Van gegevens naar een bestuurbaar model

Een FP&A-proces is uiteindelijk zo goed als de informatie waarop het rust. Toch is het te eenvoudig om daaruit te concluderen dat FP&A vooral behoefte heeft aan meer data. In de meeste organisaties is er juist geen tekort aan gegevens. Er is een tekort aan samenhang.

Financiële gegevens bevinden zich in het ERP, commerciële informatie in het CRM, personeelsdata in HR-systemen en operationele gegevens in productie-, logistieke, project- of servicesystemen. Daarnaast ontstaan binnen finance operations waardevolle gegevens over bestellingen, facturen, betalingen, leveranciers, klanten en werkkapitaal. Externe ontwikkelingen zoals grondstofprijzen, rente, inflatie en marktgroei kunnen daar nog bovenop komen.

De uitdaging voor FP&A is om uit dat geheel een bestuurbaar model van de onderneming te bouwen.

Van financiële administratie naar bedrijfsmodel

De financiële administratie vormt een belangrijk uitgangspunt. De winst-en-verliesrekening, balans en cashflow geven immers weer wat de financiële consequenties van de bedrijfsactiviteiten zijn geweest.

Maar een grootboek verklaart die uitkomsten niet vanzelf.

Wanneer omzet afneemt, kan de oorzaak bijvoorbeeld liggen in lagere volumes, een veranderde productmix, prijsdruk, klantverlies of vertraging in leveringen. Wanneer personeelskosten stijgen, kan dat voortkomen uit meer FTE, salarisstijgingen, een andere samenstelling van het personeelsbestand of hogere externe inhuur.

Voor de financiële verslaglegging kunnen deze oorzaken uiteindelijk in dezelfde grootboekrekening terechtkomen. Voor business control maken ze een fundamenteel verschil.

FP&A moet daarom de verbinding leggen tussen financiële resultaten en de operationele werkelijkheid die deze resultaten veroorzaakt.

Daarmee verandert de manier waarop naar data wordt gekeken. Het doel is niet langer uitsluitend om bedragen op correcte grootboekrekeningen te krijgen, maar om te begrijpen welke economische relaties achter die bedragen liggen.

Finance operations als relevante databron

Purchase-to-Pay en Order-to-Cash zijn daarbij bijzonder interessante gegevensbronnen, omdat zij dicht op de feitelijke transactiestromen zitten.

Purchase-to-Pay kan informatie bevatten over onder andere leveranciers, bestellingen, verplichtingen, facturen, betaaltermijnen en gerealiseerde uitgaven. Order-to-Cash bevat bijvoorbeeld klantorders, facturen, kredietinformatie, openstaande posten en betaalgedrag.

Voor FP&A kunnen deze gegevens vroegtijdige signalen opleveren.

Een grootboek laat mogelijk pas bij maandafsluiting zien dat bepaalde kosten hoger uitvallen. Een analyse van openstaande bestellingen en ontvangen facturen kan die ontwikkeling eerder zichtbaar maken. Hetzelfde geldt aan de omzetkant: orderinstroom kan eerder iets zeggen over toekomstige omzet dan de uiteindelijk geboekte verkoopfactuur.

Toch mag finance operations niet worden gezien als dé databron voor FP&A. Zij vormt één relevante laag binnen een veel breder gegevenslandschap.

Voor een productiebedrijf kunnen productievolume, bezettingsgraad en grondstofverbruik minstens zo belangrijk zijn. Bij een dienstverlener spelen declarabele uren, bezetting en tarieven een grotere rol. In software kunnen ARR, churn en klantacquisitie belangrijke drivers zijn.

De relevante databronnen worden dus bepaald door het bedrijfsmodel.

Drivers zijn belangrijker dan grootboekregels

Een goed FP&A-model begint daarom niet met de vraag welke grootboekrekeningen beschikbaar zijn, maar met de vraag welke factoren de financiële prestaties van de organisatie bepalen.

Die factoren noemen we drivers.

Omzet kan bijvoorbeeld worden beschreven als:

aantal klanten × gemiddeld volume × gemiddelde prijs

Personeelskosten kunnen worden opgebouwd uit:

aantal FTE × gemiddelde loonkosten

Transportkosten kunnen samenhangen met:

aantal zendingen × gemiddelde afstand × tarief per kilometer

Door financiële uitkomsten op die manier terug te voeren op operationele drivers ontstaat een model dat niet alleen rapporteert, maar ook verklaart.

Dat is essentieel voor planning en forecasting. Wie begrijpt waardoor een resultaat ontstaat, kan ook beter modelleren wat er gebeurt wanneer één van die factoren verandert.

Een volumeontwikkeling van vijf procent kan dan automatisch worden vertaald naar omzet, productiekosten, logistieke belasting, werkkapitaal en uiteindelijk cashflow.

Dat maakt het model bruikbaar als stuurinstrument.

Dimensies bepalen welke vragen kunnen worden beantwoord

Naast drivers zijn dimensies belangrijk. Daarbij gaat het om de manier waarop financiële en operationele informatie wordt uitgesplitst.

Denk aan klant, product, regio, businessunit, leverancier, project, kostenplaats of verkoopkanaal.

De keuze voor dimensies lijkt soms een technisch datavraagstuk, maar is in werkelijkheid bestuurlijk. Iedere dimensie die aan een model wordt toegevoegd, maakt bepaalde analyses mogelijk.

