformeren door routinetaken te automatiseren, menselijke besluitvorming te verbeteren en uitkomsten nauwkeurig te voorspellen. Maar het benutten van de kracht van machine learning is een continu proces. Het belangrijkste is om te beginnen.

Bezoek voor meer informatie over de mogelijkheden van machine learning en AI in de financiële sector onze nieuwste bron met inzichten van internationale financiële leiders.