Für Führungskräfte im Hochschulbereich steht die Datenanalyse an erster Stelle, und sie möchten Änderungen umsetzen, um die Nutzung von Daten in ihren Institutionen zu transformieren. Allerdings fällt es vielen schwer, den Wandel zu vollziehen. Warum? Sie stehen vor den Herausforderungen getrennter Finanzprozesse und -systeme, Budgetbeschränkungen und vielem mehr. Um diese zu überwinden, müssen Hochschulen größer denken und nach langfristigen Lösungen suchen, die die geschäftliche Wirkung vereinfachen und maximieren. Ein moderner Corporate Performance Management (CPM)-Lösung bietet eine Möglichkeit, nicht nur Technologie- und Prozessbarrieren zu überwinden, sondern auch die Finanzabteilung mit umsetzbaren Erkenntnissen zu versorgen.

Das Momentum

Die Datenanalyse gewinnt im Hochschulbereich zunehmend an Bedeutung. Während in den letzten Jahren der Schwerpunkt auf Daten lag, wird die Erkenntnis, dass Institutionen Daten heute mehr denn je priorisieren müssen, von Tag zu Tag deutlicher. Diese Priorisierung kann bedeuten, die Datenanalyse durch die Einstellung von Personal, die Implementierung von Prozessen, den Einsatz neuer Technologien und vieles mehr zu unterstützen. Dabei wird es in der herausfordernden und wettbewerbsintensiven Landschaft der Hochschulbildung immer wichtiger, Daten zu einer Priorität zu machen.

In diesem Umfeld müssen sich die Finanz- und Betriebsteams mit der Komplexität der sich ändernden Bedürfnisse der Studierenden, des Personalbedarfs, der Finanzierungsbeschränkungen und anderer Faktoren auseinandersetzen – verbunden mit dem Druck, agil zu sein und schnell zu handeln. Und die beste Möglichkeit, all das effektiv zu verwalten, sind Tools, die der Finanz- und Betriebsabteilung zur Verfügung stehen aktuelle, vertrauenswürdige und relevante Daten.

Die Chronicle of Higher Education-Umfrage¹ untersuchte die Ansichten der Hochschulen zum zunehmenden Einsatz datengesteuerter Entscheidungsfindung. Laut der Umfrage stimmen die meisten Hochschulbeamten – 97 % – voll und ganz zu, dass Institutionen Daten und Analysen besser nutzen müssen, um datengesteuerte Institutionen zu werden (siehe Abbildung 1)..  

Auf die Frage, wo an ihren Hochschulen bessere Daten benötigt werden, gaben 90 % der Hochschulbeamten darüber hinaus an, dass im Geschäfts- und Finanzbereich bessere Daten erforderlich seien (siehe Abbildung 1). Diese überwältigende Zustimmung unterstreicht die Anerkennung der echten Notwendigkeit, den Menschen relevante Finanz- und Betriebsdaten zur Verfügung zu stellen.

Der Übergang zu datenzentrierter Analyse und Entscheidungsfindung für Finanzteams ist jedoch leichter gesagt als getan. Warum? Universitäten und Hochschulen müssen wichtige Hindernisse überwinden, um nachhaltige Veränderungen herbeizuführen.

Was hindert die Menschen also daran, die notwendigen Finanz- und Betriebsdaten zu erhalten?

Die Barrieren

Das Umfrage¹ betonte, dass Kultur, Tools und Prozesse sowie Ressourcenbeschränkungen Hindernisse für den Fortschritt in der Datenanalyse darstellen.

Laut der Umfrage sind die drei größten Hindernisse bei der Nutzung von Daten folgende:

1. Dezentrale/siloisierte Datenerfassung
2. Budgetbeschränkungen
3. Probleme beim Umsetzen von Daten in die Tat

Barrieren überwinden

Wie können Finanzteams diese Hürden mit Technologie überwinden?

Diese Frage haben die Finanzteams der Universitäten mit einer modernen CPM-Lösung beantwortet.  Lassen Sie uns einen Blick auf die drei größten Hindernisse werfen und darüber diskutieren, wie die richtige Technologie die finanziellen und betrieblichen Datenherausforderungen mildern kann, mit denen Institutionen heute konfrontiert sind.

Barriere Nr. 1: Dezentrale/siloisierte Datenerfassung

Hochschulen und Universitäten sind nicht nur deshalb komplex, weil sie unterschiedliche Dienstleistungen anbieten, sondern auch, weil die Institutionen eine Reihe von Systemen und fragmentierten Prozessen verwenden. Beispielsweise ist ein erheblicher Zeit- und Arbeitsaufwand erforderlich, um die zusammenzustellen jährliches Budget über die verschiedenen Dienste einer Institution hinweg. Zu den Überlegungen gehören die Konsolidierung der Position und der Betriebskosten, verfügbare Mittel, geplante Verpflichtungsausgaben, Informationen zu Kapitalprojekten, Studiengebühren, Einschreibungsdaten und mehr. Kommt Ihnen dieses Web bekannt vor? (Siehe Abbildung 2)

Dieses Chaos wird durch die Anwendungen, Schattensysteme und Tabellenkalkulationen, die für die Finanzberichterstattung und -planung verwendet werden, noch komplizierter. Und je mehr Finanzierungsquellen, Programme und Dienste hinzukommen, desto größer wird das Internet!

Im in Abbildung 2 gezeigten Chaos-Netz des Modellierungs-Toolkits stellt jede Zeile nicht nur ein Risiko und einen Kostenfaktor dar, sondern auch Datenlatenz und Redundanz. Auch wenn dieses Web alle guten Produkte umfasst, werden sie alle auf unterschiedlichen Technologien entwickelt und funktionieren nicht von Natur aus zusammen, sondern müssen irgendwie miteinander verbunden sein.

Eine moderne CPM-Lösung verbessert das Toolkit-Chaos. Mit einem intelligente Plattform Das wird die Finanzprozesse vereinfachen und vereinheitlichen und die Silos beseitigen. Wie? Eine wirklich einheitliche Plattform durchbricht die Silobarrieren und führt Daten, Analysen, Pläne, Berichte und Entscheidungsfindung in einem einzigen System zusammenEine einzige Lösung.  Durch diese Vereinheitlichung steht den Benutzern eine zentrale Datenquelle zur Verfügung, die für die Planung und Berichterstattung genutzt werden kann.

Barriere Nr. 2: Budgetbeschränkungen

Das zweitgrößte Hindernis für die Verbesserung der Datenanalyse ist das Budget. Die Einrichtung von Datenanalysen erfordert die Bereitstellung der richtigen Personen, Prozesse und Tools, deren Implementierung Zeit, Aufwand und Kosten erfordert. All diese Teile an Ort und Stelle zu haben, ist schwierig, insbesondere für Institutionen mit knappem Budget.

Wie können Institutionen also die Hürde von Budgetbeschränkungen überwinden? Durch die Etablierung einer langfristigen strategischen Vision eines kostengünstigen Ansatzes zur Verbesserung der Datenanalyse.

Eine CPM-Plattform bietet genau das. Eine moderne CPM-Plattform vereinheitlicht Finanz- und Betriebsprozesse und bietet einen praktischen, langfristigen Ansatz, der dazu beiträgt, die anfallenden Kosten zu senken und zukünftige Vorteile zu bieten. Wie? Hier sind nur einige der Möglichkeiten:

• Reduzierung des Zeit-, Arbeits- und Kostenaufwands für die Wartung älterer Anwendungen und getrennter Lösungen.
• Unterstützung künftigen Wachstums mit weniger Software statt mehr, indem zusätzliche oder bestehende Lösungen auf derselben Plattform bereitgestellt oder erweitert werden.
• Vereinfachte Schulung und Support für Endbenutzer, die mehrere Prozesse auf einer Plattform erlernen können. Dadurch wird die Lernkurve verkürzt, die Benutzererfahrung optimiert und die Benutzerakzeptanz gefördert.

Letztendlich können Institutionen einen großen ROI erzielen, wenn sie über eine einzige Plattform verfügen, die den Einsatz der Software erweitert, um auf sich ändernde Geschäftsanforderungen einzugehen.

Barriere Nr. 3: Probleme bei der Umsetzung von Daten in die Tat

CPM-Software soll der Finanzabteilung dabei helfen, Daten in die Tat umzusetzen.

Eine CPM-Plattform kann Institutionen dabei helfen, Probleme bei der Umsetzung von Daten in die Tat zu überwinden, indem sie Finanz- und Betriebsdaten in einer verwalteten, flexiblen Plattform zusammenführt. Benutzer können diese Daten überall nutzen Analysetools der Plattform über Standardberichte, Self-Service-Reporting, Visualisierungen und Ad-hoc-Analysetools. Eine moderne CPM-Plattform kann Daten im richtigen Detaillierungsgrad sowohl für den Finanz- als auch für den Nicht-Finanzbereich bereitstellen, um sie in die Lage zu versetzen, stärker datengesteuerte Entscheidungen zu treffen.

Zusammenfassung

Mit der Umstellung auf stärker datengesteuerte Analysen spüren Institutionen die Herausforderungen von Datensilos, Budgetbeschränkungen und Schwierigkeiten bei der Umsetzung von Daten in die Tat. Aber diese Herausforderungen sind nicht unüberwindbar. Eine moderne CPM-Plattform hilft Finanzleitern, diese Hürden zu überwinden und eine datenzentriertere Analyse und Entscheidungsfindung zu ermöglichen.

Mehr erfahren

At One StreamWir verstehen die Komplexität, Frustration und Herausforderungen bei der Verwaltung getrennter Informationen. Und genau dieses Verständnis ist der Grund, warum wir uns so darauf konzentrieren, Hochschulteams bei der Durchführung von Datenanalysen zu unterstützen, um eine sichere Entscheidungsfindung zu ermöglichen. 

Bei OneStream nennen wir das intelligente Finanzen. 

Möchten Sie mehr darüber erfahren, wie OneStream Ihr Finanzteam im Hochschulbereich stärken kann? Sehen Sie sich unsere Website für Hochschulbildung an, oder kontaktieren Sie uns für eine Demonstration.

Mehr erfahren

1 Anft, Michael (2023), gesponsert von AWS. Becoming a Data-Driven Institution: College Leaders Assess the Value and Challenges of Use Data to Make Strategic Decisions, The Chronicle of Higher Education, Inc.

Im heutigen digitalen Zeitalter, Finanzplanung und -analyse (FP&A)-Teams werden mit riesigen Datenmengen überschwemmt. Diese Daten enthalten unschätzbare Erkenntnisse, die bei effektiver Nutzung zu erheblichen Verbesserungen der Unternehmensleistung führen können. In diesem Sinne ist die durch maschinelles Lernen (ML) unterstützte Analyse ein aufstrebendes leistungsstarkes Tool, das Unternehmen dabei hilft, Daten zu verstehen, Muster zu erkennen und fundierte Entscheidungen zu treffen, um die Leistung in die richtige Richtung zu lenken. Dieser Blogbeitrag untersucht die wichtigsten Vorteile ML-fähiger Analysen und wie sie das Leistungsmanagement von Organisationen revolutionieren.

Insbesondere untersuchen wir das transformative Potenzial ML-fähiger Analysen und wie FP&A-Teams ihre Leistungsfähigkeit nutzen können, um den finanziellen Erfolg ihrer Unternehmen voranzutreiben.

Die Kraft ML-fähiger Analysen

Die Integration ML-fähiger Analysen in das FP&A-Toolkit ist kein Luxus mehr, sondern eine Notwendigkeit in der heutigen datengesteuerten Welt. Durch den Einsatz von ML-Algorithmen können FP&A-Teams Finanzprognosen verbessern, die betriebliche Effizienz verbessern, Preisstrategien optimieren und finanzielle Risiken mindern. Die Fähigkeit, die daraus resultierenden datengesteuerten Erkenntnisse zu nutzen, versetzt CFOs in die Lage, fundierte Entscheidungen zu treffen, die finanzielle Leistung zu steigern und nachhaltiges Wachstum zu erzielen.

Diese Vorteile verdeutlichen, wie sich maschinelles Lernen und erweiterte Analysen zu leistungsstarken Tools für FP&A-Teams entwickelt haben, die tiefere Einblicke in Finanzdaten bieten und prädiktive und präskriptive Analysen ermöglichen. Durch den Einsatz von ML-Algorithmen können FP&A-Teams riesige Datenmengen analysieren, um Muster aufzudecken, Anomalien zu erkennen und genaue Prognosen zu erstellen. ML-gestützte Analysen helfen FP&A-Teams letztendlich auf die folgenden fünf Arten.

1. Verbesserung der Finanzprognose und -planung

Eine der Hauptaufgaben von FP&A besteht darin, belastbare Finanzprognosen und -pläne zu entwickeln. Herkömmliche Prognosemethoden, die von FP&A eingesetzt werden, basieren häufig auf historischen Daten und Annahmen, was zu Ungenauigkeiten und eingeschränkten Vorhersagemöglichkeiten führt. ML-gestützte Analysen revolutionieren diesen Prozess, indem sie mehrere Variablen und komplexe Datenbeziehungen einbeziehen und FP&A in die Lage versetzen, genaue Vorhersagen und Prognosen zu treffen (siehe Abbildung 1).

Durch den Einsatz von ML-Algorithmen kann FP&A historische Finanzdaten neben externen Faktoren wie Markttrends, Kundenverhalten und Wirtschaftsindikatoren analysieren. Diese Algorithmen können verborgene Muster erkennen, nichtlineare Zusammenhänge aufdecken und genauere Prognosen erstellen. Dadurch kann FP&A datengesteuerte Entscheidungen treffen, die Ressourcenallokation optimieren und finanzielle Risiken effektiver mindern.

2. Einsatz von Szenariomodellierung und Sensitivitätsanalyse

ML-gestützte Analysen können Szenariomodelle generieren und Sensitivitätsanalysen durchführen, sodass FP&A bewerten kann, wie sich verschiedene Geschäftsentscheidungen und externe Faktoren auf die Finanzleistung auswirken können. Anhand solcher Bewertungen können FP&A-Teams strategische Entscheidungen treffen und Notfallpläne entwickeln, um Risiken zu mindern und Chancen zu nutzen.

Fortschritte in KI und ML haben insbesondere die Szenarioplanung verbessert, indem sie es der Finanzabteilung ermöglicht haben, genauere und zuverlässigere Prognosen zu erstellen. Mit KI und ML können FP&A-Teams riesige Datenmengen analysieren und komplexe Muster und Beziehungen zwischen verschiedenen Faktoren identifizieren. Eine solche Analyse kann es Unternehmen ermöglichen, anspruchsvollere und genauere Prognosen zu entwickeln, die aktuelle Marktbedingungen und aufkommende Trends widerspiegeln.

