Ứng dụng AI tạo sinh vào phân tích và lập kế hoạch tài chính doanh nghiệp: Thực trạng thế giới và những thách thức tại Việt Nam

Kinh tế số - Ngày đăng : 06:25, 04/11/2024

Theo báo cáo của Quỹ Tiền tệ Quốc tế (IMF) được công bố tháng 8/2023, công nghệ trí tuệ nhân tạo (AI) tạo sinh đã và đang được ứng dụng mạnh mẽ bởi các công ty toàn cầu và nhanh chóng trở thành một thành tố quan trọng trong trong ngành tài chính

Kinh tế số

Ứng dụng AI tạo sinh vào phân tích và lập kế hoạch tài chính doanh nghiệp: Thực trạng thế giới và những thách thức tại Việt Nam

Th.S. Nguyễn Tô Việt Hà*, Th.S. Phạm Mạnh Hà** *Công ty TNHH Toàn Việt, **BeeKrowd Corp • 04/11/2024 06:25

“
Tóm tắt:
- AI tạo sinh đang tạo làn sóng công nghệ mạnh mẽ nhưng cũng mang lại rủi ro như bảo mật dữ liệu, xung đột bản quyền, và thông tin sai lệch.
- Định nghĩa FP&A: là quy trình quản lý doanh nghiệp (DN), tập trung vào phân tích dữ liệu tài chính và kinh doanh để tạo ra dự đoán và kế hoạch chiến lược.
- Xu hướng định hình FP&A:
+ Chuyển đổi số, sức mạnh của dữ liệu, và phân tích nâng cao sẽ định hình tương lai FP&A.
+ Chuyển đổi số giúp giảm bớt công việc thủ công và tăng cường hiệu quả.
+ Sức mạnh của dữ liệu cung cấp giúp dự đoán chính xác hơn, giúp xác định xu hướng, phát hiện mẫu ẩn, và dự đoán hiệu suất tương lai.
- Ứng dụng FP&A ở Việt Nam:
+ DN vừa và nhỏ chiếm hơn 90% tại Việt Nam, gặp khó khăn trong đầu tư công nghệ và đào tạo đội ngũ kế toán.
+ Một số DN đã chuyển sang sử dụng phần mềm kế toán và công cụ kế toán AI, nhưng tỷ lệ còn thấp.

Tuy nhiên, với các DN nhỏ và vừa, công tác hoạch định tài chính vẫn còn gặp phải các khó khăn do dữ liệu phân tán, rời rạc và chu kì báo cáo kéo dài, v.v… Trước những khó khăn này, công nghệ AI tạo sinh đang được tích hợp vào các nền tảng cho phép việc phân tích và kế hoạch tài chính trở nên tự động, dựa trên thông tin thời gian thực, và phân tích tình hình tài chính dựa trên kịch bản.

Bài viết sẽ giới thiệu các xu hướng định hình FP&A như chuyển đổi số và AI tạo sinh, cũng như về độ lớn thị trường này trên thế giới. Cuối cùng, thực trạng và ví dụ cụ thể về ứng dụng FP&A ở Việt Nam sẽ được phân tích, qua đó, rút ra những gợi mở về tương lai của công nghệ khu vực tài chính ở Việt Nam.

Dẫn nhập

Sự ra đời của công nghệ AI tạo sinh, với các đại diện tiêu biểu như ChatGPT, Stable Diffusions, DALL-E, v.v.. đang tạo nên một làn sóng công nghệ mạnh mẽ trong nhiều ngành nghề, trong đó có ngành tài chính, vốn là một trong những ngành dẫn đầu về nhu cầu phát triển và sử dụng thuật toán thông minh vào công việc xử lí dữ liệu hàng ngày. Theo báo cáo của Quỹ Tiền tệ Quốc tế (IMF) được công bố vào tháng 8/2023, công nghệ AI tạo sinh đã và đang được ứng dụng mạnh mẽ và nhanh chóng trở thành một thành tố quan trọng trong ngành tài chính.

Ví dụ, công ty quản lý tài sản Morgan Stanley đã xây dựng trợ lý ảo dựa trên công nghệ của OpenAI và sử dụng dữ liệu nội bộ để huấn luyện trợ lý ảo này nhằm hỗ trợ các chuyên gia tư vấn tài chính. Những công ty tài chính có tầm vóc toàn cầu như Capital One, Goldman Sachs, JMPC, v.v.. đều đã đưa vào thử nghiệm những ứng dụng dựa trên nền tảng AI tạo sinh như: tính năng tạo báo cáo tự động, đánh giá rủi ro, hỗ trợ khách hàng, cho phép hoạt động của họ trở nên hiệu quả hơn [1].

Tuy nhiên, công nghệ AI tạo sinh, cũng như các công nghệ trước đây, luôn mang theo những rủi ro khó lường như về bảo mật dữ liệu [2], xung đột bản quyền, thông tin sai lệch do “ảo giác AI” (hallucinations) [3], khả năng tạo ra nguồn và kênh lây truyền của các nguy cơ có tính hệ thống, v.v.. [1, 4, 5].

