Integracija podataka za financijsko planiranje i analizu: 5 ključnih lekcija iz stvarnih Farseer projekata

Podaci iz različitih sustava moraju se standardizirati prije nego što ih je moguće povezati i pripremiti za planiranje. Kada se svaki korak njihove transformacije obavlja ručno, troši se znatna količina radnog vremena i povećava mogućnost pogrešaka.

To nisu iznimne situacije, već svakodnevica većine financijskih timova koji rade bez odgovarajuće integrirane FP&A platforme. Upravo smo te izazove nastojali riješiti kroz implementacije Farseera u Adriatic regiji i diljem Europe.

Zašto je integracija podataka važna za financijsko planiranje i analizu podataka?

Financijsko planiranje i analiza povezuju gotovo sve ključne poslovne sustave. Kako bi mogli precizno planirati, izrađivati prognoze i izvještavati, financijskim timovima potrebni su podaci iz ERP i CRM sustava, skladišta podataka, HR platformi, proizvodnih sustava te, u mnogim organizacijama, velikog broja Excel datoteka.

Problem najčešće nije u tome što podaci ne postoje. Problem je što se nalaze u odvojenim sustavima, imaju različite strukture i postaju dostupni u različito vrijeme. Prije nego što ih mogu koristiti za planiranje, financijski timovi često ih moraju ručno objedinjavati, čistiti i prilagođavati. Takav proces oduzima vrijeme, povećava rizik od pogrešaka i smanjuje povjerenje u konačne izvještaje.

Loša integracija stoga ne utječe samo na tehničku stranu projekta. Ona dovodi do duljih ciklusa planiranja, nedosljednih podataka i donošenja odluka na temelju informacija u čiju pouzdanost dionici možda nisu potpuno sigurni.

Integracija podataka nije samo tehnički detalj FP&A projekta. Ona je temelj na kojem se zasnivaju sve financijske prognoze, proračuni i menadžerski izvještaji.

Kako se Farseer povezuje s vašim podatkovnim okruženjem?

Farseer je FP&A platforma u oblaku namijenjena financijskom planiranju, budžetiranju, predviđanju i izvještavanju. Uključuje modul za uvoz podataka, podržava izvoz u CSV formatu te omogućuje povezivanje s vanjskim sustavima putem prilagođenih TypeScript skripti. Time organizacijama pruža veliku fleksibilnost pri oblikovanju integracijske arhitekture.

Međutim, fleksibilnost donosi i važne arhitekturne odluke. Integracija može dobro funkcionirati pri prvom uvozu podataka, ali s promjenom zahtjeva postati zahtjevna za održavanje. Odluke donesene prije početka razvoja često određuju hoće li rješenje dugoročno ostati pouzdano.

Kroz naše implementacije Farseera izdvojili smo pet ključnih lekcija koje su se dosljedno pokazale najvažnijima za uspjeh projekta.

5 ključnih lekcija iz stvarnih Farseer projekata

1. ETL sloj nije opcija, već nužnost

ETL (Extract, Transform, Load) softver služi za dohvat podataka iz izvornih sustava, njihovu transformaciju u upotrebljiv format i učitavanje u Farseer. Kada je taj sloj uspostavljen i pravilno održavan, integracije su stabilnije i jednostavnije za upravljanje.

Ako zaseban ETL sloj ne postoji, logika transformacije podataka često se, radi bržeg razvoja, ugrađuje izravno u TypeScript skripte za uvoz podataka. Takav pristup u početku može funkcionirati, ali kako se zahtjevi mijenjaju, integracijom postaje sve teže upravljati.

U praksi integracija funkcionira sve dok se ne pojavi problem. Naknadno otklanjanje takvih problema obično je skuplje nego pravilna implementacija od samog početka.

Zaseban ETL sloj također omogućuje jasniju podjelu odgovornosti. Logikom transformacije može se upravljati neovisno o platformi za planiranje, dosljednije je testirati i ponovno koristiti u različitim tokovima podataka. Za financijske timove to znači manje prekida u radu i pouzdanije podatke za planiranje i izvještavanje.

