Dlaczego to złe dane, a nie złe modele, psują Twoje prognozy finansowe
Dlaczego to złe dane, a nie złe modele, psują Twoje prognozy finansowe
Przegląd
Za każdym razem, gdy prognoza okazuje się nietrafiona, toczy się ta sama rozmowa. Ktoś pyta, czy model wymaga aktualizacji. Dostawca zostaje zaproszony. Pilot zostaje zatwierdzony.
A rzeczywisty problem pozostaje ten sam.
W większości zespołów finansowych, z którymi współpracujemy w całej Europie, niestabilność prognoz nie jest problemem modelowania, lecz problemem danych. Model działa dokładnie tak, jak został zaprojektowany; po prostu pracuje z danymi wejściowymi, które są niekompletne, niespójnie zdefiniowane lub docierają zbyt późno, aby miały znaczenie. Ulepszenie algorytmu w takiej sytuacji nie naprawia prognozy. Generuje bardziej zaawansowaną wersję tej samej błędnej odpowiedzi.
Tego uprzedzenia nikt nie dostrzega, dopóki nie jest za późno
Oto powód, dla którego tak trudno wykryć dane o złej jakości: pozostają niewidoczne, dopóki nie znikną.
Systematyczne, 3% odchylenie w górę w danych wejściowych dotyczących przychodów nie jest oczywiste. Przenika dyskretnie do planu zatrudnienia, modelu OpEx i prognozy wolnych przepływów pieniężnych. Zanim pojawi się podczas dyskusji zarządu na temat odchyleń, przechodzi przez cztery etapy modelowania i na każdym etapie zyskuje wiarygodność. Analiza post mortem dowodzi, że model działał zgodnie z założeniami, co jest technicznie prawdą. Nikt nie sprawdził, czy dane wejściowe były czyste.
Ma to szczególne znaczenie w europejskich środowiskach wielopodmiotowych, gdzie konsolidacja między jurysdykcjami, z których każda ma własny plan kont, lokalne korekty GAAP i eliminacje międzypodmiotowe, oznacza, że niespójność definicji nie jest wyjątkiem. Jest standardem. Wartość przychodów z niemieckiej spółki zależnej i wartość przychodów z holenderskiej jednostki mogą mierzyć różne rzeczy, a model prognozowania nie ma sposobu, aby to stwierdzić, chyba że ktoś rozwiąże problem definicji przed nadejściem danych.
Cztery rzeczy, które faktycznie wpływają na stabilność prognoz
Mówiąc o jakości danych w kontekście FP&A, dokładność (czy liczby są poprawne) to tylko jeden z elementów. Zespoły finansowe o najbardziej stabilnych prognozach są zdyscyplinowane w kwestii czterech rzeczy:
Dokładność: dane są zgodne z autorytatywnymi systemami źródłowymi, a nie z wyciągiem z arkusza kalkulacyjnego z poprzedniego miesiąca.
Aktualność:dane są dostępne w tempie wymaganym przez model. Zamknięcie T+5 w tygodniowej prognozie toczącej się jest problemem strukturalnym, a nie informatycznym.
Kompletność:Zbiór danych obejmuje pełen zakres podmiotu. W organizacjach europejskich oznacza to zazwyczaj, że spółki zależne, które nie są w pełni zintegrowane z systemem ERP, są szacowane, a nie mierzone.
Spójność definicyjna: każda zmienna oznacza to samo we wszystkich źródłach zasilających model. Przychody, stan zatrudnienia, zaległości, zaangażowany lejek: jeśli są one definiowane inaczej w systemie CRM, ERP i warstwie konsolidacji, model nie prognozuje Twojej działalności. Prognozuje on jedynie lukę między taksonomiami.
W tym ostatnim punkcie faktycznie występuje najwięcej rozbieżności i to jemu poświęca się najmniej uwagi.
Gdzie F&A BPO zmienia równanie
Wewnętrzne zespoły finansowe mają w tym względzie strukturalną przeszkodę. Praca nad zarządzaniem danymi jest mało efektowna, wykracza poza granice jednostek biznesowych i konkuruje o przepustowość z cyklem zamkniętym, przygotowaniami do audytu i dowolnym priorytetowym projektem w tym kwartale. Jest ona odsuwana na dalszy plan, nie dlatego, że ktokolwiek uważa ją za nieważną, ale dlatego, że zawsze jest coś pilniejszego.
