Door Mark Bodger, directeur bij ICit Business Intelligence
Er vindt momenteel een verschuiving plaats binnen FP&A. Niet omdat financiële teams plotseling AI hebben ontdekt, maar omdat de technologie een punt heeft bereikt waarop ze de manier waarop het werk daadwerkelijk wordt uitgevoerd, begint te veranderen. Tools zoals Workday Adaptive Planning beschikken over functies die verder gaan dan alleen een geleidelijke efficiëntieverbetering en die het gedrag van teams beïnvloeden. Of het nu gaat om de manier waarop teams hun tijd besteden, hoe ze met gegevens omgaan of hoe ze het bedrijf ondersteunen.
Het debat loopt echter nog achter. Er wordt te veel gesproken over functies en terminologie, terwijl de interessantere vraag van structurele aard is: wat verandert er binnen de FP&A-functie wanneer een aanzienlijk deel van de handmatige analyse niet langer nodig is?
Voor de meeste financiële teams is het probleem nooit een gebrek aan inzicht geweest. Het ging om de inspanning die nodig was om dat inzicht te verkrijgen. Er gaan nog steeds uren zitten in het verzamelen van gegevens, het ophelderen van inconsistenties en het handmatig onderzoeken van afwijkingen. Dat werk is altijd als onderdeel van de functie beschouwd, ook al bevindt het zich aan de onderkant van de waardeketen. Wat nu verandert, is de mate waarin die inspanning kan worden verminderd.
Wanneer het verkennen van gegevens op een conversatieachtige manier plaatsvindt en variantieanalyses automatisch worden weergegeven met duidelijke oorzaken en toelichting, begint de balans in het werk te verschuiven. De rol van FP&A verschuift steeds verder van die van een toegangspoort tot informatie naar die van een gids voor besluitvorming. Dat onderscheid is van belang. Het verandert de manier waarop de functie intern wordt gezien, en het verandert de verwachtingen die eraan worden gesteld.
Een van de meer subtiele ontwikkelingen is het wegnemen van drempels bij het verkrijgen van inzicht. Van oudsher vereisten financiële modellen een zekere mate van technische kennis, waardoor slechts een beperkt aantal mensen er rechtstreeks mee aan de slag kon. Dit heeft geleid tot een natuurlijke afhankelijkheid van het vaak kleine aantal teamleden dat weet hoe alles in elkaar zit.
Naarmate interfaces intuïtiever worden, neemt die afhankelijkheid af. Vragen kunnen worden gesteld (en beantwoord) zonder dat men zich door de onderliggende complexiteit hoeft te worstelen. Op den duur heeft dit een nivellerend effect. Het vergroot de toegang tot inzichten zonder dat dit ten koste gaat van de controle, en het vermindert de voortdurende stroom van onderbrekingen waarmee veel senior analisten te maken hebben.
Het cumulatieve effect wordt vaak onderschat. Het gaat niet alleen om tijdwinst; het gaat erom ruimte te creëren voor doordachter werk van hogere kwaliteit. Afwijkingsanalyse is een goed voorbeeld van waar dit concreet zichtbaar wordt. Het is altijd een van de meest arbeidsintensieve onderdelen van de planningscyclus geweest, waarbij een methodische uitsplitsing van bewegingen en drijvende factoren vereist is. Het is ook een van de gebieden die het meest geschikt zijn voor standaardisatie. Wanneer dat proces wordt geautomatiseerd en afwijkingen vrijwel in realtime worden geïdentificeerd, verklaard en in context geplaatst, zorgt dit voor zowel snelheid als consistentie.
Vooral consistentie wordt vaak over het hoofd gezien. Het neemt de variabiliteit weg die voortkomt uit tijdsdruk of handmatige snelkoppelingen en legt een betrouwbaarder basis voor de discussie. Financiële teams kunnen dan minder tijd besteden aan het samenstellen van de toelichting en meer tijd aan het kritisch bekijken van de betekenis ervan.
Ook op het gebied van prognoses vindt er een soortgelijke ontwikkeling plaats. De invoering van voorspellende modellen die zijn gebaseerd op een combinatie van interne en externe gegevens verandert de aard van het uitgangspunt. In plaats van elke cyclus opnieuw vanaf nul prognoses op te stellen, krijgen teams een uitgangspunt aangeboden dat patronen en verbanden weergeeft in een dataset die veel uitgebreider is dan wat een individu redelijkerwijs zou kunnen verwerken.
Dat uitgangspunt vormt de basis voor een beter onderbouwd gesprek. Hierdoor kan de financiële afdeling zich richten op het maken van afwegingen, het opstellen van scenario’s en het afstemmen op de zakelijke realiteit, in plaats van op de technische aspecten van het opstellen van de cijfers.
De organisaties die het meeste voordeel behalen, beperken zich niet tot het inschakelen van nieuwe functies. Ze heroverwegen hoe het werk is gestructureerd. Vragen rond verantwoordelijkheid, het ontwerp van workflows en de balans tussen automatisering en beoordelingsvermogen komen steeds meer naar voren. Er worden beslissingen genomen over wat er standaard moet gebeuren, wat ingrijpen vereist en hoe de resultaten aan belanghebbenden worden gecommuniceerd. In die zin is de technologie slechts een deel van het verhaal. De belangrijkere factor is hoe bewust deze wordt ingezet.
Is uw FP&A-team klaar voor AI?
In hoeverre is uw financiële afdeling klaar om gebruik te maken van AI-gestuurde planning, prognoses en analyses – Doe onze AI-beoordeling
AI inzetten voor een verbeterde FP&A-rapportage
In ons rapport wordt onderzocht hoe AI en ML de toekomst van FP&A hervormen. Het is gebaseerd op recent onafhankelijk onderzoek in opdracht van ICit Business Intelligence, waarbij gebruik is gemaakt van gegevens en inzichten van meer dan 300 Britse FP&A-professionals. Vraag uw exemplaar aan
