ویرگول
ورودثبت نام
موسسه فرا رو
موسسه فرا روما راه‌کارهایی برای کنترل‌های مبتنی بر COSO، ریسک، کشف تقلب و داشبوردهای هوش تجاری ارائه می‌دهیم و حوزه های مختلف سازمان برای هیئت‌مدیره یکپارچه می‌کند. وب سایت: www.fararo.org
موسسه فرا رو
موسسه فرا رو
خواندن ۵ دقیقه·۲ ماه پیش

داده‌های جزیره‌ای؛ عدد واقعی کسب‌وکار کدام است؟

وقتی فروش یک عدد نشان می‌دهد، انبار عددی دیگر و حسابداری عدد سوم. وقتی قرار است گزارش مدیریتی تهیه شود، کدام‌یک را باید مبنا قرار داد؟

این اختلاف معمولاً فقط تفاوت ظاهری میان سه گزارش نیست. ممکن است هر واحد از تعریف متفاوتی برای «فروش» استفاده کند: فروش ثبت‌شده، سفارش تأییدشده، فاکتور صادرشده یا مبلغ وصول‌شده. در انبار، تعداد رزروشده با تعداد قابل‌فروش یکی نیست؛ در حسابداری هم زمان ثبت درآمد ممکن است با زمان ثبت سفارش یا خروج کالا تفاوت داشته باشد. بنابراین پیش از آن‌که بپرسیم «کدام عدد درست است؟»، باید بپرسیم «این عدد دقیقاً چه چیزی را اندازه می‌گیرد؟»

جزیره‌ای شدن داده‌ها فقط یک مشکل فنی نیست

داده‌های جزیره‌ای زمانی شکل می‌گیرند که اطلاعات در نرم‌افزارها، فایل‌ها یا واحدهای مختلف نگهداری شوند، اما تعریف‌ها و ارتباط‌های مشترکی برای اتصال آن‌ها وجود نداشته باشد. پژوهش ها نشان می‌دهند که چنین جزیره‌هایی می‌توانند داده‌های قدیمی، پراکنده یا ناسازگار ایجاد کنند و مانع اشتراک اطلاعات میان تیم‌ها شوند. در نظرسنجی‌ای که به آن استناد می‌کنند، نزدیک به ۷۷٪ پاسخ‌دهندگان گفته‌اند جزیره‌های داده توانایی سازمان برای تحلیل بلادرنگ و تصمیم‌گیری داده‌محور را محدود می‌کنند.

این جزیره‌ها همیشه نتیجه‌ی ضعف فناوری نیستند. ساختار سازمانی، سامانه‌های قدیمی، رشد سریع کسب‌وکار، ادغام شرکت‌ها، محدودیت منابع و حتی نبود توافق بر سر مالکیت داده می‌توانند در شکل‌گیری آن‌ها نقش داشته باشند. گاهی هر واحد ابزار مناسب خودش را انتخاب کرده و این انتخاب‌ها در مقیاس کل سازمان به یک مجموعه‌ی ناهماهنگ تبدیل شده‌اند.

هزینه‌ی واقعی، فراتر از ساعت‌های صرف‌شده برای تطبیق است

وقتی داده‌ها هماهنگ نیستند، کارکنان زمان خود را صرف استخراج، پاک‌سازی و مقایسه‌ی گزارش‌ها می‌کنند؛ اما هزینه‌ی اصلی ممکن است جای دیگری پنهان باشد: گزارش دیرهنگام، تصمیم بر مبنای عدد نادرست، خرید یا تولید بیش از نیاز، موجودی ناکافی، تشخیص دیرهنگام افت حاشیه‌ی سود یا دشواری در دفاع از ارقام ارائه‌شده به مدیران و ذی‌نفعان.

کیفیت پایین داده می‌تواند چنین مسئله‌ای را تشدید کند. پژوهش ها نشان می دهند کیفیت داده یعنی میزان مناسب‌بودن و کاربردپذیری داده برای نیازهای سازمان؛ همچنین برآورد کرده است که کیفیت پایین داده به‌طور میانگین سالانه دست‌کم ۱۲٫۹ میلیون دلار برای سازمان‌ها هزینه دارد. این عدد یک برآورد میانگین در پژوهش است، نه پیش‌بینی هزینه برای هر کسب‌وکار یا هر بازار.

اکسل راه‌حل نیست یا هست؟

اکسل ابزار قدرتمندی برای تحلیل و کارهای موردی است. مسئله زمانی ایجاد می‌شود که فایل‌های متعدد، نسخه‌های متفاوت و اصلاح‌های دستی جایگزین فرایندهای کنترل‌شده‌ی تبادل داده شوند. در این وضعیت، خطاهای فرمول، کپی‌وپیست، ورود دستی، حذف یا جابه‌جایی ردیف‌ها و نامشخص‌بودن نسخه‌ی معتبر می‌توانند به مغایرت‌های جدی منجر شوند.

پژوهش ها درباره‌ی صفحات گسترده، در مجموعه‌ای از ممیزی‌های میدانی، خطا را در ۹۴٪ از ۸۸ صفحه‌گسترده‌ی بررسی‌شده گزارش کرده‌اند. این رقم به همان نمونه‌ها و روش‌های بررسی مربوط است؛ به این معنا نیست که ۹۴٪ همه‌ی فایل‌های اکسل در همه‌ی سازمان‌ها خطا دارند. پیام مهم‌تر این است که در فایل‌های عملیاتی و پیچیده، نباید صحت نتیجه را صرفاً به دلیل «کار کردن فرمول‌ها» مفروض گرفت.

