金融预测者应警惕机器学习神话

财务规划与分析团队需要更好地理解机器学习的局限性和优势(ML)通过提高预测的准确性和效率来推动金融转型。

Gartner的副总裁Randeep Rathindran表示:“我们经常听到FP&A领导者和公司控制人担心，其他公司或甚至其他公司职能部门会在他们之前将信息转化为有价值的见解。”在这样的背景下，我们可以认为半数金融领袖谁计划在2020年之前部署预测分析技术，至少有一些人正在恐慌性购买。”

“目前，Gartner对金融功能的建议是，在不产生大量成本或风险的情况下进行机器学习实验。”

一方面，金融领导人必须认识到有效的金融转型使用高级分析、ML和人工智能(AI)。但另一方面，重要的是要记住一个清醒的事实:通往ML和AI天堂的道路上布满了失败实现的尸体。

下载电子书:10 .数字金融势在必行

Rathindran表示:“金融领导者必须打破围绕这个话题的炒作，确保他们了解机器学习在预测方面的真正优势和限制。”“情况并非总是如此。我们经常听到一些麻烦的项目是基于一些常见的误解。”

ML的预测结果比传统方法更准确

实际上，ML并不是适合所有预测工作的工具。大多数公司预测的方法相当简单，如趋势或指数平滑。他们的业务部门从本地数据源(如销售管道工具)创建预测。如果这些预测已经具有很高的准确性，那么应用ML就不太可能修复没有损坏的部分。

有三个关键特征有助于确定ML的正确问题。首先，了解您希望超越的预测性能，为成功提供一个明确的基准。其次，选择一个数据集具有高度完整性并包含您希望预测的现象的问题。第三，不要将ML应用于那些成文规则(无论多么复杂)已经起作用或可能起作用的情况。

了解更多:改造你的财务团队

实现支持ml的预测需要数据科学家和全面的业务案例来提供资金

ML软件，即使在最先进的用例中，也倾向于免费或开源。在这方面，进入门槛很低，因此人才是FP&A使用ML进行试验的明显障碍。雇佣一个有经验的数据科学家可能是值得的，但不是必须的。

考虑到FP&A团队已建立的技能集，开始试验ML所需的一切都很有可能已经就绪。一个有创造力的、批判性的思想者，具有深厚的业务知识和一些基本的编码技能，可以成为一名有效的公民数据科学家。

一些公司甚至发现，非it背景的分析师比认证程序员更能成为公民数据科学家，因为他们更开放，更愿意重构自己的思维。

基于ml的预测将取代传统的预测方法，而且不需要人工干预

Gartner的专家经常会遇到这样的说法:数据或建模是ML的关键。这种二分法是没有帮助的。预测者必须明白，没有“容易的部分”。使用ML进行试验的分析师通常从少量ML模型开始，称为集合。

然后，分析人员系统地训练、测量和比较这些模型的预测性能，包括单独的和作为一个整体的。这项工作的很大一部分是调优模型的超参数——这些值不是由手头的问题或数据决定的——它改变了模型从数据中学习的方式。

“旨在评估该技术如何最好地增强FP&A团队的分析，并挑战业务生成的预测”

即使在某些过程是自动化的情况下，仍然需要知道要寻找什么以及如何进行调整以提高预测精度的人的时间和注意力。预报员还必须帮助企业拥有预测，而不是仅仅因为它是机器生成的，就预先判断它不现实或无法实现。这些类型的工作举例说明了大多数财务团队需要开发或获得的技能，以获得ML的成功。

即使选择了训练最好的模型，它们也需要定期监测和维护，以便用新数据对它们进行再培训。此外，尽职调查和内部控制的基本原则仍然适用于ML。

目前，Gartner对财务功能的建议是，在不产生大量成本或风险的情况下尝试ML。目标是评估该技术如何最好地增强FP&A团队的分析，并挑战业务生成的预测，而不是试图完全取代它们。