Durch die Einbindung von KI- und ML-Prognosen in SzenarioplanungDadurch können Unternehmen realistischere und nützlichere Szenarien erstellen und Organisationen dabei helfen, fundiertere Entscheidungen zu treffen und immer einen Schritt voraus zu sein (siehe Abbildung 2).

3. Verbesserung der betrieblichen Effizienz

ML-gestützte Analysen können die betriebliche Effizienz erheblich steigern, indem sie sich wiederholende Aufgaben automatisieren, Fehler minimieren und Bereiche mit Verbesserungspotenzial identifizieren. Genauer gesagt kann FP&A ML-Algorithmen nutzen, um Finanzprozesse zu rationalisieren, z Budgetierung, Varianzanalyse und Finanzberichterstattung.

Beispielsweise können ML-Algorithmen große Mengen an Finanzdaten analysieren, um Anomalien zu erkennen, Betrug zu erkennen und potenzielle Risiken in Echtzeit zu erkennen. Durch die Automatisierung dieser Prozesse kann FP&A wertvolle Zeit sparen, die Genauigkeit erhöhen und sich auf wertschöpfende Aktivitäten (z. B. strategische Planung und Analyse) konzentrieren.

4. Optimierung der Preisgestaltung und des Umsatzmanagements

Preisgestaltung und Umsatzmanagement sind entscheidende Aspekte der finanziellen Leistung, insbesondere für Unternehmen, die in hart umkämpften Märkten tätig sind. ML-gestützte Analysen können FP&A dabei helfen, Preisstrategien und Umsatzgenerierung zu optimieren.

Durch die Analyse von Marktdynamik, Kundenverhalten, Wettbewerbspreisen und historischen Verkaufsdaten können ML-Algorithmen optimale Preisniveaus, Nachfragemuster und Kundensegmente identifizieren. FP&A kann diese Erkenntnisse dann nutzen, um dynamische Preismodelle zu entwickeln, personalisierte Preisstrategien umzusetzen und den Umsatz zu maximieren – und das alles bei gleichzeitiger Gewährleistung der Wettbewerbsfähigkeit.

5. Finanzielle Risiken mindern

In einer unsicheren Geschäftslandschaft muss FP&A finanzielle Risiken proaktiv identifizieren und mindern. ML-gestützte Analysen bieten leistungsstarke Tools für das Risikomanagement und ermöglichen es FP&A-Teams, potenzielle Risiken zu identifizieren, Ergebnisse vorherzusagen und vorbeugende Maßnahmen zu ergreifen (siehe Abbildung 3).

Durch die Analyse historischer und Echtzeitdaten können ML-Algorithmen Frühwarnsignale für finanzielle Risiken wie Liquiditätsprobleme, Kreditausfälle und Marktvolatilität erkennen. FP&A kann diese Erkenntnisse dann nutzen, um Strategien zur Risikominderung zu entwickeln, Notfallpläne zu erstellen und fundierte Entscheidungen zum Schutz der finanziellen Gesundheit des Unternehmens zu treffen.

Sensible ML macht Prognosen einfach

Sensible ML erleichtert Prognosen, indem es die Barrieren beseitigt, die Finanz- und Betriebsteams und andere traditionell davon abgehalten haben, ML in zentrale Planungsprozesse zu integrieren. Während ML über ein enormes Potenzial verfügt, die Arbeit wie nie zuvor zu skalieren, stehen Unternehmen beim Einsatz von traditionellem maschinellem Lernen vor mehreren Herausforderungen. Abbildung 4 zeigt einige der größten traditionellen ML-Herausforderungen.

Sinnvolle Use Cases fördern den Erfolg

Sensible ML ermöglicht es Unternehmen, den Erfolg mit den folgenden Anwendungsfällen schneller und präziser zu fördern (siehe Abbildung 5):

• Zu unterstützen strategische Planungsprozesse, Sensible ML erleichtert die Erstellung der 3- oder 5-jährig (oder längere) Prognosen, die häufig erforderlich sind, um eine klarere Vision und einen Fahrplan bereitzustellen, um die Absicht des Unternehmens zu unterstützen, strategische Entscheidungen zu identifizieren, eine klare Richtung sicherzustellen und das Wettbewerbswachstum voranzutreiben.
• Zu unterstützen Annual Operating Planning (AOP) oder Prognoseprozesse, Sensible ML kann Geschäftsbereichen dabei helfen, Finanzziele von oben nach unten besser in granulare, "Prost" Monatspläne über Produktkategorien, Vertriebskanäle und Kunden hinweg – was zu Hunderte von Prognosen.
• Zu unterstützen tägliche oder wöchentliche Bedarfsplanung und / oder Vertriebs- und Betriebsplanung (S & OP), kann Sensible ML Bedarfsplanern, Business-Analysten und/oder Finanz-Geschäftspartnern dabei helfen, detaillierte Prognosen auf Produkt- und Standortebene zu erstellen, die darauf abzielen, taktische Personal-, Beschaffungs-, Logistik- und Bestandsverwaltungsentscheidungen zu treffen.
• Aussichten für Einnahmen Ausgaben or Arbeitskraft Planung Wo monatliche Prognosen pro Ziel (z. B. 60 Datenpunkte pro Prognoseziel) für die Top-Down-Planung erforderlich sind, kann Sensible ML dies tun Erstellen Sie prädiktive/statistische Prognosen.
• Für mehr Granularität Bottom-up-Prognose nach Kunde, Produkt nach Standort und/oder S&OP Wo Organisationen Hunderte von Datenpunkten pro Ziel teilen können, kann Sensible ML erstellen wöchentlich oder täglich Prognosen die spezifische Intuition aus der Geschäftsanalyse zu Auswirkungen wie Feiertagen, Wetter, Preisänderungen, Wettbewerbsauswirkungen oder jeder zeitbasierten Intuition berücksichtigen.

Zusammenfassung

Da sich die Rolle von FP&A ständig weiterentwickelt, wird der Einsatz ML-fähiger Analysen für die Steuerung der Leistung und die Förderung des Unternehmenserfolgs von entscheidender Bedeutung. FP&A kann die Leistungsfähigkeit von ML-Algorithmen nutzen, um wertvolle Erkenntnisse aus riesigen Mengen an Finanzdaten zu gewinnen, die Prognosegenauigkeit zu verbessern, Risiken proaktiv zu identifizieren, Kosten zu optimieren und fundierte Entscheidungen zu treffen. Auf diese Weise ermöglicht die Integration von ML in Finanzfunktionen, dass FP&A ein strategischer Partner für Unternehmensführer wird und dem Unternehmen die Werkzeuge an die Hand gibt, um komplexe Herausforderungen zu meistern, Wachstum voranzutreiben und langfristigen Wert für Unternehmen zu schaffen.

Mehr erfahren

Um mehr darüber zu erfahren, wie FP&A-Teams den KI-Hype hinter sich lassen, bleiben Sie auf dem Laufenden für weitere Beiträge aus unserer Sensible ML-Blogserie oder laden Sie unser Whitepaper herunter hier.

Lesen Sie das White Paper

Maschinelles Lernen (ML) hat zweifellos den Umgang mit Daten im 21. Jahrhundert revolutioniert. Dank der Fähigkeit, Muster und Beziehungen in riesigen Datenmengen zu erkennen, ist ML zu einem unverzichtbaren Werkzeug in verschiedenen Bereichen geworden, einschließlich Enterprise Performance Management (EPM).

Traditionell beschränkten technologische Einschränkungen die Verwendung von EPM zur Überwachung, Analyse und Verwaltung der Unternehmensleistung. EPM umfasst Budgetierung, Prognosen, Finanzkonsolidierung, Berichterstattung und mehr. Heute kann ML die Genauigkeit, Transparenz und Agilität von EPM-Prozessen erheblich verbessern.  Wie?  Durch die Automatisierung dieser Aktivitäten und die Bereitstellung von Erkenntnissen, die zuvor nicht zu erlangen waren.

Erstellung genauer, transparenter und agiler ML-gesteuerter Prognosen

Wie wir im ersten Beitrag der geteilt haben Sensible ML für EPM-Blogserie, versuchen Unternehmen heute mehr denn je, ihre Finanzpläne genauer, transparenter und flexibler zu gestalten, um wettbewerbsfähig zu bleiben. Und Sensible ML von OneStream kann helfen.  Wie?  Es ermöglicht Benutzern, die näher am Unternehmen sind, Geschäftsintuition in das Modell einfließen zu lassen, was die Genauigkeit erhöhen und sicherstellen kann, dass alle verfügbaren Informationen berücksichtigt werden.

Im Gegensatz zu den Prognosefunktionen der „meisten“ Predictive Analytics (die frühere Ergebnisse und Statistiken betrachten und dann Prognosen auf der Grundlage vergangener Ereignisse erstellen), Sensible ML hat eine einzigartige Raffinesse.  Sinnvolles ML ebenfalls berücksichtigt zusätzliche Geschäftsintuition wie Ereignisse, Preise, Wettbewerbsinformationen und Wetter, um präzisere/belastbarere Prognosen zu ermöglichen (siehe Abbildung 1).

Die Geschwindigkeit von Sensible ML bei der Reaktion auf sich entwickelnde Geschäftsumgebungen bietet einen klaren Vorteil gegenüber herkömmlichen Ansätzen. Während ein statistikbasiertes System dazu führt, dass Planungsteams oft mehrere Wochen warten müssen – oder Monate! – Für die finanziellen und nicht finanziellen Ergebnisse, die zur Erstellung von Prognosen erforderlich sind, die auf Änderungen reagieren, kann Sensible ML das gleiche Ergebnis viel, viel schneller erzielen. Und das bei einer massiven Reduzierung des manuellen Aufwands. 

Höhere Prognosegenauigkeit = effektivere Geschäftsprozesse nachgelagert

Prognosen sind eine kritische Aktivität, die Unternehmen hilft, die zukünftige Nachfrage vorherzusagen, potenzielle Risiken zu mindern und neue Chancen zu nutzen. Aufgrund des zunehmend volatilen Umfelds sind Unternehmen jedoch gezwungen, sich von traditionellen Prognosemethoden, isolierten Prozessen und veralteten Technologien zu verabschieden. Stattdessen konzentrieren sich Unternehmen darauf, ihre Prognosefähigkeiten und -abläufe digital weiterzuentwickeln, um das Risiko eines anhaltenden Wertverlusts im gesamten Unternehmen zu mindern.

Einer der wichtigsten Vorteile der Anwendung von maschinellem Lernen auf EPM besteht darin, dass ML dazu beiträgt, die Genauigkeit von Finanzprognosen und -vorhersagen zu verbessern. Algorithmen für maschinelles Lernen können historische Finanzdaten analysieren und Muster identifizieren, die verwendet werden können, um genauere Vorhersagen über die zukünftige Leistung zu treffen.

Beispielsweise kann ein maschinelles Lernmodell Daten aus Verkaufstransaktionen, Lagerbeständen und Kundendemografien analysieren, um Muster zu identifizieren, die zur Vorhersage zukünftiger Verkäufe verwendet werden können. Durch die Verwendung dieser Vorhersagen zur Anpassung der Ressourcenzuweisung und Bestandsverwaltung können Unternehmen ihre finanzielle Leistung verbessern und das Risiko von Fehlbeständen oder Überbeständen verringern.

Maschinelles Lernen kann auch dazu beitragen, die Genauigkeit von zu verbessern Finanzberichterstattung. Beispielsweise können ML-Algorithmen trainiert werden, um Finanzberichte zu analysieren und Fehler oder Unstimmigkeiten zu identifizieren, die von menschlichen Prüfern möglicherweise übersehen werden. Die Automatisierung dieses Prozesses hilft Unternehmen, die Genauigkeit ihrer Finanzberichterstattung zu verbessern und das Risiko von Verstößen zu verringern.

Transparenz ist entscheidend für die Annahme von ML-Prognosen für alle beteiligten Interessengruppen

Maschinelles Lernen wird häufig als Black Box bezeichnet – Daten gehen rein, Entscheidungen kommen raus, aber die Prozesse zwischen Input und Output sind intransparent.

Viele Lösungen, insbesondere solche, die auf die Integration mit einer ML-Lösung eines Drittanbieters angewiesen sind, ermöglichen es einer Organisation einfach, den ML-Prozess auszuführen. Die Ergebnisse werden dann zurückgegeben, ohne dass man nachvollziehen kann, wie sie generiert wurden.

Infolgedessen sehen sich viele ML-Lösungen jetzt zunehmender Skepsis und Kritik ausgesetzt, da die Leute in Frage stellen, ob ihre Entscheidungen fundiert und zuverlässig sind. Daher werden die „Transparenz und Nachvollziehbarkeit“ von ML-Lösungen immer wichtiger.

Sensible ML bietet beides und verbessert die Transparenz von Finanz- und nichtfinanzielle Berichterstattung. Durch die Analyse von Daten aus mehreren Quellen bieten Sensible ML-Modelle einen umfassenden Überblick über die finanzielle Gesundheit eines Unternehmens (siehe Abbildung 2).

Beispielsweise kann maschinelles Lernen Daten aus Jahresabschlüssen, Verkaufstransaktionen und Lagerbeständen analysieren, um ein genaueres Bild der finanziellen Leistung eines Unternehmens zu erhalten. Diese umfassende Ansicht kann dabei helfen, Bereiche zu identifizieren, in denen Ressourcen möglicherweise falsch zugewiesen oder Wachstumschancen übersehen wurden.

Maschinelles Lernen kann auch verwendet werden, um die Transparenz von zu verbessern Finanzprüfungen. Durch die Automatisierung des Prüfungsprozesses können ML-Algorithmen potenzielle Fehler oder Abweichungen schneller und genauer identifizieren als menschliche Prüfer. Diese Funktion trägt nicht nur dazu bei, das Risiko von Betrug oder anderen finanziellen Unregelmäßigkeiten zu verringern, sondern verbessert auch die Genauigkeit der Finanzberichterstattung.

Agilität eröffnet mehr Wege der Wertschöpfung als Reaktion auf sich ändernde Bedingungen

Da das Tempo des Wandels zunimmt – und Störungen und Ungewissheit alltäglich werden – müssen Organisationen zunehmend nicht nur die Zeichen erkennen, die auf Veränderungen hindeuten, sondern auch einen Plan aufstellen, um auf mögliche Szenarien zu reagieren, die sich aus etwaigen Veränderungen ergeben. ML-angereicherte Prognosen bieten einen konsistenten Prozess, Rahmen und eine kooperative Umgebung, die es Unternehmen ermöglicht, angesichts von Unsicherheiten und ständigen Veränderungen und Störungen agil und sicher zu reagieren.

