AI CFO jest tak dobry, jak dane podstawowe w Twoim ERP

Zapytaj model kontrolingowy, którzy klienci zaczynają płacić coraz później, a odpowie bez wahania. Potem ktoś z windykacji zauważa, że trzeci największy klient na liście to ta sama firma co siódmy: jedną kartotekę założył kiedyś dział sprzedaży, drugą oddział, gdy klient otworzył drugi zakład. Ten sam NIP, inne terminy płatności, inne limity kredytowe. Model nie pomylił się co do danych. To dane pomyliły się co do firmy.

Każdy system AI, który czyta ERP, dziedziczy jego dane podstawowe — kontrahentów, indeksy towarowe, centra kosztów, plan kont i mapowania między nimi. Transakcje są zwykle w niezłym stanie, bo powstają w procesach otoczonych kontrolami. Kartoteki powstają ręką tego, kto akurat danego dnia potrzebował nowego rekordu — i po cichu się psują.

Prawdziwa przyczyna: kto robi bałagan, ten go nie odczuwa

Osoba, która zakłada zdublowanego kontrahenta, nic na tym nie traci. Sprzedaż musiała wystawić fakturę i system na to pozwolił. Koszt pojawia się miesiące później — w uzgodnieniu robionym przez kontrolera albo w prognozie, która rozbija zachowanie jednego klienta na dwie kartoteki i myli się w obu.

Raportowanie to znosiło, bo ludzie łatali dane po drodze. Kontroler wie, że te dwie kartoteki to jedna firma, i sumuje je w arkuszu. Model nie wie tego, co wie kontroler, dopóki ktoś tego nie zapisze. Automatyzując analizę, usuwasz więc osobę, która co miesiąc po cichu poprawiała dane podstawowe.

Błędy, które ważą najwięcej

Zdublowani kontrahenci. Jeden podmiot prawny w kilku kartotekach, często z innymi terminami, limitami albo walutą. Zachowania płatnicze, ekspozycja i ryzyko koncentracji rozkładają się na kilka rekordów — i wszystkie wychodzą zaniżone.

Wędrujące centra kosztów. Reorganizacja w połowie roku przenosi zespoły między centrami kosztów, a historii nikt nie przelicza. Każde porównanie rok do roku miesza zmianę struktury ze zmianą wyników, a model chętnie wytłumaczy strukturę jako wynik.

Hierarchie produktowe zmieniane pod danymi. Produkt trafia do innej grupy albo nowy indeks zastępuje stary bez powiązania między nimi. Wolumen w jednej linii nagle się zapada, a w innej pojawia się znikąd.

Konta-worki. „Pozostałe koszty operacyjne” po cichu rosną, aż mieszczą istotną część wydatków. To, co tam ląduje, jest niewidoczne dla każdej analizy opartej na czynnikach.

Tekst tam, gdzie powinno być pole. Nazwy dostawców w opisie, kody projektów w uwagach, terminy płatności w notatce. Model potrafi przeczytać wolny tekst. Nie potrafi jednak uczynić go spójnym po fakcie bez zgadywania — a zgadywanie to najszybsza droga do utraty zaufania do systemu finansowego.

Brak kodów partnera w transakcjach wewnątrzgrupowych. W grupie kilku spółek przepływy bez kodu partnera nie dają się wiarygodnie wyeliminować, a skonsolidowane liczby niosą szum, którego nikt nie umie prześledzić.

Co robić zamiast tego

Czyste dane podstawowe to nie projekt, który kończy się przed przyjściem AI. To osobna pętla.

• Niech system wyciąga problemy z kartotek na wierzch, a nie je ukrywa. „Te dwa rekordy mają ten sam NIP” to samodzielne ustalenie, zgłoszone razem z dowodami — a nie coś do cichego scalenia. Scalenie to decyzja właściciela kartoteki.
• Trzymaj warstwę mapowań obok ERP. Tam, gdzie zmieniła się struktura — reorganizacja, nowa hierarchia produktów — prowadź jawne mapowanie ze starego na nowe, żeby historię dało się porównywać jak z jak. Analiza czyta przez mapowanie, a ERP zostaje nietknięty. To jeszcze jeden powód, dla którego konektory tylko do odczytu mają sens: poprawki żyją obok ksiąg, nigdy w nich.
• Dopasowuj najpierw po identyfikatorach, potem po nazwach. NIP, KRS, REGON i numery rachunków są znacznie stabilniejsze niż nazwy wpisywane przez ludzi.
• Daj każdej klasie danych właściciela. Kontrahenci, indeksy, centra kosztów. Nie komitet ds. ładu danych, tylko jedna wskazana osoba, która co tydzień widzi ustalenia.
• Zapisuj każdą korektę. Jeśli prognoza się zmieniła, bo dwóch kontrahentów potraktowano jako jednego, wyjaśnienie powinno to mówić. To ta sama dyscyplina pochodzenia danych, którą opisuje tekst o tym, co unijne przepisy o AI oznaczają dla modelu finansowego: każda liczba możliwa do prześledzenia do źródła i do każdej reguły zastosowanej po drodze.

Jest też wątek suwerenności. Dane podstawowe zawierają listę Twoich klientów, warunki dostawców i strukturę cen w najbardziej skondensowanej postaci. Czyszczenie ich w usłudze chmurowej oznacza eksport dokładnie tego zbioru, który konkurent najchętniej by przeczytał — o czym więcej w tekście dlaczego dane finansowe nie powinny opuszczać firmy.

Test na dziś

Wyeksportuj kartotekę kontrahentów-odbiorców z numerami NIP i policz, ile numerów występuje w więcej niż jednym aktywnym rekordzie. Potem zrób to samo dla dostawców.

Jeśli wynik to zero, sprawdź, czy pole jest w ogóle wypełnione. Jeśli to więcej niż kilka przypadków, weź największą parę i porównaj obok siebie terminy płatności, limity kredytowe i zeszłoroczne zachowania płatnicze. To porównanie pokazuje, w czym każdy model pomyliłby się co do tego klienta. To także najtańsza poprawka danych, jaką zrobisz w tym roku — i rodzaj ustalenia, które ObserBI ma wychwytywać samodzielnie, co noc, zanim zamieni się w błędną prognozę.