La finanza aziendale deve cambiare. A prescindere dal settore, i dipartimenti finance dovrebbero essere in grado di comprendere gli attuali indicatori finanziari, prevederne eventuali evoluzioni future e il potenziale impatto sulla propria organizzazione.
Fino a poco tempo fa, sarebbe stato impossibile soddisfare queste aspettative. Con Excel alla base di tutto, servivano sforzi erculei per estrapolare i dati e realizzare un report alla fine di ogni trimestre, ma fornire insight su base giornaliera era un sogno irrealizzabile: i dati raccontavano il passato, ma non consentivano di prevedere il futuro.
Oggi, invece, gli strumenti di pianificazione SaaS consentono alle organizzazioni finanziarie di fare previsioni evolutive, definendo scenari differenti, per capire cosa sta succedendo nel presente e aggiornare il forecast del proprio business con una cadenza mensile. Ma è sufficiente?
Dati e reporting sono di solito bloccati all’interno dello strumento SaaS, cosa che complica il confronto tra diversi forecast e riduce l’efficacia di analisi e insight, oltre a limitare la condivisione dei dati con l’intera organizzazione, impedendone la comprensione da parte delle diverse funzioni aziendali e dei principali stakeholder.
I team finanziari, dunque, devono evolversi, diventando un riferimento data-driven trasversale all’intera organizzazione. E se i feed in tempo reale dei dati operativi consentiranno di essere proattivi piuttosto che reattivi, non saranno i soli ad alimentare questa evoluzione: sarà necessario creare modelli dinamici in grado di aggiornare le previsioni su molteplici indicatori giornalmente al fine di ottenere insight di business in tempo reale e dare al finance la possibilità di siglare partnership con altre funzioni aziendali.
Il futuro del settore finanziario risiede nella pianificazione e nella previsione strategica basata sui dati, e l’elemento differenziante di un’organizzazione sarà il suo livello di investimento nella data science.
Attirare i data scientist nelle organizzazioni finanziarie
Il modo migliore per dare vita a una strategia data-driven è assumere data scientist e farli entrare nel team finance affinché possano comprenderne attività e problemi. Solo in questo modo potranno agire da esperti funzionali tanto dei dati che del finance.
All’interno dei team di pianificazione e analisi finanziaria (FP&A), responsabili di previsioni e budgeting, i data scientist possono costruire modelli che soddisfino il requisito principale di una previsione accurata. Se il forecasting viene effettuato servendosi della data science si ricevono input immediati sull’andamento delle entrate che abilitano aggiustamenti in tempo reale.
I data scientist possono inoltre creare modelli per migliorare i dati finanziari inerenti al costo delle merci vendute (COGS). Attraverso la comprensione della domanda è possibile generare una previsione sia delle entrate che dei costi, evidenziando così le opportunità di ridurre le spese, aumentare i margini o aggiustare i prezzi.
Allo stesso modo, in ambito ricerca e sviluppo (R&S), grazie a dati centralizzati è possibile anticipare se un investimento iniziale verrà ripagato e quanto tempo ci vorrà per ottenere risultati finanziari positivi, oppure decidere se un’acquisizione è la scelta migliore per portare specifiche capacità in-house.
Se un’azienda volesse lanciare entità in altri paesi e conoscerne le implicazioni fiscali, i data scientist possono supportare i team di tesoreria stimando quando e dove farlo in base a fattori come la posizione dei clienti, le vendite e i rinnovi, per poi determinare l'impatto sulla previsione di entrate, costi e flusso di cassa.
Infine, la data science può fare la differenza anche nel procurement attraverso la condivisione delle informazioni e assicurando la collaborazione tra la funzione di approvvigionamento e i team IT, marketing e vendite, spesso ignari di lavorare con un cliente/fornitore comune con il quale si potrebbero negoziare tariffe e termini migliori.
Collaborare tra funzioni diverse, in tutta l’azienda
Inserire i data scientist nella propria realtà aziendale significa elevare il ruolo del finance a una funzione più strategica e proattiva, capace di aiutare gli stakeholder a diventare data-driven e prendere decisioni migliori nel segno della collaborazione.
Tuttavia, perché questo avvenga, è necessario che l’intera organizzazione condivida una singola fonte di dati e metriche, poiché tutto ciò che ne sta al di fuori (dai sistemi aziendali isolati ai fogli di calcolo Excel) equivale a silos che impediscono la condivisione di informazioni e insight in tempo reale.