Maschinelles Lernen anwenden auf EPM hat einen erheblichen Vorteil: ML kann Organisationen dabei helfen, agiler zu werden. Durch die Verarbeitung und Analyse von Daten in Echtzeit können maschinelle Lernmodelle Erkenntnisse liefern, die es Entscheidungsträgern ermöglichen, schnellere und fundiertere Entscheidungen zu treffen.

Maschinelles Lernen kann Unternehmen auch dabei helfen, bei der Finanzplanung und -prognose agiler zu sein. Durch die Analyse von Daten in Echtzeit können ML-Modelle Änderungen der Marktbedingungen oder des Kundenverhaltens erkennen, die sich auf die finanzielle Leistung auswirken können. Diese Funktion ermöglicht es Unternehmen, ihre Finanzpläne und Prognosen schnell anzupassen und potenziellen Herausforderungen immer einen Schritt voraus zu sein.

Sensible ML macht Prognosen einfach

Sensible ML macht Prognosen einfach, da OneStream die Barrieren beseitigt, die Finanz- und Betriebsteams und andere traditionell daran gehindert haben, ML in Kernplanungsprozessen zu integrieren. Während ML ein starkes Potenzial hat, um die Arbeit wie nie zuvor zu skalieren, stehen Unternehmen bei der Verwendung von traditionellem maschinellem Lernen vor mehreren Herausforderungen (siehe Abbildung 3).

Sinnvolle Use Cases fördern den Erfolg

Sensible ML ermöglicht es Unternehmen, den Erfolg mit den folgenden Anwendungsfällen schneller und präziser zu fördern (siehe Abbildung 4):

• Zu unterstützen strategische Planungsprozesse, Sensible ML erleichtert die Erstellung der 3- oder 5-jährig (oder längere) Prognosen, die häufig erforderlich sind, um eine klarere Vision und einen Fahrplan bereitzustellen, um die Absicht des Unternehmens zu unterstützen, strategische Entscheidungen zu identifizieren, eine klare Richtung sicherzustellen und das Wettbewerbswachstum voranzutreiben.
• Zu unterstützen Annual Operating Planning (AOP) oder Prognoseprozesse, Sensible ML kann Geschäftsbereichen dabei helfen, Finanzziele von oben nach unten besser in granulare, "Prost" Monatspläne über Produktkategorien, Vertriebskanäle und Kunden hinweg – was zu Hunderte von Prognosen.
• Zu unterstützen tägliche oder wöchentliche Bedarfsplanung und / oder Vertriebs- und Betriebsplanung (S & OP), kann Sensible ML Bedarfsplanern, Business-Analysten und/oder Finanz-Geschäftspartnern dabei helfen, detaillierte Prognosen auf Produkt- und Standortebene zu erstellen, die darauf abzielen, taktische Personal-, Beschaffungs-, Logistik- und Bestandsverwaltungsentscheidungen zu treffen. 
• Aussichten für Einnahmen Ausgaben or Arbeitskraft Planung wo monatliche Prognosen pro Ziel (z. B. 60 Datenpunkte pro Prognoseziel) für eine Top-down-Planung erforderlich sind. Vernünftige ML kann Erstellen von prädiktiven/statistischen Prognosen.
• Für mehr Granularität Bottom-up-Prognose nach Kunde, Produkt nach Standort und/oder S&OP Wo Organisationen Hunderte von Datenpunkten pro Ziel teilen können, kann Sensible ML erstellen Wochen- oder Tagesprognosen die spezifische Intuition aus der Geschäftsanalyse zu Auswirkungen wie Feiertagen, Wetter, Preisänderungen, Wettbewerbsauswirkungen oder jeder zeitbasierten Intuition berücksichtigen.

Zusammenfassung

Maschinelles Lernen ist gekommen, um zu bleiben. Dementsprechend sollte das Büro des CFO nun versuchen, Sensible ML und ähnliche Fortschritte in der Technologie zu nutzen. Was haben FP&A-Führungskräfte zu verlieren, wenn sie eine andere Sichtweise hinzufügen oder ihre Erkenntnisse mit Hilfe von ML bereichern? Nichts, gar nichts.

Bei OneStream nennen wir das Intelligente Finanzen.

Mehr erfahren

Um mehr darüber zu erfahren, wie FP&A-Teams den KI-Hype hinter sich lassen, bleiben Sie auf dem Laufenden für weitere Beiträge aus unserer Sensible ML-Blogserie oder laden Sie unser Whitepaper herunter hier.

Lesen Sie das White Paper

Die Szenarioplanung ist ein wertvolles Werkzeug für Unternehmen, die sich auf das Unerwartete vorbereiten möchten, aber die Erstellung genauer Szenarien kann ein komplexer und zeitaufwändiger Prozess sein. Traditionell erforderten diese Übungen erhebliche iterative Zyklen und waren sehr manuell.

Hier kommen Prognosen mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) ins Spiel – diese Technologien können Unternehmen dabei helfen, ihr Szenario voranzutreiben Pläne mit genaueren und zuverlässigeren Daten, die es ihnen ermöglichen, fundiertere Entscheidungen zu treffen und der Zeit immer einen Schritt voraus zu sein.

Szenariopläne mit KI- und ML-Prognosen unterstützen

Bei der Szenarioplanung werden mehrere mögliche Zukünfte für ein Unternehmen geschaffen, wobei eine Reihe verschiedener Variablen wie Markttrends, Verbraucherverhalten und technologische Fortschritte berücksichtigt werden. Der Prozess umfasst in der Regel die Identifizierung der wichtigsten Treiber von Veränderungen, die Entwicklung einer Reihe plausibler Zukunftsszenarien und die Bewertung der potenziellen Auswirkungen jedes Szenarios auf die Organisation.

Ziel ist es, potenzielle Risiken und Chancen zu identifizieren und sich entsprechend vorzubereiten, anstatt nur auf Ereignisse zu reagieren, wenn sie eintreten. Die Szenarioplanung kann Organisationen helfen, fundiertere Entscheidungen zu treffen, indem sie ihnen ermöglicht, potenzielle zukünftige Ereignisse vorherzusehen und Strategien zu entwickeln, um Risiken zu mindern und Chancen zu nutzen. (siehe Bild 1)

Bei der Szenarioplanung werden mehrere mögliche Zukünfte für ein Unternehmen geschaffen, wobei eine Reihe verschiedener Variablen wie Markttrends, Verbraucherverhalten und technologische Fortschritte berücksichtigt werden. Der Prozess umfasst in der Regel die Identifizierung der wichtigsten Treiber von Veränderungen, die Entwicklung einer Reihe plausibler Zukunftsszenarien und die Bewertung der potenziellen Auswirkungen jedes Szenarios auf die Organisation.

Während die Szenarioplanung ein leistungsstarkes Werkzeug sein kann, kann das Erstellen genauer Szenarien eine Herausforderung darstellen. Herkömmliche Methoden zur Szenarioplanung können zeitaufwändig und schwierig in der Ausführung sein. Eine der größten Herausforderungen ist die Prognose. Prognosen umfassen die Vorhersage zukünftiger Ereignisse, wie z. B. Änderungen im Verbraucherverhalten, Markttrends und technologische Fortschritte.

Herkömmliche Prognosemethoden stützen sich oft auf historische Daten und Expertenmeinungen, die unzuverlässig sein können und möglicherweise nicht die aktuellen Marktbedingungen oder aufkommenden Trends widerspiegeln. Darüber hinaus berücksichtigen herkömmliche Prognosemethoden möglicherweise nicht die komplexen Wechselbeziehungen zwischen verschiedenen Faktoren, die zukünftige Ereignisse beeinflussen können. Es ist schwierig, genau vorherzusagen, wie verschiedene Variablen interagieren, und menschliche Vorurteile können sich einschleichen und zu Szenarien führen, die übermäßig optimistisch oder pessimistisch sind.

Hier kommen KI- und ML-Prognosen ins Spiel.

Die Rolle von KI und ML in der Szenarioplanung

Fortschritte in KI und ML haben es ermöglicht, die Szenarioplanung durch genauere und zuverlässigere Prognosen zu verbessern. KI und ML können riesige Datenmengen analysieren und komplexe Muster und Beziehungen zwischen verschiedenen Faktoren identifizieren. Dies kann es Unternehmen ermöglichen, ausgefeiltere und genauere Prognosen zu entwickeln, die aktuelle Marktbedingungen und aufkommende Trends widerspiegeln.

Durch die Einbeziehung von KI- und ML-Prognosen in die Szenarioplanung können Unternehmen realistischere und nützlichere Szenarien erstellen, die ihnen dabei helfen, fundiertere Entscheidungen zu treffen und der Zeit voraus zu sein.

Datenanalyse

KI und ML können Organisationen dabei helfen, große Datenmengen zu analysieren und Muster und Trends zu erkennen, die für Menschen nicht sichtbar sind. Dies kann Einblicke in potenzielle Zukunftsszenarien geben und Organisationen dabei helfen, sich darauf vorzubereiten.

Anwendungsfall: Daten anreichern, um Muster zu erkennen

KI und ML können bei der Szenarioplanung verwendet werden, indem externe Datenquellen wie soziale Medien, Nachrichtenartikel und Wettervorhersagen einbezogen werden, um zu verstehen, inwieweit diese Faktoren mit der Prognoseleistung korrelieren. Durch die Analyse dieser Quellen in Echtzeit können Unternehmen aufkommende Trends erkennen und ihre Szenarien entsprechend anpassen. (siehe Bild 2)

Beispielsweise könnte ein Hersteller KI verwenden, um Gespräche in sozialen Medien über seine Produkte zu analysieren und aufkommende Kundenpräferenzen zu identifizieren. Durch die Einbeziehung dieser Informationen in seine Szenarien kann der Hersteller seine Produktentwicklungs- und Marketingstrategien besser an die Kundenbedürfnisse anpassen.

Prognose

KI und ML können verwendet werden, um zukünftige Ergebnisse auf der Grundlage historischer Daten vorherzusagen. Dies kann Organisationen dabei helfen, potenzielle Zukunftsszenarien zu identifizieren und fundierte Entscheidungen darüber zu treffen, wie sie darauf reagieren können.

Anwendungsfall: Vorhersage des Verbraucherverhaltens

Eine Schlüsselvariable in vielen Szenarien ist das Verbraucherverhalten. Unternehmen müssen verstehen, wie Verbraucher auf neue Produkte, Preisänderungen und andere Faktoren reagieren, um fundierte Entscheidungen treffen zu können. KI- und ML-Prognosen können verwendet werden, um Verbraucherdaten zu analysieren und vorherzusagen, wie sich Verbraucher in Zukunft verhalten werden. Diese Informationen können verwendet werden, um genauere Szenarien zu erstellen und potenzielle Risiken und Chancen zu identifizieren. (siehe Bild 3)

Stellen Sie sich zum Beispiel ein Einzelhandelsunternehmen vor, das erwägt, ein neues Produkt auf den Markt zu bringen. Durch die Verwendung von KI- und ML-Prognosen zur Analyse von Verbraucherdaten kann das Unternehmen vorhersagen, wie viele Einheiten des Produkts es wahrscheinlich in verschiedenen Szenarien verkaufen wird. Diese Informationen können verwendet werden, um verschiedene Verkaufsprognosen für verschiedene Szenarien zu erstellen, sodass sich das Unternehmen entsprechend vorbereiten kann.

Simulation

KI und ML können verwendet werden, um Simulationen möglicher Zukunftsszenarien zu erstellen. Dies kann Organisationen helfen, die potenziellen Auswirkungen verschiedener Entscheidungen zu verstehen und sich entsprechend darauf vorzubereiten. (siehe Abbildung 2)

Anwendungsfall: Prognose von Markttrends

Markttrends sind eine weitere wichtige Variable in der Szenarioplanung. Unternehmen müssen verstehen, wie sich der Markt in Zukunft wahrscheinlich verändern wird, um fundierte Entscheidungen treffen zu können. (siehe Bild 4)

Stellen Sie sich beispielsweise ein Finanzdienstleistungsunternehmen vor, das Szenarien für die nächsten fünf Jahre erstellt. Durch die Verwendung von KI- und ML-Prognosen zur Analyse von Marktdaten kann das Unternehmen vorhersagen, wie sich Zinssätze, Inflation und andere Schlüsselvariablen in diesem Zeitraum voraussichtlich ändern werden. Diese Informationen können verwendet werden, um verschiedene wirtschaftliche Szenarien zu erstellen, sodass sich das Unternehmen entsprechend vorbereiten kann.

OPTIMIERUNG

KI und ML können verwendet werden, um Szenarien zu optimieren, indem sie die wahrscheinlichsten Ergebnisse und Organisationen dabei zu helfen, sich darauf vorzubereiten. Dies kann Unternehmen dabei helfen, ihre Bemühungen zur Szenarioplanung effektiver zu gestalten.

Anwendungsfall: Vorhersage von Lieferkettenunterbrechungen

Unterbrechungen der Lieferkette können erhebliche Auswirkungen auf Unternehmen haben, insbesondere auf solche, die auf Just-in-Time-Inventarisierung oder komplexe globale Lieferketten angewiesen sind. KI- und ML-Prognosen können verwendet werden, um Lieferkettendaten zu analysieren und vorherzusagen, wo Störungen am wahrscheinlichsten sind. (siehe Bild 5)

Stellen Sie sich zum Beispiel vor, ein Fertigungsunternehmen erstellt Szenarien für das nächste Jahr. Durch die Verwendung von KI- und ML-Prognosen zur Analyse von Lieferkettendaten kann das Unternehmen vorhersagen, wo es am wahrscheinlichsten zu Störungen kommt – beispielsweise aufgrund von Naturkatastrophen oder politischen Unruhen. Diese Informationen können verwendet werden, um verschiedene Szenarien für Unterbrechungen der Lieferkette zu erstellen, sodass sich das Unternehmen entsprechend vorbereiten kann.

In jedem dieser Beispiele ermöglichen KI- und ML-Prognosen Unternehmen, genauere und realistischere Szenarien zu erstellen, die ihnen helfen, fundiertere Entscheidungen zu treffen und der Zeit voraus zu sein.

