Ekonomisk kontroll över en grupp med flera enheter kräver fyra saker: konsoliderad rapportering, ledningsinsikter, djup analys och en datafundation redo för AI-agenterna som går in i finansfunktioner. Var och en misslyckas på ett annat sätt och av en annan anledning. Var och en beror på samma förutsättning: en enda, normaliserad vy av finansiella data för varje enhet i gruppen. De flesta grupper har inte det. Tills de gör det förblir alla fyra dimensionerna hårdare än de borde vara. Den här artikeln kartlägger vad var och en kräver, var de flesta grupper fastnar, och vad som ändras när det underliggande dataproblemet löses.
Ekonomisk kontroll har fyra dimensioner
När jag pratar med ekonomichefer och verkställande direktörer som driver grupper med flera enheter börjar konversationen vanligtvis med ett problem men avslöjar snabbt tre andra. Konsolideringen är långsam. Rapporteringen är sen. Ingen kan förklara siffrorna tillräckligt bra för att agera på dem. Och när AI-verktyg kommer in i bilden är utgångarna imponerande tills någon frågar var de kom ifrån.
Det här är inte variationer av samma problem. De är fyra distinkta dimensioner av finansiell kontroll, var och en med sitt eget misslyckande, var och en kräver samma grund för att fungera korrekt.
Dimension 1: Konsoliderad rapportering
Varje enhet stänger sina böcker. Gruppen behöver en åsikt. Mellan dessa två fakta sitter flera ERP-system med olika kontoplaner och koncerninterna transaktioner som visas som intäkter i en enhet och en kostnad i en annan.
I de flesta grupper spenderar en controller eller senior ekonomiperson dagar - ibland större delen av två veckor - på detta datarbete varje månad. Det konsoliderade numret anländer så småningom, men fönstret för att göra något med det har vanligtvis stängts.
Konsoliderad rapportering är den mest synliga dimensionen, och den enda som de flesta konsolideringsverktyg verkligen försöker lösa.
Dimension 2: Ledningsinsikter
Konsoliderade siffror berättar resultatet. De berättar sällan varför.
De flesta grupper kan rapportera att EBITDA sjönk tre poäng under tredje kvartalet. Färre kan säga vilken enhet som drev det, om det återspeglar en strukturell förändring eller en engångsförändring, eller vilken kostnadslinje som är ansvarig. Att komma från gruppnumret till den nivån av förståelse innebär vanligtvis att öppna flera kalkylblad och spendera tid som ingen har.
När de flesta ekonomiteam har samlat in uppgifterna för att svara ”Varför hände detta?” , konversationen har redan gått vidare.
Ledningsinsikt på koncernnivå innebär att man kan borra från en KPI direkt till företaget, kostnadscentret och transaktionen som producerade det. Grupper som har detta kan agera på vad de ser. Grupper som inte spenderar månaden på att samla svaret snarare än att svara på det.
Rena faktiska värden skapar också grunden för att jämföra prestanda mot plan och prognos, även om det lagret bara blir meningsfullt när de underliggande uppgifterna är tillförlitliga nog att jämföra.
Dimension 3: Djup analys
De flesta grupper har ett BI-verktyg som de gillar. Power BI, Excel eller något annat. Verktyget är sällan problemet. I en installation med flera enheter är data som går in i det verktyget nästan aldrig fullständiga. Varje ERP har en partiell bild av gruppen. Siffrorna normaliseras inte mellan enheter. Det som ser ut som ett jämförbart mått i portföljen är ofta olika mått klädda i samma etikett.
En intäktssiffra från enhet A och en intäktssiffra från enhet B ser ut som samma mått. De mäter ofta helt olika saker.
Djup analys kräver data som är fullständiga, normaliserade och jämförbara för alla enheter i gruppen. När den grunden finns kan en CFO använda vilket analysverktyg teamet redan känner till och få svar som håller. Utan det går även sofistikerad analys på en ofullständig bild.
Dimension 4: En agentisk finanspersonal
Finansfunktioner kommer under de närmaste åren att få tillgång till en rad AI-agenter som kan förklara avvikelser, utarbeta kommentarer till styrelsen, flagga avvikelser innan de dyker upp i siffrorna, och svara på ad hoc-frågor om gruppprestanda. Flera finns redan i tidig form och utvecklingstakten är snabb.
Skillnaden mellan en agent som verkligen är användbar och en som blir en skuld är enkel: Kan den visa var svaret kom ifrån? En agent som arbetar över rådata från fyra olika ERP-system, var och en med sin egen kontostruktur och affärslogik, kommer att producera säkra svar. Det kommer inte att kunna spåra dem. Framför en styrelse eller en revisor är ett nummer utan spårbar källa ett nummer du inte kan använda.
Grupper som bygger en ren, normaliserad, granskbar datafundation idag löser inte bara ett rapporteringsproblem. De bestämmer vilken typ av finansieringsteam de kommer att kunna driva om tre år.
Vår CTO Imran Tamboli har skrivit om detta från den tekniska sidan: vad som krävs för att en AI-agent ska kunna resonera på ett tillförlitligt sätt över finansiell data med flera enheter. Den korta versionen är att agenten inte är flaskhalsen. Datalagret under det är.
Den blockerare som de flesta grupper delar
Alla fyra dimensionerna misslyckas av samma underliggande anledning: datafundationen byggdes aldrig. Inte för att ambitionen saknades, utan för att de tillgängliga lösningarna krävde IT-projekt som de flesta grupper inte kunde ta till sig. Månader av implementering, löpande underhåll, ett nytt projekt varje gång strukturen ändras. Många initiativ startade och stannade innan de levererade det som behövdes.
De grupper som går från reaktiv till proaktiv ekonomisk kontroll kommer att göra det genom att lösa datafundationsproblemet en gång och sedan bygga de fyra dimensionerna ovanpå det.
Vi byggde Corvenia eftersom vi fortsatte att stöta på exakt detta gap. Corvenia ansluter till ERP: erna som en grupp redan kör, normaliserar och konsoliderar data i en Virtual Group Ledger, och gör den tillgänglig för rapportering, analys och AI-användning. Grupper är live på dagar, utan ERP-migrering och ingen ersättning av befintliga system.
