Til daglig kommer jeg rundt i mange virksomheder og diskuterer digital transformation, automatisering og data i navnlig økonomifunktionen. Her finder man et klart fokus på at erstatte manuelle og ”håndholdte” processer med intelligente, datadrevne og softwareunderstøttede processer. Opgaverne kan være at kreditvurdere kunder, drive betalingsprocesser, styre fysiske og finansielle aktiver, analysere data, budgettere, aflevere regnskab og rapportere til ledelsen. Og lige 1000 andre.
I praksis går det langsommere end de fleste kunne tænke sig. Årsagen er, at data ikke er på plads. Måske har virksomheden et spraglet systemlandskab, hvor data fra forskellige funktionsområder, processer eller geografier har forskellige former og farver og derfor ikke kan tale sammen. Måske har virksomheden ikke taget den dybe armbøjning og for alvor defineret salgstransaktionen, kunden eller produktet helt ned på dataniveau. I hvert fald består fundamentet af data med en tvivlsom dataintegritet, og derfor er det meget svært at bygge videre på.
Fugt i datafundamentet
Rejsen mod de intelligente, automatiske processer starter hernede i kælderen, hvor der lugter lidt af skimmelsvamp. Der er bare meget mere status og karriereglimmer for CFO’en ved at sætte kunstig intelligens ind i powerpointen om road map for de næste to-tre år end at foreslå et tilbundsgående (og omkostningstungt) opgør med fugten i datafundamentet.
Hvorfor er det så svært at komme dette problem til livs?
En af årsagerne er, at vi ikke tænker tværgående nok om data. Vi sætter spotlight på ét problem af gangen, og når vi løser problemet, skaber en vi en ny ø af data og software. Når vi så tænder lyset i loftet, ser vi at de mange problemløsninger har skabt mange former og farver af data i et broget kludetæppe, som ikke blev udtænkt som et samlet væg-til-væg-tæppe af et datagrundlag.
En svær business case
Den gennemgribende datarenovering af strukturer, modeller og systemer fra kælder til kvist er desuden en dyr omgang. Vi kan sagtens lave en god business case på at sætte software til at hjælpe os med at kreditvurdere kunder. Vi sparer X årsværk og opnår en Y procent bedre kreditvurdering. Men den gennemgribende renovering giver os i fremtiden langt bedre manøvremuligheder, fordi vi får alle data på én platform. Vi kan bare ikke sætte to streger under facit i en skarp business case.