Zusammenfassung

KI- und ML-Technologien waren ein Katalysator für Unternehmen, um zu überdenken, wie sie Szenariopläne, das Tempo, mit dem sie Entscheidungen planen, und die Daten, die sie verwenden, nutzen diese Entscheidungen treffen. Kunden können die mühsame und zeitaufwändige Szenarioplanung überwinden, indem sie den Prozess mit KI- und ML-Lösungen bereichern, indem sie schnellere, genauere und zuverlässigere Prognosen liefern.

Mehr erfahren

Um mehr darüber zu erfahren, wie FP&A-Teams über den KI-Hype hinausgehen, um die Szenarioplanung zu bereichern, lesen Sie unser Whitepaper. Sinnvolles Machine Learning für CPM – Future Finance an Ihren Fingerspitzen.

Lesen Sie das White Paper

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) haben viele Branchen revolutioniert, aber der Bereich der Finanzplanung und -analyse (FP&A) hat diese Technologie nur langsam angenommen. Trotz der zahlreichen Vorteile, die KI – und insbesondere ML – für das Finanzwesen bringen kann (z. B. gesteigerte Effizienz, Genauigkeit und strategische Erkenntnisse), zögern viele Unternehmen immer noch, beides in ihren FP&A-Prozessen zu implementieren. Was hält FP&A davon ab, die enormen Vorteile von ML zu nutzen?

Um diese und weitere Fragen zu beantworten, werden in diesem Blog einige der Herausforderungen untersucht, die FP&A davon abhalten, ML vollständig anzunehmen, und wie diese Herausforderungen überwunden werden können.

Marktappetit für ML

Obwohl noch nicht so weit verbreitet wie der Wechsel in die Cloud für Finanzabschluss- und Planungsprozesse, nimmt die Einführung von ML bereits zu, so die Marktstudie 2022 Data Science and Machine Learning von Dresner Advisory Services. 2016 weniger als 40% der antwortenden Organisationen gaben an, ML zu verwenden oder aktiv zu erforschen. Die gleiche Metrik war ungefähr 70% im Jahr 2022 (siehe Abbildung 1), was einen stetigen Anstieg in den letzten sieben Jahren zeigt. An der Oberfläche unterstreicht dieser Fortschritt den KI-Hype und die Begeisterung für die potenziellen Vorteile der Verwendung von KI für FP&A.

Aber was passiert, wenn die Daten nach Funktion aufgeschlüsselt werden? Für das Office of Finance und FP&A zeichnet sich eine etwas andere Realität ab.

Tatsächlich zeigt die Studie das nur 20% (siehe Abbildung 2) der Finanzorganisationen verwenden derzeit KI und ML, und die Finanzdaten hinken den meisten Funktionen hinterher, trotz all der Gerüchte und Gerüchte da draußen.

Was hält FP&A zurück?

Bei so viel Begeisterung und doch geringer Akzeptanz, was Schlüsselbarrieren halten FP&A- und Operations-Teams von der Mainstream-Einführung von ML-Lösungen ab? Abbildung 3 zeigt die Barrieren.

Nachfolgend zeigen die Details zu diesen Hauptbarrieren, warum sie eine weit verbreitete Implementierung modernster ML-Technologien verhindern:

Mangel an Fachwissen

• FP&A-Teams können Schwierigkeiten haben, ML in Unternehmensplanungsprozessen einzusetzen, wie z rollierende Prognose oder Bedarfsplanung, da das erforderliche Fachwissen in ML und Modellierungstechniken für maschinelles Lernen fehlt. Ohne engagierte Business-Analysten und Data-Science-Ingenieure können Teams das volle Potenzial von ML in Planungsprozessen nicht ausschöpfen.  
• Ein Mangel an Fachwissen ist besonders relevant für Organisationen mit bestehenden ML-Investitionen, wo der Mangel an spezialisierten Ressourcen die Fähigkeit von FP&A-Teams behindert, ML effektiv in ihrer Arbeit einzusetzen. Ohne dediziertes Fachwissen oder Ressourcen sind FP&A-Teams in ihrer Fähigkeit, KI und ML zu nutzen, stark eingeschränkt.

Mangel an Maßstab

• Für Unternehmen mit bestehenden Data-Science-Teams ist die Erstellung wiederholbarer und systematisierter ML-Prozesse und -Infrastrukturen im gesamten Unternehmen teuer. Darüber hinaus sind die meisten ML-Funktionen in CPM-Tools heute nur in der Lage, a jeweils nur eine Prognose (Sollwert).. Wieso spielt das eine Rolle?
• Die Rolle von FP&A besteht darin, effektive Planungsprozesse über Geschäftsbereiche und Funktionen hinweg zu leiten und voranzutreiben (z. HR, Verkauf und Betrieb). Und wenn das Unternehmen nicht in der Lage ist, Prognosen in großem Maßstab zu erstellen, tritt FP&A nicht als strategischer Geschäftspartner auf. KI-Lösungen für FP&A, die nicht skalierbar sind, sind nicht anders und werden niemals eine Massenakzeptanz erreichen, was dazu führt, dass die Lösungen letztendlich scheitern.

Mangel an Geschäftsintuition und Transparenz

• Herkömmliche ML-Modellierungsprozesse innerhalb von CPM-Tools sind für FP&A-Teams oft eine „Black Box“ (siehe Abbildung 4). Warum ist das wichtig? Nun, ML-Modi sind ohne materielle Geschäftsintuition nicht vollständig und/oder bieten Benutzern nur eingeschränkte Sichtbarkeit oder Rückverfolgbarkeit in Modelleingaben und -ergebnisse. Solche Einschränkungen können zu einem Mangel an Vertrauen oder Vertrauen in die Ergebnisse führen.

Als strategischer Geschäftspartner Finanzplanung & Analyse müssen Vertrauen in Prognoseprozesse schaffen. Und während der Einsatz von KI und ML wahrscheinlich die Prognosegenauigkeit erhöht, können P&L-Eigentümer die Treiber, aus denen Prognosen bestehen, nicht einschätzen – P&L-Führungskräfte, die es nicht können hört niemals  besitzen ihre Prognosen.

Und wenn P&L-Eigentümer ihre Prognosen nicht besitzen, Prognoseprozesse zusammenbrechen und scheitern insgesamt. Das bedeutet Auch FP&A ist gescheitert.

Fragmentierte und getrennte Prozesse

• Aktuelle KI- und ML-Lösungen innerhalb von CPM erfordern in der Regel eine Datenverschiebung und -abstimmung zwischen fragmentierten Systemen und Finanzprozessen. Diese Anforderungen erhöhen die technische Verschuldung und schränken die Skalierbarkeit von Advanced Analytics im gesamten Unternehmen ein.
• Die fragmentierte Software und die technischen Prozesse, die für eine vernetzte Planung erforderlich sind, schaffen zusätzliche technische Komplexität und Verwaltungsaufwand für FP&A-Teams. Diese Belastung umfasst das ständige Verschieben und Abgleichen von Daten, das Überwachen der Datenlatenz und das Verwalten der Sicherheit zwischen fragmentierten Produkten oder Modellen. Gemeinsam die Belastung verdünnt die Fähigkeit strategischer FP&A-Teams, sich auf die Leistungssteigerung und die Unterstützung kritischer Entscheidungsfindung zu konzentrieren.

Zusammenfassung

Trotz dieser Herausforderungen hat ML das Potenzial, Finanzvorgänge und -ergebnisse erheblich zu verbessern. Durch die Automatisierung manueller Prozesse kann ML Finanzfachleuten helfen, Zeit zu sparen und die Genauigkeit zu verbessern, was zu einer effektiveren Entscheidungsfindung führen kann. Darüber hinaus kann ML Echtzeit-Einblicke in die finanzielle Leistung liefern. Diese Erkenntnisse können dann Finanzfachleuten helfen, Trends zu erkennen und fundierte Entscheidungen zu treffen.

Da KI und ML für FP&A in den Mainstream eintreten, werden Unternehmen zweifellos mehrere Möglichkeiten in Betracht ziehen müssen. Auf der einen Seite bieten Lösungsanbieter für KI (siehe Abbildung 5) alles von KI-Infrastrukturlösungen bis hin zu Data-Science-Toolkits und vollständigen KI-Plattformen zum Erstellen und Bereitstellen von ML-Modellen. Dies sind zwar leistungsstarke Tools für unterschiedliche Anwendungsfälle, Die Tools sind nicht für FP&A-Teams konzipiert.

Anbieter von Corporate Performance Management investieren ebenfalls in KI-Funktionen zur Unterstützung Erweiterte Planung & Analyse (xP&A) Prozesse wie Bedarfsplanung und Absatzplanung. Wie Abbildung 5 für KI-Anbieter gut veranschaulicht, lösen auch CPM-Anbieter die KI-Anforderungen ihrer Kunden auf unterschiedliche Weise.

Also, was ist die Lektion in all dem?

Lassen Sie nicht zu, dass der KI-Hype den Bewertungsprozess trübt.  Startseite mit klarem Verständnis "Was" Geschäftsergebnisse, die das FP&A-Team mit ML zu erreichen versucht. Identifizieren "WHO" verwendet die Lösung und "Wie" Die Lösung wird in bestehende Planungsprozesse integriert.

Und mit Antworten auf diese Fragen im Hinterkopf nutzen Sie den Bewertungsprozess „Geh unter die Haube“ um zu erfahren, ob die Lösung das Unternehmen von den wichtigsten Hindernissen befreien wird, die FP&A davon abhalten, den Hype zu überwinden.

Mehr erfahren

Möchten Sie mehr darüber erfahren, wie FP&A-Teams den KI-Hype hinter sich lassen? Bleiben Sie dran für weitere Beiträge aus unserer Blog-Serie oder laden Sie unser interaktives E-Book herunter hier.

Laden Sie das eBook herunter

Der Markt für Informationstechnologie (IT) ist voll von vielen Schlagwörtern und Begriffen, die oft synonym verwendet werden. Aber in einigen Fällen gibt es subtile Unterschiede zwischen Begriffen, die wichtig zu verstehen sind und die sich auf die Auswahl von Tools und deren Einsatz auswirken können. Ein Beispiel ist die Verwendung der Begriffe Business Intelligence vs. Business Analytics oder BI vs. BA. Lesen Sie weiter, um zu erfahren, wie sich diese Begriffe und Tools unterscheiden und wie sie sich ergänzen.

Beginnen wir mit einer Geschichtsstunde.

Business Intelligence entsteht aus Decision Support

Obwohl es einige frühere Verwendungen gab, entwickelte sich Business Intelligence (BI), wie es heute verstanden wird, aus den Entscheidungsunterstützungssystemen (DSS), die in den 1960er bis Mitte der 1980er Jahre verwendet wurden. Dann im Jahr 1989, Howard Dresner (ein ehemaliger Gartner-Analyst) vorgeschlagen „Business Intelligence“ als Überbegriff zur Beschreibung von „Konzepten und Methoden zur Verbesserung der Geschäftsentscheidungsfindung durch den Einsatz faktenbasierter Unterstützungssysteme“.

Die modernere Definition von Wikipedia  beschreibt BI als „eine Reihe von Strategien und Technologien, die von Unternehmen zur Datenanalyse von Geschäftsinformationen verwendet werden.“  Eine andere Definition, die von angeboten wird TechTarget heißt es: „Business Intelligence (BI) ist ein technologiegesteuerter Prozess zur Analyse von Daten und zur Bereitstellung umsetzbarer Informationen, die Führungskräften, Managern und Mitarbeitern helfen, fundierte Geschäftsentscheidungen zu treffen.“

Die TechTarget-Definition beschreibt weiter, wie Organisationen als Teil des BI-Prozesses Daten aus internen IT-Systemen und externen Quellen sammeln, sie für die Analyse vorbereiten, Abfragen für die Daten ausführen und Datenvisualisierungen erstellen, BI Dashboards und Berichte um Daten zu präsentieren und die Analyseergebnisse Geschäftsanwendern für die operative Entscheidungsfindung und strategische Planung zur Verfügung zu stellen.

Business Analytics übernimmt den Oberbegriff

"Geschäftsanalysen“ oder „Datenanalyse“ ist die modernerer Begriff, der auf den breiteren Bereich von BI angewendet wird, Corporate Performance Management (CPM)und Analysetools und -anwendungen. Was mir an dem Begriff Analytik gefällt, ist, dass er einen „aktiveren“ Ansatz zur Nutzung von Informationen bezeichnet. Wobei BI oft hauptsächlich als Prozess des Sammelns und Formatierens von Informationen für die Bereitstellung an Endbenutzer angesehen wird – Analytik bezieht sich eher auf den Prozess des Zugriffs, der Verarbeitung, des Konsums, der Manipulation, des Slicens, Würfelns und Bohrens in die Informationen um Trends zu verstehen und Antworten auf analytische Fragen zu erhalten.

Unten ist die Taxonomie der International Data Corporation (IDC). (siehe Abbildung 1) für Big-Data- und Analysesoftware, die zeigt, wie all diese Tools und Anwendungen zusammenpassen. In dieser Taxonomie gibt es drei Hauptsegmente auf dem Markt:

1. Oben links sehen Sie Leistungsmanagement und analytische Anwendungen. Dazu gehören Finanz-EPM/CPM-Anwendungen sowie andere Analyseanwendungen wie CRM, Lieferkette, Arbeitskräfte und andere, die im gesamten Geschäftsbetrieb verwendet werden
2. Oben rechts sehen Sie Business-Intelligence- und Analyse-Tools. Dazu gehören Abfragen, Berichte, multidimensionale/OLAP- und visuelle Erkennung sowie erweiterte und prädiktive Analysen.
3. Dann liegen diesen beiden Segmenten die zugrunde Analysedatenmanagement und Integrationsplattformen. Dazu gehören Datenintegrationstools sowie Data-Warehousing- und Verwaltungstechnologien, die Daten für BI- und Analysetools bereitstellen oder von Performance-Management- und Analyseanwendungen genutzt werden können.

Business Analytics in Aktion

Lassen Sie uns mit der IDC-Taxonomie, die die verschiedenen Arten von Business-Analytics-Tools identifiziert, die auf dem Markt verfügbar sind, über die Anwendungsfälle für Business-Analytics sprechen. Es gibt im Wesentlichen drei Arten von Analysen, die Unternehmen verwenden, um ihre Entscheidungsfindung voranzutreiben:

• Descriptive Analytics – sagt uns, was in der Vergangenheit bereits passiert ist
• Predictive Analytics – zeigt uns, was in Zukunft passieren „könnte“.
• Prescriptive Analytics – informiert uns darüber, was in Zukunft passieren „sollte“.