«یک مرجع واحد» یعنی چه؟

راه‌حل، لزوماً انتقال همه‌ی داده‌ها به یک نرم‌افزار یا یک پایگاه داده‌ی بزرگ نیست. منظور از Single Source of Truth این است که برای هر شاخص، تعریف، منبع، قاعده‌ی محاسبه و مالک مشخصی وجود داشته باشد و گزارش‌های مختلف بر همان مبنا ساخته شوند.

برای نمونه، سازمان باید بتواند به این پرسش‌ها پاسخ دهد:

  • «فروش خالص» شامل چه مواردی است؟ برگشت از فروش و تخفیف چگونه محاسبه می‌شوند؟

  • موجودی قابل‌فروش با موجودی فیزیکی، رزروشده و در راه چه تفاوتی دارد؟

  • درآمد در چه زمانی شناسایی می‌شود؟

  • اگر داده‌ی دو سیستم با هم اختلاف داشت، کدام منبع برای کدام بخش مرجع است؟

  • چه کسی تعریف شاخص را تأیید و تغییرات آن را ثبت می‌کند؟

مرجع واحد قابل اتکا ممکن است از طریق انبار داده، لایه‌ی یکپارچه‌سازی، قواعد مشترک داده و حاکمیت داده پیاده‌سازی شود. نکته این است که «یک منبع حقیقت» به معنای آن نیست که همه‌ی داده‌ها الزاماً در یک سامانه ذخیره شوند؛ مهم این است که گزارش‌ها بر پایه‌ی تعریف‌های هماهنگ و قواعد قابل‌ردیابی تولید شوند.

از کجا شروع کنیم؟

۱. شاخص‌های مسئله‌ساز را مشخص کنید.

از چند شاخص کلیدی مانند فروش خالص، موجودی قابل‌فروش، بهای تمام‌شده و مطالبات شروع کنید. برای هرکدام، تعریف، منبع و قاعده‌ی محاسبه را مکتوب کنید.

۲. مغایرت‌ها را دسته‌بندی و ریشه‌یابی کنید.

اختلاف‌ها ممکن است از قیمت، تعداد، واحد اندازه‌گیری، تخفیف، برگشت، زمان ثبت یا تفاوت در شناسه‌ی کالا و مشتری ناشی شوند. صرفاً عدد نهایی را اصلاح نکنید؛ علت تکرار مغایرت را پیدا کنید.

۳. تطبیق بین‌ماژولی را منظم کنید.

برای مثال، فروش را با خروج کالا از انبار و ثبت حسابداری مقایسه کنید. قواعد تطبیق باید مشخص کنند چه اختلافی قابل‌قبول است، چه اختلافی هشدار ایجاد می‌کند و هر مورد را چه کسی پیگیری می‌کند.

۴. کیفیت داده را به‌صورت مستمر پایش کنید.

کامل‌بودن، یکتا بودن، سازگاری، به‌موقع‌بودن و صحت داده را برای حوزه‌های مهم اندازه‌گیری کنید. مشکلات داده معمولاً وقتی ارزان‌تر حل می‌شوند که نزدیک به محل ایجادشان شناسایی شوند.

۵. کنترل‌ها و مسئولیت‌ها را تعریف کنید.

برای هر داده‌ی کلیدی، مالک کسب‌وکاری، متولی فنی و مسیر رسیدگی به خطا مشخص باشد. کیفیت داده فقط مسئولیت تیم فناوری اطلاعات نیست؛ نحوه‌ی ثبت، استفاده و اصلاح داده در واحدهای کسب‌وکار هم در آن نقش دارد.

نقش هوش تجاری

هوش تجاری زمانی ارزش ایجاد می‌کند که داده‌های زیر داشبورد قابل اتکا باشند. اگر تعریف فروش در دو سامانه متفاوت باشد، نمایش هر دو عدد در یک نمودار مسئله را حل نمی‌کند؛ فقط اختلاف را زیباتر نشان می‌دهد. مسیر درست معمولاً از شناخت منابع و تعریف شاخص‌ها آغاز می‌شود، سپس یکپارچه‌سازی و کنترل کیفیت داده انجام می‌گیرد و در نهایت داشبورد، گزارش تطبیق و هشدار ساخته می‌شود.

در چنین مدلی، داشبورد فقط پاسخ نمی‌دهد که «عدد چقدر است؟»؛ باید روشن کند این عدد از کجا آمده، چه زمانی به‌روزرسانی شده، چه تعریفی دارد و در صورت اختلاف، مسیر بررسی آن چیست.

فروشهوش تجاریحسابداریانبارتحلیل داده
۱
۰
موسسه فرا رو
موسسه فرا رو
ما راه‌کارهایی برای کنترل‌های مبتنی بر COSO، ریسک، کشف تقلب و داشبوردهای هوش تجاری ارائه می‌دهیم و حوزه های مختلف سازمان برای هیئت‌مدیره یکپارچه می‌کند. وب سایت: www.fararo.org
شاید از این پست‌ها خوشتان بیاید