Data-analyse: Dette er de største utfordringene CFO'er møter (og hvordan de kan løse dem)

by House of Control | 15.12.21 15:27

Som CFO må du ikke bare ha kontroll på finansene, du må også ha kontroll på dataene. Det er krevende, men vil også åpne store muligheter.

Du har sannsynligvis merket det allerede: Etter hvert som finans- og økonomiavdelingen får flere og mer komplekse oppgaver, har din rolle som CFO blitt stadig mer krevende.

Teknologi utvikler seg i et svimlende tempo, og stadig mer av det selskap gjør genererer data. Selv for små virksomheter får vi til stadighet høre at disse dataene er «gull» eller til og med «den nye oljen». Men dataene må først konverteres til informasjon som kan drive beslutninger – først da kan de virkelig skape verdi for virksomheten.

Den oppgaven faller vanligvis på CFO, og kommer vanligvis med en del utfordringer. Her følger en gjennomgang av de vanligste av dem – og hvordan de best bør løses.

Gratis ebok: Alt du som CFO behøver å vite om dashboards

#1 Tastefeil i datagrunnlaget

Hvis salgssystemet for eksempel åpner for at selgere selv taster inn navn på kunden, kan stavemåten variere selv om kunden er den samme. Dette gjør det nødvendig å bearbeide dataene, noe som skaper flaskehalser og hindrer automatisering.

#2 Vanskelig tilgjengelig datagrunnlag

Noen IT-systemer benytter proprietære dataformater eller gjør det på andre måter krevende å hente ut dataene (for eksempel hvis felter må splittes eller spleises). Ustrukturerte data kan bidra til å gjøre analysearbeidet unødvendig krevende.

#3 Data er spredt på flere systemer

Det kan være en stor utfordring å vite hvilke systemer som inneholder de mest oppdaterte og etterrettelige dataene, eller hvor man skal hente dataene som kreves. Mange selskaper har flere systemer, og gjennom oppkjøp eller fusjoner kan man få enda flere.

#4 For store datamengder

Selv om alle de tre forutgående punktene skulle være løst, kan man fort ende opp i en situasjon hvor man rett og slett har for store mengder data. Vanlige regneark sliter med å håndtere mer enn rundt en million linjer med datapunkter, og dit kommer man fort i dag.

#5 Data som går ut på dato

I mange sammenhenger er det kort tid mellom når data blir generert til når det har noe for seg å gjøre noe med dem, enten det er å foreta tilpasninger, eller å gjøre eller omgjøre beslutninger. Data er med andre ord ferskvare, og dessverre ikke av den typen man kan legge i et kjøleskap

#6 Data som må sees fra forskjellige vinkler

Data kan bety ulike ting for ulike deler av en organisasjon. Noen vil se på antall enheter, andre vil se kostnad pr. enhet, mens atter andre vil ha lønnsomhet pr. enhet eller andre måleenheter. Uten riktige verktøy kan det bli krevende for en økonomi- eller finansavdeling å produsere et stort antall forskjellige rapporter.

#7 Data med ulikt detaljnivå

Detaljene i et datapunkt kan variere kraftig – noen vil se data bare på overordnet konsernnivå, andre kan trenge å drille seg helt ned i enkelttransaksjoner i et prosjekt i en del av et deleiet datterselskap. Samtidig kan det være behov for å gjøre sammenligninger, se trender eller bearbeide tallene på andre måter.

#8 Sensitive data

Ikke alle medarbeidere skal kunne drille seg nedover til full innsikt i alle detaljer – noen data må være fortrolige. Uansett om det skyldes lovpålagte eller internpolitiske hensyn, påhviler det de relevante IT-systemene å sikre at dataene ikke kan fremstilles på måter som kompromitterer denne sensitiviteten.

#9 Visualisering av data

Det er vel og bra å samle datapunkter i rader og tabeller, men det kan være veldig krevende å lese noe fornuftig ut av dataene før de settes i en lettfattelig sammenheng. Derfor er det så viktig med gode grafer, figurer eller andre visualiseringer som gjør data lettere å forstå og enklere å bruke som beslutningsgrunnlag

 

…og så: Løsningen

Løsningen på disse utfordringene er tredelt, og hvert element angriper sin del av problemet:

 A: Integrering og samkjøring

Som vi var inne på allerede i det første punktet: Behovet for manuell og gjentatt bearbeiding av data er et nådestøt for effektiv databruk i en organisasjon. Et godt sted å begynne, er derfor å påse at alle IT-systemene som organisasjonen benytter, så langt som mulig eliminerer potensielle feilkilder i datainnsamlingen.

B: Automatisering

Deretter må det opprettes rutiner for automatisert bearbeiding som likevel måtte være nødvendig, enten det handler om å splitte eller spleise data, berike dem med informasjon fra andre systemer eller tilordne dem metadata som er nødvendig for videre behandling. Så bør dataene automatisk samles i et godt Business Intelligence-system (analyseverktøy) – ett som kan gi CFO stor fleksibilitet i hvordan data konsolideres og presenteres til de respektive sluttbrukerne.

C: Business Intelligence og rapportering/presentering

Ett mål kan være å opprette rapporter som presenterer gitte data på en bestemt måte til definerte mottakere (gjerne inndelt etter rolle eller organisasjonsnivå), men som samtidig åpner for at mottakerne kan tilpasse fremstillingen av dataene alt etter hvilke spørsmål som den enkelte til enhver tid måtte stille seg – og hvilket tilgangsnivå den enkelte mottaker har til de underliggende dataene.

Is-BA-for-you copy

 

 

 

 

Subscribe Now

Additional Reading