Inteligencia artificial: cinco escenarios de uso en finanzas por los que empezar

Recomendados:  Nueve formas prácticas de optimizar tus costes IT Leer Data cloud inteligente, clave para tu transformación digital Informe Infome de pruebas: VMware Work from home Documento

¿Está considerando su empresa utilizar la inteligencia artificial (IA) el área financiera? Si es así, debería tener en cuenta este análisis de Gartner sobre los posibles escenarios de uso. Según la firma de análisis, serían los primeros que deben implementarse porque, hasta que estos no funcionen de manera efectiva, no se obtendrán eficiencias en los procesos ni aumentos del rendimiento.

Tras examinar 23 casos de uso y clasificarlos en función del valor que aportan y la viabilidad de implantación, sus analistas consideran que los que aportan más fortalezas y permiten mayor diferenciación, son los siguientes:

- Pronóstico de demanda/ingresos: utilizando fuentes de datos tanto internas como externas, los modelos de IA predicen la demanda y los ingresos asociados en una variedad de dimensiones como la unidad de negocio, la línea de productos, el número de referencia único (SKU), el tipo de cliente y la región.

- Detección de anomalías y errores: la detección de anomalías utiliza una serie de modelos de aprendizaje automático (ML) para resaltar transacciones o saldos que tienen errores o que potencialmente vulneran principios o políticas contables. Una solución completa también incluirá análisis en tiempo real durante la entrada de datos, lo que evitará que se introduzcan errores en el flujo de trabajo y evitará correcciones posteriores que tienen un coste.

- Soporte a las decisiones: los algoritmos de predicción de ML diseñados para predecir resultados basándose en datos actuales se emplean para predecir resultados cuando se utilizan valores de datos alternativos. El uso de modelos con datos hipotéticos predice el resultado de decisiones alternativas.

- Pronóstico de ingresos POC: los modelos ML pronostican los ingresos provisionales y los costes de proyectos inacabados, teniendo en cuenta variables como las horas, costes, unidades, peso, etc., así como el esfuerzo total restante que queda hasta que se complete.

- Cobros: los modelos ML se utilizan para pronosticar cuándo los clientes pagarán las facturas, lo que desencadena esfuerzos de cobro proactivos antes de que venzan los pagos. Es decir, usando las predicciones de estos modelos, el personal centra sus esfuerzos en las cuentas en riesgo. Las recaudaciones de efectivo previstas también contribuyen a la previsión general de flujo de caja.