Analyse-landkortet: hvad skal analyseres for at skabe vækst

Analyse-landkortet: hvad skal analyseres for at skabe vækst

Resumé og konklusion

• Hvad skal analyseres? Fire domæner, ikke ét. Finans, salg, indkøb og lager er fire motorer i væksten. De fleste SMV’er analyserer kun den ene, man kan mærke — analyse-landkortet her viser de tre andre.
• En krone sparet i indkøb er ti kroner i omsætning værd. Ved 10 % overskudsgrad giver 2 % bedre indkøbspris på 36 mio. kr. varekøb 720.000 kr. på bundlinjen — samme effekt kræver 7,2 mio. kr. mere omsætning.
• Otte analyseobjekter svarer på, hvad der skal analyseres konkret. Kunde, vare, leverandør, ordre, periode, dimension, sælger og lokation går igen i alle fire domæner — derfor er metoderne få og genbrugelige.
• En analyse uden ejer bliver ikke lavet to gange. Hvad der skal analyseres, er ét spørgsmål; hvem der gør det, er et andet. Ejerskab er tre ting: rollen får rapporten, forklarer afvigelsen og har mandat til at handle.
• Start hvor pengene er, ikke hvor tallet er størst. Rangér efter beløb, handlehastighed og datatilgængelighed — og sæt loftet ved tre analyser pr. domæne, maks 12 i alt.

Vækst har fire motorer, ikke én

Hvad skal analyseres for at skabe vækst? De fleste SMV’er svarer »salget«. Det er der, væksten føles: nye kunder, større ordrer, en travl fredag. Men vækst skabes og ødelægges lige så meget i indkøb, på lageret og i finansfunktionen — og de tre steder analyserer man sjældent noget som helst. De fire trin fra rapportering til analyse beskrev, hvorfor de fleste bliver stående på det første trin. Her handler det om, hvad man så skal kigge på, når man tager det næste.

Regnestykket er brutalt. Tag en virksomhed med 60 mio. kr. i omsætning og 10 % overskudsgrad. Den tjener 6 mio. kr. før skat. Varekøbet er 36 mio. kr. Forhandler du 2 % bedre priser hjem, er det 720.000 kr., der lander direkte på bundlinjen. For at skabe de samme 720.000 kr. gennem salg skal du sælge for 7,2 mio. kr. mere — en vækst på 12 %, med de ekstra lønkroner, den lagerbinding og den kreditrisiko, det medfører.

En krone sparet i indkøb er altså ti kroner i omsætning værd ved 10 % overskudsgrad. Ved 5 % overskudsgrad er den tyve kroner værd. Det er hele grunden til, at spørgsmålet om, hvad der skal analyseres, ikke kan besvares med »salget« alene. Denne artikel er analyse-landkortet: fire domæner, otte analyseobjekter, syv roller og én prioriteringsregel.

Analyse-landkortet: de fire domæner og deres kernespørgsmål

Hvad skal analyseres i hvert domæne? Start med kernespørgsmålet. Kan du ikke svare på det med tal, ved du ikke, om motoren kører.

Finans — tjener vi penge, og kan vi betale for væksten? Overskudsgrad, dækningsbidrag pr. kunde og vare, arbejdskapital, likviditet. Finans er det eneste domæne, der ser hele virksomheden, og det eneste, der kan sige nej til vækst. Det uddybes i artiklen om finansiel analyse fra resultat til drivere.

Salg — hvor kommer væksten fra, og holder den? Pris, mængde og mix. Kunde- og segmentanalyse, hitrate på tilbud, kundeafgang. Forskellen på 8 % vækst fra prisstigninger og 8 % vækst fra nye kunder er hele forskellen på, om væksten holder næste år. Det uddybes i artiklen om salgsanalyse og hvor væksten kommer fra.

Indkøb — betaler vi den rigtige pris, og kan vi stole på leverandøren? Spend pr. leverandør og varegruppe, prisindeks over tid, leveringssikkerhed, leverandørkoncentration. Det uddybes i artiklen om indkøbsanalyse, spend og leverandørperformance.

Lager — hvad koster det os at have varerne stående? Omsætningshastighed, ABC/XYZ-klassifikation, dødt lager, servicegrad. Lager er stedet, hvor kapital og service trækker i hver sin retning, og hvor kapitalen står på hylderne. Det uddybes i artiklen om lageranalyse.