Tại Việt Nam, việc đánh giá rõ tiềm năng và rủi ro của AI tạo sinh trong ngành tài chính cũng như các công nghệ tài chính (FinTech) khác đã nhận được sự quan tâm của nhiều cơ quan, ban ngành nhằm đưa ra những chính sách hỗ trợ chuyển đổi số và quản lí công nghệ tài chính hợp lí.

Ví dụ, theo một đánh giá trên Báo Nhân Dân, mặc dù công nghệ khu vực tài chính (Fintech) đã và đang phát triển tương đối mạnh mẽ nhưng thiếu sự đồng đều do cách hiểu, cách tiếp cận để quản lý ở trên thế giới cũng như Việt Nam là rất khác nhau, chẳng hạn như hiểu theo nghĩa hẹp là các công ty FinTech và nghĩa rộng là đổi mới sáng tạo dựa trên các nền tảng FinTech [6].

Nhằm giúp bạn đọc hiểu rõ hơn về một trong những ứng dụng FinTech là công nghệ AI tạo sinh, và ứng dụng của nó trong ngành tài chính, bài viết sau đây sẽ tổng hợp các xu hướng chính trong ứng dụng trí tuệ nhân tạo (artificial intelligence - AI), đặc biệt là AI tạo sinh (Generative AI) trong lĩnh vực lập kế hoạch và phân tích tài chính (Financial Planning & Analysis - FP& A) ở khu vực tư nhân. Đầu tiên, định nghĩa về FP&A sẽ được đưa ra.

Tiếp theo, chúng tôi sẽ giới thiệu xu hướng định hình Lập kế hoạch và phân tích tài chính là chuyển đổi số và AI. Tiếp đến, độ lớn thị trường và những tên tuổi lớn trong ngành FP &A sẽ được giới thiệu. Cuối cùng, thực trạng và vídụcụthểvềứngdụngFP&AởViệtNamsẽ được bàn tới, qua đó, rút ra những gợi ý cho việc áp dụng công nghệ AI.

Định nghĩa FP&A (Financial Planning & Analysis)

FP&A (Financial Planning & Analysis), tạm dịch: lập kế hoạch và phân tích tài chính, là một quy trình trong quản lý doanh nghiệp, tập trung vào việc phân tích dữ liệu tài chính và kinh doanh để tạo ra các dự đoán và kế hoạch chiến lược [7]. Có thể phân định các công việc xung quanh FP&A theo nhiều cách khác nhau.

Bài báo này chia quy trình FP&A thành quy trình tuần hoàn 4 việc: (1) Phân tích dữ liệu tài chính từ các báo cáo như; (2) Lên kế hoạch; (3) Dự báo; (4) Ghi nhận kết quả và báo cáo [8]. Chuyên gia FP&A hay nhà phân tích và lập kế hoạch tài chính đóng vai trò then chốt trong việc hỗ trợ doanh nghiệp đưa ra các quyết định tài chính sáng suốt, dẫn đến thành công và phát triển bền vững.

Trong thập kỷ qua, FP&A đã chuyển từ việc tập trung vào các bảng cân đối kế toán và báo cáo cuối tháng sang trở thành những người tiên phong trong việc tạo ra giá trị cho doanh nghiệp. Một ví dụ điển hình về vai trò quan trọng của FP&A là việc ra đời của Amazon Prime, một dịch vụ hiện có hơn 200 triệu thành viên, nhờ vào sự đóng góp của các đơn vị FP&A tại Amazon [9]. Các sáng kiến do FP&A thúc đẩy tại các công ty như Chemours, Lego và HP cũng đã mang lại doanh thu và cải thiện biên lợi nhuận trong giai đoạn đại dịch COVID-19.

Báo cáo của Linkedin về thị trường công việc năm 2022 (Linkedin News [10] cho thấy vai trò FP&A đang phát triển nhanh chóng, là vị trí phát triển nhanh thứ 13 tại Hoa Kỳ với hơn 78.000 vị trí và mức lương trong khoảng 93.600 USD/năm đến 229.000 USD/năm.

Tuy nhiên, bên cạnh những thành công kể trên, FP&A vẫn đối mặt với nhiều thách thức lớn trong việc thực hiện đầy đủ tiềm năng của mình. Các phòng ban FP&A vẫn lãng phí một lượng lớn thời gian vào các nhiệm vụ thủ công, với khoảng 96.000 giờ/năm bị lãng phí, gây thiệt hại kinh tế lên tới 6,1 tỷ USD hàng năm cho các công ty Hoa Kỳ [9].

Các công việc thủ công này bao gồm sửa lỗi, cập nhật báo cáo, thu thập và biên soạn dữ liệu, và theo dõi nhiều phiên bản báo cáo. Việc này không chỉ lãng phí thời gian mà còn làm giảm hiệu quả của các chuyên gia FP&A trong việc thực hiện các công việc có giá trị cao như phân tích chiến lược.

Việc áp dụng công nghệ số trong FP&A cũng còn hạn chế, với chỉ 47% sử dụng các công cụ số trong lập kế hoạch và ngân sách hàng năm, so với 82% của các nhân viên bán hàng hàng đầu và 75% của các đồng nghiệp trong lĩnh vực tiếp thị. Điều này dẫn đến các dự báo không chính xác, làm giảm giá cổ phiếu ít nhất 6% trong khoảng thời gian ba năm, gây ảnh hưởng lớn đến tổ chức [9].