Beschreibende Analytik machen den Großteil der heutigen Managementberichterstattung aus. Es ist das Analyse historischer Daten mit einfachen Techniken wie Datenaggregation und Data Mining, die verwendet werden, um Trends aufzudecken, Signale und Muster. Diese Informationen werden den Endbenutzern über Berichte und Management-Dashboards bereitgestellt, die visuelle Datendarstellungen wie Liniendiagramme, Balkendiagramme und Tortendiagramme enthalten, die nützliche Einblicke liefern und die Grundlage für zusätzliche Analysen der zugrunde liegenden Details bilden.

Predictive Analytics ist eine fortschrittlichere Methode der Datenanalyse, die wendet statistische Analysetechniken und maschinelles Lernen auf historische Daten an, um zukünftige Ergebnisse zu prognostizieren, und die Wahrscheinlichkeit dieser Ergebnisse. Die Anwendungsfälle für Predictive Analytics Dazu gehören Probleme wie Bedarfs- oder Verkaufsprognosen, Betrugserkennung und Kundenabwanderungsanalyse.

Obwohl eng verwandt mit beschreibenden und Predictive analyticsgeht Prescriptive Analytics noch einen Schritt weiter Entscheidungsträgern anhand verschiedener statistischer Methoden zeigen, welches Zukunftsszenario der beste Weg in die Zukunft ist. Dies wird erreicht, indem Daten aus einer Reihe von beschreibenden und vorhersagenden Quellen gesammelt und auf den Entscheidungsprozess angewendet werden. Es ermöglicht Teams Sehen Sie sich die beste Vorgehensweise an, bevor Sie Entscheidungen treffen, Zeit und Geld sparen und gleichzeitig optimale Ergebnisse erzielen.

Während jede dieser Methoden nützlich ist, wenn sie einzeln verwendet wird, werden sie besonders wirksam, wenn sie zusammen verwendet werden.

OneStreams Ansatz für Predictive Analytics und maschinelles Lernen

OneStream versetzt Finanzteams in die Lage, schnell zu führen Vereinheitlichung von Predictive Analytics mit CPM-Kernprozessen: Planung, Budgetierung und Prognose; finanzielle Konsolidierung; Berichterstattung; und Finanzdatenqualität. Und mit unserem eingebauten Predictive-Analytics-Lösung (siehe Abbildung 2) entfesselt OneStream die Transformation des Finanzwesens, um Budgetierungs-, Planungs- und Prognoseprozesse noch weiter voranzutreiben – damit Teams mit Zuversicht planen, analysieren und vorhersagen können.

Wie auf dem Splash Virtual-Event von OneStream im Jahr 2021 angekündigt, KI-Dienste und Sensible ML von OneStream Lösung wird Geben Sie Finanzteams die Möglichkeit, Vorhersagen zu nutzen ML-Modelle ohne umfangreiche Arbeit von Data Scientists. Diese Lösung führt Benutzer Schritt für Schritt durch jeden Teil des ML-Modellerstellungs- und Bereitstellungsprozesses. Einschließlich Feature-Engineering durch erweiterte Algorithmuskonfiguration, Schulung und Bereitstellung.

Mehr erfahren

Business-Intelligence-Tools sind Teil einer breiteren Palette von Business-Analytics-Tools, die analytische Dateninfrastruktur, CPM und analytische Anwendungen sowie erweiterte prädiktive Analysetools umfassen. Diese Business-Analytics-Tools und -Anwendungen wurden alle entwickelt, um Unternehmen dabei zu unterstützen, Informationen zu sammeln, zu organisieren und an Führungskräfte und Entscheidungsträger weiterzugeben und die „analytische Intelligenz“ bereitzustellen, die erforderlich ist, um zeitnahe und fundierte Entscheidungen zu treffen, die zu einer verbesserten Geschäftsleistung führen können.

Um mehr über den Ansatz von OneStream für prädiktive Analysen und maschinelles Lernen zu erfahren, Laden Sie unser Whitepaper herunter, und wenden Sie sich an OneStream, wenn Ihr Unternehmen bereit ist, das Finanzwesen zu transformieren, indem es fortschrittliche prädiktive Analysen und maschinelles Lernen mit zentralen CPM-Prozessen abgleicht.

Lesen Sie das White Paper

Das Jahr 2020 war für CFOs und Führungskräfte im Finanzbereich eines der herausforderndsten aller Zeiten. Um die Auswirkungen der Pandemie auf die Entscheidungsfindung im Finanzbereich wirklich zu verstehen, sponserte OneStream im Juli 2020 eine Umfrage von Hanover Research unter Entscheidungsträgern im Finanzbereich. Der Umfrageergebnisse hob die Auswirkungen der globalen Pandemie auf die Einstellung, Weiterbildung von IT- und Buchhaltungspersonal sowie Investitionen in Cloud-basierte Planungs-, Berichterstattungs- und Analysetools hervor. Die Umfrage hob auch hervor, dass die meisten Unternehmen (61 %) bestimmte Investitionen bis nach den US-Präsidentschaftswahlen aufschieben.

Jetzt, da die Wahlen 2020 hinter uns liegen und die globale Pandemie zu Ende geht, dachten wir, dies wäre ein guter Zeitpunkt, um den Entscheidungsträgern im Finanzbereich erneut den Puls zu fühlen. Deshalb haben wir im März 2021 eine weitere Umfrage unter Entscheidungsträgern im Finanzbereich in Nordamerika gestartet und Antworten von 340 Führungskräften im Finanzbereich aus allen Branchen gesammelt.

Hier ist eine Zusammenfassung dessen, was wir daraus gelernt haben 2021 Hannover Research Finance Entscheiderbefragung.

Wichtigste Ergebnisse: Reaktion auf COVID-19 und Genesung

Die gute Nachricht ist, dass Fast drei Viertel (73 %) der Unternehmen erwarten, dass sie bis Ende 2021 zu einem normalen Wachstum zurückkehren werden, während 18 % eine Rückkehr zum normalen Wachstum im Jahr 2022 erwarten.

Während COVID-19, Etwa 11 % der Mitarbeiter wechselten während COVID 19 von vollständiger Büroarbeit zu vollständiger Fernarbeit, erwarten jedoch, nach der Pandemie ins Büro zurückzukehren. Die Zahl der hybriden Mitarbeiter blieb während der gesamten Pandemie in etwa gleich und wird sich voraussichtlich auch nach Ende der Pandemie nicht ändern. Was die Rückkehr ins Büro betrifft, fast alle Unternehmen (98 %) haben Budgetpläne für die Rückkehr ins Büro erstellt, Ein Drittel (36 %) von ihnen plant, mehr als 15 % ihres Budgets für die Wiedereröffnung des Büros aufzuwenden. Datenschutz-Tools sind die häufigste (18 %) Priorität für die zweckgebundene Rückkehr zu Bürobudgets, dicht gefolgt von hybriden Cloud-Technologien (18 %) und der Neukonfiguration von Büros (18 %).

Pandemiebedingte Anlageänderungen

Seit der COVID-19-Pandemie Mehr als die Hälfte der Unternehmen steigerten ihre Investitionen und Nutzung von Datenanalysetools. Insbesondere investierten Unternehmen am häufigsten in künstliche Intelligenz (59 %), Predictive Analytics (58 %), Cloud-basierte Planungs- und Reporting-Tools (57 %) und maschinelles Lernen (54 %).

Und das hat die Umfrage auch ergeben Organisationen nutzen Datenanalysetools mehr als vor der Pandemie. Im August 2020 gab die Hälfte (46 %) der Unternehmen an, Cloud-basierte Lösungen ständig zu nutzen, während ein Viertel Predictive Analytics (28 %), maschinelles Lernen (21 %) und künstliche Intelligenz (20 %) nutzte. Mittlerweile haben mehr als die Hälfte der Unternehmen die Nutzung jedes Tools erhöht, mit Cloud-basierte Planung und Berichterstattung führen die Liste mit 65 % an, die eine erhöhte Nutzung beanspruchen.

Angesichts der Tatsache, dass mehr als die Hälfte der Unternehmen ihre Investitionen in maschinelles Lernen erhöht haben, ist dies nicht überraschend Die meisten planen, neue Abteilungen und Anwendungsfälle mit der Technologie zu optimieren.  Konkret planen Unternehmen die Optimierung der IT-/Cybersicherheit (30 %) und priorisieren den Kundenservice (15 %). Buchhaltung & Finanzen (12 %). 

Verwaltungsbedingte Investitionsänderungen

Obwohl viele Unternehmen Investitionen auf die Zeit nach der Wahl verschieben, Über die Hälfte der Unternehmen geben an, dass sich dies positiv auf ihre Investitionsentscheidungen für 2021 ausgewirkt hat. Die Einführung neuer Produkte und Dienstleistungen waren die Investitionsbereiche, die sich am positivsten ausgewirkt haben, gefolgt von physischen Erweiterungen, einschließlich neuer Mitarbeiter, Software, Akquisitionen und Einrichtungen.

Die meisten Unternehmen (86%) gaben an, dass sie ihre Finanzprognosen im Falle einer Steueränderung ändern müssen von der neuen Präsidialverwaltung In ähnlicher Weise haben die meisten Unternehmen (89 %) bereits Pläne gemacht, ihre Einstellungs- und Personalpläne zu ändern, um Lohnerhöhungen Rechnung zu tragen.

Zudem hat auch Frau Die meisten Unternehmen erhöhen ihre Investitionen in Management- und Berichtssysteme für Umwelt, Soziales und Governance (ESG) oder planen eine Erhöhung (85 %). sowie DEI-Schulungen (86 %).

Schlussfolgerungen

Die Durchführung einer Umfrage wie dieser ist immer interessant, da sie die Möglichkeit bietet, unsere Annahmen über wichtige Markttrends zu validieren. Wir haben uns über den positiven Ausblick der meisten Führungskräfte im Finanzbereich in Bezug auf die wirtschaftliche Erholung im Jahr 2021 gefreut. Das war es auch ermutigend zu sehen, dass sich 98 % der Unternehmen in Nordamerika auf die Rückkehr ins Büro vorbereiten.

Die Umfrage bestätigte auch, was wir auf dem Markt sehen, mit erhöhte Nachfrage nach Cloud-basierten Planungs- und Berichtslösungen sowie fortschrittlichen Analysetools, In der Regel ersetzen sie Tabellenkalkulationen oder ältere CPM-Anwendungen (Corporate Performance Management). Und Wir haben auch eine zunehmende Nutzung von Cloud-basierten Planungs- und Berichtstools festgestellt – wobei viele Organisationen die Häufigkeit ihrer Planungs- und Berichtszyklen während der Pandemie erhöhen.

Ein Bereich, der uns überrascht hat, war das 85 % der Unternehmen gaben an, dass sie planen, ihre Investitionen in ESG-Management- und Berichtssysteme zu erhöhen.  Der Medienrummel zu diesem Thema hat im 2. Halbjahr 2020 deutlich zugenommen, ebenso wie das Interesse der OneStream-Kunden an diesem Thema. Mehrere unserer Kunden nutzen bereits unsere Plattform, um ESG- und Nachhaltigkeitsinitiativen zu sammeln, zu verwalten und darüber zu berichten.

Um mehr zu erfahren, laden Sie die . herunter 2021 Hannover Research Finance Entscheiderbefragung und wenden Sie sich an OneStream, wenn Ihr Unternehmen seine Fähigkeit zur „schnellen Führung“ verbessern und die anhaltende Marktvolatilität leichter bewältigen muss.

In einem kürzlich durchgeführten Webinar mit unseren Partnern bei PwC haben wir untersucht, wie Finanzleiter den Wert und die Anleitung ihrer Teams für ihre Organisationen steigern und gleichzeitig die Leistung steigern können. In dieser Diskussion über Office of Finance Transformation untersucht Scott Stern, Senior Director of Product Marketing bei OneStream, zunächst, wie sich Finanzteams von einer Scorekeeper- zu einer Coach-Rolle entwickeln können Colby Conner, Finanzpartner bei PwC. Dann untersucht Scott einige Beispiele für Kundentransformation mit Tana Baumhorn, Beratungsdirektor bei PwC.

Dieses Webinar beschreibt die organisatorischen Attribute und Technologien, die für Finanzteams erforderlich sind, um diese Transformation erfolgreich zu meistern. Wie sieht Erfolg bei der Office of Finance-Transformation aus? Herr Conner schlägt die folgende Faustregel vor. Wenn Finanz- und Geschäftsbereichsleiter verbringen Sie nur 2 Minuten oder weniger Strategiemeetings damit, sich über die Genauigkeit der Zahlen zu einigen und die verbleibenden 58 Minuten damit verbringen, Erkenntnisse zu entwickeln und Herausforderungen zu lösen, kann das Office of Finance Transformation als Erfolg gewertet werden.

Dieser „2-Minuten-Test“ ist zwar etwas zu einfach, zeigt aber genau, was Finanzleiter anspruchsvoller Unternehmen anstreben sollten. Unter diesem Ideal geht Finance über die Rolle des Datensammlers und -zusammenfassers hinaus und wird zu einem vertrauenswürdigen Partner der Geschäftsbereichsleiter. Die Transformation erhöht im Wesentlichen die Rolle der Finanzabteilung, um sich auf die Bereitstellung von Erkenntnissen und Anleitungen zu konzentrieren, um die Leistung für die gesamte Organisation zu steigern.

Warum sich auf die Office of Finance Transformation Journey begeben?

Herr Conner erklärt, warum die heutigen Organisationen einen dringenden Bedarf an Finanzen haben, um das Geschäft besser zu unterstützen. Er beschreibt, wie viele Faktoren – darunter zunehmender wirtschaftlicher Druck, neue Technologien, neue Datenquellen und steigende Datenmengen – alle die Leistung der Organisation herausfordern. Anschließend beschreibt er, wie diese internen und externen Faktoren dem Finanzwesen Möglichkeiten bieten, schnell führend zu sein, um nicht nur dem Tempo des Wandels gerecht zu werden, sondern auch die zunehmende Komplexität zu bewältigen.

Er untersucht auch, wie viele Finanzorganisationen ihre Rolle darauf beschränken, Punktezähler zu sein. Diese Teams verbringen einen Großteil ihrer Zeit damit, Daten und Abstimmungen zu führen, wobei der Schwerpunkt auf der Aggregation von Daten und der Erstellung von Berichten liegt. Im Gegensatz dazu haben Organisationen, die sich auf eine Intelligente Finanzen Reisefortschritt in eine Coach-Rolle und Wertschöpfung durch Bereitstellung von Wissen, Erkenntnissen und operativer Entscheidungshilfe in ihren Organisationen.

