Data-analytics in finance: hoe helpt data de CFO bij betere besluitvorming
Eerste tekst
Wat is data-analytics?
Toen Gartner in 2012 het Gartner Analytics Ascendancy Model introduceerde, zette het de toon voor de definitie van data analytics. Bij DataCFO houden we dit model aan omdat het inmiddels breed geaccepteerd is en het een helder onderscheid maakt tussen de verschillende vormen van data-analytics. Hoe ziet het model er precies uit?
Voordat je vooruitkijkt, moet je terugblikken. Daarom start je met descriptive analytics: een soort achteruitkijkspiegel waarmee je inzicht geeft in wat er is gebeurd. Concreet rollen hier rapportages en dashboards uit. Daarmee breng je de huidige situatie in kaart om een overzicht te creëren van potentiële patronen of trends.
Daarna ga je verder met diagnostic analytics, waarbij je onderzoekt waaróm iets is gebeurd. Middels visualisaties en analyses neem je de oorzaak-gevolgrelatie onder de loep om te begrijpen wat het achterliggende verhaal van een patroon of trend kan zijn.
Deze twee vormen van data-analytics behoren tot de categorie ‘business intelligence’, die in de afgelopen 20 jaar breed omarmd is. Tot op dit punt weinig nieuws. Maar wat als je een stap verder gaat?
Dan beland je in de fase van advanced analytics. Deze bestaat uit predictive analytics (wat gaat er gebeuren?) en prescriptive analytics (wat zullen we doen?). Beide vormen draaien om vooruitkijken. Je werkt hierbij dan ook met statistische modellen en machine learning (ML), waarbij data uit het verleden wordt gebruikt om voorspellingen te doen en scenario’s worden doorgerekend. Een vak apart, maar als toekomstbestendige financial moet je wel begrijpen hoe deze statistische modellen in de basis in elkaar steken en wat jij ermee kunt doen.
Wat is het doel van data-analytics in finance?
Businesscontrollers en reporting-afdelingen zetten de eerste twee vormen van data-analytics (descriptive en diagnostic) al langere tijd breed in. Zij geven hiermee inzicht in trends en snapshots van financiële en niet-financiële bedrijfsprestaties. Descriptive analytics wordt vaak aangeboden in de vorm van standaardrapportages en standaarddashboards. Ten behoeve van diagnostic analytics wordt vervolgens de mogelijkheid gegeven om door te klikken naar onderliggende dataniveaus (drill down) of alternatieve invalshoeken aan te bieden (slice & dice). De uitkomsten kunnen aanleiding zijn tot nieuwe acties of besluitvorming ondersteunen. Ook zie je steeds vaker dat vormen van self-service BI worden aangeboden voor aanvullende diagnoses.
Momenteel passen finance-teams advanced analytics (predictive en prescriptive) nog in mindere mate toe, al is deze vorm van analytics zeker in opkomst. Predictive analytics in finance stelt je in staat om te forecasten op basis van historische gegevens. Deze vorm van analytics anticipeert op toekomstige trends met behulp van verschillende technieken. Denk aan datamining, statistics, machine learning, predictive modeling en time-series-methoden. Voorbeelden van de toepassing van predictive analytics in finance zijn:
- Een forecast maken van de productvraag of kostenontwikkelingen, bijvoorbeeld ten behoeve van pricing-vraagstukken;
- Verwachte garantiekosten of verwachte voorzieningen voor defaults bepalen;
- Klantretentie en -verloop voorspellen;
- Cashflow- & liquiditeitsforecast maken;
- Een inschatting maken van de customer lifetime value van een klant.
Prescriptive analytics gaat een stap verder: hiermee neem je de beste beslissing of kies je de beste actie uit verschillende alternatieven. Deze vorm van analytics stelt besluitvormers in staat om de beste potentiële ideeën te bepalen in een simulatie in plaats van te experimenteren in real life. Prescriptive analytics voegt (big) data, statistische modellen, machine learning en business rules samen.
Voorbeelden van finance-gerelateerde vragen die je kunt beantwoorden met prescriptive analytics zijn:
- Hoe ver kan ik de productprijs verlagen zonder dat dit ten koste gaat van de absolute winst?
- Welk van deze vier producten zal ik ontwikkelen, gegeven de huidige economische en demografische ontwikkelingen?
- Kunnen wij als zorgorganisatie liever in onze bestaande zorgfaciliteiten investeren of nieuwe zorgfaciliteiten ontwikkelen (gezien de huidige trends in de zorgvraag)?
- Welke actie kan ik het beste ondernemen om onze groeiambitie te verwezenlijken?
Belangrijke rol voor de financial: citizen data scientist
Op dit moment worden de predictive of prescriptive modellen nog veelal ontwikkeld door een data scientist. Met name de diepgaande statistische kennis is een vak apart. De finance-professional kan de ontwikkelde modellen goed gebruiken in de eigen analyses en visualisaties, bijvoorbeeld in een financiële forecast of een voorspellende analyse. Om een model goed te kunnen toepassen, is het wel essentieel om te begrijpen welke tools, technieken en modellen de data scientist gebruikt.
Daarnaast komen er ook nieuwe tools op de markt die het uitvoeren van deze vormen van analytics laagdrempeliger maken. Hierdoor wordt het voor een finance-professional makkelijker om zelf met deze vormen van analytics aan de slag te gaan.
De finance-professional moet de basis van data science beheersen om deze te kunnen toepassen voor eigen doeleinden. Oftewel, de finance-professional wordt een citizen data scientist. Deze legt het fundament met descriptive en diagnostic analytics (business intelligence), maakt forecasts met behulp van (resultaten van) predictive analytics en werkt scenario’s uit met prescriptive analytics!
Wil je als CFO écht nieuwe inzichten creëren, dan is het verstandig om binnen je team één of meerdere medewerkers op te leiden tot citizen data scientists. Voor specifieke analyses kun je hen in een multidisciplinair team bij elkaar brengen met andere finance-professionals, collega’s uit de business én een traditionele data scientist. Als zij elkaars taal spreken, kunnen ze de handen ineenslaan en de som der delen overstijgen. Zo ontstaat de innovatie in finance die je met data-analytics hoopt te bereiken.
Vertrouwen in de resultaten van data analytics: is het een black box?
Om advanced analytics toe te passen, moet je de basis van data science goed begrijpen. Maar het is ook essentieel dat je de uiteindelijke resultaten (waarin data-science-modellen zijn gebruikt) goed kunt uitleggen in de boardroom.
Met het toepassen van machine learning — of, nog breder, Artificial Intelligence (AI) — wordt data uit het verleden gebruikt om beslissingen naar de toekomst toe te nemen. Als deze data uit het verleden vertekend, bevooroordeeld of eenzijdig is, dan heeft dat een negatieve invloed op de kwaliteit van besluitvorming. Het besef hiervan groeit — en daarmee het aantal voorbeelden van hoe het fout kan gaan. Hierdoor daalt het vertrouwen in de uitkomsten van AI-gerelateerde voorspellingen en scenario’s.
Dit betekent niet dat we AI geheel moeten afschrijven. Het geeft echter wel aan hoe belangrijk het is om de black box te ontrafelen.
Om te kunnen forecasten, moet je de onderliggende data en modellen begrijpen. Maar ook de betekenis van de uitkomst. Hier is een mooie rol voor de finance-professional weggelegd. Deze kan van nature een brug slaan vanuit data naar de werkelijkheid en voorkomen dat je besluiten neemt op basis van onjuiste conclusies.
Aan de slag met data-analytics in finance?
Wil je eens vrijblijvend sparren over data-driven finance? Neem gerust contact met ons op.
