Waarom slechte data, en niet slechte modellen, uw financiële prognoses onderuit halen.
Waarom slechte data, en niet slechte modellen, uw financiële prognoses onderuit halen.
Overzicht
Telkens wanneer een voorspelling er flink naast zit, vindt hetzelfde gesprek plaats. Iemand vraagt of het model moet worden bijgewerkt. Een leverancier wordt uitgenodigd. Een pilot wordt goedgekeurd.
En het eigenlijke probleem blijft onveranderd.
Bij de meeste financiële teams waarmee we in Europa samenwerken, is de instabiliteit van de prognoses geen probleem met het model, maar met de data. Het model doet precies wat het moet doen; het werkt alleen met onvolledige, inconsistent gedefinieerde of te laat binnenkomende gegevens. Het upgraden van het algoritme lost in zo'n situatie het probleem met de prognose niet op. Het levert alleen een meer geavanceerde versie van hetzelfde foute antwoord op.
De vooringenomenheid die niemand ziet totdat het te laat is.
De reden waarom slechte datakwaliteit zo moeilijk te detecteren is, is dat het onzichtbaar blijft totdat het dat niet meer is.
Een systematische opwaartse vertekening van 3% in uw omzetinput kondigt zich niet aan. Het sijpelt stilletjes door in uw personeelsplanning, uw operationele kostenmodel en uw vrije kasstroomprognose. Tegen de tijd dat het ter sprake komt tijdens een bespreking van afwijkingen op bestuursniveau, heeft het vier modelstadia doorlopen en bij elke stap aan geloofwaardigheid gewonnen. De analyse achteraf concludeert dat het model naar behoren heeft gepresteerd, wat technisch gezien klopt. Niemand heeft gecontroleerd of de input wel correct was.
Dit is met name van belang in Europese omgevingen met meerdere entiteiten, waar consolidatie over verschillende rechtsgebieden, elk met een eigen rekeningschema, lokale GAAP-aanpassingen en intercompany-eliminaties, betekent dat inconsistenties in definities geen uitzondering zijn, maar de norm. Een omzetcijfer van een Duitse dochteronderneming en een omzetcijfer van een Nederlandse entiteit kunnen verschillende zaken meten, en een prognosemodel kan dat niet weten tenzij iemand de definitie vaststelt voordat de gegevens binnenkomen.
De vier factoren die daadwerkelijk de stabiliteit van voorspellingen bepalen
Als we het hebben over datakwaliteit in een FP&A-context, is nauwkeurigheid (klopt het aantal cijfers) slechts één aspect. De financiële teams met de meest stabiele prognoses zijn gedisciplineerd op vier punten:
NauwkeurigheidDe cijfers komen overeen met gezaghebbende bronsystemen, niet met de gegevens uit het spreadsheet van vorige maand.
TijdigheidDe gegevens zijn beschikbaar met de frequentie die het model nodig heeft. Een T+5-sluiting die een wekelijkse rolling forecast voedt, is een structureel probleem, geen IT-probleem.
VolledigheidDe dataset omvat de volledige reikwijdte van de entiteit. In Europese organisaties betekent dit meestal dat dochterondernemingen die niet volledig in het ERP-systeem zijn geïntegreerd, worden geschat in plaats van gemeten.
DefinitieconsistentieElke variabele heeft dezelfde betekenis in elke bron die het model voedt. Omzet, personeelsomvang, orderportefeuille, geplande projecten: als deze anders gedefinieerd zijn in uw CRM, uw ERP en uw consolidatielaag, voorspelt uw model uw bedrijf niet. Het voorspelt de kloof tussen uw taxonomieën.
Dat laatste punt is waar de meeste variatie zich daadwerkelijk voordoet, en het is het punt dat de minste aandacht krijgt.
Waar F&A BPO de vergelijking verandert
Interne financiële teams hebben hier een structureel nadeel. Databeheer is geen aantrekkelijk onderwerp, het raakt verschillende bedrijfsonderdelen en het concurreert om tijd met de afsluitingscyclus, de voorbereiding op de audit en welk project dan ook de prioriteit van dit kwartaal heeft. Het krijgt minder prioriteit, niet omdat iemand het onbelangrijk vindt, maar omdat er altijd wel iets dringenders is.
