Varför dålig data, inte dåliga modeller, förstör dina finansiella prognoser
Varför dålig data, inte dåliga modeller, förstör dina finansiella prognoser
Översikt
Varje gång en prognos misslyckas rejält uppstår samma samtal. Någon frågar om modellen behöver uppdateras. En leverantör blir inbjuden. Ett pilotprojekt blir godkänt.
Och det verkliga problemet rör sig inte.
I de flesta finansteam vi arbetar med runt om i Europa är prognosinstabilitet inte ett modelleringsproblem; det är ett dataproblem. Modellen gör exakt vad den är utformad för att göra; den arbetar bara med indata som är ofullständiga, inkonsekvent definierade eller anländer för sent för att spela någon roll. Att uppgradera algoritmen i den situationen åtgärdar inte prognosen. Det producerar en mer sofistikerad version av samma felaktiga svar.
Fördomen ingen ser förrän det är för sent
Här är vad som gör dålig datakvalitet så svår att upptäcka: den är osynlig tills den inte är det.
En systematisk uppåtgående bias på 3 % i dina intäkter visar sig inte av sig själv. Den flyter tyst in i din personalplan, din driftskostnadsmodell och din prognos för det fria kassaflödet. När den väl dyker upp i en diskussion om avvikelser på styrelsenivå har den gått igenom fyra modellsteg och vunnit trovärdighet i varje steg. Efterkontrollen visar att modellen fungerade som avsett, vilket är tekniskt sant. Ingen kontrollerade om inputen var korrekt.
Detta är särskilt viktigt i europeiska miljöer med flera enheter, där konsolidering mellan jurisdiktioner, var och en med sin egen kontoplan, lokala GAAP-justeringar och elimineringar mellan företag, innebär att definitionsmässig inkonsekvens inte är undantaget. Det är standard. En intäktssiffra från ett tyskt dotterbolag och en intäktssiffra från en nederländsk enhet kan mäta olika saker, och en prognosmodell har inget sätt att veta det om inte någon löser definitionen innan informationen anländer.
De fyra sakerna som faktiskt driver prognosstabilitet
När vi pratar om datakvalitet i ett FP&A-sammanhang är noggrannhet (är siffrorna korrekta) bara en del. Ekonomiteamen med de mest stabila prognoserna är disciplinerade kring fyra saker:
NoggrannhetSiffrorna stämmer överens med auktoritativa källsystem, inte med förra månadens kalkylbladsutdrag.
aktualitet: data finns tillgängliga med den kadens som modellen behöver. En T+5-stängning som matar en veckovis rullande prognos är ett strukturellt problem, inte ett IT-problem.
FullständighetDatasetet täcker hela enhetens omfattning. I europeiska organisationer innebär detta vanligtvis att dotterbolag som inte är helt integrerade i ERP-systemet uppskattas snarare än mäts.
DefinitionskonsistensVarje variabel betyder samma sak för varje källa som matar modellen. Intäkter, personalstyrka, orderstock, dedikerad pipeline: om dessa definieras olika i ditt CRM jämfört med ditt ERP-system jämfört med ditt konsolideringslager, prognostiserar din modell inte din verksamhet. Den prognostiserar gapet mellan era taxonomier.
Den sista punkten är där mest varians faktiskt finns, och det är den som får minst uppmärksamhet.
Där F&A BPO förändrar ekvationen
Interna ekonomiteam har en strukturell nackdel här. Datastyrningsarbete är oglamoröst, det berör affärsenheter och konkurrerar om bandbredd med bokslutscykeln, revisionsförberedelser och vad det nu är för prioriterade projekt i kvartalet. Det blir nedprioriterat, inte för att någon tycker att det är oviktigt, utan för att det alltid finns något mer brådskande.
Det är precis här en erfaren F&A BPO-partner tillför värde som går utöver kostnadsreducering. När era kärnekonomiprocesser drivs av ett team vars hela verksamhetsmodell är beroende av ren, konsekvent och aktuell data, slutar datakvaliteten att vara en bakgrundsfråga och blir ett leveranskrav. Avstämningsbrott fastnar i pipelinen, inte i styrelsearbetet. Definitionsavvikelser eskaleras och löses, inte i tysthet uppskattas.
Det europeiska regelverket förstärker detta. CSRD-rapporteringskrav, som gäller för en betydande andel av stora europeiska företag, kräver granskningsbarhet och konsekvens i icke-finansiella data som är direkt beroende av samma datainfrastruktur som ditt FP&A-team förlitar sig på. För finansiella tjänstekunder höjer Basel IV ribban avsevärt för styrning av modellindata. Organisationer som behandlar datakvalitet som ett FP&A-problem snarare än en företagsomfattande disciplin finner i allt högre grad att den regelmässiga kalendern gör den positionen ohållbar.
Investeringsfallet
Om du väger en modelleringsuppgradering mot ett datasaneringsprogram är siffrorna i allmänhet inte i närheten.
En ny ML-baserad prognosplattform kostar vanligtvis 1.5–2.5 miljoner euro att implementera korrekt, och leverantörers backtester visar en förbättring av noggrannheten på 15–20 %. Dessa backtester kördes på rena data. Din är förmodligen inte ren. Den verkliga noggrannhetsökningen ligger närmare 5–8 %, eftersom den nya modellen ärver samma strukturella brus som den gamla arbetade kring.
Ett fokuserat program för sanering av datakvalitet och pipeline, som täcker luckor i källsystemet, definitionsstyrning och latensreducering, kostar vanligtvis en bråkdel av det. Och det förbättrar varje modell i din pipeline samtidigt, eftersom alla får bättre indata. De organisationer som sekvenserar detta korrekt; data först, modelluppgraderingar sedan, ser konsekvent 3–4 gånger mer noggrannhetsförbättring per spenderad euro.
Ett ord om AI-prognosverktyg
De flesta europeiska finansledare utvärderar för närvarande AI-drivna FP&A-plattformar. Marknadsföringen antyder ofta att modellen är tillräckligt kapabel för att kompensera för rörig data, att den kan hitta signaler i brus. Det kan den inte. Dessa är sofistikerade mönstermatchningssystem, och sofistikerad mönstermatchning på brusiga data hittar falska mönster. Frågan att ställa alla AI-prognosleverantörer är inte hur noggrann är din modell på dina dataDet är: vad händer med prognosstabiliteten när våra indata har täckningsgap eller definitionsmässiga inkonsekvenser? Om de inte kan svara på det med specificitet, så är det information.
Frågan värd att ställa ditt team
Prognosstabilitet är en kommersiell tillgång. Organisationer som planerar på ett tillförlitligt sätt allokerar kapital mer effektivt, har mindre buffert mot osäkerhet och agerar snabbare när förhållandena förändras. Vägen till det går genom datakvalitet, inte genom sofistikering av modeller.
En diagnostisk fråga är värd att ställa till er FP&A-ledning nu: i förra årets tre största prognosmisslyckanden, hur stor andel av variansen kom från modellfel kontra indatafel? Om de kan svara på det med säkerhet har ni den insyn ni behöver. Om de inte kan det, är det där ni ska börja.
Har en fråga?
Kom i kontakt!
Baltic Assist tillhandahåller en omfattande outsourcinglösning som sparar kostnader, förbättrar effektiviteten och strategiskt beslutsfattande för ditt företag.
