Omgaan met afwijkingen in voorspellingen van mens en machine

Gemengde reacties van CFO's op automatische forecast

Bedrijven vinden forecasting steeds belangrijker om effectief in te grijpen wanneer vooropgestelde streefdoelen niet worden gehaald. Vorige maand kwam in FDmagazine de opmaak van de forecast in functie van de strategie en de samenwerking met operationele afdelingen ter sprake. Nu hebben we het over de mogelijkheden om de forecast te automatiseren.

Pieter Bols: Op basis van historische gegevens kan je vaak bijna automatisch een forecast maken.

Karen Van Griensven: Daar moet je toch voorzichtig mee zijn. Wij hebben ook een statistische forecast die op basis van de bestaande gegevens een vooruitblik geeft. Intussen is die uitgegroeid tot een algoritme met honderdduizenden lijnen voor al onze producten. Het beheer daarvan is boven ons hoofd gegroeid. We weten niet meer precies wat er in de berekening gebeurt. Die forecast is opgezet samen met onze ERP-leverancier, maar we hebben intern onvoldoende kennis om hierop in te grijpen. Het is een black box geworden. Wanneer we de vergelijking maken met de manuele forecast door onze eigen medewerkers van de financiële afdeling, dan zien we afwijkingen die we niet begrijpen. Dat haalt het vertrouwen onderuit. We hebben intussen wel beslist om die kennis opnieuw te gaan opbouwen in eigen huis.

Didier Van der Coelden: Toen ik nog bij Capco werkte, hadden we een vergelijkbare manier van werken. Daar verliep dat goed. Ik geloof wel dat die aanpak in de toekomst verrijkt zal worden met nieuwe artificiële-intelligentietechnieken.

Isabelle Van Iseghem: Dat geloof ik ook, maar het is dan wel nodig om zo veel mogelijk data met verschillende parameters in de berekening te betrekken. Tendensen zijn niet altijd gemakkelijk te verklaren. Dit voorjaar was er bijvoorbeeld minder vraag naar uitzendkrachten. Onze operationele collega’s verklaren dat door het uitzonderlijke slechte weer in mei. Een algoritme komt dat nooit te weten als de weergegevens niet in de databank zitten.

Pieter Bols: Toch moeten we ergens beginnen met artificiële intelligentie voor de forecast. Ik vind wel dat het hier inderdaad om cruciale kennis gaat die ik absoluut in eigen huis wil houden. Daarvoor zijn haast zeker andere profielen nodig, medewerkers die minder op finance gericht zijn en meer op big data. Het combineren van die kennis is essentieel.

Peter Tegenbosch: Bij Ordina begeleiden we intussen een aantal bedrijven bij de introductie van kunstmatige intelligentie. Het gaat concreet om een project voor de vakantieplanning en een voor de vraagplanning. Het zijn twee thema’s die nauw aansluiten bij forecasting. Ik raad aan om dit heel geleidelijk op te bouwen. Er kruipt heel wat werk in en er is veel input nodig vanuit de operationele afdelingen. Het algoritme kan telkens een berekening maken, maar dan moet gecontroleerd worden of de uitkomst klopt. Die cyclus van iteraties neemt veel tijd in beslag.

Tom Dehouck: Ook daarbij kan software ondersteuning bieden, ten eerste om meer data ter beschikking te stellen en verder om meer gegevens te verzamelen vanuit de afdelingen. Uiteindelijk krijg je een rolling forecast waarbij de financiële afdelingen objectief incidenten zullen vaststellen. Het is dan aan de afdelingshoofden om daarop te reageren. Dat vraagt een strakke workflow die uiteindelijk twee informatiestromen combineert, top-down en bottom-up.

Karen Van Griensven: In onze statistische planning – met ongeveer tweehonderdduizend lijnen – ligt dat niet voor de hand.

Ahmed Fenidek: Ik denk dat je eerder moet streven naar complementariteit. Een statistische forecast of een AI-forecast die door de machine wordt gegenereerd, kan je blijven vergelijken met de manuele berekening die de medewerkers uitvoerden. Je moet dat behouden om het proces van twee kanten te beheersen.

Karen Van Griensven: Dat is precies wat wij doen. Om de zes weken komen we samen met de medewerkers uit de afdelingen en bekijken we de rolling forecast. Die gaat bij ons tot twee jaar in de toekomst.

