Doprovodný článek – Proč většina AI ve financích selhává – vysvětluje, proč se datové modely navržené pro dashboard rozbíjejí, když je konzumuje AI. Tento článek odpovídá na další otázku: jak má datový model controllera vypadat?
Šest principů. Platí bez ohledu na BI nástroj, cloudovou platformu nebo ERP. Definují, co “AI-ready” znamená pro controllingovou infrastrukturu.
1) Jednotná výpočetní cesta na metriku
Každá metrika – tržby, hrubá marže , EBITDA, pracovní kapitál – potřebuje přesně jednu výpočetní cestu. Nejen jeden vzorec v ERP, jiný na dashboard a třetí v Excelu z minulého čtvrtletí.
Single-consumer model: Hrubá marže existuje ve třech verzích. ERP používá standardní náklady. Dashboard skutečné náklady s ručními úpravami. Controllerův Excel třetí metodiku. Lidé vědí, kterou verzi kdy použít. Čísla “fungují”, protože člověk mezi nimi naviguje.
Dual-consumer model: Jeden vzorec v semantic layer . Alokační metodiku definujeme jednou. Dashboard, AI, jakýkoliv budoucí konzument – stejný výsledek. Příspěvek na krytí po alokaci znamená jednu věc, všude.
2) Řízené hierarchie s explicitními pravidly sčítání
Nákladové středisko -> oddělení -> obchodní jednotka -> skupina. Definováno v modelu, nejen v drill-down konfiguraci dashboard. Hierarchie zahrnuje pravidla: které entity konsolidujeme, které eliminujeme proti sobě, na které úrovni agregujeme manažerský reporting.
Single-consumer model: Roll-up logika žije uvnitř Power BI. Excel rozpočet používá jiné seskupení. Controller aplikuje pravidla z paměti. AI dotazuje ploché tabulky bez povědomí o hierarchii.
Dual-consumer model: Jedna definice hierarchie. Každý konzument sčítá a rozpadá identicky. AI dotázané “Jaké je EBITDA výrobní divize?” sleduje stejnou cestu jako controller.
U vícečlenných skupin se tohle protíná s konsolidací. Pět dceřinek, tři země – model definuje, které entity konsolidujeme, jaké vnitroskupinové vztahy existují, na které úrovni skupina reportuje. Navazuje na Princip 4.
3) Explicitní dekompozice odchylek
Dekompozici cena/objem/mix zakódujeme jako logiku modelu. Nejen počítáme ad hoc v tabulce každý cyklus.
Single-consumer model: Controller počítá rozpad cena/objem/mix ručně v Excelu každý měsíc. Dashboard ukazuje jen celkovou odchylku – skutečnost vs. plán, bez dekompozice. AI dotázané “Proč klesla marže?” neumí rozložit odchylku. Produkuje buď “marže klesla o X %” nebo vyhallucovanou odpověď ze surových korelací.
Dual-consumer model: Složky odchylek (cena, objem, mix, FX, náklady) jsou předdefinované dimenze. Jakýkoliv konzument dotazuje jakoukoliv složku za jakékoliv období, entitu, produktovou řadu.
Tohle nejpříměji odpovídá na otázku, kterou controlleři skutečně pokládají: “Co stálo za změnou?” Když je logika dekompozice v modelu, AI odpovídá se stejnou přísností jako controller – ale pro každý produkt, každý region, každé období současně.
4) Pravidla vnitroskupinových eliminací jako logika modelu
Vnitroskupinové transakce a jejich eliminaci při konsolidaci definujeme v modelu. Nejen v tabulce, kterou skupinový controller udržuje při uzávěrce.
Single-consumer model: Eliminace probíhají v Excelovém sešitu. Controller identifikuje párové transakce, aplikuje eliminační položky, vytvoří konsolidovaný pohled. AI dotázané “Jaké jsou skupinové tržby?” sčítá všechny entity bez eliminace vnitroskupinových prodejů. Nadhodnocuje o plnou hodnotu interních transakcí.
Dual-consumer model: Model definuje vztahy mezi páry entit a eliminační pravidla. Konsolidovaný i nekonsolidovaný pohled jsou dimenze modelu. AI dotázané “Jaké je skupinové EBITDA?” automaticky aplikuje eliminace.
