3 stappen om financiele processen te stroomlijnen

Hoe je de deuren opent voor de invoering van data science en machine learning-technieken.

Door: Jurriaan Krielaart, Regional Vice President Netherlands bij Dataiku

De financiële teams van vandaag de dag staan onder grote druk om nauwkeurigere rapportages, prognoses en informatie te maken. Tegelijkertijd kan het opvragen, interpreteren en koppelen van steeds grotere hoeveelheden gegevens in bruikbare – en nauwkeurige – financiële modellen allerlei knelpunten opleveren. Dit leidt tot de nodige frustratie en zorgt ervoor dat financiële analisten tot de laatste minuut bezig zijn om de rapporten de deur uit te krijgen. Wie heeft er tijd voor nieuwe technologie zoals machine learning en AI als de hoeveelheid dagelijks werk genoeg is om iedereen bezig te houden?

Voor velen zal de hierboven beschreven situatie niks nieuws zijn. Accenture ontdekte namelijk dat 53 procent van de CFO’s zich zorgen maakt dat de financiële functie te reactief is of dat de processen voor het delen van gegevens en informatie niet gestroomlijnd zijn.

Hoe kunnen CFO’s hun processen verbeteren, zodat ze op een punt komen waar analisten tevredener en minder gestrest zijn (en tijd hebben voor meer geavanceerde technieken die de teams naar een hoger niveau tillen)?

Stap 1: Doorbreek de vicieuze cirkel

Van winst- en verliesrekeningen tot variance-rapporten, cashflow en andere prognoses, reguliere rapportagetaken zijn vaak ingewikkelder dan ze zouden moeten zijn. Vaak is wel duidelijk welke efficiëntere aanpak er nodig is, maar is er niet het juiste systeem of geen bandbreedte beschikbaar om dit proces herhaalbaar te maken. Dit zorgt ervoor dat het team de volgende maand weer op ditzelfde punt staat en zich afvraagt of de volgende deadlines wel gehaald gaan worden. Maar rapportageprocessen hoeven geen maandelijkse, driemaandelijkse of jaarlijkse worsteling te zijn wanneer er rekening wordt gehouden met de volgende drie elementen:

Snelle toegang 

Omdat financiële teams vaak niet de eigenaar zijn van de gegevensbronnen, kost het veel tijd en moeite om de juiste data op te zoeken en te ontvangen. Denk hierbij aan de verzoeken aan IT- of datatechnische teams om een aangepaste pipeline te bouwen, toestemming te verlenen voor toegang tot een bepaalde bedrijfsdatabase of simpelweg het wachten tot bedrijfsleiders spreadsheets opsturen – waar het team elke maand opnieuw om moet vragen. Wanneer verschillende teams gegevensbronnen bezitten, worden analyses en andere processen kwetsbaar.

Een gecentraliseerd platform dat gemakkelijk verbinding maakt met gegevens en een beheerde omgeving voor de voorbereiding, verrijking en analyse van gegevens kan deze pijn verlichten. Dit soort dataplatforms vergemakkelijken de verbinding met gegevens, ongeacht waar ze zijn opgeslagen, en onderhouden die verbinding continu, zodat het niet elke maand opnieuw tijd kost. In de praktijk betekent dit dat teams snel en eenvoudig grootboek-datasets kunnen kruisen met resultaten van voorgaande periodes en niet-financiële bronnen zoals Salesforce, Stripe, Hubspot en meer om zo analyses te verrijken.

Krijg grip op de datalijn

Als analisten dan eindelijk de gegevens vinden die ze nodig hebben, weten ze niet altijd welke methodologie is gebruikt om de cijfers te genereren – en of deze hetzelfde is als die door andere teams is gebruikt. Zijn de gegevens die ze hebben wel de juiste versie? Dit is niet alleen tijdrovend, maar ook riskant.

Wanneer iedereen een gemeenschappelijk dataplatform of workbench gebruikt, kunnen financiële teams snel consensus bereiken met deskundigen en belanghebbenden in een gedeelde workflow die alles laat zien wat er onderweg met de gegevens is gebeurd. Zo kunnen analisten de analyses ‘backtracken’, ongeacht wie het origineel heeft uitgevoerd. Bijvoorbeeld door middel van doorzoekbare projecten die het werk organiseren, terwijl audit trails en trackers van gebruikersactiviteiten laten zien wie wat wanneer heeft gedaan.

Automatiseer het alledaagse

De meeste financiële teams doen veel handmatig werk in spreadsheets. Een analist kan handmatig uit een bronsysteem putten, de gegevens in Excel plakken en vervolgens VBA-scripts op sommige tabbladen uitvoeren om andere tabbladen te genereren – die weer handmatig kunnen worden bewerkt.

Craig Turrell, Head of Plan to Perform (P2P) Data Strategy & Delivery bij Standard Chartered Bank, weet dit als geen ander. Alleen al in zijn afdeling, financiële planning en analyse (FP&A), produceren meer dan 400 mensen elke maand meer dan 5.000 stukken informatie, waarvan 90 procent inmiddels kan worden geautomatiseerd.

Gecentraliseerde dataplatforms bieden de tools die nodig zijn om eenvoudig het alledaagse (en niet te vergeten het foutgevoelige) weg te automatiseren, van data pulls uit belangrijke bronnen voor regelmatige rapportage tot handmatige datavoorbereidingsstappen, en dat alles zonder code. Zo kon het FP&A-team van Standard Chartered Bank een 30x hogere efficiëntie bereiken, waarbij het werk van 30 analisten in spreadsheets werd gedaan door slechts 2 FTE’s in Dataiku. Door de handmatige en alledaagse taken in verband met regelmatige rapportage te automatiseren, krijgen teams tijd voor meer proactief werk.

Stap 2: Tijd voor AI en ML

Wanneer het is gelukt om de dagelijkse drukte een halt toe te roepen door snelle toegang tot gegevens mogelijk te maken, een betrouwbare manier te bieden om vragen over de gegevenslijn te beantwoorden en delen van het rapportageproces te automatiseren, zijn de deuren geopend voor de invoering van data science en machine learning-technieken.

Daarom is het, zelfs als AI nu niet top of mind is, zinvol om voor de langetermijntools te kiezen die teamleden zullen bijscholen in dit soort werk. Zo kunnen teamleden projecten verbeteren door er direct machine learning-elementen (zoals tijdreeksvoorspellingen) in op te nemen, allemaal in dezelfde tool waarin de gegevenstoegang en de dagelijkse rapportage plaatsvinden.

Stap 3: Van reactief naar voorspellend

Maandelijkse rapportages die waar nodig grotendeels geautomatiseerd zijn, bieden gemakkelijkere toegang tot data, meer zicht op datapijplijnen en de mogelijkheid om machine learning-technieken toe te passen. Hierdoor kunnen CFO’s met vertrouwen en transparantie overgaan van reactief naar voorspellend. Met analisten die in staat zijn om meer geavanceerde data science-technieken in hun werk te gebruiken, kan het team extra waarde en perspectief gaan toevoegen die voorheen niet mogelijk waren.

De juiste benadering van mensen, het bijscholen van die mensen, technologie, hulpmiddelen en het heroverwegen van processen zal niet vandaag op morgen gebeuren, maar is wel essentieel om het financiële team van de toekomst op te bouwen dat de kracht van AI volledig kan benutten.

 

Gerelateerde artikelen