Data-analytiikka taloushallinnon kehityksen tukena
Kun aloittelin työuraani 12 vuotta sitten, puhuttiin paljon siitä, kuinka data-analytiikka ja automaatio mullistavat taloushallinnon ja raportoinnin sekä niihin liittyvät tarkastukset ja muut varmennukset. Odotusarvona oli, että pian kaikki hoituu automaattisesti ja taloushallinnon ammattilaisen ei tarvitse kuin klikata ruudulta vihreää ”Start”-painiketta, ottaa mukava takanoja ja nautiskella, kun kone hoitaa työt itsestään ja raportoi jatkuvasti ajantasaista, validoitua tietoa. Tämän jälkeen voi keskittyä lukujen tutkimiseen ja ”oikeasti arvoa tuottavaan työhön”, eli esimerkiksi päätöksenteon tukemiseen.
Ei tarvitse kovin kauaa seurata taloushallinnon työntekijän arkea, kun ymmärtää, etteivät täysi automaatio tai reaaliaikaisuus ole vielä toteutunut vuonna 2022. Olen alkanut epäillä, etten tule tällaista huipentumaa näkemään vielä oman työurani aikanakaan. Joka tapauksessa kehitys tällä saralla on mennyt paljon eteenpäin. Integroiduilla järjestelmillä kirjanpidon tositteet syntyvät yhä useammin automaattisesti ja koneoppimista voidaan hyödyntää vaikkapa ostolaskujen tiliöinnin automatisoinnissa. Ja yhä useammassa yrityksessä on johdon dashboardit, joista liiketoimintaa voi seurata kätevästi lukuisista eri näkökulmista ilman, että controllerin tarvitsee kasata manuaalisesti 50-sivuista PowerPoint-raporttia.
Keskeinen rooli tässä kehityksessä on datalla – tuolla ”nykyajan öljyllä”, kuten moni asiaa kuvaa korostaakseen dataan kätkettyä arvoa. Datalla kuitenkaan itsellään ei ole varsinaisesti arvoa, vaan sitä pitää hyödyntää. Yleisimmin dataa käytetään päätöksenteon tukena. Taloushallinto luonteeltaan kerää, käsittelee, analysoi ja esittää dataa. Tätä dataa hyödyntävät päätöksenteossaan muun muassa omistajat, sijoittajat ja muut rahoittajat, johto sekä mahdollisesti työntekijät, asiakkaat, toimittajat ja muut sidosryhmät.
Vaikka totesin aiemmin, että taloushallinnon data-analytiikan ja muun automaation kehittyminen on ollut hitaampaa kuin odotin, odotukset taloushallinnon tuotoksia kohtaan kehittyvät kuitenkin jatkuvasti. Liiketoimintajohto ja sidosryhmät odottavat ajantasaisempaa tietoa ja yhä laajempaa kattavuutta muihinkin kuin taloudellisiin lukuihin. Datan hyödyntämisellä taloushallinto voi vastata tähän haasteeseen ja kehittää etenkin ajantasaisuutta ja jopa nostaa esiin mahdollisuuksia ja riskejä proaktiivisesti.
Kohti ennustavaa analytiikkaa
Data-analytiikka ja koneoppiminen mahdollistavat muun muassa tulevaisuuden ennustamisen historiaan tai muuhun opetusdataan perustuen. Taloushallinnossa tähän liittyviä käyttökohteita ovat esimerkiksi raaka-ainekustannusten ennustaminen, markkinaehtoisten myyntihintojen ennusteet tai vaikkapa kassavirtaennusteiden automaattinen valmistelu. Aiheesta riippuen ennustemalleja voi rakentaa puhtaasti yrityksen sisäisellä datalla tai yhdistämällä omaan dataan ulkoisista lähteistä saatavia datasettejä. Esimerkiksi kustannusennusteita voi rikastaa toimittaja- ja ostotietojen lisäksi inflaatioennusteilla tai erilaisilla markkinaindekseillä.
Ennustemallien käyttöönotto ei vaadi enää nykypäivänä Nasa-tasoista teknologiaa, vaan monissa nykyaikaisissa perussovelluksissa tietokonetta pelkäämätön liiketoiminnan tai taloushallinnon ihminenkin voi ottaa käyttöön vaikkapa koneoppimistyökaluja. Tässä yhteydessä puhutaan usein “low-code/no-code”-sovelluksista tai ympäristöistä, joissa voi tehdä kehitystä valmiiden palikoiden pohjalta ilman, että tarvitsee varsinaisesti kirjoittaa esimerkiksi ohjelmointikieltä.
Haasteena ei siis useinkaan ole teknologian saatavuus tai sen vaikea käytettävyys. Sen sijaan käytettävissä olevan datan saatavuus, kattavuus ja luotettavuus ovat usein alhaisia suhteessa sekä yrityksen että toimintaympäristön kompleksisuuteen. Tämän vuoksi täydellistä ennustavaa data-analyysimallia on usein mahdotonta rakentaa. COVID-19-pandemia ja sen monimutkaiset seuraukset ovat hyviä esimerkkejä siitä, että toimintaympäristöissä voi tapahtua erittäin nopeita ja merkittäviä muutoksia, joiden ennustaminen olisi ollut lähes mahdotonta niin datan pohjalta kuin intuitiollakin. Analyysimallin mahdollisia vajavaisuuksia olennaisempaa onkin pohtia, voiko mallista saada kuitenkin riittävän hyvän, jotta siihen voi joko luottaa sellaisenaan tai hyödyntää tukena ihmisen tekemässä päätöksenteossa. Tällaiset kriteerit täyttäviä kohteita monesta organisaatiosta löytyy jo lukuisia.
