Operasjonelle data

Mange norske bedrifter har forstått og tatt innover seg viktigheten av store mengder informasjon fra omgivelsene. Det har blitt billigere å kjøpe løsninger for å se effekten av for eksempel markedsføringskampanjer, analysere statistikk ned på varelinjer fra kassasystemet eller måle tidsbruk og flaskehalser innen logistikk. I BDO benytter for eksempel granskere avanserte dokumentanalyser og maskinlæring for å prosessere enorme mengder elektroniske spor i arbeidet med å avdekke utro ansatte og mistanke om økonomisk kriminalitet. Slik innsikt kan utvilsomt være svært verdifull for markedsarbeid, sikkerhet og logistikk, men hvilken verdi har dette for de som jobber med regnskap?

Eksemplene over viser til informasjon som typisk samles og analyseres av salgsavdelingen, IT eller andre spesialister i operasjonelle avdelinger i egne systemer. En slik desentralisering av «data management» innebærer at ledelsen bør ta en styrende rolle i hvordan organisasjonen som helhet skal bruke data som et strategisk virkemiddel. Denne rollen dekkes av begrepet «Data governance», som enkelt sagt handler om å forvalte data til virksomhetens beste.

Økonomisiden får gjerne en administrativ rolle med å sammenstille data av forretningsmessig verdi. Dette krever integrerte prosesser for å unngå ineffektiv tidsbruk på kjedelige, rutinepregede operasjoner. Integrerte prosesser muliggjør i tillegg analyser når man trenger det – og gjør det mulig å iverksette tiltak raskere.

ERP-systemet

Et ERP-system som for eksempel automatiserer bankavstemming og forbedrer arbeidsflyten i regnskapet, kan effektivisere administrativt arbeid kraftig. Automatiserte prosesser og kunstig intelligens frigjør regnskaps­førere til å utnytte sin kompetanse på mer verdiskapende arbeid. «Når vi slipper å bruke så mye tid på de manuelle oppgavene, kan vi bruke tiden på å være mer proaktive rådgivere og ta økonomisjefrollen hos kundene.», uttalte Christine Lundberg Larsen, administrerende direktør i Regnskap Norge i et intervju med Business Norge (www.businessnorge.no/okonomi-jgnwk/bruk-regnskapsforeren-din-som-okonomisjef-og-okonomisk-raadgiver).

Utover regnskapsmodulen har gjerne et godt ERP-produkt integrert prosessstøtte for blant annet håndtering av innkjøp, lager, ordre og timeregistrering. Videre kan API-er eller grensesnitt for integrasjoner mot andre systemer være viktig for å kunne skreddersy en helhetlig løsning for virksomheten, eller utnytte eksisterende støttesystemer bedre.

Vi som jobber med dataanalyse, er likevel mest opptatt av hvilken innsikt systemet gir i informasjon av forretningsverdi. Spesielt nyere, skybaserte systemer utmerker seg ved at brukere har relativt stor fleksibilitet til å lage dashboards og tilpasse datauttrekk og rapporter.

Skybaserte ERP-systemer har videre den fordelen at man kan logge inn på nett fra en hvilken som helst enhet og kjøre rapporter uansett hvor man befinner seg. Selv om et moderne ERP-system med integrerte prosesser gir bedre innsikt og tilgjengelighet enn tidligere, kommer man ikke utenom at dette først og fremst er et produkt for å styre forretningen, og ikke et Business Intelligence-verktøy eller en plattform for dataanalyse.

En komplett ERP-løsning kan gi store fordeler utover adskilte systemer, men integrasjoner og automatiserte prosesser bør implementeres for å forenkle det administrative arbeidet. «Over-integrasjon» kan faktisk bli et problem om man forsøker å sammenstille data kun for å sikre gode analysegrunnlag.

Ved å hente data fra støttesystemer eller på andre måter registrere data i ERP-systemet som ikke gir noen verdi for andre prosesser, blir det skapt unødvendig kompleksitet som potensielt motvirker de effektiviseringsgevinstene man ønsker å høste.