De fire spørgsmål er ikke uafhængige. En indkøbsaftale med lavere pris mod større ordrestørrelse flytter penge fra finans til lager. Derfor skal landkortet læses samlet — grafikken herunder samler de fire domæner på én side, så svaret på, hvad der skal analyseres, kan ses i ét blik.

De otte analyseobjekter: hvad skal analyseres på tværs af domænerne

Domænerne siger, hvor man leder. Analyseobjekterne siger, hvad man tæller på. Der er otte af dem, og de går igen i alle fire domæner:

• Kunden — omsætning, dækningsbidrag, betalingsadfærd, afgangsrisiko
• Varen — pris, kostpris, marginal, omsætningshastighed
• Leverandøren — spend, prisudvikling, leveringspræcision, afhængighed
• Ordren — ordrestørrelse, ordredækning, ændringer efter oprettelse
• Perioden — måned, kvartal, rullende 12 måneder, samme periode sidste år
• Dimensionen — afdeling, projekt, område, salgskanal
• Sælgeren — hitrate, rabatniveau, kundeportefølje
• Lokationen — lager, butik, land

Pointen er ikke listen. Pointen er, at den samme metode virker på alle otte. En 80/20-analyse fungerer lige godt på kunder, varer og leverandører, og et nøgletal som dækningsgrad regnes ens uanset objekt. Derfor er metoderne få og genbrugelige — de otte metoder i analysemetodernes værktøjskasse dækker stort set alt, en SMV har brug for. Otte objekter gange fire domæner giver 32 mulige krydsninger, hvoraf 23 giver mening i en typisk SMV. Ejerskabsmatrixen længere nede i artiklen viser hvilke.

Prioritering: hvad skal analyseres først

Når spørgsmålet er, hvad der skal analyseres først, så rangér efter tre kriterier: hvor stort er beløbet, hvor hurtigt kan I gøre noget ved det, og findes data allerede.

Tag virksomheden med 60 mio. kr. i omsætning, 36 mio. kr. i varekøb, 9 mio. kr. i lagerbinding og 45 dages DSO. Potentialet fordeler sig sådan:

1. Debitoranalyse i finans — 5 dages kortere DSO frigiver 820.000 kr. Kan gøres på 30 dage med data, der allerede ligger i debitorposterne (customer ledger entries). Start her, og se de konkrete greb i artiklen om debitorstyring og DSO.
2. Spend- og prisanalyse i indkøb — 2 % bedre indkøbspris giver 720.000 kr. på bundlinjen. Tager 3-6 måneder, fordi aftaler skal genforhandles, og kræver de rigtige indkøbsdata til forhandlingen.
3. Lageranalyse — 15 % lavere lagerbinding frigiver 1.350.000 kr. Det største beløb, men det tager 6-12 måneder, fordi det kræver ændrede indkøbsmønstre.
4. Pris- og mixanalyse i salg — 1 % bedre gennemsnitspris giver 600.000 kr.

Grafikken herunder sætter de fire potentialer op mod hinanden i samme skala, så det bliver tydeligt, hvor kronerne faktisk ligger.

Bemærk, at det største beløb ikke står først. Det er hele pointen med prioriteringsreglen, og den samme logik ligger bag arbejdet med pengebindingscyklussen.

Og lad være med at analysere alt. En SMV kan ikke drive 40 analyser. Sæt loftet ved tre analyser pr. domæne, maks 12 i alt, hver med fast frekvens og navngiven ejer. Loftet gør spørgsmålet om, hvad der skal analyseres, til et valg i stedet for en ønskeseddel. Frekvenserne behandles i artiklen om analysens årshjul.

Rollerne: hvem ejer hvilken analyse

Hvad der skal analyseres, er kun det halve spørgsmål. Den anden halvdel er, hvem der analyserer. Seven-to-Five-serien beskrev 15 roller og deres rapporteringsbehov; her handler det om noget enklere: hvem stiller spørgsmålet, og hvem svarer på det.

