Haal meer uit de maandafsluiting met AI

Financiële maandafsluitingsprocessen zijn meestal niet per se complex qua inhoud of data, maar ze kosten vaak wel een aanzienlijke hoeveelheid kostbare tijd. Er worden data uitgewisseld tussen verschillende mensen en/of afdelingen, er zijn vaak meerdere systemen bij betrokken, er is een relatief hoog foutenrisico door directe reconciliaties en historische wijzigingen en in de intercompany processen zijn er veelal menselijke handelingen vereist. Door de tijdrovende aard van deze manier van werken blijft er vaak weinig of geen tijd over voor een grondige analyse van resultaten of het nauwlettend in de gaten houden van afwijkingen. Laat staan voor goed doordachte strategieën om de resultaten of processen te verbeteren.

Door een deel van deze taken te delegeren aan Artificial Intelligence, kunnen Finance-professionals zich veel meer richten op waar ze echt een verschil kunnen maken: strategische en analytische werkzaamheden om verbetermogelijkheden te identificeren. AI is met name geschikt voor het analyseren van financiële data, het automatisch transformeren ervan en het vergelijken met zowel historische data als commentaar op die historische data. Met de juiste aanwijzingen kunnen de huidige taalmodellen zelfs snel platte tekst genereren om de rapporten toe te lichten. Als gevolg hiervan worden uitgebreide en op maat gemaakte inzichten in data gegenereerd met één druk op de knop. Zowel interne als externe databronnen worden zo benut.

De eerste stap is vaststellen wat je wilt bereiken en het stellen van duidelijke doelen. Wil je de organisatie beter runnen, kosten besparen, de besluitvorming verbeteren of heb je meer specifieke doelen voor ogen? Met andere woorden: definieer het optimale resultaat. De tweede stap is het beoordelen van de data die je nodig hebt om je doel te bereiken. Welke databronnen bestaan er? Hoe zijn ze gestructureerd? Welke classificaties worden gebruikt? En hoe kan je ze AI-gereed maken? Meestal gaat het naast financiële data ook om niet-financiële data, zoals jaarverslagen. Het is moeilijk om de kwaliteit van die ongestructureerde data te meten. Daarom moet je de juiste regels opstellen voor het gebruik ervan en ervoor zorgen dat ze leesbaar zijn voor het AI-systeem. Het is ook belangrijk om te beseffen dat betere data waardevoller zijn dan simpelweg meer data hebben, al was het maar om kosten te besparen en het overzicht te behouden. De derde stap is de selectie van de AI-oplossing of -agent, wat weer afhangt van je situatie. Deze kan stand-alone (out-of-the-box) worden ontwikkeld als een ‘best of breed’ AI-oplossing voor de taak die je wilt oplossen, ingebed in de oorspronkelijke bron van data, zoals ERP-systemen als SAP, maar ook binnen een meer modulair ontwikkelplatform, zoals dat van Azure AI. Dit stelt je in staat om meerdere databronnen te koppelen en een grote verscheidenheid aan use cases te gebruiken, terwijl je de controle houdt over je IT-landschap. Als je met meerdere bronnen werkt, heb je een speciaal platform nodig om verschillende databronnen te orkestreren en te verbinden, zoals Microsoft Fabric of een andere gekwalificeerde AI-laag.