Förbättra finansiell rapportering med hjälp av Data Science 

Detta blogginlägg är baserat på ett kundcase som genomfördes under vintern 2019/2020. Projektet genomfördes som en Analytics Jumpstart och detta inlägg kommer att guida läsaren igenom problemet, lösningen, och resultatet.

Vad är koncernkonsolidering?  

Större företag är ofta uppdelade i komplexa koncernstrukturer där olika enheter har ansvar för olika delar av verksamheten. Uppdelningarna sker ofta utifrån enheternas geografiska hemvist eller ansvarsområde. Oavsett vilket så behöver koncernen summera alla intäkter, utgifter, investeringar och avräkningar från samtliga enheter för att resultat- och balansräkningarna ska hållas uppdaterade och ledningen ska  en aktuell bild av hur det går för företaget. Som en del av detta behöver även poster och transaktioner som skett mellan koncernens olika bolag elimineras så att de inte påverkar det externa resultatet.  

Den här processen med att summera poster och statistik för alla olika enheter kallas koncernkonsolidering och brukar utföras i samband med bokslut. Hur ofta boksluten görs beror lite på bolagsform och koncernstorlek, men praxis bland större bolag är att skapa månadsbokslut, och alltså summera och konsolidera koncernens finansiella mätetal en gång varje månad.  

Det företag som vi hjälpt under vintern arbetar med månadsbokslut. När varje månad är slut så sammanställer företagets olika enheter ett antal olika mätetal och rapporterar sedan in dessa till koncernens moderbolag. I många fall sker rapporteringen manuellt genom inläsning från Excel-filer. 

Koncernkonsolidering är ofta en stressig process med höga prestationskrav 

Även om vissa logiska kontroller redan finns upprättade i rapporteringssystemen händer det att felaktigheter smyger sig in i rapporteringen. Det kan handla om till exempel en nolla för mycket, en enhet som missat att rapportera något viktigt mätetal eller en enhet som förväxlat de olika mätetalen i rapporteringen. Ekonomiavdelningen på moderbolaget är ansvarig för att identifiera dessa felaktigheter och höra av sig till de rapporterande enheterna för att ta emot korrigeringar innan bokslutet fastställs. 

I verkligheten så lever ekonomiavdelningen med en stor stress i samband med boksluten. Ofta har de bara några få dagar på sig från det att enheterna rapporterat sina mätetal till det att konsolideringen ska vara klar och balans- och resultaträkningar ska levereras till ledningen. För att sätta det i perspektiv så tar företaget emot tiotusentals olika rapporterade mätetal varje månad. Arbetet med att manuellt identifiera och korrigera avvikelser blir därför stressigt och risken finns att vissa avvikelser inte identifieras i tid. Det kan i sin tur leda till att hela resultat- eller balansräkningen blir felaktigFöretaget sökte därför efter ett smartare och mer resurseffektivt sätt att varje månad undersöka de rapporterade mätetalen för att identifiera avvikelser och säkerställa en hög kvalitet på de konsoliderade boksluten 

En plan i tre delar 

Samtidigt som företaget kämpade med månadsboksluten satt de på en okänd guldgruva. De hade nämligen sparat många års finansiell rapporteringshistorik! Gemensamt beslöt vi oss därför för att testa om den historiska datan kunde användas för att lösa problemet och ge företaget bättre trygghet och kvalitet i rapporteringen.  

Vår gemensamma projektplan innefattade tre delar, separerade med så kallade go/no-go beslut: 

  1. Prognostisera tidsserier baserat på historisk data (kan vi säga någonting om en enhets framtida rapportering baserat på dess historiska rapportering?) 
  1. Identifiera och prioritera avvikelser (kan vi identifiera faktiska felaktigheter genom att kolla på de tidsserier där de rapporterade värdena skiljer sig kraftigt från de prognostiserade?) 
  1. Visualisera avvikelser i lämpligt verktyg (kan vi tillgängliggöra informationen så att den enkelt kan användas i ekonomifunktionens bokslutsprocess?) 

