Już kilka lat temu zaczęto wykorzystywać elementy uczenia maszynowego („machine learning”) w celu stworzenia i implementacji w księgowości rozwiązań pozwalających na automatyzację procesów związanych z wprowadzaniem danych oraz rozpoznawalnością dokumentów. Ten etap pracy księgowej pozostawał w znaczącym stopniu związany z ręcznym wprowadzaniem dokumentów do systemów. Powstały systemy takie jak SaldeoSmart lub Scanye, dzięki którym w znaczącym stopniu udało się wyeliminować ręczny etap wprowadzania faktur do systemów księgowych.
Z kolei zastosowanie zaawansowanych algorytmów w systemach bankowych oraz ich integracjom z systemami ERP pozwala na automatyczne księgowanie wpływów na rachunki bankowe, co jest kluczowe dla spółek z szybko rozwijającego się sektora usług opartych o opłaty abonamentowe oraz branżę e-commerce. Oczywiście rozwiązania związane z automatyczną rozpoznawalnością dokumentów, poprzez konieczność ich integracji, wpłynęły znacząco na rozwój obecnych na rynku systemów ERP.
Przewiduje się, iż kolejnym etapem zastosowania rozwiązań sztucznej inteligencji będzie wprowadzenie dynamicznej analizy tekstowej (opartej o rozwój tzw. natural leanguage processing) pozwalającej księgowym przyspieszyć analizę takiej dokumentacji jak np. umowy i raporty.
Sztuczna inteligencja w akcji
Zastosowanie rozwiązań AI jest szczególnie pomocne przy konieczności dokonywania analizy dużej ilości danych (tzw. big data analytics). Analiza danych w finansach dotyczy wszystkich danych generowanych w organizacji, a więc również zaawansowanej analizy danych sprzedażowych, kosztów i efektywności kampanii marketingowych, analizy rentowności klientów oraz procesów logistycznych. Szczególnie ważne jest przyspieszenie czasu pozyskania analiz w okresie tworzenia budżetów rocznych lub prognoz okresowych, kiedy szybka i sprawna analiza wielowymiarowa danych pozwala dokładniej zidentyfikować oraz zaplanować przyszłe działania. Zastosowanie algorytmów AI do szybkiej i dynamicznej analizy danych sprzedażowych, marketingowych oraz kosztowych znacząco przyspiesza pracę nad tworzeniem budżetów i prognoz.
EXpert HUB wykorzystała elementy specjalnie w tym celu stworzonych algorytmów AI dla realizacji prac na rzecz jednego z klientów z branży e-commerce. Klient ten chciał przygotować budżet finansowy na rok 2024 oraz analizę efektywności działań sprzedażowych i rentowności poszczególnych kanałów sprzedaży. W tym celu konieczne było przeprowadzenie analizy danych sprzedażowych za lata 2022 oraz 2023 oraz wyznaczenie trendów oraz dynamiki w poszczególnych kanałach sprzedażowych.
Wyzwanie ilościowe
Największym wyzwaniem było dokonanie analizy blisko 400 tys. rekordów sprzedażowych zgromadzonych w systemach CRM. W tym celu zespół EXpert HUB przygotował narzędzie analityczne, z zastosowaniem zaawansowanych algorytmów, pozwalających na wielowymiarową analizę danych historycznych. Dodatkowo, dzięki użyciu ChatGPT, pozyskano informacje dotyczące trendów i prognoz rozwoju sprzedaży w poszczególnych kanałach dystrybucji.
Bez wykorzystania ChatGPT, pozyskanie danych wiązałoby się z koniecznością pozyskania powyższych danych przez analityka biznesowego. Dzięki możliwości szybkiego zebrania danych, zaangażowanie ludzkie zostało wykorzystane na dokładną i przemyślaną analizę otrzymanych danych oraz wybór propozycji optymalnych kierunków rozwoju.
Dodatkowo, EXpert HUB, przygotował dla klienta kilka scenariuszy budżetowych (analiza wrażliwości), zaś dzięki wykorzystaniu ChatGPT, zespół mógł w ciągu kilku sekund przygotować analizy porównawcze podstawowych wskaźników finansowych: np. wskaźniki płynności oraz rentowności. "Zastosowanie ChatGPT pozwoliło dokonać obliczeń niezbędnych wskaźników finansowych w zaledwie kilka chwil. W przeciwieństwie do poprzedniej praktyki, gdy tę mechaniczną pracę wykonywał analityk, poświęcając na nią co najmniej kilka godzin pracy. Czas, precyzja oraz szybkość w prezentacji danych są kluczowe przy opracowywaniu strategii i podejmowaniu decyzji finansowych "- ocenia Mary Tchir, Partner w Expert Hub.
Oczywiście należy podkreślić, że AI, musi działać w oparciu o kryteria stworzone przez człowieka.Na razie, pomimo, ekspansji rozwiązań AI, trudno sobie wyobrazić, aby decyzje i rozwiązania tworzące przyszłość biznesu, nie były podejmowane przez ludzi tworzących i rozwijających poszczególne biznesy. W tej chwili sztuczna inteligencja nie potrafi identyfikować wewnętrznych danych i uprzedzeń przedsiębiorstwa, a następnie odzwierciedlać ich w strategicznym planie rozwoju, dlatego musimy pamiętać, że AI ma pozostawać sprzymierzeńcem pomagającym oszczędzić czas, ale to człowiek podejmuje decyzje, jak wykorzystać otrzymane dane.
Przykłady praktyczne?
Mary Tchir wskazuje na najpopularniejsze obecnie wdrożenia i zastosowania rozwiązań AI w planowaniu finansowym. Poprzez przyspieszenie procesów analitycznych w tym analizy trendów rozwiązania AI znajdują coraz szersze zastosowanie w finansach. I tak, w produkcji, przed użyciem AI, producenci borykali się z przewidywaniem popytu, co często prowadziło do nadprodukcji lub niedoborów, zaś planowanie produkcji opierało się na przestarzałych danych. AI umożliwia precyzyjne bardziej dokładne prognozowanie popytu, co pozwala na optymalizację produkcji i zapasów, redukując koszty i zwiększając efektywność kosztową.
W handlu detalicznym sprzedawcy miewają trudności z optymalizacją zapasów i przewidywaniem zmian trendów konsumenckich. Algorytmy przewidujące dynamikę trendów zakupowych pozwalają na lepsze planowanie zapasów i skuteczniejsze alokowanie budżetu marketingowego. Podobnie w gastronomii trudno przewidzieć sezonowe wahnięcia w sprzedaży, co prowadzi do nieoptymalnych decyzji zakupowych i zarządzania personelem. Systemy AI przewidują sezonowe wahania, umożliwiając lepsze zarządzanie zapasami i personelem.
Podmioty prowadzące wiele symultanicznych projektów, tacy jak np. deweloperzy, mierzą się z zadaniem optymalizacji alokacji zasobów i rentowności poszczególnych projektów, Analityka predykcyjna AI pozwala lepiej planować alokację i zarządzać portfelem projektowym.