Xu hướng định hình FP&A trong tương lai: Ảnh hưởng của chuyển đổi số và AI

Trong khuôn khổ bài viết, ba yếu tố được cho là định hình tương lai của FP&A là (1) chuyển đổi số, (2) sức mạnh của dữ liệu, và (3) phân tích nâng cao. Chuyển đổi số sẽ giảm bớt công việc thủ công và tăng cường hiệu quả, sức mạnh của dữ liệu sẽ cung cấp những thông tin hành động giá trị, và phân tích nâng cao sẽ giúp các tổ chức dự đoán và chuẩn bị cho tương lai một cách tốt hơn [11].

Theo một báo cáo công bố năm 2022 của Vena, chỉ 5% các nhóm tài chính ưu tiên áp dụng AI và học máy (Machine Learning) để lập kế hoạch và phân tích tài chính (FP&A) [12]. Việc áp dụng AI trong các xu hướng này sẽ đóng vai trò then chốt trong việc hiện thực hóa tiềm năng của FP&A, biến nó thành động lực quan trọng cho sự phát triển bền vững và thành công của doanh nghiệp.

Chuyển đổi số

Trong quá khứ, các chuyên gia FP&A phải dựa vào các công cụ phần mềm hạn chế và phần lớn công việc được thực hiện trên bảng tính Excel truyền thống. Mặc dù hữu ích, nhưng những công cụ này thiếu các tính năng tiên tiến cần thiết cho phân tích phức tạp và tự động hóa. Quá trình xử lý dữ liệu thủ công tốn rất nhiều thời gian và dễ gây ra lỗi, dẫn đến việc cung cấp dữ liệu không kịp thời và không chính xác. Việc tích hợp các công nghệ tiên tiến như trí tuệ nhân tạo (AI) và tự động hóa sẽ giảm bớt khối lượng công việc thủ công, nâng cao hiệu quả và tăng cường độ chính xác. Các công cụ như ChatGPT và Microsoft Copilot trong Excel sẽ giúp các chuyên gia FP&A tập trung vào việc cung cấp những phân tích chiến lược chất lượng cao, thay vì lãng phí thời gian vào các công việc lặp đi lặp lại.

Sức mạnh của dữ liệu

FP&A trong truyền thống chủ yếu tập trung vào việc phân tích dữ liệu lịch sử để hiểu về hiệu suất trong quá khứ và xác định các xu hướng. Tuy nhiên, điều này không cho phép các chuyên gia FP&A dự đoán và chuẩn bị cho những biến động trong tương lai. Dữ liệu thường bị phân mảnh và thiếu tích hợp, dẫn đến việc ra quyết định thiếu nhất quán và chậm trễ.

Trong tương lai, sức mạnh của dữ liệu sẽ là yếu tố quyết định cho FP&A. Các đội ngũ FP&A đã và đang triển khai các kỹ năng mới như trực quan hóa dữ liệu, khai thác dữ liệu và phân tích thống kê để chuyển đổi dữ liệu thô thành thông tin hành động. Bằng cách thu thập, quản lý và phân tích khối lượng lớn thông tin từ nhiều nguồn khác nhau, FP&A có thể cung cấp những dự đoán chính xác hơn và phát hiện các cơ hội tiềm ẩn cho tăng trưởng và tiết kiệm chi phí. AI có thể giúp trong việc quản lý và phân tích dữ liệu khổng lồ, từ đó tìm ra các mẫu, xu hướng và các cơ hội kinh doanh tiềm năng mà con người có thể bỏ lỡ.

Phân tích nâng cao

Tương lai của FP&A sẽ tập trung vào phân tích nâng cao, với sự hỗ trợ của các kỹ thuật như phân tích dự đoán, học máy và AI. Những công nghệ này sẽ giúp FP&A xác định các xu hướng, phát hiện các mẫu ẩn và dự đoán hiệu suất tương lai. Bằng cách sử dụng các công cụ phân tích mạnh mẽ, các chuyên gia FP&A có thể cung cấp cho các tổ chức hiểu biết sâu sắc hơn về hiệu suất tài chính, xác định các cơ hội và rủi ro, và đưa ra các khuyến nghị dựa trên dữ liệu để hỗ trợ các sáng kiến chiến lược.

AI có thể được sử dụng để phát triển các mô hình dự đoán phức tạp, cho phép các chuyên gia FP&A không chỉ dự báo tương lai mà còn tạo ra các kịch bản “nếu - thì” để chuẩn bị cho nhiều tình huống khác nhau. AI cũng có thể cải thiện độ chính xác của các dự báo tài chính và giúp tối ưu hóa các chiến lược kinh doanh. Bảng 1 đã tổng kết lại các đặc tính của FP&A trong tương lai.

Độ lớn thị trường và những tên tuổi lớn trong FP&A

Một nghiên cứu của Allied Market Research cho thấy giá trị của thị trường phần mềm hoạch định tài chính toàn cầu được ước tính ở mức $3,5 tỷ năm 2021 và có thể đạt mức $16,9 tỷ năm 2031 với mức tăng trưởng trung bình năm là 16,6% trong giai đoạn 2022-2031 [13].

