Wdrożenie systemu AI do prognozowania budżetu to nie jest projekt IT. To projekt zmiany sposobu myślenia o danych finansowych w całej organizacji.
Błąd pierwszy: dane historyczne bez kontekstu
Model uczony na surowych liczbach bez informacji o tym, co te liczby oznaczały, produkuje prognozy, które są statystycznie poprawne i biznesowo bezużyteczne. Jeśli w 2020 roku firma wstrzymała inwestycje na osiem miesięcy, model musi o tym wiedzieć. Inaczej nauczy się, że niskie wydatki inwestycyjne są normą.
Błąd drugi: brak właściciela procesu
Dział finansowy mówi, że to projekt IT. Dział IT mówi, że to projekt finansowy. W rezultacie nikt nie sprawdza, czy prognozy są sensowne. System działa, raporty wychodzą, a decyzje są podejmowane na podstawie danych, których nikt nie zweryfikował od miesięcy.
Błąd trzeci: zbyt wąski zakres danych wejściowych
Firmy często karmią model wyłącznie danymi wewnętrznymi. Tymczasem prognozowanie budżetu w firmie usługowej bez uwzględnienia wskaźników makroekonomicznych, sezonowości branżowej czy danych o rotacji klientów to prognozowanie w próżni.
Błąd czwarty: brak cyklu korekty modelu
Model AI nie jest produktem gotowym. Wymaga regularnej aktualizacji, gdy rzeczywistość odbiega od prognoz. Firmy, które wdrożyły system i zapomniały o nim na rok, zazwyczaj wracają do arkuszy kalkulacyjnych.
Błąd piąty: oczekiwanie natychmiastowych wyników
Dobry model prognostyczny potrzebuje czasu, żeby zebrać wystarczająco dużo danych z nowego środowiska. Pierwsze sześć miesięcy to kalibracja, nie produkcja. Firmy, które tego nie rozumiały, rezygnowały zbyt wcześnie.