Pro skupinu s dceřinkami na Slovensku, v Česku a v Polsku – každá na jiném ERP, s vnitroskupinovými prodeji, manažerskými poplatky, sdílenými službami – eliminační logika je expertíza skupinového controllera. Převést ji z tabulkové logiky do logiky modelu umožňuje AI-powered konsolidaci.
5) Temporální konzistence – stavy uzávěrkového cyklu
Každý datový bod nese temporální metadata: otevřený, provizorní nebo finální. Na entitu, na období.
Single-consumer model: Controller ví, že březen je uzavřený, ale duben je provizorní – tři dceřinky uzavřely, dvě neodevzdaly. Tato znalost žije v controllerově hlavě nebo v e-mailu o statusu. Dashboard ukazuje oba měsíce identicky. AI zachází s dubnovými provizorními čísly jako s finálními.
Dual-consumer model: Statusový příznak v modelu. AI dotázané “Jaké byly dubnové tržby?” odpovídá: “Duben je provizorní – 3 entity uzavřely, 2 ještě otevřené. Tržby z uzavřených entit jsou X EUR.”
Předchází nejčastějšímu selhání AI v manažerském reportingu : prezentaci neúplných dat jako úplných.
6) Sémantické definice jako metadata modelu
Co znamenají “tržby”, jak počítáme “EBITDA”, co zahrnuje “FTE” – připojené k modelu jako metadata. Nejen v datovém slovníku v PDF. Nejen na Confluence stránce. Nejen v governance politice schválené před dvěma lety.
Single-consumer model: Definice tržeb žije ve finančním manuálu. Různí lidé ji interpretují mírně odlišně. Nový controller se učí pokusem a omylem. AI nemá přístup k žádné definici a hádá z názvů sloupců.
Dual-consumer model: Každá metrika nese svou definici, vzorec, datovou linii a vlastníka jako metadata. AI dotázané “Jak se počítá hrubá marže?” odpovídá z modelu samotného.
Uzavírá kruh. Principy 1-5 zajišťují, že model počítá správně. Princip 6 zajišťuje, že každý konzument rozumí tomu, co model počítá a proč.
Co se tím změní
Tyto principy nejen umožňují AI. Zlepšují i to, jak s daty pracují lidé.
Board reporting se stává deterministickým. Stejné číslo na dashboard, v manažerském balíčku i v AI shrnutí. Žádná reconciliace.
Uzávěrkové cykly získávají přehlednost. Všichni vidí stejný stav uzávěrky. Žádné statusové e-maily.
Analýza odchylek škáluje. Cena/objem/mix pro každou produktovou řadu, každý region – práce, která dříve vyžadovala dny tabulek za cyklus.
AI produkuje důvěryhodné odpovědi. Nejen chytřejší AI. Lepší základ. Stínový proces mizí.
Roland Berger: 25% zkrácení měsíční uzávěrky díky AI – kde datový základ to nativně podporoval. GoodData: 50-80% snížení sémantické komplexity díky řízeným semantic layer. Nejen lepší AI. Lepší infrastruktura.
Kde začít
Nejde o roční projekt. Designová rozhodnutí aplikovaná postupně.
Začněte Principem 1 – proveďte audit, které metriky mají více výpočetních cest. Pokud se hrubá marže počítá jinak v ERP, v BI nástroji a v tabulce, to je první věc k opravě.
Pak Princip 6 – připojte definice k modelu. I základní metadata (vzorec, vlastník, datum poslední validace) transformují interakci lidí i AI s daty.
Principy 2-5 následují podle komplexity. Vícečlenné skupiny potřebují řízení hierarchií a vnitroskupinové eliminace brzy. Jednočlenné firmy je nemusí potřebovat vůbec.
Test: dokáže firma produkovat konzistentní odpovědi bez hrdinského lidského kontextu? Pokud ano, model je dual-consumer. Pokud ne, těchto šest principů ukazuje, kde jsou mezery.
Zdroje: AtScale – Why AI Redefined the Semantic Layer , GoodData – How to Modernize Your BI for the AI Era , KPMG – Rebuilding Data Governance in the Age of AI , Roland Berger – Mastering AI in the Finance Function