Finanzteams, die diese Reise absolvieren, entwickeln sich zu Eigentümern einer „Insight-Lieferkette“. Diese Teams können dann Daten aus dem Inneren des Unternehmens entnehmen und in Erkenntnisse umwandeln, um neue Zukünfte zu definieren und eine Marktführerschaft aufzubauen.

Bewältigung der Transformationsherausforderungen des Office of Finance

Warum also startet nicht jedes Finanzteam diese Transformation erfolgreich? Die Antwort ist ziemlich einfach: Es gibt erhebliche Herausforderungen bei der Umsetzung einer Office of Finance Transformation. Die größten Herausforderungen sind veraltete Technologien und manuelle Prozesse, die viele Teams dazu zwingen, zu viel Zeit mit der Verwaltung von Daten und Tools zu verbringen, anstatt Analysen durchzuführen und Erkenntnisse zu gewinnen.

Mr. Conner definiert diese Herausforderungen neu als Chancen. Er schlägt vor, dass Finanzteams den Status quo manueller Aufgaben und ineffizienter Prozesse in den „Treibstoff“ verwandeln, der die Transformation vorantreibt. Insbesondere argumentiert er, dass die Implementierung einer modernen Corporate Performance Management (CPM)-Lösung zur Automatisierung von Prozessen den Finanzteams die zusätzliche Zeit verschafft, die sie benötigen. Diese Zeit ermöglicht es den Finanzteams, zunächst Zeit für die Umsetzung der Transformation aufzuwenden und sich schließlich die Zeit zu nehmen, die für hochwertige Analysen und die Entwicklung von Erkenntnissen benötigt wird.

Mr. Conner identifiziert ausdrücklich OneStreams Intelligente Finanzplattform als Lösung, die Finanzteams auf zwei Arten unterstützt. Erstens gibt es Teams die Möglichkeit, die Transformation des Office of Finance zu beginnen, indem sie die Komplexität von CPM-Prozessen überwinden. Zweitens bietet es Teams die Möglichkeit, diese Transformation mit erweiterten Analysen und Berichten abzuschließen. Einige Beispielmöglichkeiten zur Steigerung der Effizienz in CPM-Prozessen umfassen die Rationalisierung des Finanzabschlussprozesses oder den Aufbau von Effizienzen bei der Berichterstellung oder Budgetierung und Prognose (siehe Abbildung 1). Er erklärt, dass die leistungsstarken Prozessautomatisierungsfunktionen von OneStream Finanzteams in die Lage versetzen, Prozesse zu automatisieren und Zeitverschwendung für manuelle Bemühungen zu vermeiden.

Fünf Attribute für den Erfolg der Finanztransformation

Herr Conner definiert dann die fünf organisatorischen Attribute (siehe Abbildung 2) für den Erfolg der Finanztransformation und erläutert sie ausführlich.

Ein wichtiges Highlight dieser Attribute war eine Diskussion darüber, wie Finanzteams unbedingt Vertrauen in der gesamten Organisation als Coach für die operativen Geschäftseinheiten aufbauen müssen – indem sie die Rolle der Finanzabteilung vom Scorekeeper zum Value Adder und Wealth Creator verlagern. Während viele Faktoren Vertrauen schaffen (siehe Abbildung 3), gibt Herr Conner an, dass Finanzteams Vertrauen in Zahlen bewahren müssen, die der Organisation rechtzeitig mitgeteilt werden. In seinen Worten: „Wenn die Daten nicht immer stimmen, wenn sie ständig überarbeitet werden oder wenn die Zusammenstellung zu lange dauert, dann erodiert das Vertrauen.“

Er erklärt auch, dass Finanzteams die Ziele jeder operativen Einheit verstehen und haben müssen analytische Fähigkeit, aufschlussreiche und relevante Analysen bereitzustellen.  Er identifizierte die OneStream Intelligent Finance-Plattform als nicht nur die Qualität der Finanzdaten Fähigkeit, Vertrauen in regulierte Finanz- und Betriebsdaten aufzubauen, aber auch die Fähigkeit, erweiterte Finanz- und Betriebsanalysen zu ermöglichen.

Intelligente Finanzen in Aktion

Zum Abschluss des Webinars teilt Tana Treearhorn zwei Kundenbeispiele der Finanztransformation. Im ersten Beispiel untersucht er, wie ein 21 Milliarden US-Dollar schwerer SaaS-Anbieter von Cloud-basierten CRM-Services (Customer Relationship Management) und ergänzenden Unternehmensanwendungen (z. B. Kundenservice, Marketingautomatisierung, Analytik und Anwendungsentwicklung) die Komplexität des schnellen Wachstums bewältigte. Mit der OneStream-Plattform und der Anleitung von PwC hat sich dieses Finanzteam von einem Berichtsanbieter, der 80 % seiner Zeit mit dem Abgleich von Daten verbracht hat, zu einem Anbieter von Erkenntnissen für das gesamte Unternehmen gewandelt.

Im zweiten Beispiel teilt Herr Treearphorn mit, wie PwC einen globalen Fracht- und Logistikanbieter mit einem Umsatz von 75 Mrd. Auf diese Weise trieb der Anbieter seine Transformation voran, indem er die Effizienz seiner Prozesse steigerte und die Relevanz seiner betrieblichen Erkenntnisse erhöhte.

Mehr erfahren

Um mehr darüber zu erfahren, wie OneStream Unternehmen in die Lage versetzt, bei der Transformation des Office of Finance schnell voranzukommen, und wie PwC Unternehmen auf diesem Weg begleitet, sehen Sie sich die Webinar-Aufzeichnung von „Intelligente Finanzen: Ein neues Maß an geschäftlicher Agilität vorantreiben.“ Und wenn Sie bereit sind, die Komplexität in Ihrem eigenen Office of Finance Transformation zu überwinden, Wenden Sie sich noch heute an OneStream.

Auf dem heutigen wettbewerbsorientierten globalen Markt ist es für eine agile und effektive Entscheidungsfindung unerlässlich, Managern genaue Einblicke in die Rentabilität nach Produkten, Standardservicelinien, Vertriebskanälen, Kunden und anderen Geschäftsdimensionen zu geben. Viele Organisationen haben jedoch Schwierigkeiten, die Sichtbarkeit und Transparenz für diese Erkenntnisse zu schaffen, entweder aufgrund von Zeitmangel, Technologie, Wahrnehmungen, die zu komplex sind, oder der Unterstützung durch Führungskräfte.

Die Bewältigung dieser Herausforderung stand im Mittelpunkt eines kürzlich von OneStream gesponserten Webinars mit dem Titel „Wie man Geschäftseinblicke und Agilität mit effektivem Rentabilitätsmanagement verbessert.” Die vorgestellten Redner waren Gary Cokins, Gründer und CEO, Analytics-Based Performance Management LLC und Linda Hellebuyck, Corporate Controller bei Henniges Automotive. Lesen Sie weiter, um die Highlights des Webinars zu hören oder schau dir die Wiederholung an um die Details zu sehen.

Best Practices für Kostenzuordnungen und Rentabilitätsmanagement

Gary Cokins ist ein international anerkannter Experte, Autor und Redner zu Methoden des Unternehmens- und Corporate Performance Management (EPM/CPM), einschließlich der Messung und Verwaltung der Kundenrentabilität (unter Verwendung von aktivitätsbasierten Kostenrechnungsprinzipien). Er verfügt über mehr als 30 Jahre Erfahrung auf diesem Gebiet und hat mehrere Bücher zu diesen Themen verfasst.

Herr Cokins begann seine Präsentation mit einem Überblick über die Grundlagen der aktivitätsbasierten Kostenrechnung (ABC). Seine Kernaussage lautet hier, dass CFOs und Finanzteams, wenn sie indirekte Ausgaben (dh Gemeinkosten) Produkten und Standarddienstleistungslinien „zuordnen“, diese wie „Butter aufs Brot“ verteilen. Und damit verstoßen CFOs gegen das universelle „Kausalitätsprinzip“ der Kostenrechnung.  Activity-Based Costing (ABC) löst dies durch das „Nachverfolgen und Zuordnen“ von Ausgaben auf der Grundlage von Ursache-Wirkungs-Beziehungen dafür, wie Produkte und Servicelinien Arbeitsaktivitäten verbrauchen, die wiederum die Ausgaben für Ressourcen (z. B. Gehälter, Betriebsmittel, Betriebsmittel) verbrauchen , etc.).

Wenn wir die Uhr in die 1950er Jahre zurückdrehen, als direkte Arbeit und Material den Großteil der Ausgaben in einem Unternehmen ausmachten, waren grob gemittelte Kostenumlagen für die indirekten Ausgaben akzeptabel. Aber In der heutigen Welt, in der indirekte Ausgaben den größten Teil der Ausgaben in einem Unternehmen ausmachen, kann der Ansatz der durchschnittlichen Kostenzuordnung zu großen fehlerhaften und irreführenden Kostenfehlern führen.  

Herr Cokins fuhr fort, den Wert von ABC in Dienstleistungsbranchen wie Versicherungen und Banken hervorzuheben. Die Zuordnung von Ausgaben wie Gehältern, Ausrüstung, Reisen, Verbrauchsmaterialien und Belegung zu den verschiedenen Kosten von Arbeitsaktivitäten, die in einer Abteilung anfallen, wie z .

Anschließend überprüfte er die Schritte, die zur effektiven Implementierung von ABC erforderlich sind – Zuweisung von Ausgaben von Ressourcen (z. B. FIBU-Konten) zu den Kosten von Aktivitäten und dann zu Kostenobjekten wie Produkten, Servicelinien, Projekten und Kunden. Die Anwendung eines ABC-basierten Ansatzes für Kostenzuordnungen kann zwar mehr Zeit und Mühe in Anspruch nehmen als die traditionelle, aber vereinfachte Kostenzuordnung, aber die Vorteile sind es wert. ABC bietet CFOs und Finanzteams und vor allem Linienmanagern einen klaren Überblick darüber, welche Produkte oder Dienstleistungen wirklich zum Gewinn beitragen und die Rentabilität schmälern – und auch ein Blick darauf, welche Antriebe die Kosten verursachen.

Die Macht der Kundenrentabilität

Herr Cokins fuhr fort, die Bedeutung des Verständnisses des Vertriebskanals und der Rentabilität der Kunden hervorzuheben. Der Wert eines Unternehmens ist eine Funktion des Wertes, den es von seinen Kunden erhält – also Das Verständnis, welche Kunden oder Kundensegmente einen Mehrwert schaffen und welchen Wert sie verringern, ist entscheidend für die Steigerung des langfristigen finanziellen Werts der Stakeholder, einschließlich für Aktionäre und Geschäftsinhaber.  Unter Berufung auf mehrere Beispiele aus Jeffrey Colvins Buch „Angel Customers vs. Demon Customers“ lautet seine Botschaft, dass CFOs durch ein umfassendes Verständnis der Kundenrentabilität Vertrieb und Marketing dabei unterstützen können, Kunden besser anzusprechen. Das bedeutet, Fragen zu beantworten wie:

• Welche Art von Kunden ist attraktiv, um neu zu gewinnen, zu halten, zu wachsen oder zurückzugewinnen? Und welche Arten sind es nicht?
• Wie viel sollten wir optimal ausgeben, um jedes Mikrosegment von Kunden zu gewinnen, zu halten, zu vergrößern oder zurückzugewinnen?

Wenn diese Fragen beantwortet sind, können Unternehmen effektiver auf die Arten von Kunden abzielen, die sie halten, wachsen und gewinnen möchten; und nehmen Sie auch die Preis- oder Kundendienständerungen vor, die erforderlich sind, um weniger profitable und sogar unrentable Kunden in profitable Kunden umzuwandeln.

Zum Abschluss seiner Präsentation gab Herr Cokins einige Hinweise, wie Organisationen den Widerstand überwinden können, auf den sie bei der Implementierung von ABC stoßen können, einschließlich technischer, falscher Wahrnehmungen übermäßiger Komplexität von ABC und organisatorischer Verhaltensbarrieren. Er sagte: „Es ist besser, ungefähr richtig zu sein als genau ungenau“.

Produkt- und Kundenprofitabilität bei Henniges Automotive

Nach einer kurzen Einführung in die Funktionen, die die Intelligent Finance-Plattform von OneStream zur Unterstützung bietet Kunden- und Produktrentabilität, beteiligte sich Linda Hellebuyck an der Diskussion, um den Ansatz hervorzuheben Henniges Automotive hat sich vorgenommen, die Rentabilität von Produkten und Kunden zu verstehen.

Henniges Automotive ist ein weltweit führender Anbieter von hochtechnologischen Dichtungs- und Antivibrationssystemen für die Automobilindustrie mit Niederlassungen in 8 Ländern, darunter 19 Produktionsstätten und 4 technische Zentren. Nach der Auswahl und Implementierung von OneStream als Ersatz für Hyperion Enterprise für Finanzabschluss, Konsolidierung und Berichterstattung erweiterte das Henniges-Team die Nutzung der OneStream-Plattform auf mehrere zusätzliche Prozesse, einschließlich Produktlinienberichterstattung.

Die Herausforderung dabei ist, dass Henniges Tausende von Automobilprodukten herstellt, die sehr kunden- und fahrzeugspezifisch sind, und daher die Rentabilität zwischen den Produkten erheblich variieren kann. Daher ist es wichtig, die Rentabilität auf Kunden-, Plattform- (Fahrzeug-) und Produktebene zu verstehen. Die Verwendung manueller Prozesse und Excel-Tabellen für diese Art von Analyse war sehr mühsam, da 80 % des Aufwands für die Erfassung der Daten und 20 % für deren Analyse aufgewendet wurden.

Indem Sie diesen Prozess in OneStream verschieben, Henniges konnte die Daten auf Detailebene (Teilenummer) harmonisieren, speichern, zuordnen und aggregieren Befähigung des Finanzteams zu:

• Erstellen Sie eine zusammengefasste Gewinn- und Verlustrechnung (durch EBITDA) für jedes Teil, jede Plattform (Fahrzeug), jedes Produkt oder jeden Kunden
• Ermöglichen Sie die Endbenutzerzuordnung bestimmter Abweichungen (Schrott/Fracht)
• Führen Sie systemgenerierte Allokationen anderer Abweichungen durch
• Identifizieren Sie den konzerninternen Umsatz (und den Gewinn) mit dem ultimativen Endkunden/Plattform/Produkt

Um dies zu erreichen, nutzte das Henniges-Team viele Funktionen innerhalb der OneStream-Plattform, einschließlich ihrer Erweiterbarkeit. Dadurch konnte sich das Team aufstellen zwei Cubes in einer einzigen Anwendung, einen für die Finanzberichterstattung und einen für die Rentabilitätsberichterstattung.  Während die beiden Cubes mehrere gemeinsame Dimensionen aufweisen, verfügt der Profitability Cube über zusätzliche Dimensionen wie Kunden, Produkte, Teile und Plattformen, die zur Unterstützung von Rentabilitätsberichten und -analysen entwickelt wurden.

