تجدیدنظر در مورد نحوه استفاده بخش مالی از ابزارهای دیجیتال – بخش اول

تجدیدنظر در مورد نحوه استفاده بخش مالی از ابزارهای دیجیتال – بخش دوم

خودکارسازی فرآیند رباتیک و یادگیری ماشین ممکن است خیلی محبوب باشد، اما بسیاری از فناوری‌های موجود هنوز به فراوانی مورداستفاده قرار نمی‌گیرند.

کلمات کلیدی

استراتژی، هوش مصنوعی، ابزارهای مالی، ابزارهای دیجیتال، خودکارسازی فرآیند رباتیک، یادگیری ماشین، حسابداری مدیریت، ابزارهای دیجیتال مدیریت مالی

روش های آزمون شده و درست را ازنظر دور نکنید: میزانی که بخش‌های مالی از فناوری‌های موجود چشم‌پوشی کرده‌اند حیرت‌انگیز است. در میان شرکت‌ها بزرگ که بررسی‌شده‌اند، تنها ۵۳ درصد برای خودکارسازی کردن دفتر ثبت و اعتبار سنجی حسابرسی ابزاری در اختیاردارند و تنها ۳۱ درصد ابزاری برای خودکارسازی کردن تشخیص درآمد دارند. کمتر از نصف ابزارها در مدیریت اسناد مالیاتی و در صورتحساب مشتری استفاده می‌شوند و تنها ۳۷ درصد پورتال سلف‌سرویس دارند.

درحالی‌که خودکارسازی فرآیند رباتیک و یادگیری ماشینی ممکن است در اینجا کمک‌حال باشند، اما دلایل ریشه‌دار دیگری مانند حکمرانی ضعیف یا یک تجربه ضعیف کاربری به بازی وارد می‌شوند. شرکت‌ها می‌خواهند این مشکلات را هدف قرار دهند تا در فرآیندهای مالی، بهبودی پایدار تجربه نمایند.

فراتر از هزینه را ببینید. صرفه‌جویی در هزینه هنوز هم دلیل اصلی برای پذیرش ابزارهای دیجیتالی است، اما سرعت، آزادسازی زمان کارکنان، کنترل مالی و سایر دلایل نیز در این زمره قرار دارند (شکل ۶). در برخی صنایع مانند مخابرات، رسانه و فناوری و خدمات تجاری، حداقل یکی از آن دلایل مهم‌تر از صرفه‌جویی می‌باشند و در برخی از فرآیندهای مالی مانند بودجه‌بندی و پیش‌بینی، بستن حساب‌های مالی و حساب‌های دریافتی، سرعت مهم‌ترین دلیل به‌کارگیری فناوری بوده است.

شکل ۶

فراتر از صرفه‌جویی‌ها در هزینه، فناوری‌های دیجیتالی فرآیندها را تسریع می‌بخشند و زمان کارکنان را آزاد می‌کنند

به‌عنوان‌مثال، گروه مشارکت سازمانی مایکروسافت[۱] از یادگیری ماشینی در پیش‌بینی استفاده کرد. با دقتی بیش از ۹۸ درصد در سرتاسر جهان، این روش پیش‌بینی نسبت به پیش‌بینی دستی امتیاز بیشتری کسب کرد. یک شرکت کالاهای مصرفی برای ارتقای پیش‌بینی تقاضایی که قبلاً توسط ۷۰ برنامه‌ریز انسانی انجام می‌شد از یادگیری ماشینی استفاده کرد. این فناوری روند رشد فروش را بهبود داده است، زمان رسیدن محصول به بازار را ۳۰ درصد کاهش، بهره‌وری در برنامه‌ریزی را تا ۸۰ درصد افزایش و سطوح موجودی را ۱ تا ۳ درصد کاهش داده است.

درحالی‌که فرآیند خودکارسازی رباتیک و یادگیری ماشین در هزینه‌ها صرفه‌جویی به ارمغان آورده است، اما برخی از شرکت‌ها بیش از مدت پیش‌بینی‌شده ربات‌های فرآیند خودکارسازی رباتیک را طراحی و اجرا کرده‌اند و صرفه‌جویی‌ها در قیاس با نمونه‌های اولیه به‌کارگیری گاهی اوقات کمتر بوده است. الگوی محاسبات ابری در اینجا آموزنده است، زیرا اولین سازندگان بیش از هزینه ‌بر سرعت، انعطاف‌پذیری و مقایسه پذیری تمرکز کرده‌اند.

مقصد را تعریف و آزمایش کرده و بیاموزید. در اغلب موارد، بخش‌های مالی در مورد بلوغ دیجیتال و توانایی اجرای اهداف دیجیتال خود بیش‌ازحد اعتمادبه‌نفس دارند (شکل ۷). به‌عنوان‌مثال مدیران ارشد اجرایی در موقعیت بخش خود در صنعت، کیفیت فناوری که استفاده می‌کنند و مکفی بودن بودجه برای اجرای اهداف، نسبت به متخصصین خط مقدم خوش‌بین‌تر هستند (شکل ۸).

شکل ۷

بخش‌های مالی ممکن است در مورد توانایی خود برای اجرای اهداف دیجیتال بیش‌ازحد اعتماد بنفس داشته باشند.

شکل ۸

مدیران ارشد نسبت به مدیران خط مقدم از نقطه شروع دیجیتال خود راضی‌تر هستند

با توجه به اعتمادبه‌نفس زیاد، رهبران ارشد مالی باید عینیت نقطه شروع دیجیتال خود را با ورودی از مشتریان داخلی و کاربران خط مقدم ارزیابی کنند. این امر به آنان امکان می‌دهد دیدگاه دیجیتال روشن و واضح و طرح چندساله را با مجموعه‌ای از شروط دیجیتال ایجاد کنند.

