‘Sinds we machine learning gebruiken voor onze financiële prognoses, beschikken we over informatie die stukken accurater is’, vertelt Jas Brar, financieel directeur van Microsoft België en Luxemburg. ‘Bovendien kunnen de medewerkers van onze financiële departementen zich nu meer focussen op klanten, in plaats van oeverloos te vergaderen.’
In april was Microsoft het waardevolste bedrijf op aarde. ‘We evolueerden de voorbije jaren van een leverancier van software naar een van de belangrijkste spelers in clouddiensten, met name Azure, Dynamics 365 en Office 365’, vertelt Jas Brar, financieel directeur van Microsoft België. ‘De credits voor die mijlpaal schreef de pers toe aan Satya Nadella, onze CEO sinds 2014. Het succes werd zeker ook versterkt door onze interne zoektocht naar geoptimaliseerde processen.’
Technologie biedt oplossing
‘Ook Microsoft moet zijn weg vinden in deze digitale tijden, waarin alles draait om data. Ik denk bijvoorbeeld aan financial forecasting, de opmaak van financiële prognoses’, zegt Brar. ‘We worden wereldwijd geconfronteerd met een explosie aan data en een waaier aan systemen om data te genereren. De traditionele tools op onze financiële departementen waren niet meer geschikt om die groeiende complexiteit te vatten. We moesten bovendien nog heel veel manueel doen met een hoger risico op foutengevoelige processen tot gevolg.’
Brar, die in Brussel werkt, illustreert hoe het er vroeger aan toeging. ‘In een regionaal hoofdkwartier maakten we een financiële vooruitblik over wat we voor de rest van het jaar verwachtten, op basis van data, maar ook de menselijke interpretatie van die cijfers die aan bias of vooringenomenheid onderhevig is. Je zat algauw enkele uren met je mensen opgesloten in een duf vergaderzaaltje.’
‘Ons rapport ging vervolgens naar het volgende niveau: West-Europa. Ook daar gingen ze door de cijfers en interpreteerden ze die, samen met de landen rondom ons. Die informatie ging dan weer naar het volgende niveau: de regio EMEA (Europa, Midden-Oosten, Afrika) waar weer hetzelfde gebeurde. Medewerkers interpreteerden de cijfers en gaven er hun draai aan.’
‘Op het moment dat CFO Amy Hood de cijfers in handen kreeg, waren er twee tot drie weken verstreken en hadden ruim 800 medewerkers aan het rapport gewerkt. Daarom gingen we op zoek naar een systeem om onze prognoses nauwkeuriger te maken, minder omslachtig, minder ‘emotioneel’ en vooral ook sneller. En de oplossing vonden we in de technologie. Op basis van machine learning beschikken we tegenwoordig over een financiële prognose in twee tot drie dagen. Dit betekende dus een heuse vereenvoudiging van de manier waarop we onze financiële voorspellingen maken én het zorgde ervoor dat veel minder mensen betrokken moeten zijn bij het volledige proces.’
Meer verdieping
‘Machine learning maakt het werk van onze mensen gemakkelijker, bespaart tijd en is gemiddeld tot twee keer accurater. Hierdoor kunnen medewerkers zich veel meer focussen op de essentie. Ze houden pakken meer tijd over om met klanten bezig te zijn. Ze kunnen hun businessmodellen diepgaander bestuderen en daardoor met de klant meedenken, waardoor ook zij weer betere beslissingen kunnen nemen.’
Tot slot wijst Brar er nog op dat de financiële prognoses tegenwoordig in real time beschikbaar zijn. ‘Amy Hood moet geen weken op cijfers wachten. En ook elders beschikken ze over feitelijke cijfers en correctere modellen – ontdaan van menselijke bias van deze of gene medewerker – waardoor we sneller de juiste beslissingen kunnen nemen. Uiteraard onder de voorwaarde dat iedereen bereid is data te delen, maar ook die stap hebben we de jongste jaren al gezet.’