Trên thế giới, các công ty công nghệ về FP&A đã và đang được quan tâm và đầu tư, cho thấy tiền năng to lớn của AI trong việc cách mạng hóa lĩnh vực tài chính.

Cube, một công ty cung cấp giải pháp FP&A hiện đại, đã thu hút được khoản đầu tư 30 triệu USD sau khi chứng kiến mức tăng trưởng ARR (Annual Recurring Revenue - Doanh thu Định kỳ Hàng năm) 400% [14]. Điều này cho thấy sự hấp dẫn của AI trong việc tối ưu hóa quy trình tài chính, tăng tốc độ và hiệu quả của việc lập kế hoạch tài chính.

Bên cạnh đó, Pigment, đã huy động được 88 triệu USD trong vòng kêu gọi vốn Series C và 145 triệu USD vốn trong vòng Series D, cho thấy sự đầu tư mạnh mẽ vào các công nghệ AI để nâng cao khả năng lập kế hoạch tài chính [15] [16]. Pigment sử dụng AI để cung cấp các giải pháp lập kế hoạch tài chính thông minh, giúp các doanh nghiệp có thể dễ dàng dự đoán và điều chỉnh các kịch bản tài chính khác nhau.

Tháng 3/2022, DataRails, một nền tảng FP&A cho người dùng Excel, đã thông báo rằng họ đã huy động được 50 triệu USD trong vòng gọi vốn Series B [17]. Đây là lần đầu tư thứ ba của công ty trong 12 tháng, do Qumra Capital dẫn đầu, sau khi DataRails đạt mức tăng trưởng doanh thu gấp 5 lần trong năm qua, định vị công ty này là nhà lãnh đạo thị trường trong phần mềm FP&A cho các doanh nghiệp vừa và nhỏ.

Trong tương lai, việc tích hợp AI vào FP&A sẽ tiếp tục được đẩy mạnh, mang lại nhiều cơ hội và thách thức mới cho các doanh nghiệp và nhà quản lý tài chính.

Hình 3: Một số nền tảng FP&A tiêu biểu

Ứng dụng FP&A ở Việt Nam

Tại Việt Nam số lượng doanh nghiệp có quy mô vừa và nhỏ chiếm hơn 90%, việc đầu tư vốn để nâng cao cấp công nghệ và đào tạo đội ngũ kế toán là vấn đề cần xem xét vì doanh nghiệp vẫn còn cân nhắc giữa số vốn bỏ ra với hiệu quả mang lại khi quy mô chưa thực sự lớn [18]. Hơn nữa, đầu tư công nghệ trở thành công cụ đắc lực phục vụ cho hoạt động kế toán và hoạt động doanh nghiệp cũng không thể thực hiện ngay được. Các doanh nghiệp cũng không thể dễ dàng thay đổi một đội ngũ kế toán mới có hiểu biết về công nghệ thay cho đội ngũ hiện có, cần đào tạo nâng cao sự hiểu biết vận hành được hệ thống công nghệ.

Nghiên cứu của Tra Lam Khanh [19] về tác động của Cách mạng công nghiệp 4.0 đến chuyên môn kế toán tại Việt Nam cho thấy, rất ít kế toán, kiểm toán viên, và các hiệp hội chuyên gia tập trung vào việc thay đổi để áp dụng công nghiệp 4.0 trong công việc của họ. Hầu hết người được hỏi đều thiếu hiểu biết về cơ hội và thách thức từ cuộc cách mạng này.

Mới đây, Nguyễn Thị Hoàng Yến [20] đã khảo sát 101 doanh nghiệp về việc áp dụng trí tuệ nhân tạo vào công tác kế toán. Kết quả cho thấy phần lớn các doanh nghiệp đã chuyển sang sử dụng phần mềm kế toán (70,3%), với một tỷ lệ nhỏ (9,9%) sử dụng công cụ kế toán AI. Kết quả khảo sát cũng khẳng định sự nhận thức và chấp nhận rộng rãi về giá trị và tiềm năng của AI trong kế toán, dù vẫn còn một số hạn chế.

Để đẩy mạnh ứng dụng AI, các tổ chức nghề nghiệp cần tăng cường đầu tư vào đào tạo nhân lực nắm vững và có thể sử dụng AI, trong khi doanh nghiệp cần xây dựng cơ sở dữ liệu lớn, tích hợp với các hệ thống quản trị, và sử dụng các phần mềm kế toán hiện đại [21]. AI sẽ giúp phân tích dữ liệu và dự báo tài chính, hỗ trợ nhà quản trị ra quyết định chiến lược hiệu quả hơn, và dưới đây sẽ là một ví dụ cụ thể có tên là nền tảng BeeKrowd có tích hợp AI tạo sinh nhằm giúp các doanh nghiệp phân tích và lập kế hoạch tài chính.

