Мы используем комплексную цифровую среду, включающую CRM, ERP, BI и корпоративную LLM в закрытом контуре. ИИ применяется в том числе в бюджетировании и прогнозировании финансовых показателей.
Для международной логистической компании это особенно важно: на финансовый результат одновременно влияют объемы перевозок, стоимость логистических услуг, валютные курсы, сроки и структура расчетов, а также изменения транспортных маршрутов. Например, изменение логистической ситуации или ограничений на определенном направлении может привести к изменению маршрута и, как следствие, стоимости перевозки.
Мы начали использовать ИИ не с отдельного этапа бюджетирования, а постепенно встроили его в операционный цикл план-фактного анализа, прогнозирования и пересчета бюджета.
Основным триггером стало не столько сокращение численности сотрудников или высокая нагрузка на финансовую службу, сколько необходимость быстро работать с большим количеством изменяющихся факторов и сценариев.
В традиционном процессе изменение одного существенного параметра – например, валютного курса, стоимости перевозки или прогнозируемого объема – требовало последовательного пересчета связанных показателей и проверки результатов.
Сейчас пересчет производится практически мгновенно на основе фактических данных по закрытым периодам с прогнозом на оставшиеся месяцы бюджетного года.
Таким образом, бюджет перестает быть документом, который утверждается один раз в год или пересматривается раз в квартал (в лучшем случае). Это становится постоянно актуализируемой финансовой моделью для ежемесячного отчета, удобно для rolling budget.
Какие данные необходимы ИИ и с какими проблемами качества данных столкнулись
Минимально необходимый набор – это исторические фактические данные, текущий план, данные по продажам и клиентам из CRM, финансовые данные ERP, управленческая отчетность и показатели BI.
Для нашей отрасли дополнительно важны факторы, которые влияют на себестоимость и маржинальность международных перевозок: валютные курсы, стоимость транспортировки, изменение маршрутов, сроки доставки и другие операционные параметры, а также политические аспекты.
Ключевой принцип – ИИ не должен работать с «абстрактными» прогнозами. Мы строим модель на фактических закрытых периодах, после чего используем ее для прогноза следующих месяцев бюджетного года.
Основная сложность при внедрении – не сама LLM, а качество и сопоставимость исходных данных. Поэтому большое значение имеет единая структура данных и связка ERP, CRM и BI. Если данные в источниках некорректны или имеют разную методологию, ИИ не сможет сделать качественный вывод.
Можно выделить два основных сценария, в которых ИИ дает наиболее ощутимый эффект:
Первый – оперативный пересчет бюджета.
Например, меняется валютный курс или стоимость международной перевозки в каком-либо сегменте. Система позволяет быстро пересчитать финансовую модель и увидеть влияние изменения на выручку, затраты, маржинальность, денежные потоки и итоговые финансовые показатели.
Для международной логистики это особенно важно, поскольку изменение маршрута или внешних условий может достаточно быстро изменить себестоимость перевозки.
Второй – прогнозирование по итогам закрытых периодов.
После закрытия фактического периода модель использует накопленные данные и формирует прогноз на оставшиеся месяцы года. Это позволяет видеть не только план/факт отклонение, но и ожидаемый финансовый результат года с учетом уже произошедших изменений.
Основные показатели эффекта для нас – скорость пересчета, количество ручных итераций, оперативность получения прогноза и качество план-фактного анализа.
Важно понимать, что ИИ не принимает самостоятельных финансовых решений.
Мы используем модель как инструмент аналитики и поддержки принятия решений, а итоговая оценка остается за финансовой функцией.
Важный принцип – эксперт/аналитик должен понимать, почему изменился показатель и какие факторы привели к результату. Поэтому мы используем не только итоговый прогноз, но и факторный анализ отклонений. Так, например, на общую маржу влияет несколько факторов: количество заказов, средняя маржа на один unit (заказ), валютные курсы.
Если модель показывает существенное изменение прогноза, финансовая команда проверяет причины: изменение объемов, курсов, стоимости перевозок, маржинальности, структуры клиентов и другие факторы.
Таким образом, ИИ отвечает прежде всего на вопрос «что произошло и что будет при текущих предпосылках?», а финансовая функция – «почему это произошло и какое управленческое решение необходимо принять на опережение?»
Как выглядит архитектура решения
Это гибридная модель.
