Ajatusjohtajat
Tekoäly on vain niin älykäs kuin sen taustalla oleva talousdata

Keskeiset kohdatTekoäly epäonnistuu, kun järjestelmät ovat eri mieltä siitä, mitä yksittäinen kenttä…
Näytä lisää
- Tekoäly epäonnistuu, kun järjestelmät ovat eri mieltä siitä, mitä yksittäinen kenttä kuten maksupäivä tarkoittaa.
- Yhdistetty taloudellinen data auttaa tekoälyä erottamaan merkitykselliset muutokset tavanomaisista vaihteluista.
- Datasopimukset ja tapahtumapohjaiset virrat ovat tärkeämpiä kuin itse tekoälysovellus.
Tekoäly on noussut osaksi lähes jokaista keskustelua rahoitusalan tulevaisuudesta. Organisaatiot investoivat tekoälyyn automatisoidakseen rutiinityötä, parantaakseen ennusteita ja auttaakseen työntekijöitä tekemään päätöksiä nopeammin. Useimmat näistä keskusteluista alkavat malleista ja sovelluksista. Kokemukseni mukaan niiden pitäisi alkaa niiden tietojen laadusta, yhteentoimivuudesta ja hallinnasta, joihin nämä järjestelmät tukeutuvat.
Olen rakentanut ja kasvattanut maksamisen infrastruktuuria koko urani ajan, ja vaikeimmat ongelmat eivät ole juuri koskaan liittyneet algoritmeihin. Ne ovat liittyneet perustana olevaan infrastruktuuriin, jonka avulla taloushallinnon ohjelmistot, pankit, palkanlaskentapalvelut ja maksujärjestelmät voivat kuvata saman liiketapahtuman samalla tavalla.
Haaste näkyy erityisen selvästi rahoitusalalla. Kirjanpito, pankkitoiminta, palkanlaskenta, laskutus ja maksut tuottavat kaikki tietoa, joka vaikuttaa liiketoimintapäätöksiin. Kun nämä järjestelmät toimivat itsenäisesti, syntyy pirstaleisia tietoympäristöjä, joissa tekoälyn on paljon vaikeampi muodostaa kokonaiskuvaa organisaatiosta. Tekoäly voi tunnistaa yksittäisissä järjestelmissä esiintyviä malleja, mutta se ei pysty luotettavasti selittämään, mitä yrityksessä tapahtuu, ellei sillä ole yhdistettyä näkymää organisaation talouteen. Melion alkuaikoina törmäsimme tähän liittyvään ongelmaan, joka kuulostaa vähäpätöiseltä mutta ei ole sitä: mitä ”maksettu” tarkoittaa? Asiakas hyväksyy maksun maanantaina. Rahat lähtevät hänen tililtään tiistaina. Toimittajan pankki asettaa ne käytettäväksi torstaina. Tapahtuma kohdistetaan laskuun seuraavalla viikolla. Neljä aikaleimaa ja neljä perusteltua vastausta kysymykseen ”milloin tämä maksettiin” – eikä yksikään niistä ole väärä. Ihmistaloudenhoitaja osaa kiertää tämän monitulkintaisuuden ajattelematta asiaa sen kummemmin. Ennustemalli, joka käsittelee ”maksupäivää” yhtenä kenttänä, tuottaa ajoituksesta itsevarmasti ja järjestelmällisesti vääriä ennusteita – vaikka juuri ajoitus on asia, jossa kassavirtaennusteen on osuttava oikeaan. Näiden järjestelmien yhdistäminen oli välttämätön ensimmäinen askel. Yhteyden luominen teki hyödylliseksi se, että järjestelmät saatiin ymmärtämään kenttien merkitys samalla tavalla. Rahoitusalalla tekoälyvalmius alkaa järjestelmien yhdistämisestä, mutta yhdistäminen on merkityksellistä vain, jos järjestelmät kuvaavat saman tapahtuman samalla tavalla.
Parempi näkyvyys johtaa parempiin päätöksiin
Yhdistetyn talousdatan tarve kasvaa yhä kiireellisemmäksi. Xeron Small Business Insights -raportin mukaan yhdysvaltalaiset pienyritykset odottavat nyt maksua keskimäärin 29,3 päivää, ja vuotuinen myynnin kasvu, 4,0 %, jää yhä pitkän aikavälin keskiarvoa pienemmäksi. Kun maksujen ajoitus, kulut ja kysyntä muuttuvat kaikki toisistaan riippumatta, organisaatiot tarvitsevat järjestelmiä, jotka pystyvät yhdistämään nämä signaalit sen sijaan, että ne analysoisivat kutakin erikseen – tämä pätee yhtä lailla suuren yrityksen kassanhallintaan kuin kymmenen hengen yritykseen.
Ajatellaan yritystä, joka pohtii, voiko se palkata uuden työntekijän ennen vuosineljänneksen loppua. Päätökseen vaikuttaa muukin kuin tämän päivän pankkitilin saldo: huomioon on otettava asiakkaiden odotetut maksut, palkkavelvoitteet, toistuvat kulut, lähestyvät verovelvoitteet ja ennustetut tulot. Mikään yksittäinen mittari ei anna luotettavaa vastausta. Kun nämä tiedot kootaan yhteen, johtajat saavat selkeämmän kuvan yrityksen taloudellisesta tilanteesta ja tekoäly käyttöönsä mielekästä aineistoa päättelyä varten. Automaatio edellyttää pääsyä maksutapahtumiin. Päättely edellyttää asiayhteyttä.