Monesti katseen siirtymisen historiasta tulevaisuuteen vaatii myös isoa henkistä muutosta sekä taloushallinnolta että informaation käyttäjiltä. Jos johdon raportilla on totuttu seuraamaan pelkästään historiallisia lukuja, on usein voitu luottaa, että luvut ovat ainakin lähestulkoon tarkkoja ja täydellisiä. Tulevaisuutta ennustaessa tämä ei ole mahdollista, vaan lukujen tulkitsijan on aina hyväksyttävä tietty epävarmuus ja ymmärtää, että esitetty luku perustuu todennäköisyyksiin.
Kehitysaskeleiden järkevä valinta riippuu nykyisestä valmiudesta
Valmiustaso datan hyödyntämiseen vaihtelee luonnollisesti valtavasti eri yrityksissä. Osassa organisaatioista esimerkiksi sopimukset, laskut tai tiedot tavaroiden liikkeistä ovat vain paperilla printattuina mappeihin, jolloin niiden tehokas analysointi on lievästi sanottuna hankalaa. Joillakin talousorganisaatioilla on puolestaan jo käytössä räätälöityjä tai valmisohjelmistojen tarjoamia koneoppimisominaisuuksia. Oheisessa taulukossa on jaettu konsulttimaisesti yksinkertaistaen valmiustasot kolmeen eri ryhmään. Jokaiselle ryhmälle on puolestaan listattu toimenpiteitä, joita kannattaa edistää, mikäli datan hyödyntämistä haluaa kehittää.
Kuten taulukosta käy ilmi, data-analytiikka ei kehity kokonaisuutena pelkästään ottamalla käyttöön hienoja dashboard-työkaluja tai valtavilla tekoälykirjastoilla varusteltuja analytiikkasovelluksia. Vähimmäisvaatimuksena datan hyödyntämiseen on sen olemassaolo, minkä vuoksi ensimmäisenä tehtävänä on varmistaa, että keskeisistä toiminnoista ja tapahtumista ylipäätään kerätään tarvittava data. Lisäksi datan hallintaa tulee kehittää, jotta analytiikan koneistoon saadaan kattavaa ja laadukasta aineistoa.
Vähintään yhtä keskeisessä roolissa on “datakulttuurin” kehittäminen: jokaisen organisaatiossa tulisi ymmärtää oma roolinsa datan keräämisessä ja hallinnassa, minkä lisäksi kehittynyttä raportointia tulee oikeasti hyödyntää päätöksenteossa. Investoinnit osaamiseen tai teknologiaan menevät hukkaan, jos päätöksenteko tehdään edelleen täysin intuitiolla. Onkin tärkeää ottaa liiketoimintajohto ja muut taloushallinnon tuotosten käyttäjät mukaan kehityshankkeisiin heti alkuvaiheessa.
Hyötyjä irti jo kehitysprojektista
Olen tässä artikkelissa tuonut useaan otteeseen sekä riveillä että niiden välissä esille, että data-analytiikalla ei ole itseisarvoa. Kokemusten pohjalta teen tähän väittämään sellaisen pyöristyksen, että data-analytiikan kehittämisestä voi saada jo hyötyjä ennen kuin täydellisiä lopputuloksia on olemassa.
Data-analytiikan kohteiden suunnittelu pakottaa miettimään organisaation tavoitteita ja toimintaa laajasti: mitä halutaan seurata, minkä takia, mitkä seikat vaikuttavat mihinkin, mitä dataa näihin liittyy. Tällainen harjoitus auttaa jo itsessään kehittämään ymmärrystä kokonaisuuksista ja toimintaan vaikuttavista asioista. Hyvässä yhteistyössä toteutettuna se myös lisää keskinäistä ymmärrystä ja luottamusta taloushallinnon ja raportointia hyödyntävien tahojen välillä.
Kun teemme asiakkaidemme kanssa data-analytiikkaan liittyviä kehitysprojekteja, niissä opitaan aina myös uutta omista toimintatavoista ja prosesseista sekä niiden kummallisista poikkeamista. Monesti tällaisia oppimiskokemuksia voi tulla hyvinkin yksinkertaisista asioista kuten maksuehtojen laajasta kirjosta tai eri hankintakategorioiden toimittajien lukumääristä. Datan analysoinnin pilotointi tuo myös läpinäkyväksi erilaisia haasteita esimerkiksi datan saatavuuteen, laatuun tai kattavuuteen liittyen, mikä puolestaan liittyy siihen, että kaikki tarvittava tieto ei ole luotettavasti tai tehokkaasti yrityksen käytössä. Tämä kuvastaa monesti henkilöriippuvaisuuksia, kun tieto on ihmisten aivosoluissa sen sijaan, että sitä ylläpidettäisiin ajantasaisesti organisaation järjestelmissä. Tämä puolestaan luonnollisesti on omiaan aiheuttamaan haasteita toimintaan henkilövaihdostilanteissa.
Myös itse päätöksenteon näkökulmasta voi olla hyödyllistä ottaa data-analytiikkaa vähintäänkin haastamaan omaa intuitiota. Jos esimerkiksi myyntiennusteita tuottava koneoppimismalli ei syystä tai toisesta ole täydellisen luotettava, on kuitenkin hyvä osata perustella, miksi oma intuitio tuntuu oikeammalta. Tämä auttaa osaltaan raportoinnin hyödyntäjää omassa tavoitteessaan: tekemään tietoisempia, perustellumpia ja parempia päätöksiä.
