Los analistas de Gartner examinaron 23 casos de uso de IA en finanzas corporativas que representan los procesos que operará una organización financiera independiente con visión de futuro.
Gartner ha identificado los cinco casos de uso más beneficiosos para la inteligencia artificial (IA) para los líderes de análisis y planificación financiera. “Las organizaciones que ignoran estos casos de uso deberían tener una buena razón para hacerlo porque ofrecen la mejor combinación de viabilidad y ventaja comercial”, dijo Mark D. MacDonald, director sénior de investigación de negocios financieros de Gartner.
Según el experto, si quieren aplicar la IA a otros casos de uso antes de que estos cinco casos estén operativos de manera efectiva, es probable que dejen sobre la mesa las ganancias en la eficiencia del proceso y el rendimiento comercial.
Los analistas de Gartner examinaron 23 casos de uso de IA en finanzas corporativas que representan los procesos que operará una organización financiera independiente con visión de futuro. Calificado en función del valor comercial y la viabilidad. «Los CFO deben considerar la madurez y las necesidades de su organización porque la aplicabilidad puede variar según la organización y la industria. Estos casos de uso generalmente son consistentes y efectivos, pero los casos de uso más valiosos aprovechan las fortalezas únicas de la empresa y le permiten diferenciarse aún más. » MacDonald explicó.
Para ilustrar los casos de uso, los expertos de Gartner han proporcionado definiciones más detalladas:
1. Previsión de demanda/ingresos: Utilizando fuentes de datos tanto internas como externas, los modelos predicen la demanda y los ingresos relacionados en múltiples dimensiones, incluida la unidad comercial, la línea de productos, el SKU, el tipo de cliente y la región.
2. Detección de desviaciones y errores: La detección de defectos utiliza una serie de modelos de aprendizaje automático (ML) para resaltar transacciones o saldos que son incorrectos o que probablemente violen principios o políticas contables. La solución integral también incluye análisis en tiempo real durante la entrada de datos, lo que evita que se introduzcan errores en el flujo de trabajo y evita las costosas correcciones posteriores.
3- Apoyo a la decisión: Los algoritmos de predicción de ML diseñados para predecir resultados basados en datos existentes se utilizan para predecir resultados cuando se utilizan valores de datos alternativos. El uso de modelos con datos hipotéticos predice el resultado de decisiones alternativas.
4. Pronóstico de ingresos de POC: o facturas POC, los modelos ML predicen métricas de porcentaje de finalización (por ejemplo, horas, costos, unidades, peso, etc.) para predecir los ingresos POC y el esfuerzo total restante de finalización.
5. Cobro en efectivo: Los modelos ML se utilizan para predecir cuándo los clientes pagarán las facturas, lo que lleva a esfuerzos de cobro proactivos antes de que se retrase el pago. Utilizando las predicciones de estos modelos, los cobradores centran sus esfuerzos en las cuentas de riesgo. Los cobros de efectivo esperados también contribuyen a la previsión del flujo de efectivo general basado en el lavado de dinero.
«La previsión es un caso de uso común en los departamentos de finanzas, donde los procesos tradicionales son muy manuales y notoriamente poco confiables. La IA es excelente para la automatización y la mejora de la precisión. Muchos paquetes de software prefabricados manejan operaciones financieras comunes como cuentas por cobrar y cuentas por pagar, pero deben ser consciente de que el desarrollo de casos de uso para necesidades comerciales únicas, como la previsión, requerirá cierta experiencia interna”- Él dijo McDonald’s
¡Hardware, software, pruebas y noticias interesantes y coloridas del mundo de TI haciendo clic aquí!
«Quiero ser un aficionado a la televisión. Entusiasta certificado de la cultura pop. Académico de Twitter. Estudiante aficionado».