Peter Tegenbosch: Ook daarbij kan machineleren helpen. De voorspellingen van het algoritme laat je automatisch vergelijken met de cijfers die na verloop van tijd echt gerealiseerd zijn. Zo kan het algoritme zichzelf bijsturen. Dat is wat we nu begeleiden bij klanten en dat wordt stilaan echt in gebruik genomen.

Bewaar het overzicht

Didier Van der Coelden: In dergelijke projecten wil ik waarschuwen voor over-engineering. Soms willen bedrijven te veel in één keer doen, met te veel data. Dat vraagt veel werk en geld. Ik raad aan om klein te beginnen, met eenvoudige, goedkope tools die nu beschikbaar worden. Zo kan je stilaan kennis opbouwen. Die kennis is nog heel schaars.

Isabelle Van Iseghem: Het is volgens mij zeer belangrijk dat de financiële afdeling het overzicht behoudt. In een bedrijf waar ik vroeger werkte, was het de gewoonte om heel gedetailleerde rapporten te maken, met lijnen voor elk product. Het gaat om honderden pagina’s gegevens waaruit niemand nog een duidelijke conclusie kan trekken. Dat heeft uiteindelijk geen zin.

Didier Van der Coelden: Je moet zorgen voor een flexibel systeem dat toch kan verder groeien met het bedrijf: scalable and flexible. Dat is mogelijk met slimme softwarepakketten.

Isabelle Van Iseghem: Ik denk net dat finance op dat vlak zwak scoort. Veel financiële medewerkers kunnen heel goed met rekenbladen werken, maar er is te weinig kennis over andere software.

Kristof Vanherle: Extreem gesteld zou je kunnen zeggen dat ze op die manier hun werkzekerheid veiligstellen. Excel is dan een garantie op het behoud van de job, want niemand anders geraakt wijs uit die zelfgemaakte rapporten.

Karen Van Griensven: Ik ben niet zo pessimistisch. Bij ons brengen jonge mensen nieuwe tools aan, die vaak gratis ter beschikking staan. Die worden nu steeds breder verspreid in de organisatie, ook buiten de financiële afdeling.

Ahmed Fenidek: Bij dergelijke initiatieven is het heel belangrijk om te waken over een correcte architectuur van de data zelf. Die moet goed gecentraliseerd blijven, waarbij er één bron is voor de verschillende rapporten via diverse pakketten.

Karen Van Griensven: Dat is zo bij ons. Alles komt vanuit de gegevens die finance verzamelt. Dan heb je wel nog steeds operationele data uit andere systemen, zoals de database met technische gegevens van de producten, maar die worden niet opgenomen in de managementrapportering. IT is daar ook amper bij betrokken. Dat hebben we goed in de hand. Finance is de afdeling die dit aanstuurt.

Didier Van der Coelden: Dit is heel belangrijk. Er moet één single source of the truth zijn.

Tom Dehouck: De huidige trend laat een stijgend gebruik van verschillende pakketten en microservices van verschillende leveranciers tegelijk zien. Bedrijven die alleen nog rekenen op één groot ERP-systeem, dat is voorbij. In een dergelijke heterogene structuur is het heel belangrijk dat finance zorgt voor een correct beheer van de masterdata.

Katleen Clappaert: Dat is inderdaad zoals wij werken. We voorzien dan in een resem van koppelingen met die externe systemen.

Tom Dehouck: Inderdaad, het is een geheel van connecties.

Databeheer

Kristof Van Doorne: Uiteindelijk moet de forecast er toch min of meer automatisch uit komen. Dan moet je zorgen voor een correcte set van key performance indicators.

Katleen Clappaert: Het beheer van de masterdata en de KPI’s gebeurt bij ons door een team met medewerkers uit verschillende afdelingen: IT, finance, sales en marketing. Zeker de definitie van de data is een belangrijke taak van dit team.

Isabelle Van Iseghem: Ik merk ook een hernieuwde aandacht voor masterdata in onze organisatie.

Katleen Clappaert: Het heeft er ook veel mee te maken dat de operationele afdelingen plots inzien dat ze zelf veel voordeel kunnen halen uit meer geautomatiseerde systemen. Daarvoor is een goed gestructureerde databank met schone data essentieel.