Datavarehus/ rapporteringsdatabase

I de aller fleste virksomhetene vil man se verdi i å hente inn og transformere data (ETL) fra regnskaps- eller ERP-system til et datavarehus eller en rapporteringsdatabase. Dette gir flere fordeler:

• Tilgjengeliggjør strukturerte datasett og nøkkeltall for analyser som kan presenteres i verktøyene som er best egnet for formålet. Gartners magiske kvadrant* https://www.forbes.com/sites/ciocentral/2018/02/28/gartner-magic-quadrant-whos-winning-in-the-data-machine-learning-space/ blir regnet som den dominerende autoriteten for evaluering av dette markedet. «Microsoft (Power BI), Tableau og Qlik har de siste årene vært rangert som de ledende leverandørene»?

• Muliggjør analyser på tvers av systemer

Systemintegrasjoner til et ERP-system skiller seg fra en integrasjon for rapporterings- og analyseformål. En integrasjon mellom ERP- og et CRM-system kan for eksempel forenkle registrering ved at kunder eller kontaktpersoner kun opprettes ett sted – eksempelvis CRM-systemet – og at informasjon flyter over fra CRM- til ERP-systemet automatisk. Dette betyr ikke at kundeinformasjonen som har blitt overført til ERP-systemet, er detaljert nok for å utvikle gode analyser. Integrasjoner mot kildesystemer i en Business Analytics-løsning vil kunne være bredere og tilpasset informasjonsbehov, ikke prosessforbedring.

• Mindre avhengighet mot kildesystemer

En rapporteringsdatabase som er fri­stilt fra kildesystemene, sikrer at virksomheten i mindre grad blir låst til både ERP- og eventuelle operasjonelle systemer. En god datamodell for analyse vil være fleksibel i forhold til hvor disse dataene skal hentes fra. Enten man ønsker å bytte hele ERP-systemet, timeføringssystemet eller kassasystemet, kan man konfigurere datafangsten til rapporteringsdatabasen, men la eksisterende rapporter og analysemodeller forbli uendret. Systemer som leveres som skytjenester, er normalt rimeligere og raskere å anskaffe enn lokalt installert programvare. Det kan derfor antas at utskiftning av systemer vil skje hyppigere enn tidligere. Dette gjør utfordringen med sammenstilling av data enda mer aktuell.

• Fleksibilitet/skalerbarhet

En moderne arkitektur vil være enkel å skalere med tanke på både integrasjon av nye kilder og ved at maskinkraften raskt kan «skrus opp» for å håndtere større datavolum i fremtiden.

Store datasett med historisk informasjon er for eksempel et godt grunnlag for videre utvikling av mer treffsikre finansielle prognoser. Ved å ta i bruk maskinlæringsapplikasjoner kan en prognosemodell trenes til å forutse fremtidig utvikling. Slike prediktive dataanalyser som ikke bare sier noe om hva som har skjedd, men også hva som vil skje, er like aktuelle for økonomi­siden.

En lavthengende frukt: automatisert månedsrapportering

Mange norske selskaper har fremdeles ikke standardiserte og automatiserte prosesser for å dekke månedlig regnskapsrapportering. En løsning for automatisk rapportering fra regnskaps- eller ERP-systemet kan være første steg på reisen mot en moderne Business Analytics-løsning. Selv om vi ser en utvikling på dette området hos enkelte leverandører, dekker sjelden ERP-systemets inkluderte rapporter hele rapporteringsbehovet. Regnskapsførere og andre økonomer med tung kompetanse bruker fremdeles mye tid på å klippe og lime data til Excel, før man strukturerer, avstemmer og distribuerer dette videre manuelt. I dette inngår også gjerne arbeid med konsolidering, eliminering av interntransaksjoner og valutahåndtering. Det finnes rapporteringsverktøy som er ferdig integrerte mot selskapets regnskapssystem, og som tar seg av alt dette. Slike løsninger kan være rimelige skytjenester som relativt enkelt lar seg implementere slik man ønsker.

