Hoe financieel analisten datavaardigheden kunnen benutten

Financieel analisten werken in sterk kwantitatieve en data-georiënteerde rollen. In een McKinsey-enquête zei 87% van de respondenten dat ze nu of binnen 5 jaar met vaardigheidskloofen te maken hebben, waarbij 43% aangaf dat de grootste tekorten in datarollen zitten. Deze rollen worden steeds belangrijker in Finance, aangezien Gartner voorspelt dat in 2021 meer dan 80% van de financiële dienstverleners geavanceerde analytics vaker zal inzetten.

Financeteams zouden “moderne” datatools zoals R, Python en SQL of business intelligence moeten leren om inzichten te verkrijgen die voorheen verborgen bleven. Naast het genereren van waardevolle inzichten is het volgens 64% van de deelnemers aan een Robert Half-enquête zeer aantrekkelijk voor werkzoekenden als analisten nieuwe datavaardigheden kunnen leren.

In dit artikel bekijken we 4 data science-usecases die financieel analisten vandaag al kunnen inzetten om hun vakinhoudelijke expertise aan te vullen.

Vier manieren waarop financieel analisten kunnen starten met datavaardigheden

Analyseer snel data en communiceer inzichten

Een belangrijk onderdeel van de verantwoordelijkheden van een financieel analist is het vermogen om financiële data te analyseren en daaruit inzichten te halen. Naast hun vaardigheden met Excel kunnen ze het analyseproces efficiënter en effectiever maken door tools zoals SQL te gebruiken, naast BI-tools en open-source programmeertalen zoals R en Python.

Deze tools zijn vooral nuttig bij analyses met grotere datasets. SQL is een programmeertaal die wordt gebruikt om te communiceren met databases om data op te halen en te organiseren. Het stelt analisten in staat precies die informatie op te halen waarin ze geïnteresseerd zijn, wat leidt tot snellere analysetrajecten. Als een analist bijvoorbeeld een model bouwt om kasstromen voor een specifieke afdeling te projecteren, kan diegene de database met alle kasstromen van de organisatie filteren op alleen de afdeling die hij of zij wil analyseren. Snel toegang krijgen tot precies de data die nodig is voor de analyse leidt tot aanzienlijk efficiëntere workflows.

Zodra de data zijn verzameld, kunnen inzichten snel worden verkregen via SQL door samenvattende statistieken te berekenen. Zo kan het gemiddelde en de standaarddeviatie van kasstromen per maand snel worden berekend met gegroepeerde berekeningen in SQL.

Het communiceren van inzichten uit analyses naar stakeholders is cruciaal om waarde toe te voegen. Ontdekken hoe je kasstromen kunt verbeteren is alleen waardevol als dat effectief wordt gecommuniceerd aan besluitvormers op een manier die aanzet tot actie. Deze inzichten kunnen nauwkeurig worden beschreven via BI-tools (zoals Power BI en Tableau) of open-sourcelibraries in Python en R zoals Dash en Shiny. Met deze tools kunnen analisten hun bevindingen snel weergeven via interactieve dashboards.

Neem betere beslissingen door tijdreeksdata te forecasten

Een andere waardevolle usecase in data science voor financieel analisten is het analyseren van tijdreeksdata. Nauwkeurige voorspellingen doen is een veelvoorkomende taak voor financieel analisten. Ze kunnen de toekomstige beweging van aandelenkoersen, klantverloop, kasstromen of customer lifetime value voorspellen. Deze voorspellingen moeten betrouwbaar en accuraat zijn om waarde toe te voegen aan besluitvormingsprocessen.

Historische data kunnen worden ingezet bij voorspeltaken om realistischer en met meer vertrouwen te voorspellen. Seizoenspatronen zijn cruciaal bij veel forecasttaken. Gedurende het jaar fluctueren bedrijfsactiviteiten. Dit geldt des te meer wanneer ontwrichtende gebeurtenissen zoals covid-19 de activiteiten van de meeste organisaties beïnvloedden. Inzicht in deze seizoensfluctuaties kan leiden tot aanzienlijk betere voorspellingen. Er zijn veel open-sourcetools in R en Python die tijdreeksanalyse stroomlijnen. Daarmee kun je voorspeltaken dynamischer aanpakken.