Ví dụ cụ thể về ứng dụng AI trong phân tích tài chính kế toán: Nền tảng BeeKrowd

Thách thức gặp phải trong việc thực hiện FP&A hiện nay

Khác với nghiệp vụ kế toán là việc tập trung vào việc phản ánh các hoạt động đã xảy ra trong quá khứ và cung cấp thông tin tài chính cho các bên liên quan như nhà đầu tư, cơ quan thuế, ngân hàng, và các cơ quan chức năng khác thì hoạt động FP&A bao gồm việc dự báo và lập kế hoạch cho các sự kiện trong tương lai, quản lý rủi ro, và tối ưu hóa nguồn lực tài chính để đạt được mục tiêu kinh doanh.

Các DN thường gặp phải các khó khăn sau đây trong FP&A. Thứ nhất, dữ liệu phân tán và rời rạc là tình trạng khá phổ biến ở các DN nhỏ và vừa, hay đặc biệt là các startups. Dữ liệu tài chính thường nằm rải rác trong nhiều bảng tính và hệ thống khác nhau như Excel, phần mềm kế toán, phần mềm quản lý quan hệ khách hàng (CRM)... việc này gây khó khăn trong việc tổng hợp và phân tích.

Thứ hai, chu kỳ báo cáo kéo dài khiến việc tạo ra các báo cáo tài chính mất nhiều thời gian và công sức, đặc biệt khi phải cập nhật thủ công các biểu đồ và số liệu.

Thứ ba, dự báo tài chính không chính xác do dữ liệu không đồng nhất và các công thức Excel phức tạp.

Thứ tư, thiếu tự tin với số liệu FP&A: Các nhà quản lý thường không tự tin với các số liệu tài chính do các lỗi phát sinh từ việc nhập liệu thủ công và công thức phức tạp. Và BeeKrowd ra đời nhằm khắc phục những vấn đề này.

Mô tả giải pháp của BeeKrowd

BeeKrowd là một nền tảng AI tiên tiến được thiết kế để tối ưu hóa quy trình lập kế hoạch tài chính và phân tích cho các doanh nghiệp khởi nghiệp và doanh nghiệp nhỏ. Mục tiêu của nền tảng là giúp các nhà quản lý doanh nghiệp tự động hóa nhiều quy trình FP&A, đưa ra các phân tích tự động dựa trên dữ liệu thời gian thực và quản lý rủi ro hiệu quả.

BeeKrowd cung cấp một loạt các giải pháp để giải quyết những vấn đề trên thông qua các tính năng: i) tự động hóa phân tích; ii) thông tin thời gian thực và phát hiện bất thường trong dữ liệu; iii) phân tích kịch bản và quản lý rủi ro; iv) sản xuất báo cáo tự động về lãi lỗ, cân đối tài chính. Với những tính năng trên thì lợi ích mà nền tảng BeeKrowd có thể mang lại các lợi ích sau: tiết kiệm thời gian qua giảm bớt khối lượng công việc thủ công; có dữ liệu tham chiếu đầy đủ để đưa ra quyết định tốt hơn; tiết kiệm chi phí, tối ưu hóa nguồn lực, và hạn chế rủi ro.

Việc xây dựng một mô hình FP&A về dựa trên những những nguyên tắc nhất định giống việc lắp ráp các module của một thiết bị máy móc. Nếu những module đó được xây dựng đúng tiêu chuẩn kỹ thuật và đầy đủ thì việc xây dựng nên một FP&A cũng giống như việc lắp rắp một mô hình LEGO. Phần mô tả giải pháp dưới đây có thể được áp dụng cho hầu hết các mô hình tài chính không quá phức tạp và không đi chi tiết vào những công thức tính toán phức tạp mà chỉ mô tả tổng quan những module cần được xây từng bước và ghép lại.

Hình 4: Những module để xây dựng mô hình phân tích và lập kế hoạch tài chính trên nền tảng BeeKrowd [22].

Module 1 – Tập những giả định chung:

Đây là những giả định chung được dùng cho mô hình. Ví dụ như: thời gian dự đoán của mô hình, thời gian bắt đầu lập mô hình, đơn vị tiền tệ sử dụng, giả định về lạm phát, giả định về tỉ giá, giả định về mức thuế thu nhập doanh nghiệp... Những giả định chung phải bảo đảm nguyên tắc khai báo như một biến, tách rời với các module khác, thuận lợi để một người dùng mới có thể điều chỉnh hoặc thay đổi theo nhận định riêng.

Module 2 - Khách hàng:

Module khách hàng được xây dựng xây dựng đầu tiên vì nếu không có khách hàng sẽ không có doanh thu. Module khách hàng là điều kiện tiên quyết trước khi xây dựng module về Doanh thu. Module khách hàng thông thường sẽ xoay quanh việc tăng trưởng số lượng khách qua cách kênh bán hàng.

Ví dụ, đơn cử là một chuỗi siêu thị có thể có các kênh khách hàng đến từ những người đến trực tiếp tại quán (walk-in), những khách hàng mua từ website, những khách hàng là kênh doanh nghiệp (B2B)...

Ở mức độ phức tạp hơn, module khách hàng phải phân tích được các chỉ số mà hiện nay các công ty đứng đầu thế giới đang sử dụng để đánh giá sâu dữ liệu liên quan đến khách hàng liên quan đến Chi phí thu hút khách hàng (Customer Acquisition Cost), Tỷ lệ duy trì khách hàng (Retention Rate), Tỷ lệ rời bỏ khách hàng (Churn rate)...