Frau Hellebuyck sagt: „Da es sich um eine Anwendung handelt, können wir sowohl Metadaten als auch Daten über die beiden Cubes hinweg gemeinsam nutzen, was Cube-übergreifende Vergleiche einfach macht. Bei anderen Mehrproduktlösungen wäre das Zusammenführen der Konsolidierungsdaten mit den Analysedaten auf Teileebene wesentlich komplexer.“

Mehr erfahren

Die Nutzung von OneStream für Finanz- und Rentabilitätsberichte hat Henniges und anderen Kunden mehrere geschäftliche Vorteile gebracht. Dazu gehört die Möglichkeit, Daten schneller und häufiger zu sammeln und die Rentabilitätsberichterstattung von einer jährlichen auf eine vierteljährliche oder sogar eine monatliche Übung umzustellen. Die Lösung bietet tiefere Einblicke, welche Teile des Unternehmens unterm Strich Gewinne erzielen (oder nicht erzielen) – und warum. Diese Erkenntnisse helfen Managern, fundiertere Entscheidungen in Bereichen wie Angebotserstellung, Geschäftsverhandlungen, Rationalisierung, auf welche Kunden mehr Aufwand verwendet werden soll, und Umsetzung von Kostensenkungsinitiativen zu treffen.

Um mehr zu erfahren, schau dir die Wiederholung an des Webinars oder wenden Sie sich an OneStream, wenn Ihr Unternehmen bereit ist, sein Spiel zu verbessern, wenn es darum geht, die Rentabilität nach Produkten, Kunden, Kanälen oder anderen Dimensionen Ihres Unternehmens zu verstehen.

Wenn Sie in Corporate Finance tätig sind, haben Sie wahrscheinlich festgestellt, dass Ihre Planungs- und Analyseprozesse im vergangenen Jahr gestresst und herausgefordert wurden. Vielleicht wurden Sie aufgrund von COVID-19 in vermehrte Prognoserunden getrieben. Oder vielleicht wurde der Suezkanal von einem großen Containerschiff blockiert und Ihr Team musste sich bemühen, die Prognosen anzupassen. Infolgedessen haben Sie, wie viele andere Finanzteams, wahrscheinlich auf die harte Tour herausgefunden, dass Sie möglicherweise nicht über die richtigen Werkzeuge für den Job verfügen.

Wenn Sie zu denen gehören, die dies nicht tun, gibt es dennoch gute Nachrichten: Die Softwarelösungen für die Unternehmensplanung, die heute auf dem Markt sind, gibt es in allen Formen und Größen. So finden Sie mit Sicherheit eine Lösung, die auf die individuellen Anforderungen Ihres Unternehmens zugeschnitten ist.

Einige Lösungen sind für kleine Unternehmen konzipiert. Einige bieten mehr Visualisierungsmöglichkeiten. Andere sind nur Punktlösungen für die Planung oder bestimmte Planungsbereiche. Was bedeutet das alles für Sie? Dies bedeutet, dass Ihr Finanzteam viele Möglichkeiten hat – wenn Sie den ganzen Lärm durchdringen und zu den Fakten gelangen können.

Wie kann man die Optionen am besten verstehen? Natürlich, indem Sie sich an Ihre vertrauten Kollegen im Bereich Corporate Finance wenden. Und genau das ermöglicht Ihnen der BARC Planning Survey 21.

Das Business Application Research Center (BARC)

Das Business Application Research Center (BARC) ist ein Branchenanalyse- und Beratungsunternehmen für Unternehmenssoftware. BARC-Analysten unterstützen Unternehmen seit mehr als 20 Jahren bei Strategie-, Organisations-, Architektur- und Softwarebewertungen. Für weitere Informationen besuchen Sie www.barc-research.com.

Zur Unterstützung von Corporate Finance-Teams deckt BARC die folgenden kritischen Bereiche ab:

• Business Intelligence/Analyse
• Datenmanagement
• Enterprise-Content-Management (ECM)
• Kundenbeziehungsmanagement
• Warenwirtschaft (ERP)

BARC Planungsumfrage 21

Der Planning Survey 21 untersucht das Nutzerfeedback zu Planungsprozessen und Produktauswahl. Dieses Feedback basiert auf Erkenntnissen aus der weltweit größten und umfassendsten Umfrage unter Benutzern von Planungssoftware. The Planning Survey 2020 wurde von November 2021 bis Februar 21 durchgeführt und enthält Antworten aus 1,422 Einzelpersonen analysieren 21 Produkte oder Produktgruppen.

Insbesondere untersucht die Umfrage das Benutzerfeedback zur Planung von Produktauswahl und -nutzung anhand von 29 Leistungskennzahlen (KPIs), darunter Geschäftsvorteile, Projekterfolg, Geschäftswert, Empfehlung, Kundenzufriedenheit, Kundenerfahrung, Planungsfunktionalität und Wettbewerbsfähigkeit.

Weitere Informationen zur Umfrage finden Sie unter die BI Survey-Website.

OneStream-Software: 100 % Kundenerfolg gewidmet

Mit einer Unternehmensmission, die sich der Bereitstellung verschrieben hat 100% Kundenerfolg, wir sind stolz darauf, das OneStream-Ergebnis zu teilen 58 Top-Platzierungen (siehe Abbildung 1) in seinen vier Vergleichsgruppen. Das Unternehmen wurde anhand verschiedener KPIs gemessen, darunter Geschäftsnutzen, Projekterfolg, Geschäftswert, Preis-Leistungs-Verhältnis, Anbieterunterstützung, Implementiererunterstützung, Produktzufriedenheit, Datenintegration und Kundenerfahrung.

Zusätzlich erhielt OneStream a 100% Empfehlungswert aller befragten Benutzer – gegenüber 97 % im Jahr 2020.

Unter unseren 58 Top-Platzierungen hat sich OneStream verdient SIEBEN 'Perfect 10 Scores' in den folgenden KPIs:

• Produktzufriedenheit
• Software Empfehlungen
• Arbeitsablauf
• Berichterstattung & Analyse
• Finanzielle Konsolidierung
• Verkaufserfahrung
• Wettbewerbsfähige Gewinnrate

OneStream hat auch verdient 34 führende Positionen in vier verschiedenen Vergleichsgruppen, darunter führende Positionen in den Bereichen Projekterfolg, Preis-Leistungs-Verhältnis, Geschäftsnutzen, Geschäftswert, Planungsfunktionalität und Anbieterunterstützung.

„Die Leistung von OneStream in der diesjährigen Planungsumfrage spiegelt das Engagement und die Mission des Anbieters wider, 100 % Kundenerfolg zu bieten. Die einheitliche, erweiterbare Plattform und das Datenmodell von OneStream unterstützen eine breite Palette von Anwendungsfällen für die Finanz- und Betriebsplanung – und zwar in großem Umfang und im gesamten Unternehmen. Diese Kombination aus Finanzkontrolle und operativer Relevanz bietet Unternehmen die Möglichkeit, Planungsprozesse innerhalb einer einzigen Plattform und Benutzererfahrung zu vereinheitlichen, was immer wichtiger wird, wenn sich Finanzleiter an schnelle Marktveränderungen anpassen“, sagte Dr. Christian Fuchs, Senior Vice President und Head of Data & Analytics Research bei BARC.

Mehr erfahren

OneStream fühlt sich geehrt, im BARC Planning Survey 21 so gute Noten zu erhalten. Der Bericht würdigt die anhaltende Stärke der Budgetierungs-, Planungs- und Prognosefähigkeiten von OneStream sowie unsere umfassenderen Fähigkeiten in den Bereichen Finanzkonsolidierung, Berichterstattung und Analyse. Und die Ehrung ist besonders positiv, wenn man bedenkt, dass die guten Noten in der Umfrage direkt von unseren engagierten Kunden und Benutzern auf der ganzen Welt stammen.

Um mehr über OneStream-Ergebnisse zu erfahren, Klicke hier um den vollständigen BARC Planning Survey 21 herunterzuladen.

Wenn es bei den Staatsfinanzen um etwas geht, dann um Daten. Oft riesige Datenmengen. Daten, die empfangen werden (von Quellsystemen wie ERPs oder anderen Behörden), Daten, die verarbeitet werden (wie Budgetformulierung, Zuweisungen und Hochrechnungen) und Daten, die nach draußen gehen (Daten an andere Behörden und Berichte an die Öffentlichkeit) .

In praktisch jedem Schritt der Finanzdatenreise benötigen wir zusätzliche Informationen über die Zahl, die zu einem bestimmten Zeitpunkt vor uns liegt. Wenn es sich um einen aggregierten Wert handelt, was sind die Bestandteile? Woher kommt die Nummer? Wurde es von einem anderen System importiert? Hat jemand die Nummer eingegeben? Wurde kalkuliert? Ist diese Nummer an einen bestimmten Fonds, ein Büro, ein Programm, ein Projekt oder ein strategisches Ziel gebunden? Hat sich diese Nummer geändert? Wer hat es geändert? Wann haben sie es geändert? Was war es, bevor sie es geändert haben? War für die Änderung eine Genehmigung erforderlich? Wer hat es wann genehmigt? Welche anderen Nummern sind betroffen, wenn sich diese Nummer ändert?

Dies alles läuft auf einen der möglicherweise am häufigsten verwendeten, falsch definierten und am unterschiedlichsten verstandenen Begriffe der Staatsfinanzen hinaus: Analyse. Dies liegt vielleicht daran, dass der Begriff außerhalb der Staatsfinanzen in praktisch allen erdenklichen Bereichen verwendet wird. Tatsächlich erinnere ich mich an einen Musikkompositionskurs am College, wir analysiert Bach Konzerte. Aber wenn es um die Analyse staatlicher Finanzdaten geht, kann man sie als den Prozess der Aufdeckung der „Hintergrundgeschichte“ von Zahlen zusammenfassen. Wie es dazu kam und was es wirklich darstellt. Es gibt möglicherweise so viele Möglichkeiten, Finanzdaten zu analysieren, wie es gibt, den Begriff zu interpretieren. Das Folgende ist eine Diskussion über einige der gebräuchlichsten Methoden der Finanzanalyse in der heutigen Zeit und einige der Vor- und Nachteile der einzelnen Methoden:

• Jemanden anrufen
• Verwenden Sie Tabellenkalkulationen
• Verwenden Sie Business Intelligence (BI)-Tools
• Verwenden Sie eine Finanzverwaltungsplattform mit integrierter Analyse

1 – Jemanden anrufen

Dies ist die einfachste Lösung des Analyseproblems. Wir müssen detaillierte Informationen über einen Wert haben, damit wir die Person anrufen/emailen, von der wir glauben, dass sie die erforderlichen Informationen hat. Dies kann die richtige Person sein oder auch nicht. Die Antwort kann schnell sein oder auch nicht. Es ist oft nicht bekannt, wie viel Aufwand der Responder benötigt, um die angeforderten Informationen zu erstellen. Diese Methode ist am effektivsten für Führungskräfte oder Verbraucher von Informationen, die normalerweise nur mit Datenanhäufungen auf sehr hoher Ebene zu tun haben und selten Anfragen dieser Art haben. Der Return on Investment ihrer Zeit, um Zugang und Schulung für die Verwendung einer anderen Methode zu erhalten, ist es für sie oder die Agentur möglicherweise nicht wert.

Vorteile:

• Einfach für den Anforderer
• Keine Schulung oder Kosten für den Anforderer
• Konkrete Antworten auf konkrete Fragen

Nachteile:

• Möglicherweise sehr langsame Bearbeitungszeit
• Abhängigkeit von anderen
• Möglicherweise erfordern viele Stunden der Anstrengung von anderen
• Mögliche Unfähigkeit, überhaupt eine Antwort zu erhalten

2 – Verwenden Sie Tabellenkalkulationen

Diese Methode ist weit verbreitet. Dies ist die Methode, die von vielen Personen auf der Empfängerseite der Anfragen in Methode 1 verwendet wird. Dabei handelt es sich um von der IT erstellte Datenextrakte, die dann zugeordnet und in Legacy-Datenstrukturen wie Essbase oder TM1 hochgeladen werden. Dann werden die Add-Ins verwendet, um eine Verbindung zu diesen Daten herzustellen. Die Effektivität dieser Methode kann stark variieren, abhängig von der Struktur der Quelldaten, der Struktur des zwischengeschalteten Datenspeicherbereichs und den Fähigkeiten und der Verfügbarkeit des IT-Teams, das an der Extraktion und Pflege der Daten beteiligt ist. Viele Agenturen verwenden diese Methode weiterhin, einfach weil sie dies schon seit sehr langer Zeit tun.

Obwohl diese Methode sicherlich ein hohes Maß an Vertrautheit mit sich bringt, kann es sehr zeitaufwändig sein, an die benötigten Informationen zu gelangen. Die benötigten Daten befinden sich oft in mehr als einem System. Es können Finanztransaktionsdaten in einem System, Budgetdaten in einem anderen, Workflow- und Genehmigungsverfolgung in einem anderen, Kontoabstimmungen in einem anderen und Prüfungsinformationen in noch einem anderen vorhanden sein. Dies kann den Prozess extrem komplex oder je nach Anforderung unmöglich machen.

Vorteile:

• Tabellenkalkulationen sind allgegenwärtig und erfordern keine zusätzlichen Kosten oder Implementierung
• Die meisten Finanzanwender in Bundesbehörden haben umfangreiche Erfahrung mit Tabellenkalkulationen
• Tabellenkalkulationen sind sehr portabel und können über E-Mail-Anhänge geteilt werden

Nachteile:

• Komplexität des Umgangs mit Daten aus mehreren Quellen
• Kann sowohl für die Finanzanalysten als auch für die IT sehr arbeitsintensiv sein
• Das Zusammenführen und Verwenden von Daten ist unkontrolliert und offen für Interpretationen
• Einzelne Modelle liefern unterschiedliche Ergebnisse, es gibt keine Konsistenz
• Fehlende Prozesskontrolle, Datenintegrität, Audit-Trail oder Sicherheit

3 – Verwenden Sie Business-Intelligence-Tools

Viele Behörden verfügen über verschiedene Business Intelligence (BI)-Tools wie Tableau, Qlik oder Cognos. Diese werden verwendet, um Daten zu untersuchen, Dashboards zu erstellen, wichtige Leistungsindikatoren zu verfolgen und Berichte zu erstellen. Viele von ihnen verfügen über ziemlich ausgefeilte ETL-Funktionen (Extrahieren, Transformieren, Laden), um Tabellen zu verknüpfen und Daten aus Quellsystemen abzurufen, während andere auf ETL-Tools von Drittanbietern angewiesen sind. In den meisten Fällen verlassen sie sich auf die Nutzung von Daten in einem Datenuniversum, Warehouse, Data Lake oder Data Mart.