Wanneer omzet alleen op entiteitsniveau beschikbaar is, kan het management niet analyseren welke producten of klantgroepen groei veroorzaken. Wanneer personeelskosten uitsluitend per juridische entiteit worden vastgelegd, wordt het moeilijk om productiviteit per afdeling of activiteit te beoordelen.

Tegelijkertijd is meer detail niet automatisch beter.

Iedere extra dimensie verhoogt de complexiteit van het model, de hoeveelheid data en de onderhoudslast. De vraag moet daarom altijd zijn welke uitsplitsing daadwerkelijk relevant is voor besluitvorming.

Een bestuurbaar model bevat voldoende detail om de belangrijkste economische relaties zichtbaar te maken, maar vermijdt detail dat nauwelijks invloed heeft op beslissingen.

Eén definitie van de werkelijkheid

Een ander belangrijk vraagstuk is dat verschillende systemen vaak verschillende definities gebruiken.

Wat is precies een klant? Wanneer telt een order mee als omzetverwachting? Welke FTE worden opgenomen in personeelsplanning? Wanneer wordt een project als actief beschouwd?

Wanneer iedere afdeling eigen definities gebruikt, ontstaan meerdere versies van dezelfde werkelijkheid.

FP&A heeft daarom niet alleen een technisch datamodel nodig, maar ook heldere definities en governance.

Het management moet erop kunnen vertrouwen dat een KPI in een forecast dezelfde betekenis heeft als dezelfde KPI in een rapportage. Een afwijking mag niet het gevolg blijken te zijn van twee verschillende definities.

Dat klinkt administratief, maar het is een belangrijke voorwaarde voor goede besluitvorming. Wanneer tijdens een managementmeeting eerst twintig minuten moet worden gediscussieerd over welk cijfer juist is, heeft FP&A zijn werk nog niet gedaan.

Actuals, plan en forecast moeten dezelfde taal spreken

Een veelvoorkomend probleem ontstaat wanneer actuals, budget en forecast in verschillende structuren worden opgebouwd.

Actuals volgen bijvoorbeeld de grootboekstructuur, terwijl het budget in een aparte spreadsheet staat en commerciële forecasts weer andere product- of klantcategorieën gebruiken.

Daardoor wordt iedere vergelijking arbeidsintensief.

Een volwassen FP&A-omgeving probeert daarom actuals, planning en forecasting zoveel mogelijk op hetzelfde model te laten aansluiten.

Dezelfde dimensies, drivers en definities worden gebruikt voor zowel historische als toekomstige informatie.

Dat maakt het mogelijk om direct te analyseren wat werkelijk is gebeurd, wat oorspronkelijk was gepland, wat momenteel wordt verwacht en waardoor verschillen worden veroorzaakt.

De technische integratie ondersteunt daarmee een bestuurlijke behoefte: één samenhangend perspectief op verleden, heden en toekomst.

Schijnnauwkeurigheid vermijden

Bij modelling bestaat altijd de verleiding om zoveel mogelijk detail op te nemen.

Een model met honderd aannames lijkt al snel professioneler dan een model met tien. Maar meer detail leidt niet noodzakelijk tot betere besluitvorming.

Integendeel.

Wanneer de onzekerheid rond een voorspelling groot is, kan extra detaillering de indruk van precisie wekken zonder dat de betrouwbaarheid daadwerkelijk toeneemt.

Een omzetforecast van €42.783.219 kan mathematisch correct uit een model rollen, terwijl de belangrijkste volumeaanname een onzekerheidsmarge van tien procent heeft.

Een senior business controller kijkt daarom niet alleen naar de technische kwaliteit van het model, maar ook naar de materiële relevantie van aannames.

Welke drivers verklaren het grootste deel van de uitkomst? Welke aannames zijn onzeker? Waar is een grove benadering voldoende en waar is meer detail noodzakelijk?

Een goed model is niet het meest gedetailleerde model. Het is het eenvoudigste model dat de economische werkelijkheid voldoende goed beschrijft om betere beslissingen te nemen.

Van dataplatform naar bestuurlijke infrastructuur

Technologie kan veel van het werk rond data en modelling automatiseren. Gegevens kunnen automatisch worden verzameld, gevalideerd en samengebracht. Modellen kunnen centraal worden onderhouden en wijzigingen kunnen direct doorwerken in rapportages en forecasts.

Maar technologie lost een slecht ontworpen bestuurlijk model niet op.

Wanneer de verkeerde drivers worden gebruikt, definities onduidelijk zijn of de organisatie niet weet welke informatie werkelijk relevant is, wordt vooral sneller een onduidelijk resultaat geproduceerd.

Daarom begint een volwassen FP&A-datamodel bij het bedrijfsmodel zelf.

Hoe verdient de organisatie geld? Welke activiteiten veroorzaken kosten? Waar ontstaat cash? Welke capaciteit is schaars? Welke factoren bepalen groei en marge? Welke risico’s kunnen de uitkomst wezenlijk veranderen?

Pas daarna komt de vraag welke gegevens daarvoor nodig zijn.

Data & modelling is daarmee geen voorbereidende IT-activiteit aan de rand van FP&A. Het vormt de economische architectuur waarop planning, forecasting en performance management worden gebouwd.

De kwaliteit daarvan bepaalt in belangrijke mate hoe goed finance zijn rol als gesprekspartner van het management kan vervullen.

Het uiteindelijke doel is niet één centrale database. Het doel is één bestuurbare weergave van de onderneming.