Hvorfor dårlige data, ikke dårlige modeller, ødelægger dine økonomiske prognoser
Hvorfor dårlige data, ikke dårlige modeller, ødelægger dine økonomiske prognoser
Oversigt
Hver gang en prognose slår fejl, opstår den samme samtale. Nogen spørger, om modellen skal opdateres. En leverandør bliver inviteret ind. Et pilotprojekt bliver godkendt.
Og det egentlige problem flytter sig ikke.
I de fleste af de finansteams, vi arbejder med i hele Europa, er ustabilitet i prognoser ikke et modelleringsproblem; det er et dataproblem. Modellen gør præcis det, den er designet til at gøre; den arbejder blot med input, der er ufuldstændige, inkonsekvent definerede eller ankommer for sent til at have betydning. En opgradering af algoritmen i den situation løser ikke prognosen. Det producerer en mere sofistikeret version af det samme forkerte svar.
Den bias ingen ser, før det er for sent
Her er hvad der gør dårlig datakvalitet så svær at opdage: den er usynlig, indtil den ikke er det længere.
En systematisk opadgående bias på 3% i dine indtægter viser sig ikke af sig selv. Den flyder stille og roligt ind i din medarbejderplan, din driftsmodel og din fremskrivning af frie pengestrømme. Når den dukker op i en diskussion om varians på bestyrelsesniveau, har den gennemgået fire modelfaser og opnået troværdighed i hvert trin. Efterfølgende evaluering konkluderer, at modellen fungerede som designet, hvilket teknisk set er sandt. Ingen kontrollerede, om inputtene var rene.
Dette er især vigtigt i europæiske miljøer med flere enheder, hvor konsolidering på tværs af jurisdiktioner, hver med sin egen kontoplan, lokale GAAP-justeringer og interne elimineringer, betyder, at definitionsmæssig uoverensstemmelse ikke er undtagelsen. Det er standarden. Et omsætningstal fra et tysk datterselskab og et omsætningstal fra en hollandsk enhed kan måle forskellige ting, og en prognosemodel har ingen måde at vide det på, medmindre nogen løser definitionen, før dataene ankommer.
De fire ting, der rent faktisk driver prognosestabilitet
Når vi taler om datakvalitet i en FP&A-kontekst, er nøjagtighed (er tallene korrekte) kun én del. Finansteams med de mest stabile prognoser er disciplinerede omkring fire ting:
NøjagtighedTallene stemmer overens med autoritative kildesystemer, ikke med uddraget fra sidste måneds regneark.
RettidighedData er tilgængelige med den kadens, modellen har brug for. En T+5-lukning, der giver en ugentlig rullende prognose, er et strukturelt problem, ikke et IT-problem.
FuldstændighedDatasættet dækker hele enhedens omfang. I europæiske organisationer betyder dette normalt, at datterselskaber, der ikke er fuldt integreret i ERP'en, estimeres snarere end måles.
Definitionskonsistens: Hver variabel betyder det samme på tværs af hver kilde, der fodrer modellen. Omsætning, antal medarbejdere, ordrebeholdning, committed pipeline: Hvis disse er defineret forskelligt i dit CRM-system, dit ERP-system og dit konsolideringslag, forudsiger din model ikke din forretning. Den forudsiger forskellen mellem dine taksonomier.
Det sidste punkt er der, hvor der faktisk er mest varians, og det er det, der får mindst opmærksomhed.
Hvor F&A BPO ændrer ligningen
Interne finansteams har en strukturel ulempe her. Datastyringsarbejde er uglamourøst, det går på tværs af forretningsenheder, og det konkurrerer om båndbredde med afslutningscyklussen, revisionsforberedelser og hvad end dette kvartals prioriterede projekt er. Det bliver nedprioriteret, ikke fordi nogen synes, det er uvigtigt, men fordi der altid er noget mere presserende.
Det er præcis her, at en erfaren F&A BPO-partner tilfører værdi, der rækker ud over omkostningsreduktion. Når dine kerneøkonomiprocesser styres af et team, hvis hele driftsmodel afhænger af rene, konsistente og rettidige data, holder datakvalitet op med at være en baggrundsproblem og bliver et leveringskrav. Afstemningsbrud bliver fanget i pipelinen, ikke i bestyrelsen. Definitionsuoverensstemmelser bliver eskaleret og løst, ikke stille og roligt estimeret.
Det europæiske lovgivningsmiljø forstærker dette. CSRD-rapporteringskrav, som gælder for en betydelig andel af store europæiske virksomheder, kræver revisionsbarhed og konsistens i ikke-finansielle data, der er direkte afhængige af den samme datainfrastruktur, som dit FP&A-team er afhængig af. For finansielle kunder hæver Basel IV barren væsentligt for styring af modelinput. Organisationer, der behandler datakvalitet som et FP&A-problem snarere end en virksomhedsomspændende disciplin, oplever i stigende grad, at den lovgivningsmæssige kalender gør denne position uholdbar.
Investeringscasen
Hvis du vejer en modelleringsopgradering op mod et datasaneringsprogram, er tallene generelt ikke tæt på.
En ny ML-baseret prognoseplatform koster typisk 1.5-2.5 millioner euro at implementere korrekt, hvor leverandør-backtests viser en forbedring af nøjagtigheden på 15-20 %. Disse backtests kørte på rene data. Din er sandsynligvis ikke rene. Den reelle nøjagtighedsforøgelse ligger tættere på 5-8 %, fordi den nye model arver den samme strukturelle støj, som den gamle arbejdede med.
Et fokuseret program til afhjælpning af datakvalitet og pipeline, der dækker huller i kildesystemet, definitionsstyring og reduktion af latenstid, koster typisk en brøkdel af det. Og det forbedrer alle modeller i din pipeline samtidigt, fordi de alle får bedre input. De organisationer, der sekvenserer dette korrekt; data først, modelopgraderinger derefter, ser konsekvent 3-4 gange mere nøjagtighedsforbedring pr. euro brugt.
Et ord om AI-prognoseværktøjer
De fleste europæiske finansledere evaluerer i øjeblikket AI-drevne FP&A-platforme. Markedsføringen antyder ofte, at modellen er kapabel nok til at kompensere for rodede data, at den kan finde signal i støj. Det kan den ikke. Disse er sofistikerede mønstermatchningssystemer, og sofistikeret mønstermatchning på støjende data finder falske mønstre. Spørgsmålet, man skal stille enhver AI-prognoseleverandør, er ikke... hvor præcis er din model på dine dataDet er: hvad sker der med prognosestabiliteten, når vores inputdata har huller i dækningen eller uoverensstemmelser i definitionerne? Hvis de ikke kan svare specifikt på det, er det information.
Spørgsmålet værd at stille dit team
Prognosestabilitet er et kommercielt aktiv. Organisationer, der planlægger pålideligt, allokerer kapital mere effektivt, har mindre buffer mod usikkerhed og agerer hurtigere, når forholdene ændrer sig. Vejen til det går gennem datakvalitet, ikke modelsofistikering.
Det er værd at stille jeres ledelse inden for FP&A et diagnostisk spørgsmål nu: Hvilken andel af variansen i sidste års tre største prognosefejl kom fra modelfejl versus inputdatafejl? Hvis de kan svare med sikkerhed på det, har I den indsigt, I har brug for. Hvis de ikke kan, er det dér, I skal starte.
Har du et spørgsmål?
Kom i kontakt!
Baltic Assist leverer en omfattende outsourcing-løsning, der sparer omkostninger, øger effektiviteten og strategisk beslutningstagning for din virksomhed.