Del 1: Prognostisera finansiella tidsserier 

Som ett första steg sammanställde vi den historiska rapporteringsdatan för varje enhet och mätetal i så kallade tidsserier. En tidsserie är en samling inrapporterade datapunkter med tidsstämplar, och exemplet nedan visar hur den ackumulerade skatteskulden för enhet X varierat över tid.  

Exempel på tidsserie av rapporteringsdata
Exempel på tidsserie av rapporteringsdata 

Därefter undersökte vi huruvida det gick att använda matematiska modeller för att prognostisera vad de olika enheterna skulle rapportera för mätetal i framtiden. Eftersom Machine Learning och Data Science är en iterativ process som ofta handlar om att sätta upp och verifiera olika hypoteser så testade vi flera olika algoritmer och ramverk. Det vackra med att tillämpa Machine Learning i det här stadiet var att en separat matematisk modell kunde skapas automatiskt för att prognostisera var och en av tidsserierna. Därmed uppnådde vi snart förhållandevis bra resultat med prognoser som i genomsnitt endast avvek med mellan 5 och till 15 procent från de faktiska värdena.  

Del 2: Identifiera och prioritera avvikelser

När vi klargjort att det gick att prognostisera de finansiella rapporteringarna var nästa steg att använda dessa prognoser för att identifiera och prioritera de största avvikelserna i samband med ett verkligt månadsbokslut på företaget. Vi kunde då jämföra de siffror som rapporterades in från de olika enheterna med våra prognoser och identifiera de tidsserier som hade de största avvikelserna mellan vårt prognostiserade värde och det värde som enheten rapporterat. Ett exempel på detta visas i figuren nedan.

 Illustration av prognos och avvikelse  

llustration av prognos och avvikelse 

Del 3: Visualisering av resultaten 

Slutligen visualiserade vi de avvikelser vi identifierat genom att visa upp historiska värden, prognostiserat värde och faktiskt rapporterat värde i en dashboard i Microsoft Power BI. Användaren kunde då klicka sig igenom en lista för att kolla på de olika avvikelserna som modellen identifierat och själv avgöra om de skulle höra av sig till den rapporterade enheten för en eventuell korrigering.   

Resultat & Slutsatser 

Datorers möjlighet att snabbt bearbeta stora mängder information gör problemet med att identifiera avvikelser i finansiell rapporteringsdata väl lämpat för automatisering med hjälp av Machine Learning. Inom ramarna för ett småskaligt pilotprojekt lyckades vi skapa fungerande modeller med tydliga visualiseringar som kunde användas av företagets ekonomiavdelning i direkt samband med bokslut. Att modellerna dessutom lyckades identifiera flera faktiska felrapporteringar inom ramarna för pilotprojektet får ses som en bonus! 

Möjligheterna för att vidareutveckla projektet är många. I ett första stadie handlar det om att integrera modellerna på företagets IT-infrastruktur och i den månatliga bokslutsprocessen. På längre sikt går det att dokumentera vilka enheter som ofta rapporterar in felaktiga siffror och arbeta med utbildningsinsatser och andra åtgärder för att proaktivt angripa problemet. 


Tveka inte på att höra av dig om det är något du undrar! Skicka gärna ett mail till david.genelov@advectas.se så diskuterar vi frågan vidare. 

 

David Genelöv, Advectas

David Genelöv
david.genelov@advectas.se
Jag som skrivit detta heter David och jobbar som Data Scientist och managementkonsult på Advectas. Efter att jag läste Industriell Ekonomi på Chalmers arbetade jag med att utvärdera affärspotentialen i olika forskningsprojekt på forskningscentret PARC i Kalifornien och dess moderbolag Xerox. På Advectas har jag arbetat med maskininlärningsprojekt inom bland annat finans, sjukvård och logistik

Alla inlägg av David Genelöv