Taloushallinnon tiimit voivat käyttää jokaisen kuukauden alkupuolen eri järjestelmien tietojen täsmäyttämiseen ennen kuin merkityksellinen analyysi pääsee alkamaan. Siinä vaiheessa, kun kokonaiskuva on valmis, selvitettävä kassavirran muutos saattaa olla jo viikkoja vanha. Yhdistetty data voi lyhentää juuri tätä viivettä.
Tekoäly tuottaa lisäarvoa, kun se ymmärtää liiketoimintaa
Rahoitusalan tekoälyn ensimmäinen sukupolvi keskittyi tehokkuuteen: maksutapahtumien luokitteluun, laskujen käsittelyyn ja tiimien auttamiseen rutiinitehtävien nopeammassa suorittamisessa. Näistä ominaisuuksista on edelleen hyötyä, mutta odotukset ovat siirtymässä tehtävien automatisoinnista asiayhteyden huomioivaan päätöksenteon tukeen. Tavoitteena on saada aiemmin näkyviin kassavirran riskit, parantaa ennusteiden tarkkuutta ja ymmärtää, miten maksukäyttäytymisen, kulujen tai liikevaihdon kehityksen muutokset voivat vaikuttaa tulevaan tulokseen.
Tämän toteuttaminen edellyttää, että tekoäly analysoi taloustietoja asiayhteydessään. Tapahtuman merkitys riippuu siihen liittyvistä olosuhteista: kulujen kasvu voi kertoa liiallisesta rahankäytöstä tai johtua varastohankinnoista ennen kausiluonteisen kysynnän kasvua; kassavarojen väheneminen voi viitata maksuvalmiusongelmiin tai johtua yksinkertaisesti neljännesvuosittaisten verojen maksun ajoituksesta. Tekoälystä on hyötyä, kun se pystyy samaan – yhdistämään historiallisten maksutapahtumien, kassavarojen, myyntisaamisten ja toiminnan signaalien välisiä malleja ja erottamaan merkittävän muutoksen tavanomaisesta vaihtelusta.
Oikean perustan rakentaminen
Tekoälyn käyttöönottoa rahoitusalalla arvioivien teknologiajohtajien tärkein kysymys ei ole, mikä sovellus otetaan ensimmäisenä käyttöön, vaan pystyykö taustalla oleva datajärjestelmä tarjoamaan sovellusten tarvitseman kattavan ja ajantasaisen asiayhteyden. Näitä järjestelmiä rakennettaessa tietyt investoinnit ovat muita tärkeämpiä:
Käsittele integraatioita sopimuksina, älä pelkkinä yhteyksinä. Kertaluonteinen synkronointi taloushallinnon ohjelmiston ja maksujärjestelmän välillä ei pysy ajan tasalla. Määrittele selkeät datasopimukset – skeemat, kenttien määritelmät ja ajantasaisuustakuut – jotta järjestelmiä myöhemmin käyttävä tekoäly ei heikkene huomaamatta, kun lähtöjärjestelmään tehdään muutoksia.
Siirry eräkohtaisesta täsmäytyksestä tapahtumapohjaisiin tietovirtoihin. Jos taloustietoja täsmäytetään viikoittain tai kuukausittain, tekoäly tekee ennusteita vanhentuneiden tietojen perusteella. Tapahtumapohjaiset tietoputket, jotka välittävät tapahtumat eteenpäin niiden tapahtuessa, tarjoavat malleille tarvittavat ajantasaiset tiedot muutosten havaitsemiseen varhaisessa vaiheessa.
Määritä talousmittareille semanttinen kerros. ”Kassatilanteen”, ”avoimien myyntisaatavien” ja ”liikevaihdon” on tarkoitettava samaa kaikissa järjestelmissä. Ilman yhdenmukaisia määritelmiä tekoäly tuottaa itsevarmasti vastauksia, joita mitkään kaksi tiimiä eivät tulkitse samalla tavalla.
Arvioi tekoälyn tuotoksia vertaamalla niitä todellisiin tietoihin. Pääkirja on taloushallinnon etu useimpiin tekoälyn sovellusalueisiin verrattuna: tiedot voidaan todentaa. Tekoälyn tuottamia talousalan analyysejä tulee arvioida samoin perustein kuin nuoremman analyytikon työtä: niitä on verrattava toteutuneisiin lukuihin ja niiden tarkkuutta mitattava ajan mittaan. Luottamus tekoälyn suosituksiin ansaitaan mittaamalla, sitä ei voi vain julistaa.
Nämä investoinnit saavat vähemmän huomiota kuin niiden pohjalta rakennetut tekoälysovellukset, mutta ne ratkaisevat, toimivatko sovellukset.
Todellinen erottautumistekijä
Kun tekoälystä tulee kiinteä osa taloushallintoa, tekninen haaste siirtyy siitä, mihin yksittäiset mallit pystyvät, siihen, kuinka tehokkaasti ne toimivat osana laajempaa talousdatan arkkitehtuuria.
Organisaatiot, jotka investoivat toisiinsa yhdistettyyn dataan, havaitsevat kassavirran muutokset aiemmin ja voivat luottaa enemmän tekoälyn tuottamiin ennusteisiin. Ero ei johdu mallista, vaan sen taustalla olevasta datasta.