Sammenstilling av data – kundeeksempel

Store eller middels store virksomheter har gjerne investert i utvikling av gode rapporter som hentes ut ifra både ERP-systemet og eksempelvis kassasystemet eller WMS. Vi ser likevel ofte at dette i liten grad blir utnyttet av økonomiavdelingen, controllere eller regnskapsførere. I et konsern innen netthandel ønsket administrerende direktør en daglig oversikt over status på strategiske KPI-er (Key Performance Indicators). Konsernet hadde en kostbar Business Intelligence-løsning som var integrert mot ulike ERP-system i datterselskaper på tvers av landegrenser, men disse dataene ga ikke grunnlag for å svare på helt essensielle spørsmål for å måle utviklingen i selskapet. Hva er marginene på produktene våre? Hvem er kundene våre, og hvor mange av de besøkende på nettsiden ender med å kjøpe en vare?

Business Analytics – strategisk viktig

Vi kan ofte analysere marginer hurtig ut ifra bokførte transaksjoner, men det kan være praktiske årsaker til at man ikke registrerer informasjon på et nivå som gir tilstrekkelig detaljeringsgrad. En kost/nytte- vurdering av tid brukt på registrering opp mot dataanalyse, er dessverre ofte for kortsiktig. Vi vet at informasjonstilgang blir et viktigere og viktigere konkurransefortrinn. Samtidig gir ny teknologi oss stadig bedre muligheter til å utnytte dette.

En viktig del av Business Analytics er å sikre at riktig input muliggjør analyser som gir innsikt og høy forretningsverdi. Dette krever at dataanalyser løftes til et strategisk nivå, med eierskap i styre og ledelse. Ute i avdelingene styres gjerne analysearbeidet ut ifra domenekompetanse, og data kan tolkes og kompletteres av et våkent øye. Mangler man en rød tråd i dataflyt fra operasjonelle analyser til oppfølging av strategiske mål, er risikoen høy for at økonomi og ledelse mangler viktig informasjonsgrunnlag. Regnskapsfunksjonen bør være delaktig i en forretningsdrevet utvikling av registreringsrutiner og dataanalyser på tvers av virksomheten.

Berikende data

I eksempelet over så ledelsen behovet for å berike regnskapsrapporteringen med kundedata og analyse av nettrafikk, som er data som ikke har en naturlig plass i et ERP-system. Sammenstilling av slik informasjon er typisk en prosess som involverer bestilling av datasett fra IT, og tidkrevende manuell sammenstilling og presentasjon. Selv med kostbare Business Intelligence-løsninger sitter altså regnskapspersonell fremdeles med klipp og lim i Excel. Videre lages gjerne egne analyser og rapportmodeller i hver enkelt avdeling eller datterselskap, når disse med fordel kunne vært standardiserte og tilgjengeliggjort på tvers.

Business Analytics handler ikke om å finne data og visualisere disse, men om å iverksette en strategi som ender med dataanalyser som gir optimal beslutningsstøtte. Ved å integrere kildesystemene og strukturere informasjonen hensiktsmessig, legger man til rette for standardiserte rapporter, «self-service»- analyser og dashboards for å følge opp viktige styringsparametere. Dermed kan organisasjonen som helhet utnytte systemene den kanskje allerede har investert stort i.

Dataanalyser for regnskap vil altså ofte dreie seg om å kunne grave dypere i regnskapsrelatert informasjon utover det som ligger kontert på transaksjonen i regnskapet. Integrasjon av finansiell og operasjonell data kan gi stor verdi for virksomheten ved å synliggjøre sammenhenger som ikke kan utledes direkte fra regnskapet. I hvilke markeder har kampanjene våre størst effekt? Hvordan påvirker tidsbruk i butikkene lønnsomheten? Dette er typiske problemstillinger tradisjonell regnskapsrapportering ikke kan svare på. Gode løsninger tilgjengeliggjør rett informasjon i rett format til beslutningstakere – når de trenger den!