Av Mark Bodger, direktör vid ICit Business Intelligence
Just nu pågår en förändring inom FP&A. Inte för att ekonomiteamen plötsligt har upptäckt AI, utan för att tekniken har nått en punkt där den börjar omforma hur arbetet faktiskt utförs. Verktyg som Workday Adaptive Planning innehåller funktioner som går utöver stegvis effektivitetsförbättring och börjar påverka beteendet – oavsett om det handlar om hur teamen använder sin tid, hur de interagerar med data eller hur de stöder verksamheten.
Diskussionen har dock ännu inte hunnit ikapp utvecklingen. Alltför mycket av den kretsar kring funktioner och terminologi, när den mer intressanta frågan är av strukturell karaktär: vad förändras inom FP&A-funktionen när en betydande del av den manuella analysen inte längre behövs?
För de flesta ekonomiteam har problemet aldrig varit brist på insikt. Det har varit den insats som krävs för att nå dit. Många timmar går fortfarande åt till att sammanställa data, jämföra avvikelser och manuellt utreda skillnader. Det arbetet har alltid betraktats som en del av rollen, även om det befinner sig i den nedre delen av värdekedjan. Det som förändras nu är i vilken utsträckning den insatsen kan minskas.
När datautforskningen blir mer dialogbaserad och avvikelseanalyser automatiskt presenteras med tydliga orsaker och kommentarer, börjar arbetsfördelningen att förändras. FP&A-funktionens roll förskjuts alltmer från att vara en inkörsport till information till att bli en vägledare för beslutsfattandet. Denna skillnad är viktig. Den förändrar hur funktionen uppfattas internt och påverkar de förväntningar som ställs på den.
En av de mer subtila utvecklingarna är att hindren för att få tillgång till insikter har undanröjts. Historiskt sett har finansiella modeller krävt en viss teknisk förståelse, vilket har begränsat vilka som direkt kan arbeta med dem. Detta har skapat ett naturligt beroende av det ofta lilla antalet personer inom teamet som förstår hur allt hänger ihop.
I takt med att gränssnitten blir mer intuitiva börjar detta beroende att avta. Frågor kan ställas (och besvaras) utan att man behöver ta sig igenom den underliggande komplexiteten. Med tiden får detta en utjämnande effekt. Det breddar tillgången till insikter utan att kontrollen äventyras och minskar den ständiga cykeln av avbrott som många erfarna analytiker upplever.
Den sammantagna effekten underskattas ofta. Det handlar inte bara om att spara tid, utan om att skapa utrymme för ett mer genomtänkt arbete av högre kvalitet. Avvikelseanalys är ett bra exempel på när detta blir konkret. Det har alltid varit en av de mest arbetsintensiva delarna av planeringscykeln, som kräver en metodisk uppdelning av rörelser och drivkrafter. Det är också ett av de områden som lämpar sig bäst för standardisering. När den processen automatiseras och avvikelser identifieras, förklaras och sätts in i sitt sammanhang i nära realtid, skapar det både snabbhet och konsekvens.
Framför allt är det ofta så att konsekvensen förbises. Den eliminerar de variationer som uppstår till följd av tidspress eller manuella genvägar och skapar en mer tillförlitlig grund för diskussionen. Ekonomiteamen kan då ägna mindre tid åt att sammanställa förklaringen och mer tid åt att granska vad den innebär.
Prognosarbetet utvecklas i en liknande riktning. Införandet av prediktiva modeller som bygger på en kombination av interna och externa data förändrar utgångspunkten. Istället för att bygga upp prognoser från grunden vid varje cykel får teamen en utgångsbas som återspeglar mönster och samband i en datamängd som är så omfattande att ingen enskild person rimligen skulle kunna bearbeta den.
Denna utgångspunkt blir startpunkten för en mer välgrundad diskussion. Den gör det möjligt för ekonomiavdelningen att fokusera på bedömningar, scenarioplanering och anpassning till verksamhetens verklighet, snarare än på de tekniska detaljerna kring hur siffrorna ska konstrueras.
De organisationer som ser störst nytta nöjer sig inte med att bara införa nya funktioner. De omprövar hur arbetet är strukturerat. Frågor kring ansvar, utformning av arbetsflöden och balansen mellan automatisering och bedömning blir allt viktigare. Beslut fattas om vad som ska ske som standard, vad som kräver ingripande och hur resultaten kommuniceras till intressenterna. I det avseendet är tekniken bara en del av helheten. Den viktigare faktorn är hur medvetet den införs.
Är ert FP&A-team redo för AI?
Hur väl förberedd är er ekonomiavdelning för att utnyttja AI-driven planering, prognosering och analys – Gör vårt AI-test
Att utnyttja AI för förbättrade FP&A-rapporter
Vår rapport undersöker hur AI och ML omformar framtiden för FP&A. Den bygger på en färsk oberoende undersökning som beställts av ICit Business Intelligence, baserad på data och insikter från över 300 FP&A-experter i Storbritannien. Hämta ditt exemplar