Precies hier voegt een ervaren F&A BPO-partner waarde toe die verder gaat dan alleen kostenbesparing. Wanneer uw kernprocessen voor financiën worden uitgevoerd door een team waarvan het gehele operationele model afhankelijk is van schone, consistente en tijdige data, is datakwaliteit geen bijzaak meer, maar een vereiste voor de levering. Afstemmingsfouten worden in het proces opgespoord, niet pas in de presentatie voor de directie. Definitieconsistenties worden geëscaleerd en opgelost, in plaats van stilletjes te worden genegeerd.
De Europese regelgeving versterkt dit. De CSRD-rapportagevereisten, die van toepassing zijn op een aanzienlijk deel van de grote Europese bedrijven, vereisen controleerbaarheid en consistentie in niet-financiële gegevens die direct afhankelijk zijn van dezelfde data-infrastructuur waarop uw FP&A-team vertrouwt. Voor klanten in de financiële dienstverlening legt Basel IV de lat voor het beheer van modelinvoer aanzienlijk hoger. Organisaties die datakwaliteit beschouwen als een FP&A-probleem in plaats van een bedrijfsbrede discipline, merken steeds vaker dat de regelgeving deze positie onhoudbaar maakt.
Het investeringsargument
Als je de kosten van een modelupgrade afweegt tegen die van een dataherstelprogramma, dan liggen de cijfers over het algemeen niet dicht bij elkaar.
Een nieuw, op machine learning gebaseerd voorspellingsplatform kost doorgaans €1.5-2.5 miljoen om goed te implementeren, waarbij backtests van leveranciers een nauwkeurigheidsverbetering van 15-20% laten zien. Deze backtests werden uitgevoerd met schone data. Uw data is waarschijnlijk niet schoon. De daadwerkelijke nauwkeurigheidswinst ligt dichter bij 5-8%, omdat het nieuwe model dezelfde structurele ruis overneemt waar het oude model mee moest werken.
Een gericht programma voor datakwaliteit en het verbeteren van de pipeline, dat zich richt op tekortkomingen in bronsystemen, het waarborgen van definities en het verminderen van latentie, kost doorgaans een fractie van dat bedrag. Bovendien verbetert het tegelijkertijd elk model in uw pipeline, omdat ze allemaal betere input krijgen. Organisaties die dit in de juiste volgorde aanpakken – eerst data, dan modelupgrades – zien consequent een 3-4 keer grotere nauwkeurigheidsverbetering per bestede euro.
Een woordje over AI-voorspellingsinstrumenten
De meeste Europese financiële leiders evalueren momenteel AI-gestuurde FP&A-platforms. De marketing suggereert vaak dat het model in staat is om rommelige data te compenseren en signalen in ruis te vinden. Dat is niet zo. Dit zijn geavanceerde patroonherkenningssystemen, en geavanceerde patroonherkenning op ruisige data vindt valse patronen. De vraag die je aan elke leverancier van AI-voorspellingssystemen moet stellen is niet: Hoe nauwkeurig is uw model op basis van uw gegevens?De vraag is: wat gebeurt er met de stabiliteit van de voorspellingen als onze invoergegevens hiaten in de dekking of inconsistenties in de definities bevatten? Als ze daar geen specifiek antwoord op kunnen geven, is dat waardevolle informatie.
De vraag die je aan je team zou moeten stellen
Voorspellingsstabiliteit is een commerciële troef. Organisaties die betrouwbaar plannen, alloceren kapitaal efficiënter, hebben minder buffers tegen onzekerheid en kunnen sneller reageren op veranderende omstandigheden. De weg ernaartoe loopt via datakwaliteit, niet via de complexiteit van modellen.
Een belangrijke diagnostische vraag die u nu aan uw FP&A-leiding kunt stellen is: welk deel van de afwijking in de drie grootste prognoses van vorig jaar was te wijten aan modelfouten en welk deel aan fouten in de invoergegevens? Als ze die vraag vol vertrouwen kunnen beantwoorden, beschikt u over het benodigde inzicht. Zo niet, dan is dat het startpunt.
Heb je een vraag?
Neem contact op
Baltic Assist biedt uitgebreide outsourcingoplossingen die kosten besparen, de efficiëntie verbeteren en de strategische besluitvorming voor uw bedrijf ondersteunen.