Isabelle Van Iseghem: De vraag die dan telkens terugkomt, is die van het eigenaarschap: who owns the data? Vroeger lag het meer voor de hand dat de financiële afdeling hiervoor instond. Ik denk dat dit nu minder het geval is.

Katleen Clappaert: Bij ons is de marketingafdeling de sponsor van het team voor het masterdatabeheer. Zij zijn uiteindelijk verantwoordelijk.

Kristof Vanherle: Dat kan niet altijd. Wanneer een bedrijf werkt conform de Sarbanes-Oxley-wet (SOX), moet de financiële afdeling het voortouw nemen.

Karen Van Griensven: Bij Melexis is het finance die dit doet, al vijf jaar lang.

Isabelle Van Iseghem: In bedrijven waar ik vroeger heb gewerkt, is dat altijd een evolutie geweest. Waar finance aanvankelijk niet de verantwoordelijkheid kreeg, merkte de bedrijfstop na een herschikking van de afdelingen dat ze niet wist hoeveel stuks van een product verkocht waren omdat alle afdelingen dit op een andere manier registreerden. Op dat moment besliste de top om de CFO te vragen die cijfers eens en voor altijd juist te zetten. In een ander bedrijf hanteerde marketing andere gegevens dan finance. In die omstandigheden verliezen CEO’s snel hun geduld. De financiële afdeling heeft dan de grootste geloofwaardigheid om de leiding op zich te nemen.

Karen Van Griensven: Onze CEO wil dat inderdaad zo. Zij beschouwt finance als de objectieve bron van informatie. Als de top dat zo beslist, volgt de rest van de organisatie vanzelf.

Katleen Clappaert: Bij ons is dat iets genuanceerder, omdat een belangrijk deel van onze data onderdeel is van de dienstverlening aan onze klanten. Het is dan logisch dat andere afdelingen ook hun zeg hebben over de kwaliteit van die data.

Didier Van der Coelden: Dat is een belangrijk punt. Afdelingshoofden die zelf verantwoordelijk zijn voor winst en verlies, staan erop dat ze een belangrijke zeg hebben in het beheer van de data, de samenstelling van het budget en de forecast.

Tom Dehouck: Zo is het ook bij Unit4 gegaan. Daar stelde de CFO vroeger de forecast op, intussen is dat een opdracht voor de operationele afdelingen. Finance staat wel in voor de objectiviteit en stuurt bij waar nodig.

De belofte van AI

Karen Van Griensven: Ik hoor van een collega bij een farmabedrijf dat het artificiële intelligentie loslaat op het budget. Op basis van de analyses van historische data maakt het algoritme intussen vrij nauwkeurige inschattingen die nauwelijks drie procent afwijken.

Tom Dehouck: Bij Unit4 zit dat ook in de software. Ik raad aan om dit geleidelijk, in verschillende stappen in te voeren. De wereld verandert en het algoritme moet mee veranderen. Het veiligste is om te beginnen met historische data. De computer moet dan zelf de logica ontdekken en de uitzonderingen aanduiden.

Kristof Vanherle: Toch moet je er blijven opletten dat je geen black box creëert waarvan je niet weet wat er precies uit komt.

Tom Dehouck: Dat klopt, maar de business weet vaak heel goed wat er aan de hand is. Zaak is om het algoritme dat zelf ook te laten ontdekken. Daarbij moeten de medewerkers ook openstaan voor de analyses van de computer.

Isabelle Van Iseghem: Maar wat doe je met de afwijkingen in de voorspellingen tussen mens en machine? Ga je het bedrijf laten leiden door AI?

Didier Van der Coelden: Ik moet zeggen dat ik soms meer vertrouwen heb in de machine dan in Excel-rapporten die door mensen zijn opgesteld.

Peter Tegenbosch: Volgens mij zijn we nog niet zover. Het is een traag proces, waar je nu wel mee moet beginnen.

Tom Dehouck: Dat denk ik ook. Het is ook niet heel duur. Je kan het inzetten als ondersteuning bij je traditionele proces.

Isabelle Van Iseghem: We moeten zeker en vast inzetten op AI, maar parallel met de processen van vandaag. Ik merk dat veel bedrijven kunstmatige intelligentie inzetten op de operationele processen en minder in de financiële afdeling.