Właśnie w tym miejscu doświadczony partner F&A BPO wnosi wartość wykraczającą poza redukcję kosztów. Gdy Twoje podstawowe procesy finansowe są obsługiwane przez zespół, którego cały model operacyjny opiera się na czystych, spójnych i aktualnych danych, jakość danych przestaje być kwestią drugorzędną, a staje się wymogiem dostawy. Przerwy w uzgadnianiu są blokowane w procesie, a nie w pakiecie zarządczym. Niespójności definicyjne są eskalowane i rozwiązywane, a nie po cichu szacowane.
Europejskie otoczenie regulacyjne to wzmacnia. Wymogi dotyczące raportowania CSRD, które mają zastosowanie do znacznej części dużych europejskich firm, wymagają audytowalności i spójności danych niefinansowych, które są bezpośrednio zależne od tej samej infrastruktury danych, z której korzysta zespół FP&A. Dla klientów z sektora usług finansowych Bazylea IV znacząco podnosi poprzeczkę w zakresie zarządzania danymi wejściowymi do modeli. Organizacje, które traktują jakość danych jako problem FP&A, a nie jako dyscyplinę obejmującą całe przedsiębiorstwo, coraz częściej przekonują się, że kalendarz regulacyjny uniemożliwia utrzymanie takiego stanowiska.
Przypadek inwestycyjny
Jeśli rozważasz ulepszenie modelowania w porównaniu z programem naprawy danych, liczby zazwyczaj nie są zbliżone.
Nowa platforma prognozowania oparta na uczeniu maszynowym (ML) kosztuje zazwyczaj 1.5–2.5 mln euro, a testy wsteczne dostawców wykazują poprawę dokładności o 15–20%. Te testy wsteczne przeprowadzono na czystych danych. Twoje prawdopodobnie nie są czyste. Rzeczywisty wzrost dokładności jest bliższy 5–8%, ponieważ nowy model dziedziczy ten sam szum strukturalny, który był ignorowany przez stary model.
Skoncentrowany program poprawy jakości danych i procesu produkcyjnego, obejmujący luki w systemie źródłowym, zarządzanie definicjami i redukcję opóźnień, zazwyczaj kosztuje ułamek tej kwoty. Jednocześnie usprawnia każdy model w procesie produkcyjnym, ponieważ wszystkie otrzymują lepsze dane wejściowe. Organizacje, które stosują właściwą kolejność: najpierw dane, a potem aktualizacje modeli, konsekwentnie odnotowują 3-4-krotnie większą poprawę dokładności w przeliczeniu na każde wydane euro.
Kilka słów o narzędziach prognozujących AI
Większość europejskich liderów finansowych rozważa obecnie platformy FP&A oparte na sztucznej inteligencji. Marketing często sugeruje, że model ten jest wystarczająco zdolny do kompensacji nieuporządkowanych danych, aby móc znaleźć sygnał w szumie. To jednak nieprawda. Są to zaawansowane systemy dopasowywania wzorców, a zaawansowane dopasowywanie wzorców w zaszumionych danych pozwala na wykrywanie fałszywych wzorców. Pytanie, które należy zadać każdemu dostawcy rozwiązań prognozujących opartych na sztucznej inteligencji, brzmi: Jak dokładny jest Twój model oparty na Twoich danych?Chodzi o to: co się dzieje ze stabilnością prognoz, gdy nasze dane wejściowe mają luki w pokryciu lub niespójności definicyjne? Jeśli nie potrafią odpowiedzieć na to pytanie w sposób precyzyjny, to jest to informacja.
Pytanie, które warto zadać swojemu zespołowi
Stabilność prognoz to atut komercyjny. Organizacje, które planują rzetelnie, efektywniej alokują kapitał, mają mniejszy bufor na wypadek niepewności i szybciej reagują na zmieniające się warunki. Droga do niej wiedzie przez jakość danych, a nie przez zaawansowanie modelu.
Warto teraz zadać kierownictwu działu FP&A jedno pytanie diagnostyczne: w trzech największych błędach prognoz z zeszłego roku, jaka część wariancji wynikała z błędu modelu, a jaka z błędu danych wejściowych? Jeśli potrafią odpowiedzieć na to pytanie z pewnością, zapewnią sobie potrzebną widoczność. Jeśli nie, to od tego należy zacząć.
Mam pytanie?
Skontaktuj się z nami!
Baltic Assist zapewnia kompleksowe rozwiązania outsourcingowe, które pozwalają obniżyć koszty, zwiększyć wydajność i podejmować strategiczne decyzje w Twojej firmie.
