Wat Microsoft Fabric betekent voor kleinere Finance-teams

Voor veel Finance-teams begint rapporteren relatief eenvoudig. Data komt uit het ERP-systeem, een aantal analyses wordt in Excel gemaakt en Power BI brengt de belangrijkste KPI's samen in dashboards.

Dat kan jarenlang prima werken.

Maar naarmate een organisatie groeit, verandert de informatiebehoefte. Er komen meer entiteiten, systemen en databronnen bij. Management wil sneller kunnen sturen. Rapportages worden uitgebreider en steeds meer processen zijn afhankelijk van dezelfde data.

Wat ooit een overzichtelijke rapportageomgeving was, kan dan langzaam veranderen in een verzameling exports, Excel-bestanden, Power BI-modellen en losse koppelingen.

Precies daar kan Microsoft Fabric interessant worden.

Het probleem is meestal niet Power BI

Power BI is uitstekend in het visualiseren en analyseren van data. Maar voordat een dashboard betrouwbare informatie kan laten zien, moet die data ergens vandaan komen.

Neem een organisatie met meerdere entiteiten in Business Central.

Finance wil omzet, marge en EBITDA per entiteit kunnen analyseren. Sales wil order intake en orderboek volgen. Operations wil leverbetrouwbaarheid meten. En het management wil uiteindelijk één geconsolideerd beeld van de onderneming.

Al deze rapportages gebruiken deels dezelfde onderliggende data.

Wanneer iedere rapportage zijn eigen logica, koppelingen en berekeningen bevat, ontstaat al snel een belangrijk probleem:

"Welke versie van het cijfer is eigenlijk de juiste?"

Het ene dashboard berekent omzet net anders dan het andere. Finance heeft een Excel-correctie toegevoegd die niet in Power BI zit. Een nieuwe entiteit moet op meerdere plekken handmatig worden toegevoegd.

Niet het dashboard, maar de data-infrastructuur erachter wordt dan de beperkende factor.

Van losse rapportages naar één dataplatform

Microsoft Fabric brengt verschillende onderdelen van die data-infrastructuur samen binnen één platform.

In plaats van dat iedere rapportage rechtstreeks data uit verschillende systemen haalt, kun je een centrale datalaag opbouwen.

Een veelgebruikte manier om die data te structureren is de Medallion Architecture, vaak aangeduid als Bronze, Silver en Gold.

• Bronze — de brondata: data wordt zo veel mogelijk opgeslagen zoals die uit de oorspronkelijke systemen komt, bijvoorbeeld transacties uit Business Central, CRM-data of informatie uit andere operationele systemen.
• Silver — betrouwbare en verbonden data: de data wordt opgeschoond, gestandaardiseerd en met elkaar verbonden. Bedrijfsnamen worden gelijkgetrokken, grootboekrekeningen gekoppeld aan een rapportagestructuur en datums krijgen dezelfde definities.
• Gold — informatie waarmee de organisatie stuurt: de data wordt vertaald naar informatie die daadwerkelijk betekenis heeft voor Finance en management, denk aan omzet, EBITDA, brutomarge, werkkapitaal, cashflow, order intake of OTIF.

Het verschil lijkt technisch, maar heeft juist een belangrijke bedrijfskundige consequentie:

"De definitie van een KPI zit niet langer verspreid over verschillende rapportages."

Wat merkt een Finance-team daarvan?

Voor Finance zit de waarde niet in het hebben van een Lakehouse of een mooie data-architectuur.

De waarde ontstaat wanneer het dagelijkse werk verandert.

Een maandrapportage waarvoor iedere maand gegevens uit verschillende administraties worden geëxporteerd en samengevoegd, kan grotendeels automatisch worden opgebouwd.

Een nieuwe entiteit hoeft niet opnieuw in tien verschillende rapportages verwerkt te worden.

En wanneer de CFO vanuit EBITDA wil doorklikken naar een specifieke business unit, grootboekrekening of transactie, komt die informatie uit dezelfde onderliggende structuur.

Dat betekent onder andere minder handmatige verwerking, minder afhankelijkheid van individuele Excel-bestanden en meer vertrouwen in de cijfers.

Maar misschien nog belangrijker: Finance kan meer tijd besteden aan analyseren en sturen in plaats van verzamelen en controleren.

Fabric is niet alleen voor grote organisaties

Bij een dataplatform wordt al snel gedacht aan grote ondernemingen met complete BI- en data-afdelingen.

Dat hoeft niet meer zo te zijn.

Juist voor een kleiner Finance-team kan een centrale infrastructuur interessant zijn, omdat er vaak géén team van vijf data-analisten beschikbaar is om iedere maand rapportages te onderhouden.

De vraag is daarom niet zozeer hoe groot het Finance-team is.

Een betere vraag is:

"Hoe complex is de informatievoorziening geworden?"

Een organisatie met één administratie, één ERP-systeem en een paar managementrapportages heeft waarschijnlijk geen uitgebreide Fabric-omgeving nodig.

Maar een organisatie met meerdere entiteiten, verschillende systemen, veel terugkerende rapportages en een groeiende behoefte aan stuurinformatie kan daar heel anders naar kijken.

En dan komt AI

Er is nog een reden waarom de kwaliteit van de data-infrastructuur steeds relevanter wordt.

AI kan veel met data, maar lost slechte data niet vanzelf op.

Wanneer klantnamen op drie verschillende manieren worden geschreven, KPI-definities niet eenduidig zijn en informatie verspreid staat over Excel-bestanden, ERP-systemen en persoonlijke mappen, blijft dat ook voor AI een probleem.

Wil je AI uiteindelijk vragen stellen als:

"Waarom is onze brutomarge deze maand gedaald?"

of:

"Welke klanten veroorzaken de grootste stijging van ons werkkapitaal?"

Dan moet duidelijk zijn wat brutomarge, klanten en werkkapitaal binnen de organisatie betekenen. Ook moet de onderliggende data betrouwbaar beschikbaar zijn.

Daarom is een goed dataplatform niet alleen een fundament voor betere rapportages.

Het is ook een belangrijke stap richting een organisatie waarin automatisering en AI daadwerkelijk onderdeel kunnen worden van Finance.

Begin niet bij Fabric

Dat klinkt misschien vreemd in een artikel over Microsoft Fabric, maar een implementatie zou wat ons betreft niet beginnen met de technologie.

Begin met de organisatie.

Welke beslissingen wil het management beter kunnen nemen? Welke KPI's zijn daarvoor nodig? Welke processen kosten Finance nu onnodig veel tijd? Welke informatie ontbreekt? En uit welke systemen moet die informatie komen?

Pas daarna volgt de technische vraag.

Soms is Excel voldoende. Soms is Power BI voldoende. En soms is een centrale data-infrastructuur met Microsoft Fabric de logische volgende stap.

Technologie is uiteindelijk niet het doel. Beter kunnen sturen is dat wel.