Источниками данных выступают корпоративные системы – CRM, ERP, BI и другие внутренние информационные системы. На их основе формируется единое информационное поле для финансового анализа.
Отдельный уровень – корпоративная LLM, работающая в закрытом контуре. Это принципиально важно для международной логистической компании, поскольку бюджетирование и финансовое моделирование используют внутренние коммерческие и финансовые данные.
ИИ не заменяет ERP или BI. Его задача – работать поверх существующего массива данных: анализировать информацию, выявлять взаимосвязи, пересчитывать сценарии, формировать прогнозы и помогать финансовой команде быстрее интерпретировать результаты.
Изменение роли финансовой службы
Принципиально важно: мы не ставили задачу сокращения сотрудников за счет ИИ.
Изменился характер работы.
Раньше значительная часть времени уходила на сбор информации, ручные пересчеты, подготовку вариантов и поиск причин отклонений.
После внедрения ИИ финансовая функция получила возможность существенно больше времени уделять глубокой аналитике, выявлению факторов, влияющих на финансовый результат, многофакторному моделированию и подготовке управленческих решений. При этом изменился и сам уровень аналитики: значительно проще создавать и поддерживать мультифакторные эконометрические модели с большим количеством переменных, итерационными алгоритмами, сложными взаимосвязями, формулами и допущениями.
Особенно важна возможность одновременно учитывать как устойчивые и прогнозируемые факторы – сезонность, международные праздники, динамику клиентской базы, исторические тренды, загрузку и структуру перевозок, – так и факторы высокой неопределенности, которые традиционные бюджетные модели часто учитывают только постфактум. Для международной логистики это могут быть резкие пики или провалы активности, геополитические события и военные конфликты, изменения торговых ограничений, внезапное изменение маршрутов, дефицит контейнеров и транспортных мощностей, скопление грузов в отдельных узлах, закрытие или ограничение работы погранпереходов и другие нестандартные события.
В результате финансовая модель становится не просто инструментом расчета бюджета, а инструментом управления неопределенностью. Мы можем быстрее оценивать, как изменение одного или нескольких факторов одновременно повлияет на выручку, себестоимость, маржинальность и денежный поток, и заранее просчитывать несколько сценариев развития событий. Это позволяет финансовой функции переходить от реакции на уже произошедшие изменения к проактивному управлению финансовым результатом.
По сути, произошел переход от модели:
«собрать данные → пересчитать → подготовить отчет»
к модели:
«получить актуальную картину → понять причины → смоделировать сценарии → принять решение».
Поэтому мы рассматриваем ИИ прежде всего как инструмент повышения производительности и экспертизы финансовой функции, а не как инструмент сокращения персонала.
Наиболее заметный результат – скорость пересчета финансовой модели.
Если раньше изменение ключевого параметра требовало последовательной работы с моделью и подготовки нового варианта бюджета, то сейчас пересчет выполняется практически мгновенно на основе актуальных фактических данных.
Оцениваем эффект до внедрения (AS IS) и после внедрения (TO BE):
При этом мы считаем важным измерять не только прямую экономию трудозатрат. Главный эффект – повышение скорости управленческого цикла.
Финансовая функция получает возможность практически в реальном времени ответить на вопросы: что произойдет с финансовым результатом при изменении курса, стоимости перевозки, объема бизнеса или других ключевых предпосылок и какие решения необходимо принять.
Что изменилось в итоге
Если коротко сформулировать результат кейса:
Было: годовой бюджет + периодический план/факт анализ + большое количество ручных пересчетов.
Стало: динамическая финансовая модель, которая после закрытия каждого периода автоматически опирается на фактические данные и позволяет прогнозировать оставшуюся часть бюджетного года и оперативно просчитывать сценарии.
И еще один важный результат: ИИ не вытеснил финансовых специалистов – он изменил структуру их работы. Рутинного пересчета стало меньше, а глубокой аналитики и управленческой экспертизы – больше.
Мы не рассматриваем ИИ в бюджетировании как инструмент сокращения людей. Его основная ценность для нас – скорость. Если раньше финансовая функция тратила время на пересчет модели, то теперь практически мгновенно получает новый прогноз на основе факта и может сосредоточиться на главном: понять причины изменений, просчитать сценарии и принять управленческое решение.
Анна Глазкова, финансовый директор, VIG Trans
Наши конференции:
Все
-(5).gif "Книги для дошколят и младших школьников")
