A mesterséges intelligencia egyre szélesebb körben támogatja a controlling döntéstámogatási folyamatát: gyorsítja az elemzést, támogatja az okok feltárását, és segít a várható hatások értékelésében. Cikkünk öt gyakorlati példán keresztül mutatja be, hogyan épülnek egymásra ezek a lehetőségek az eltérések felismerésétől az eredmények visszaméréséig.
Az AI egyre több ponton jelent segítséget a controllingban. Gyorsabbá válik az elemzés, könnyebb megtalálni egy eltérés okát, vagy csökken az ismétlődő manuális munka mennyisége – hogy csak a legkézenfekvőbb eredményeket említsük.
Az öt use case egy összefüggő döntéstámogatási folyamat mentén követi egymást. A szokatlan változások felismerését az okok részletesebb elemzése és a várható alakulás előrejelzése követi, majd a lehetséges intézkedések és pénzügyi hatásuk értékelése, végül a megvalósult eredmények visszamérése zárja a folyamatot. A sorrend egyben azt is megmutatja, hogyan kapcsolódhatnak össze az önálló AI-megoldások egy egységes controlling folyamattá.
A konkrét példák előtt érdemes röviden rögzíteni a siker alapfeltételeit.
A standard riport előre meghatározott mutatókat és elemzési útvonalakat követ. Ez jól működik az ismert kérdéseknél, viszont könnyen rejtve marad egy olyan változás, amely még nem lépte át a beállított küszöbértéket, de már eltér a korábbi mintától.
Az AI-alapú jelzések a belső és külső adatok folyamatos vizsgálatával keresik a szokatlan mintázatokat. Egy költséghely kiadása például hónapról hónapra emelkedhet úgy, hogy az egyes havi értékek még elfogadhatónak tűnnek. A modell jelzi a trendet, azonosítja a fő összetevőket, és további elemzési irányt ad.
A controlling folyamatban ez több ponton hasznos: az adatelőkészítésnél hibák és kiugró értékek felismerésében, az eltéréselemzésnél a fő mozgatórugók azonosításában, a dashboardon pedig automatikus figyelmeztetések formájában. A controller minősíti a jelzést, és eldönti, hogy adatminőségi hibáról, indokolt kivételről vagy tényleges teljesítményproblémáról van-e szó.
A jelzés után a következő kérdés az, hogy mi történt, és mi állhat az eltérés mögött. A havi riportolás során sok időt igényel a magyarázatok összegyűjtése, egységes formába rendezése és a vezetői szempontból fontos üzenetek kiemelése.
Az AI támogatja a jelentős eltérések előszűrését, az érintett dimenziók – például üzletág, termék, ügyfél, piac vagy régió – vizsgálatát, majd elkészíti a komment első változatát. A strukturált pénzügyi adatok mellett szöveges forrásokat is bevonhat, például termelési jegyzőkönyvet, megbeszélés-emlékeztetőt, piaci elemzést vagy szabályozási hírt.
A közérthető nyelven, szövegesen megfogalmazott adatlekérdezés tovább gyorsítja az elemzést. Egy vezető megkérdezheti: „Mely költséghelyek okozták a személyi jellegű ráfordítások terv feletti alakulását?”, majd folytathatja: „Hogyan változott ugyanez az elmúlt hat hónapban?” A rendszer részletesebb bontást és vizualizációt készít, a controller pedig ellenőrzi az ok-okozati kapcsolatot, hozzáadja az üzleti kontextust, és véglegesíti a vezetői üzenetet.
Az okok megértése után a hangsúly a várható értékek alakulásra helyeződik át. A forecasting minőségét gyakran korlátozza a rendelkezésre álló idő, a bevont területek szubjektív várakozása és a vizsgált driverek szűk köre. Az AI-alapú előrejelzés egységes, adatvezérelt kiindulópontot ad a tervezési egyeztetésekhez.
A belső adatok közé tartoznak a tényértékek, a rendelésállomány, az értékesítési lehetőségek, a készletek és a költségadatok. Külső driver lehet egy piaci index, makrogazdasági mutató, árfolyam vagy alapanyagár. Az AI ezekből kiinduló forecastot készít, amelyet a controller összevet az üzleti területek várakozásaival.
Az érték nemcsak a pontosságban, hanem a fordulópontok korábbi felismerésében és a forecast fő mozgatórugóinak láthatóvá tételében rejlik. Ehhez olyan mesterséges intelligenciára van szükség, amely átláthatóvá teszi az eredmény kialakulását: a szakértőnek látnia kell, mely adatok és driverek milyen irányban befolyásolták az előrejelzést. Ezt nevezzük magyarázható mesterséges intelligenciának (explainable AI, XAI).
Az előre jelzett eltérés után azt kell megvizsgálni, milyen beavatkozás szükséges, és mekkora pénzügyi hatás várható. Az AI az eltérés feltárt okai alapján lehetséges intézkedéseket javasol, majd különböző feltételezésekkel szimulálja a hatásukat.
Egy marginromlásnál például külön vizsgálható egy áremelés, a termékmix módosítása, a beszerzési feltételek javítása vagy egy költségcsökkentési csomag. A controller meghatározza a releváns korlátokat és drivereket, a modell pedig gyorsan összehasonlítja a forgatókönyveket.
Az AI önállóságát a döntés kockázatához érdemes igazítani. Magas kockázatú vagy nehezen visszafordítható döntésnél minden lépéshez emberi jóváhagyásra van szükség. Közepes kockázatnál ugyancsak az ember felügyeli a folyamatot, az alacsony kockázatú és könnyen visszafordítható feladatok ellenben nagyobb mértékben automatizálhatók.
A döntést követően az intézkedések megvalósítása és pénzügyi hatása kerül fókuszba. Az AI támogatja a vállalt intézkedések státuszának követését, összeveti a várt és a tényleges hatást, és jelzi az elmaradást. Így a riportolás közvetlenebbül kapcsolódik a vállalati irányításhoz.
Figyelni lehet például, hogy egy költségcsökkentési program a tervezett ütemben halad-e, és az eredményhatás megfelel-e az eredeti számításnak. Ha eltérés alakul ki, új elemzési és döntési kör indulhat. Ezzel a controlling folyamat visszacsatolási körré válik: a nyomon követés eredménye új jelzésként jelenik meg a következő időszakban.
Az AI use case-ek értékelésénél ezért a használat, a folyamatjavító hatás és a pénzügyi eredmény egyaránt mérhető. A controller feladata az eredmények értelmezése, a felelősök bevonása, és szükség esetén az intézkedés módosításának kezdeményezése.
Az öt use case egy összefüggő döntéstámogatási folyamatot alkot: az AI először felismeri a fontos eltérést, támogatja az okok feltárását, előre jelzi a várható alakulást, összehasonlítja a lehetséges intézkedéseket, majd követi a megvalósult hatást.
A controller a teljes folyamatban kulcsszerepet játszik. A szakmai tudás továbbra is nélkülözhetetlen: szükség van rá a modellek helyes alkalmazásához, az eredmények validálásához, valamint az üzleti összefüggések és a döntési helyzetek megfelelő értelmezéséhez.
A sikeres AI-bevezetés alapja egy jól körülhatárolt üzleti probléma, amelyhez rendelkezésre állnak a szükséges adatok, egyértelmű a felelősség, és az eredmények mérhetők. Erre építve olyan pilot indítható, amely rövid idő alatt igazolja a megoldás gyakorlati hasznát, és később a teljes controlling folyamat részévé válhat.