Automatiseer bedrijfsprocessen met programmeervaardigheden

Een waardevolle toepassing van programmeervaardigheden in elke sector is het vermogen om repetitieve taken te automatiseren. Scripts in R of Python kunnen dagelijks terugkerende taken uitvoeren om analisten tijd te besparen, zodat zij aan andere verantwoordelijkheden kunnen werken.

Een terugkerende taak is bijvoorbeeld dat een analist een lijst samenstelt van de best presterende aandelen voor een bepaalde sector van de vorige dag. Een analist kan een script maken dat elke avond draait nadat de markten sluiten. Dit script kan de benodigde data ophalen via de data-API van de organisatie, Python-datatypes en tools zoals pandas DataFrames en een Jupyter-notebook gebruiken om deze data effectief schoon te maken (voor eenvoudiger en breder gebruik), en tot slot een Excel-spreadsheet genereren in het formaat waarin de analist de data voorheen altijd handmatig invoerde.

De volgende ochtend kan de analist meteen doorgaan met vervolgstappen, zoals het schrijven van een rapport over deze data. Na enkele weken zal de hoeveelheid werk die deze analist kan verzetten, omdat hij of zij het spreadsheet niet meer elke ochtend handmatig hoeft te maken, aanzienlijk zijn.

Voorspel uitkomsten met machine learning

Machine learning speelt een integraal onderdeel in financiële analyse. Zowel supervised als unsupervised learning kunnen in finance worden ingezet om de efficiëntie en effectiviteit te verbeteren van taken zoals documentanalyse en het digitaliseren van fysieke documenten.

Er zijn veel toepassingen van supervised learning (het trainen van machinelearningmodellen met “juiste” labels zodat ze de taak later zonder labels kunnen uitvoeren) die voor financiële taken kunnen worden gebruikt. Enkele van deze taken zijn het omzetten van fysieke documenten naar digitale documenten, fraudedetectie, optimaal portefeuillebeheer en voorspellingen van toekomstige aandelenkoersen. Al deze taken zijn zeer belangrijk voor financieel analisten om accuraat uit te voeren. Analisten kunnen machine learning benutten met de grote hoeveelheden data die zij tot hun beschikking hebben om deze taken effectiever af te ronden. Andere toepassingen van machine learning in finance vind je hier.

Unsupervised learning (het trainen van modellen zonder vooraf gedefinieerde “juiste” labels) kan bij dit soort taken ook worden ingezet. Een mogelijk model kan bijvoorbeeld nieuw gedigitaliseerde documenten ordenen in een passende mappenstructuur voor snelle toegang.

Door modellen te bouwen die basistaken voor documentverwerking en -analyse afhandelen, kan een analist meer tijd besteden aan het creëren van actiegerichte inzichten uit al deze beschikbare data, die doorgaans onderbenut blijft vanwege de beperkte toegankelijkheid.

Upskilling is de enige weg vooruit

Nu data science steeds meer wordt geïntegreerd in de financiële sector, is de enige manier voor financieel analisten om succesvol te blijven en hun potentiële waarde voor hun organisaties volledig te benutten: datavaardigheden opdoen. Zoals te zien in de vier voorgaande usecases kunnen data science-vaardigheden de productiviteit en de kwaliteit van het werk sterk verbeteren via automatisering, organisatie en datavisualisaties.

Een recent onderzoek liet zien dat 90% van de financiële bedrijven verwacht hun dataconsumptie binnen een jaar te verhogen, en 52% van hen beschouwt het betekenisvol analyseren van deze data als een topstrategische prioriteit. Gezien de vaardigheidskloof op datagebied is upskilling voor financieel analisten de enige manier om aan deze verwachtingen te voldoen.