Można mieć ogromną ilość danych i bardzo mało informacji.
Dashboard ma 40 KPI.
Raport miesięczny 80 stron.
Manager otrzymuje kilkanaście zestawień.
A na spotkaniu zarządu pada pytanie:
Co właściwie powinniśmy zrobić?
To sygnał, że controlling zatrzymał się na poziomie raportowania.
Odwróćmy proces
Nie zaczynajmy od:
Jakie dane mamy?
Zacznijmy od:
Potem:
Jakiej informacji potrzebuje?
Następnie:
Jaki KPI najlepiej ją reprezentuje?
I wreszcie:
Kiedy zmiana wskaźnika powinna wywołać działanie?
Można to zapisać:
Przykład należności
Firma monitoruje 20 wskaźników związanych z należnościami.
Zamiast tego zacznijmy od decyzji:
Kiedy ograniczyć sprzedaż kredytową dla klienta?
Potrzebujemy wtedy kilku informacji:
ekspozycji, opóźnienia, historii płatności i znaczenia klienta.
20 KPI może zamienić się w cztery informacje.
Ale wszystkie prowadzą do konkretnego działania.
AI może pójść jeszcze krok dalej
Klasyczny dashboard pokazuje:
DSO = 52 dni.
AI może powiedzieć:
DSO wzrosło o 6 dni, ale 80% pogorszenia wynika z pięciu klientów. Dwóch przekroczyło termin o ponad 30 dni, a łączna ekspozycja wynosi 3,2 mln zł.
To już nie tylko wskaźnik.
To identyfikacja problemu.
A system może jeszcze dodać:
Warto sprawdzić możliwość eskalacji windykacji dla klientów A i B.
Co jest normalne?
Co się zmieniło?
Co jest materialne?
Co wymaga decyzji?
Najciekawsza rola AI w raportowaniu może więc brzmieć: