AI | 如何运用数字工具进行成本分析与预测?

正如上一篇文章《AI | 当AI进入财务部门，哪些改变正在发生？》所写到，真正有战略价值的AI应用，不只是替代几个流程节点，而是进入更高价值的管理环节，帮助财会职能在经营决策中发挥更核心的作用。

本文结合两个案例，看看数字工具是如何帮助财务在业务决策中发挥作用的。

Parkdean Resorts是英国一家大型度假公园运营商，他们将AI应用于维修和维护（R&M）成本的分析。这类支出是公司最主要的非薪酬支出之一，因此，财务团队希望借助AI解决方案，对维修维护成本进行更高效的分析和分类，以识别成本趋势、指导资本支出决策，并发现特定产品的潜在质量问题，甚至通过标记异常支出模式来帮助保护利润。

在项目实施中，财务团队发现XGBoost算法较能满足项目需求。该系统利用历史数据进行学习，并对新条目自动分类。借助于此，财务团队可以对每年约28万行维修维护数据进行分析和分类，而此前，这项任务每月都需要投入两到三天的手工劳动。

不过，AI解决方案的实施是一个循序渐进的过程。项目团队在后台运行该系统12个月后，财务主管才正式向业务部门推出。在此期间，团队需要投入大量时间，对系统进行培训，纠正错误分类，并完善其理解能力，以确保输出结果对利益相关方真正有价值。因为，AI会延续人为错误，因此高质量输入数据十分关键。

试验期结束后，项目团队开发了用户界面，并用2-3周时间建立了查看面板。为了确保工具满足不同需求，团队还咨询了地区总监和总经理。相比以往按月更新的报告周期，这一面板可以更及时地更新有关维修维护支出的信息。

从结果看，这一项目为财务团队带来了较为直接的收益。团队每月节省了2-3天的人工分类时间，这些时间可以重新投入到更有附加值的活动中，例如分析支出模式、发现节约成本的机会，以及支持业务决策。

与此同时，该系统也提升了度假村公园管理人员规划和预测维修维护支出的能力，并为新任管理者提供了有价值的历史资料。目前，这一系统对维修维护成本的分类准确率约为94%至95%。虽然并不完美，但已经与人工分类不相上下，甚至更胜一筹。

在一家零售商考虑新店选址时，他们原本会更加依赖外部合作方审核初步的营建成本估算。这个过程非常耗时，通常需要几周时间安排，每次审核费用在1,500到2,000欧元之间。与此同时，公司多年积累了约200个项目的历史数据，这意味着它可以采用一种更高效、更数据驱动的方法。

在这一背景下，ACCA会员Ian Carrier在一家大型化妆品零售商任职期间，部署了一套人工智能解决方案，以简化新店开铺和大型零售公司门店改建中的营建成本估算流程。

他使用Python编程语言和scikit-learn工具库开发了一款机器学习模型，根据门店规模、位置类型和所在国家等特征来预测营建成本。尝试过其他算法后，他最终选择了多元线性回归模型，并发现该模型为这一特定用例提供了最佳结果。