Module 3 - Doanh thu: Module doanh thu được xây dựng dựa trên số liệu của module Khách hàng song song với việc sử dụng các dữ liệu chi tiết liên quan đến: Giá bán sản phẩm (Product price); Số lượng sản phẩm trung bình được mua từ mỗi khách hàng; Mức chiết khấu; Các khoản giảm trừ doanh thu; Giá vốn hàng bán (COGS)... Ở mức độ phức tạp hơn, module doanh thu phải thể hiện đúng các trường hợp việc Mua hàng theo hình thức theo công nợ, thu trước của khách hàng...

Module 4 - Chi phí: Module Chi phí bao gồm các hạng mục chi phí cố định hoặc những chi phí biến động. Thông thường liên

quan đến chi phí cố định, BeeKrowd hỗ trợ người dùng điền vào giá trị của chi phí, tần suất của việc tăng/giảm chi phí, mức phần trăm tăng/giảm và các số liệu sẽ được tính toán một cách tự động.

Module 5 - Nhân sự: Module nhân sự bao gồm các giả định liên quan đến việc tuyển dụng, bộ máy nhân sự như chức danh nhân sự đang làm, mức lương, tần suất tăng lương, phần trăm lương tăng, số lượng nhân sự ở vị trí đó, các chính sách khen thưởng, mức thuế TNCN áp lên nhân sự đó...

Module 6–Về đầu tư tài sản cố định (CAPEX): Module này quản lý tất cả các giả định liên quan đầu tư tài sản cố định, những tài sản có khấu hao và thời gian sử dụng để tính khấu hao cũng như dòng tiền chi ra để mua các tài sản này

Module 7, 8 - Về các khoản vay hoặc huy động vốn: Module này quản lý tất cả các giả định liên quan đến các khoản vay bao gồm giá trị khoản vay, lãi suất, thời gian bắt đầu vay, thời gian kết thúc, phương thức trả gốc và lãi của khoản vay...

Việc sử dụng AI vào quy trình FP&A của BeeKrowd

Việc sử dụng AI trong quy trình FP&A của BeeKrowd được thể hiện qua những điểm như sau.

Thứ nhất, việc dùng AI vào việc đề xuất các giá trị phù hợp khi sử dụng giả định cho mô hình, trong đó BeeKrowd có thể thiết kế một bộ dữ liệu chuẩn làm sample cho một mô hình tài chính và đề xuất một AI tạo sinh (ở đây là Large Language Model - LLM, mô hình ngôn ngữ lớn) trả về một bộ dữ liệu dạng chuẩn (structured data) theo đúng định dạng đó và truyền vào các dữ liệu đầu vào.Ví dụ, người dùng chỉ cần ra lệnh “Mô hình nhà hàng chay” lập tức hệ thống sẽ tự động đề xuất luôn các giá trị liên quan các module trên như:

Đối với Module Khách hàng: Khách ghé quán (Walk-in), Khách mua từ ứng dụng (Grab), Khách đặt qua website...

Đối với Module Doanh thu: AI sẽ đề xuất luôn các món ăn mà nhà hàng có thể bán như Bún chay, Cơm chay với giá bán khá phù hợp

Đối với Module Chi phí: AI sẽ đề xuất luôn các chi phí liên quan nhà hàng chay như chi phí thuê mặt bằng, chi phí điện nước, chi phí marketing trên Facebook...

Và tương tự cho các module khác. Tóm lại, điều BeeKrowd áp dụng được AI một cách khác biệt là thiết kế một bộ dữ liệu chuẩn làm sample cho một mô hình tài chính, đề xuất một mô hình LLM trả về một bộ dữ liệu dạng chuẩn (structured data) theo đúng định dạng đó và truyền vào các dữ liệu đầu vào.

Thứ hai, BeeKrowd sử dụng API của Perplexity để truy vấn các dữ liệu với nguồn uy tín, qua đó khắc phục rủi ro về ảo giác AI (hallucinations) của các các mô hình ngôn ngữ lớn LLM hiện nay. Như đã trình bày ở phần dẫn nhập, LLM có hạn chế khi có thể xuất ra các thông tin sai lệch khi nó không có câu trả lời hoặc thể hiện thông tin lỗi thời hoặc chung chung. Do đó, BeeKrowd sử dụng API của Perplexity để truy vấn các dữ liệu với nguồn uy tín. Điều này giúp đưa ra những giả định chính xác và có căn cứ hơn.

Ví dụ, giá vốn hàng bán của ngành đồ ăn và thức uống theo dữ liệu chính thức có dao động vào khoảng 30-35% doanh thu theo lightspeedhq. Do vậy, nếu người dùng sử dụng một chỉ số bất hợp lý như 15 - 20% thì AI có thể phát hiện và đưa ra những đề xuất về việc sử dụng những giá trị hợp lý hơn. Hơn nữa, việc dùng AI để đưa ra phân tích what-if, phân tích theo kịch bản để đưa ra red flags và warnings trước cho người quản lý.