هنگامی‌که یک شرکت به استفاده از فناوری‌های به تثبیت نشده شروع می‌کنند، باید به آزمایش و یادگیری تمایل داشته باشند و نباید سریعاً به استفاده از آنان بپرداز‌ند. یک رویکرد آزمون و یادگیری، خطر دچار شدن به اعتمادبه‌نفس کاذب که نهایتاً به از دست رفتن انتظارات می‌انجامد را کاهش می‌دهد.

گامی در جهت ابری بردارید: پنج سال پیش، محاسبات ابری تنها توسط اولین متقاضیان پذیرفته شد. امروزه، ۷۴ درصد شرکت‌ها از یک برنامه مبتنی بر ابر، “نرم‌افزار به‌عنوان یک خدمت” (ساس)^[۲]، در حداقل یکی از فرآیندهای مالی استفاده می‌کنند (شکل ۹). ابر به‌عنوان یک کارکردی اجباری عمل می‌کند تا فرآیندهای کسب‌وکار را استاندارد کند، زیرا برنامه ساس نمی‌تواند به‌اندازه برنامه‌های سنتی اختصاصی شود.

شکل ۹

محاسبه ابری برای فرآیندهای مالی، قوی است

چند سال پیش مفهوم استقرار دفتر کل ابری، مخصوصاً برای شرکت‌های بزرگ چندملیتی، غیرقابل درک بود. امروزه، شرکت‌های بزرگ زیادی دفتر کل ابری را در برخی از بخش‌های محیط خود استفاده می‌کنند. به‌عنوان‌مثال، کوالکام[۳] برای پشتیبانی از ۱۱ عملیات در تدارکات در کشور، از ابر استفاده می‌کند. در این کشورهای کوچک‌تر، یک رویکرد سنتی از پیش قول داده‌شده بازگشت سرمایه کافی در بر نداشت. با استفاده از ابر، کوالکام در نیمی از هزینه‌ها صرفه‌جویی کرد و ابتکار عمل بسیار سریع‌تری داشت.

تصحیح و ساده‌سازی فرآیندها، داده‌ها و سیستم‌ها. فرآیند خودکارسازی رباتیک و یادگیری ماشینی در طیف گسترده‌ای از موارد کاربردهای ارزشمندی دارند. فرآیند خودکارسازی رباتیک برای فعال کردن مستقیم پردازش، می‌تواند استثنائات دستی را کاهش دهد، دادها را از چندین سیستم استخراج کند تا دیدی یکپارچه ایجاد کند و اصلاح حساب‌ها و تراکنش‌ها را تسریع بخشد.

بااین‌وجود، اغلب بهتر است که برخی از شرکت‌ها با ساده کردن و استاندارد کردن فرآیندهای مالی مرتبط، برخی ربات‌های خودکارسازی فرآیند رباتیک را از کار خارج کنند. به‌جای داشتن رباتی برای استخراج داده‌ها از انواع مختلف برگ خریدهای مشتری، یک شرکت بهتر است از قالب‌های متداول فاکتور استفاده کند و از برگ خریدهای کاغذی اجتناب کند.

به‌طور مشابه، یادگیری ماشینی می‌تواند مقدار زیادی از درخواست‌های داخلی را در طیف گسترده‌ای از صندوق‌های دریافتی ایمیل بازبینی کرده و درخواست‌ها را به تیم‌های مناسب ارجاع کند. در صورتحساب و جمع‌آوری، یادگیری ماشینی می‌تواند استنتاج‌ها مرتبط را که صحیح هم هستند را با ارائه مستندات در اختیار قرار دهد. بااین‌وجود، یک الگوریتم یادگیری ماشینی می‌تواند تنها به‌اندازه کیفیت داده کار کند. بدون حکمرانی داده و کیفیت، الگوریتم‌ها ارزش محدودی دارند.

درحالی‌که هوش مصنوعی می‌تواند قابلیت‌های جدیدی مانند خودکارسازی کردن را در اختیار قرار دهد که فناوری‌های سنتی قادر به انجام آن نیستند، مانند خودکار سازی خلق نظارت مختلف در گزارش‌های مدیریتی از طریق NLG، اما این فناوری‌های جدید نمی‌توانند جایگزین پرداختن به دلایل ریشه‌ای ناکارآمدی باشند. در برخی موارد، مانند یادگیری ماشینی، بدون پرداختن به این ناکارآمدی‌ها، فناوری ممکن است کار نکند.

ابزارهای دیجیتال برای بخش مالی مهم هستند تا ارزش خود برای کسب‌وکار را افزایش دهد. آن‌ها به‌اندازه کافی قدرتمند هستند تا به امور مالی کمک کنند تا به‌جای نظارت عددی به روندها، فرصت‌های باارزش را شناسایی کنند و به‌جای حفظ کنترل‌ها، به امور مالی اجازه می‌دهند که ریسک‌ها را به‌طور فعالانه مدیریت کنند. این گذار موفقیت‌آمیز به‌عنوان یک شریک مناسب، منجر به استفاده مؤثرتر از فناوری‌های موجود می‌شود و درعین‌حال، آخرین ابزار را آزمایش می‌کنند تا ابزارهای مفید را شناسایی کرده و سپس آن‌ها را در یک خانواده بزرگ‌تر از ابزارها ادغام کنند.

[۱] – Microsoft’s Enterprise Partner Group

[۲] – Software-as-a-service (SaaS)

[۳] – Qualcomm