事实vs虚构:AI的金融应用

数据科学家

财务团队面临着一个悖论:在没有数据科学家的情况下，他们觉得没有准备好着手AI项目，但往往觉得在没有经过验证的AI用例的情况下，无法提出雇佣数据科学家的商业理由。

实际上，财务团队中的许多人通过使用诸如R或Python之类的程序有足够的经验，可以在实际用例中取得进展。例如，在一家公司，两名非数据科学家的兼职员工开发了一个ML试点项目，该项目将应收账款结算时间缩短了40%，并在短短6个月内完成。

沟通

企业并不关心相关系数和p值。沟通和强调业务环境:为什么AI增强可以解决业务问题?它如何影响输出?输出有多精确?

采用的实际障碍

并非所有的人工智能障碍都能被感知到。以下是一些最常见的真实问题:

使用劣质数据

为了确保质量，需要标准化在整个组织中通用和共享的业务关键数据。在大多数公司，这将是你向外部报告的数据和支持你的核心战略kpi的数据。这种方法有助于显示缺失的、不完整的和重复的数据。

然后创建一个有组织的数据环境来有效地处理这些数据，同时部署其他数据存储解决方案来管理非标准数据。记住一个简单的规则:80%的分析来自20%的数据。但剩下的20%，即探索性的、人工智能驱动的分析，将来自于80%的数据。

人类的偏见

数据科学家可以在他们创建的AI模型中引入认知偏差，这些模型基于以前使用过的预测，甚至是轶事式的个人经验。如果你不监测和消除这种偏见，产出可能是扭曲的-使组织暴露于财务和监管风险。团队和数据集的多样性有助于识别偏见、验证输出和客观地训练模型，就像测试模型中的偏见的框架一样。

担心失业

一项研究称，43%的员工表示，担心被人工智能抢走工作是他们产生工作压力的首要原因。不要低估这种恐惧的威力。它会导致采用阻力、部署技术的机会减少，并最终降低业务性能。

确定短期内绕过员工恐惧的方法，同时建立理解能力和数字灵活性，以补充人工智能与人类判断的关系。创建新的角色，如FP&A分析师或预测分析师，负责处理由AI引起的异常和异常，为财务团队成员提供学习和提高技能的机会。

阅读更多:人工智能将如何改变财务管理应用