Sự quan trọng của việc xây dựng mô hình FP&A không chỉ dừng ở việc hoàn thành được mô hình mà là việc sử dụng nó trong việc dự báo và nhận định được những diễn biến trong tương

lai, một vấn đề quan trọng trong vấn đề sàng lọc thông tin trong điều kiện nhiều hỗn loạn hiện nay [23, 24]. AI có thể hỗ trợ tốt việc này bằng việc đưa ra các dự đoán và những phân tích theo cách kịch bản xấu, kịch bản cực đoan... để tính toán.

Một vài gợi mở về tương lai của AI trong phân tích và lập kế hoạch tài chính

Có thể thấy rằng, ví dụ về nền tảng BeeKrowd cho thấy sự ra đời của AI tạo sinh giúp thúc đẩy sự phát triển mạnh mẽ, đa dạng của các nền tảng phân tích và lập kế hoạch tài chính. Hơn nữa, sản phẩm phái sinh tới từ các mô hình nền tảng như AI tạo sinh đang được các nhà khởi nghiệp, kĩ sư nghiên cứu nhằm đáp ứng trực tiếp nhu cầu phân tích dữ liệu và thông tin rất lớn hiện nay. Đây cũng là một thị trường tiềm năng, nếu có sự thúc đẩy, định hướng, và quản lý tốt có thể giúp khai phóng rất nhiều nguồn lực sáng tạo phục vụ phát triển kinh tế -xã hội [25, 26]

Có thể tưởng tượng rằng trong tương lai, thay vì phải đi xem lại các file dữ liệu, chủ DN có thể hỏi trực tiếp trợ lý AI [27] về kinh phí lương cho từng phòng ban, nhân sự tại một thời điểm, mức tăng quỹ lương từ quý này sang quý khác, kênh bán nào hoặc doanh thu sản phẩm nào chiếm trọng số cao nhất, tỷ lệ rời bỏ của khách hàng, mức độ tăng trưởng số lượng khách hàng của kênh bán, v.v...

Gần đây, tất cả những câu hỏi này sẽ được AI truy vấn trực tiếp qua một mô hình mới gọi là RAG (Retrieval Augmentation Generation – Tạo tăng cường truy xuất). RAG sẽ đưa ra câu trả lời dựa trên dữ liệu tài chính riêng biệt mà DN đã cung cấp cho nó. Điều này giúp tăng độ chính xác (và giảm rủi ro ảo giác AI), tăng tính tập trung của AI đối với một tập dữ liệu cụ thể.

Nói cách khác, AI sẽ đóng vai trò như một Giám đốc Tài chính ảo để xử lý được các câu hỏi của chủ DN về các số liệu tài chính không quá phức tạp. Và đây không phải là khoa học viễn tưởng mà có thể là một cơ hội công nghệ chúng ta nhất định phải biết nắm bắt và tận dụng. Điều này khiến ta nhớ đến tác giả câu nói nổi tiếng của tác giả Arthur C. Clarke (1917 - 2008): “Bất kỳ kỹ thuật công nghệ đủ tiên tiến nào cũng không khác chi ma thuật”.