Per promuovere un reale allineamento, il finance dovrebbe mantenere un insieme di modelli di dati relativi a prenotazioni, entrate e costi, utilizzabili dagli altri team: una fonte centralizzata di dati condivisi che permetta alle funzioni aziendali di parlare la stessa lingua, lavorare con gli stessi presupposti e analizzarsi per migliorare le proprie aree, favorendo il dialogo tra i dipartimenti e la coesione intorno agli obiettivi e alla visione dell’azienda.
In quest’ottica, un primo esempio dell’importanza dell’allineamento tra funzioni può arrivare dalle vendite che con il finance, nonostante una diversità nell’approccio e nell’orizzonte temporale di riferimento, condivide la responsabilità sulle prenotazioni dei clienti e sulla necessità di riunire e sintetizzare le reciproche informazioni per rafforzare la capacità previsionale.
Ma la stessa linea di comunicazione aperta e basata su modelli di dati e analisi condivisi vale anche tra team di progettazione e quelli finanziari dal momento che, se l’obiettivo degli uni è costruire nuove funzionalità di prodotto, gli altri hanno bisogno di sapere se tali cambiamenti possono avere un impatto sulla struttura tariffaria del prodotto, sulla sua efficienza e, conseguentemente, sulle entrate.
Inoltre, i data scientist finanziari dovrebbero collaborare con il product management per elabirare modelli di costi, prezzi e monetizzazione associati al lancio di nuove funzionalità o all’ingresso in nuovi mercati, facilitando i processi decisionali.
Scegliere la giusta data platform
Se dunque, per creare un sistema di informazioni condivise in tutta l’azienda, è fondamentale dotarsi di una fonte univoca di dati, la soluzione non può essere che una sola: una moderna cloud data platform per centralizzare un’enorme quantità di dati, elaborarli rapidamente e costruire modelli di dati innovativi per prendere decisioni in tempo reale. Per scegliere quella giusta, vanno presi in esame diversi parametri.
- Scalabilità e prestazioni
Prima di tutto, è necessario partire da un sistema estremamente robusto e scalabile che possa facilmente ingerire grandi volumi di dati, consentire l’esecuzione di analisi su scala e applicare modelli di machine learning per prevedere il futuro. - Near real-time access
Piuttosto che considerare una piattaforma di dati cloud come un costo, sarà importante riconoscere i benefici che derivano dalla disponibilità di dati in tempo reale e dalla velocità di accesso, che generano insight più dettagliati e un processo decisionale più rapido. - Tipologie di dati
La piattaforma scelta deve riunire diverse tipologie di dati: strutturati, semi-strutturati e non, in modo che possano essere elaborati rapidamente e utilizzati come un unico set di dati per l’analisi. - Data enrichment
Dati di mercato e dati di terze parti devono completare quelli interni senza soluzione di continuità per abilitare analisi più ricche. - Governance e security
Quando poi tutti i dati sono in un unico posto, è necessario definire chi vi ha accesso e assicurarsi che siano al sicuro. Ogni volta che i dati vengono estratti, si dovrebbe essere in grado di vedere chi li ha visionati, quando, e avere la possibilità di chiedere perché.
Oltre a usare una cloud data platform unica, si dovrebbe limitare il numero di soluzioni SaaS utilizzate all'interno dell'azienda. Se tutto deve funzionare insieme senza soluzione di continuità è importante che tutti i dati risiedano in un repository centrale. Ogni sistema addizionale aggiunge ulteriori complicazioni: meno sistemi si hanno, più facile è monitorarli dal punto di vista della sicurezza in modo da sapere sempre cosa sta succedendo all’interno del proprio ambiente interno.
Gestire i dati e investire in data science
Oggi, le aziende dispongono di tantissimi dati, ma se centralizzarli facilmente tramite una cloud data platform è un passaggio iniziale, resta impossibile sfruttarne la potenza se non si è in grado di prevedere i modelli di utilizzo dei clienti e molti altri insight cruciali per il business. In questo senso occorre anche concentrarsi sull’analisi dei dati in tempo reale e investire in data scientist che possano arricchire la capacità previsionale dell’azienda.
Se in futuro le organizzazioni finanziarie avranno infatti sempre bisogno di contabili e analisti, allo stesso modo necessiteranno di coloro che possono costruire modelli predittivi e comprendere sistemi, dati e processi, il tutto con un unico obiettivo: preparare al meglio il successo della propria organizzazione.