2. Testna okruženja sprječavaju probleme u produkciji

U svim projektima u kojima je testno (staging) okruženje bilo uspostavljeno od samog početka, puštanje sustava u produkciju proteklo je uz manje poteškoća. U projektima bez testnog okruženja problemi su se češće pojavljivali u najnepovoljnijem trenutku: neposredno prije puštanja sustava u produkciju, tijekom aktivnog ciklusa planiranja ili nakon što su korisnici već počeli raditi na platformi.

Testno okruženje projektnom timu omogućuje sigurno testiranje uvoza podataka, logike transformacije i promjena u izvornim sustavima prije nego što one utječu na produkcijsko okruženje.

Također olakšava usporedbu rezultata u Farseeru s izvornim podacima i prepoznavanje nedosljednosti prije nego što ih primijete korisnici.

Ovdje nije riječ o složenom zaključku, već o jednostavnoj činjenici: kada timovi imaju mogućnost pravilno testirati promjene prije njihove primjene, smanjuje se rizik od problema u produkciji.

3. Pregled nad cjelokupnim tokom podataka važniji je od bilo kojeg pojedinačnog alata

4. Ovisnosti o vanjskim pružateljima usluga i kvalitetu izvornih podataka potrebno je procijeniti na vrijeme

Kada korisnikovim ERP sustavom ili API-jem upravlja vanjska tvrtka, vrijeme odgovora koje bi se trebalo mjeriti u satima može se produljiti na nekoliko dana. Ograničenja integracije koja su se mogla prepoznati već tijekom početnog razgovora ponekad postanu vidljiva tek usred projekta.

Podaci koji su se na prvi pogled činili urednima mogu biti strukturirani na način koji zahtijeva znatan dodatni rad u SQL-u pri svakoj kasnijoj promjeni. Takvi su problemi rješivi, ali ih je znatno teže rješavati tijekom implementacije nego prije njezina početka.

Prije početka projekta timovi bi trebali razjasniti sljedeća pitanja:

5. Umjetna inteligencija praktičan je alat za integraciju

Jedno od područja u kojima smo primijetili stvarna poboljšanja učinkovitosti jest korištenje umjetne inteligencije za prilagođene dijelove integracijskog procesa. To uključuje posebne slučajeve, neuobičajene strukture podataka, otklanjanje pogrešaka i jednokratne transformacije koje ne slijede standardne obrasce.

Praktičan pristup uključuje pružanje cjelokupnog koda iz Farseer Apps ili Visual Studio Code okruženja AI asistentu, zajedno s potpunom porukom o pogrešci iz konzole, te traženje da identificira problem i predloži rješenje. Dobiveni rezultat često je spreman za korištenje uz manje prilagodbe. Time se posao otklanjanja pogrešaka, koji je prije zahtijevao nekoliko sati, može skratiti na svega nekoliko minuta.

U jednom primjeru skripta za upravljanje API-jem trebala je prihvaćati različite parametre ovisno o tablici iz koje je dohvaćala podatke. Pojedinačna obrada svakog slučaja zahtijevala bi sate rada. Samostalno istraživanje jednostavnog i višekratno primjenjivog pristupa moglo je potrajati danima.

Uz pomoć AI asistenta, analizom koda i poruka o pogreškama, izradili smo jedinstvenu strukturu podataka koja prihvaća minimalan skup obveznih parametara zajedno s neobveznima. Rezultat je bio univerzalan pristup koji se može primijeniti u različitim slučajevima. Zadatak koji je mogao prerasti u višednevno istraživanje i razvoj dovršen je u svega nekoliko sati.

Održavanje konteksta projekta između pojedinih sesija, primjerice korištenjem alata kao što je ChatGPT Projects, također može znatno pojednostaviti rad. Umjesto da se na početku svakog razgovora ponovno objašnjavaju podatkovni model i integracijska arhitektura, relevantan kontekst već je dostupan.

Očekujemo da će ovakav pristup postajati sve zastupljeniji u FP&A implementacijama. Umjetna inteligencija neće zamijeniti arhitekturne odluke koje se donose na početku projekta. Ne može zamijeniti ETL, testno okruženje, jasno definirane odgovornosti ni temeljito razumijevanje podatkovnog okruženja. Međutim, može znatno ubrzati razvoj prilagođenih rješenja i rješavanje specifičnih slučajeva koji se prije ili kasnije pojavljuju u gotovo svakoj integraciji.

Ključno pitanje prije početka projekta