“
Tài liệu tham khảo:
1. Shabsigh, G. and E.B. Boukherouaa. Generative Artificial
Intelligence in Finance. FinTech Notes 2023 [cited 2023 June
06]; Available from: https://www.imf.org/en/Publications/
fintech-notes/Issues/2023/08/18/Generative-Artificial-
Intelligence-in-Finance-Risk-Considerations-537570.
2. Vương Quân Hoàng, et al., Một số vấn đề an ninh thông tin
trọng yếu trong kỷ nguyên AI. Trang Thông tin Điện tử Hội
đồng Lý luận Trung ương, 2024(3/2024).
3. VinFuture. Chuyên Gia: Công Cụ AI Hiệu Quả, Nhưng Đừng
Rơi Vào Bẫy “Ảo Giác”. 2023 [cited 2024 June 6]; Available
from: https://vinfutureprize.org/vi/tin-tuc/chuyen-gia-cong-
cu-ai-hieu-qua-nhung-dung-roi-vao-bay-ao-giac/.
4. Ho, M.-T., et al. A Systematic and Critical Review on the
Research Landscape of Finance in Vietnam from 2008 to
2020. Journal of Risk and Financial Management, 2021. 14,
DOI: 10.3390/jrfm14050219.
5. Vuong, Q.-H. and M.-T. Ho, Abundance of words versus
poverty of mind: the hidden human costs co-created with
LLMs. AI & SOCIETY, 2024.
6. Hồng Anh. “Thị trường tài chính Việt Nam năm 2024 được dự
báo tích cực hơn” đăng trên Báo Nhân Dân 2024 [cited 2024
June 06]; Available from: https://nhandan.vn/thi-truong-
tai-chinh-viet-nam-nam-2024-duoc-du-bao-tich-cuc-hon-
post804940.html.
7. Udemy. Lập kế hoạch & Phân tích Tài chính (FP&A). 2024;
Available from: https://www.udemy.com/course/us-cma-
quan-tri-chi-phi-ky-thi-2024/.
8. CleverCFO. LẬP KẾ HOẠCH VÀ PHÂN TÍCH TÀI CHÍNH (FP&A) LÀ GÌ? 2024 [cited 2024 June 4]; Available from: https://
clevercfo.com/lap-ke-hoach-va-phan-tich-tai-chinh-fpa-la-
gi.
9. Calvo, R. 8 Powerful Stats Shedding light on the Economic
Role of FP&A. 2024 [cited 2024 June 5]; Available
from: https://www.datarails.com/fpa-economic-
role/?ref=financealliance.io.
10. Linkedin News. LinkedIn Jobs on the Rise 2022: The 25
U.S. roles that are growing in demand. 2022 [cited 2024;
Available from: https://www.linkedin.com/pulse/linkedin-
jobs-rise-2022-25-us-roles-growing-demand-linkedin-news/.
11. Donnelly, S. The future of FP&A: How the FP&A role is
evolving. 2023 [cited 2024 June 5]; Available from: https://
www.financealliance.io/future-of-fp-a/.
12. Vena Solutions. 80 AI Statistics Shaping Business in 2024.
2024 [cited 2024 June 5]; Available from: https://www.
venasolutions.com/blog/ai-statistics.
13. Allied Market Research. Financial Planning Software
Market Size, Share, Competitive Landscape and Trend
Analysis Report by Component, By Deployment Mode, By
Application, By End User : Global Opportunity Analysis and Industry Forecast, 2021-2031. 2022 [cited 2024; Available
from: https://www.alliedmarketresearch.com/financial-
planning-software-market-A16422?[2].
14. Azevedo, M.A. Cube, which wants to help finance teams
plan better and faster, lands $30M after seeing 400% ARR
growth. 2022 [cited 2024 June 5]; Available from: https://
techcrunch.com/2022/06/15/cube-which-wants-to-help-
finance-teams-plan-better-and-faster-lands-30m-after-
seeing-a-400-growth-in-arr/.
15. Pigment. Pigment announces $88 million Series C. 2023
[cited 2024 June 5]; Available from: https://www.prnewswire.
com/news-releases/pigment-announces-88-million-
series-c-301845489.html.
16. Pigment. Pigment announces $145 million series D led
by ICONIQ Growth. 2024 [cited 2024 June 5]; Available
from: https://www.prnewswire.com/news-releases/
pigment-announces-145-million-series-d-led-by-iconiq-
growth-302107856.html.
17. DataRails. DataRails Raises $50M Series B Funding
Led by Qumra Capital to Become the Market Leading
Solution for Financial Planning and Analysis. 2022 [cited
2024 June 5]; Available from: https://www.prnewswire.com/
news-releases/datarails-raises-50m-series-b-funding-led-by-
qumra-capital-to-become-the-market-leading-solution-for-
financial-planning-and-analysis-301500177.html.
18. Mai Thị Quỳnh Như. VẬN DỤNG TRÍ TUỆ NHÂN TẠO TRONG
HÀNH NGHỀ KẾ TOÁN TẠI VIỆT NAM - THỰC TRẠNG VÀ GIẢI
PHÁP. 2021 [cited 2024 June 5]; Available from: https://
kketoan.duytan.edu.vn/Home/ArticleDetail/vn/132/3563/
bai-viet-th.s-mai-thi-quynh-nhu-van-dung-tri-tue-nhan-tao-
trong-hanh-nghe-ke-toan-tai-viet-nam-thuc-trang-va-giai-
phap.
19. Tra Lam Khanh, Impact of industrial revolution 4.0 (Industry
4.0) to the accounting profession in Vietnam. 2018. 346.
20. Nguyễn Thị Hoàng Yến. Áp dụng trí tuệ nhân tạo (AI) trong
công tác kế toán tại Việt Nam
2024 [cited 2024 June 5]; Available from: https://
kinhtevadubao.vn/ap-dung-tri-tue-nhan-tao-ai-trong-cong-
tac-ke-toan-tai-viet-nam-28867.html.
21. Mantello, P. and M.-T. Ho, Emotional AI and the future of
wellbeing in the post-pandemic workplace. AI & SOCIETY,
2023.
22. BeeKrowd Corp. Build your Financial Planning & Analysis
under 5’ with AI. 2024 [cited 2024 June 06]; Available from:
https://www.beekrowd.com/.
23. Ho, M.-T. and T.H.-K. Nguyen, Bài toán về hệ thống hóa
quá trình sàng lọc thông tin trước sự trỗi dậy của thuật
toán thông minh Tạp chí Thông Tin & Truyền Thông,
2024(March/2024).
24. Vuong, Q.H., Mindsponge theory. 2022: Walter de Gruyter
GmbH.
25. Phạm Minh Chính and Vương Quân Hoàng, Kinh tế Việt
Nam: Thăng trầm và đột phá. 2009: Nxb Chính trị quốc gia-Sự
thật.
26. Ho, M.-T. and Q.-H. Vuong, Five premises to understand
human–computer interactions as AI is changing the world. AI
& SOCIETY, 2024.
27. Ho, M.-T. and M.-T. Ho, Bridging divides: Empathy-
augmenting technologies and cultural soul-searching. AI &
SOCIETY, 2024.

(Bài đăng ấn phẩm in Tạp chí TT&TT số 8 tháng 8/2024)

Th.S. Nguyễn Tô Việt Hà*, Th.S. Phạm Mạnh Hà** *Công ty TNHH Toàn Việt, **BeeKrowd Corp