Während BI-Tools eine spezielle Schulung erfordern, haben die meisten Agenturen mit diesen Tools im eigenen Haus Experten. Diese Experten befinden sich jedoch in der Regel in einer IT-Gruppe (Informationstechnologie) oder anderen operativen Teams und verfügen möglicherweise nicht über den erforderlichen finanziellen Scharfsinn. Selten wird irgendeine Art von Audit- oder Kontrollinformationen von Quellsystemen in ein Data Warehouse verschoben, und den BI-Tools fehlt es an eigenen Audit-Funktionen. BI-Tools mangelt es auch an finanzieller Intelligenz, sodass jede finanzielle Behandlung von Daten eine umfangreiche Konfiguration und/oder Programmierung erfordert.

Vorteile:

• Viele Agenturen verfügen bereits über BI-Tools
• Die meisten BI-Tools verfügen über hervorragende Dashboard- und Visualisierungsfunktionen
• Die meisten BI-Tools erleichtern Konnektivität und Tabellenverknüpfungen mit Data-Warehouse-Tabellen

Nachteile:

• BI-Tools haben keine finanzielle Intelligenz
• Einige der häufig benötigten kritischen Informationen befinden sich nicht im Data Warehouse
• Es gibt keinen Audit-Trail
• Es gibt keine Kontrolle oder Kuration der Daten
• Unterschiedliche Benutzer können unterschiedliche Ergebnisse erzielen

4 – Verwenden Sie eine Finanzverwaltungsplattform mit integrierter Analyse

Eine neuere Option, um diesem Bedarf gerecht zu werden, ist die Verwendung einer intelligenten Finanzplattform mit integrierten Finanzanalysefunktionen wie OneStream. Anstatt Daten aus einem Budgetsystem, einem Konsolidierungssystem, einem Kontenabstimmungssystem, einem Dokumentenverwaltungssystem, einem Berichtssystem und einem Workflow-System abzurufen, erfolgt dies alles auf einer einzigen Plattform. Mehrere zukunftsorientierte Agenturen nutzen derzeit diese neue Technologie oder sind dabei, sie einzuführen. Die Mehrheit der Agenturen verfügt jedoch immer noch über mehrere isolierte Systeme, um diese verschiedenen Funktionen zu verwalten, da dies bis vor kurzem die einzige verfügbare Technologie war.

Diese älteren Systeme waren Stand der Technik, als sie vor 15 bis 20 Jahren implementiert wurden. Die neuere Technologie verwaltet diese Funktionen auf einer einzigen Plattform, wobei sich alle Analysefunktionen auf derselben Plattform befinden. Auf diese Weise kann ein Benutzer ein Datenelement von überall im System mit vollständiger Audit- und Datenkontrolle aufschlüsseln und analysieren. Dies könnte ein Dateneingabebildschirm für die Budgetformulierung, ein KPI-Dashboard, ein CARS-Abgleich oder ein Abschnitt eines CBJ oder AFR sein. Wenn ein Benutzer eine Zahl sieht und eine Frage zu dieser Zahl oder zu dem Einblick hat, wer Änderungen vorgenommen hat, kann er die „Hintergrundgeschichte“ von überall im Prozess in Echtzeit abrufen. Dies ist möglich, da alle Funktionen in einer einzigen Plattform enthalten sind.

Vorteile:

• Alle Informationen sind auf Anfrage verfügbar
• Informationen sind in Echtzeit verfügbar, es ist keine Bearbeitungszeit erforderlich
• Es gibt kein Verlass auf andere
• Es sind keine besonderen analytischen Fähigkeiten erforderlich
• Es ist kein Data Warehouse erforderlich
• Es sind keine Tools von Drittanbietern erforderlich
• Jeder, der auf Informationen zugreift, sieht die gleichen Ergebnisse
• Erhebliche Zeitersparnis und Produktivitätssteigerungen
• Signifikante Verbesserungen bei Genauigkeit und Datenintegrität

Nachteile:

• Die Mehrheit der Agenturen verfügt derzeit nicht über diese Art von Plattform (OneStream)
• Die Implementierung des neuen Systems ist erforderlich
• Für die Umstellung auf ein modernes System ist Unterstützung auf Führungsebene erforderlich
• Anfänglicher Pushback aus Kostengründen (obwohl dies im Allgemeinen zu Einsparungen führt, wenn alte Systeme ausgemustert werden)
• Allgemeine Widerstände gegen Veränderungen müssen überwunden werden

Hoffentlich war dies ein hilfreicher Überblick über einige der gebräuchlichsten Methoden, um die zugrunde liegenden Details Ihrer Zahlen zu erhalten. Alle haben ihren Platz und ihre Vor- und Nachteile. Und jede Agentur muss entscheiden, was am besten funktioniert, um die „Hintergrundgeschichte“ ihrer Zahlen zu verstehen.

Um mehr zu erfahren, besuchen Sie die OneStream-Website.

Die globale Pandemie von 2020 hat den Bedarf an agilen EPM-Anwendungen (Enterprise Performance Management) und Analysetools neu entfacht, die es Finanzteams ermöglichen, schnell zu führen. Wieso den? Weil diese Tools unerlässlich sind, damit Unternehmen klare Einblicke und Einblicke in wichtige Geschäftstreiber und -trends für eine agilere Berichterstattung, Analyse und Planung erhalten.

Dieses Thema stand im Mittelpunkt eines kürzlich von OneStream gesponserten Webinars mit dem Titel „Mit Agile Performance Management und Analytics durch die neue Normalität navigieren.“ Der vorgestellte Redner war Chandana Gopal, Research Director mit Fokus auf Analytik und Informationsmanagement bei International Data Corporation (IDC). Während des Webinars teilte Chandana die Marktforschung von IDC zu wichtigen Markttreibern, den Herausforderungen und Vorteilen der Implementierung von EPM- und Analysesoftware und den Lehren aus erfolgreichen Implementierungen.

Das Webinar beinhaltete auch ein Interview mit Alex Lee, Sr. Direktor von FP&A bei Fibrogen wo sie erzählte, wie das Unternehmen OneStream eingesetzt hat, um eine agilere Planung und Berichterstattung zu unterstützen. Lesen Sie weiter, um die Höhepunkte der Veranstaltung zu hören, oder sehen Sie sich die vollständige Aufzeichnung des Webinars an, um die Details zu erfahren.

Navigieren in der neuen Normalität

Frau Gopal leitete die Veranstaltung mit einem Blick darauf ein, was uns allen im Jahr 2020 passiert ist. „Im Wesentlichen geschahen in sehr kurzer Zeit zwei Jahre des Wandels, in denen die digitale Transformation in vielen Organisationen aufgrund der durch die Pandemie verursachten Störungen beschleunigt wurde . Remote-Arbeit wurde schnell in großem Umfang unterstützt und Organisationen passten sich schnell an neue Geschäftsmodelle an.“

Frau Gopal betonte auch, dass viele Organisationen zwar „Business Resilience“ zeigten, indem sie schnell auf die Störung reagierten, die Der Fokus sollte jetzt darauf liegen, „digitale Resilienz“ zu schaffen, die es Unternehmen ermöglicht, sich schnell an zukünftige Störungen anzupassen, und aus den neuen Bedingungen Kapital zu schlagen. Anschließend hob sie mehrere Beispiele für Branchen hervor, die sich schnell anpassen mussten – darunter das Gesundheitswesen (Telegesundheitsbesuche) und die Unterhaltungsindustrie (neue Vertriebsmodelle).

Laut den Untersuchungen von IDC gehörten zu den wichtigsten Investitionsbereichen in den letzten 12 Monaten Prozessautomatisierung, Sicherheit, digitale/Cloud-Infrastruktur, Kollaborations- und Konnektivitätstools. Als Teil davon Auch die Investitionen in Enterprise Performance Management (EPM)-Technologie beschleunigten sich während der Pandemie und erweisen sich als entscheidend, wenn es darum geht, Organisationen beim Übergang von der Krise zur Erholung zu helfen (siehe Abbildung 1 unten).

Das beinhaltet Sicherstellung der Geschäftskontinuität in den frühen Stadien der Pandemie, Unterstützung bei der Kostenkontrolle, Szenariomodellierung und Notfallplanung, dann Bewertung gezielter Investitionen wie die Genesung beginnt, und schließlich strategische Planung wenn sich die Weltwirtschaft wieder normalisiert.

Laut IDC-Recherchen Organisationen, die „Datenführer“ sind, waren besser darauf vorbereitet, die durch die Pandemie verursachten Störungen zu bewältigen.  Zu den wichtigsten Vorteilen, die von Benutzern von EPM-Lösungen genannt werden, gehören ein besseres Management-Reporting, eine verbesserte Transparenz der Finanzprozesse, genauere Prognosen, eine bessere Effizienz der EPM-Prozesse und andere (siehe Abbildung 2 unten).

Gleichzeitig Käufer und Anwender von EPM-Lösungen hob einige der Herausforderungen hervor, mit denen sie konfrontiert waren beim Einsatz dieser Systeme. Diese schließen ein Abhängigkeit von der IT zur Unterstützung einiger EPM-Software, Inflexibilität mit lEgacy-Anwendungen und hohe Betriebskosten, Mangel an angemessener Schulung und geringe Benutzerakzeptanz als Folge. Die IDC-Forschung ergab, dass die Finanzabteilung, da sie 80 % der EPM-Investitionen finanziert, administrative Befugnisse für die EPM-Software haben und nicht von der IT abhängig sein möchte, um diese Systeme zu verwalten.

Welche Lehren haben Einkäufer aus der Implementierung von EPM-Lösungen gezogen? Die Befragten der IDC-Umfrage empfahlen Folgendes:

• Zeit verbringen wirkliches Verständnis der Daten und der Granularität, die Sie benötigen in der EPM-Anwendung.
• Wähle aus Implementierungspartner, der Erfahrung mit Unternehmen Ihrer Größe hat und vorzugsweise Ihre Branche.
• Wählen Sie ein Anbieter, der heute die richtige Größe für Sie hat und kann Ihren Bedarf für die nächsten 3-5 Jahre decken und hat Referenzen in Ihrer Peergroup.

Zu den abschließenden Empfehlungen von Frau Gopal gehörte, dass Unternehmen, die EPM-Lösungen in Betracht ziehen, dies tun sollten groß denken, aber klein anfangen.  „Versuchen Sie nicht, den Ozean zum Kochen zu bringen, konzentrieren Sie sich auf ein Projekt, das es kann schnellen ROI und Wert liefern.  Begehen Sie die richtigen internen und externen Ressourcen zum Projekt. Und Plan für die Zukunft – sicherzustellen, dass die von Ihnen gewählte Lösung Ihre Anforderungen jetzt und in 3 bis 5 Jahren in der Zukunft erfüllt.“

Verbesserung der Agilität bei der Berichterstattung und Planung bei Fibrogen

Nach einem kurzen Überblick über Die intelligente Finanzplattform von OneStream und wie wir Organisationen dabei helfen, Komplexität zu überwinden und schnell zu führen, begrüßte ich Alex Lee zu dem Gespräch, um darüber zu sprechen, wie Fibrogen die Plattform genutzt hat.  Fibrogen ist ein führendes wissenschaftsbasiertes biopharmazeutisches Unternehmen, das eine Pipeline erstklassiger Therapeutika entdeckt und entwickelt.

Als Ergebnis des Übergangs von einem Arzneimittelentwicklungsunternehmen zu einem globalen kommerziellen Mehrkanalunternehmen benötigte das Fibrogen-Team eine bessere Transparenz der Daten und bessere Tools für Wissenschaftler und Branchenanwender. Dies beinhaltet Folgendes:

• Bedarf an Agilität in einem sich schnell verändernden Geschäft.
• Die Möglichkeit, den Umsatz nach Kanal auf verschiedenen Detailebenen zu planen.
• Endbenutzer benötigen einen besseren Zugriff auf Daten.
• Plattform erforderlich, damit Wissenschaftler Daten eingeben und Ergebnisse schnell sehen können.
• Integrierte Personalplanung.
• Unterstützung für aktivitätsbasierte Planung.

Fibrogen entschied sich für OneStream und implementierte es, um Excel und seine alten Budgetierungstools zu ersetzen und wichtige Finanzprozesse anzugleichen, darunter:  Finanzabschluss und Konsolidierung, Planung und Forecast , Financial Reporting und Steuerrückstellung.

In einem ersten 4-monatigen Projekt implementierte Fibrogen OneStream for Umsatzplanung nach Kanal, Betriebskosten auf Aktivitätsebene, CapEx-Planung, Personalplanung, FTE-Projektzuweisung und Reiseplanung.  Laut Frau Lee übertraf das OneStream-Projekt alle Erwartungen. Ein Traum wird wahr!“ Infolgedessen hat Fibrogen mit einem integrierten Plan, der die Arzneimittelentwicklung an der Finanzleistung und dem Liquiditätsbedarf ausrichtet, an Agilität gewonnen und gleichzeitig der Führung eine einheitliche Sicht auf das Unternehmen in Echtzeit ermöglicht.

Mehr erfahren

Während sich jetzt eine Rückkehr zur Normalität abzuzeichnen scheint, wird es mit der Einführung von Impfstoffen und dem Abklingen der Pandemie in Zukunft sicherlich weitere wirtschaftliche Störungen geben. Um durch wirtschaftliche Volatilität zu überleben und zu gedeihen, müssen Unternehmen über agile Prozesse und Systeme verfügen, die es ihnen ermöglichen, sich schnell anzupassen und gleichzeitig die Auswirkungen zu minimieren.

Die modernen Leistungsmanagement- und Analysetechnologien von heute erweisen sich als unschätzbar wertvoll, um mit der erforderlichen Agilität durch die neue Normalität zu navigieren. Um mehr zu lernen, Sehen Sie sich die Aufzeichnung des Webinars an und wenden Sie sich an OneStream, wenn Ihr Unternehmen Hilfe bei der Bewältigung der Komplexität benötigt, damit Sie schnell führen können!