• Ejerlederen stiller spørgsmålet på tværs af domæner: hvor tjener vi penge, og hvor gør vi ikke?
• CFO eller økonomichefen ejer finansanalysen og siger god for de tal, andre bruger
• Bogholderen ejer debitor- og kreditoranalysen — DSO, forfaldne poster, betalingsadfærd
• Salgschefen ejer kunde-, segment- og prisanalysen
• Sælgeren ejer sin egen portefølje: hitrate, rabatter, kundeudvikling
• Indkøbschefen ejer spend, prisindeks og leverandørperformance
• Driftschefen eller den lageransvarlige ejer omsætningshastighed, dødt lager og servicegrad

Ejerskab betyder tre ting: rollen får rapporten, rollen forklarer afvigelsen, og rollen har mandat til at handle. Mangler bare én af de tre, sker der ingenting. Erfaringen fra SMV-projekter er enkel: en analyse uden navngiven ejer bliver lavet én gang, vist på et møde og aldrig gentaget. Det er ikke et dataproblem. Det er et organisationsproblem, og det løses med et navn i en kalender. Ejerskabsmatrixen herunder sætter navn på hvert felt i landkortet.

Hvor data allerede findes

Hvad skal analyseres, og hvor ligger tallene? Du skal ikke bygge et datavarehus for at komme i gang. Alle fire domæner har både indbygget analyse i Business Central og en færdig Power BI-app.

I Business Central kan du bruge analysetilstand (analysis mode) direkte på lister og få pivot-lignende analyser uden udvikling. Microsoft har desuden samlede indgange pr. domæne: finansanalyse, salgsanalyse, indkøbsanalyse og lageranalyse.

Oven på det ligger Power BI-apps pr. funktionsområde: Finance med 15 rapporter, Sales med 21, Purchasing med 17, Inventory med ca. 13 og Inventory Valuation med 3. Det er ca. 69 færdige rapporter, der dækker de fire domæner, og de installeres på timer, ikke måneder. Der kræves Power BI Pro-licens, og apperne virker kun mod Business Central online.

Med andre ord: svaret på, hvad der skal analyseres, findes allerede i systemet. Det, der mangler, er valget af de 12 analyser og navnene på ejerne.

Sådan understøtter oneBC365 det

De færdige Power BI-apps er et godt udgangspunkt, men de er bygget som separate apps med hver sin datamodel. I praksis betyder det, at kunden ser forskellig ud i salgsapp’en og i finansapp’en, og at dimensioner (dimensions) ikke går igen på tværs.

oneBC365 er én samlet rapportpakke oven på Business Central-data, hvor de fire domæner deler datamodel, dimensioner og kundedefinition. De otte analyseobjekter er de samme felter i alle rapporter. Det betyder, at spørgsmålet »hvorfor faldt dækningsbidraget?« kan følges fra finansrapporten (financial report) til salgsordren og videre til indkøbsprisen på varen uden at skifte værktøj. Rapporterne er desuden mærket med rolle, så analyse-landkortets svar på, hvad der skal analyseres, og af hvem, står i selve rapporten. Vil du se, hvordan det hænger sammen på tværs, er der et samlet overblik over alle artiklerne.

Sådan kommer du i gang

1. Tegn jeres eget analyse-landkort på én side. Fire domæner, kernespørgsmålet i hvert, og navnet på den, der ejer det. Tag diskussionen på 45 minutter i ledergruppen — uenigheden om ejerskab er selve udbyttet.
2. Regn potentialet ud i kroner. Brug jeres egne tal: omsætning, varekøb, lagerbinding, DSO. Fire tal og fem minutter giver jer rækkefølgen, I skal arbejde i.
3. Vælg maks 12 analyser — tre pr. domæne — og skriv frekvens og ejer på hver enkelt. Alt andet parkeres i en bunke, I ser på om et år.
4. Installer eller åbn det, der allerede findes. Slå analysetilstand til på de lister, I bruger mest, og installer de Power BI-apps, der dækker jeres to højest prioriterede domæner. Byg først noget selv, når I har brugt det færdige i tre måneder. Så er svaret på, hvad der skal analyseres, ikke længere en diskussion, men en rutine.

Hele serien: fra rapportering til analyse

Serien er tolv artikler i fire blokke — fundament, domæner, praksis og AI. Hver artikel kan læses alene; læst i rækkefølge er de en plan for et år.

1. Fra rapportering til analyse: de fire trin
2. Analyse-landkortet — du læser den nu
3. Analysemetodernes værktøjskasse
4. Finansiel analyse
5. Salgsanalyse
6. Indkøbsanalyse
7. Lageranalyse
8. Datagrundlaget
9. Analysens årshjul
10. Analyse uden BI-projekt
11. AI i analysen (1): Copilot i Business Central
12. AI i analysen (2): Copilot i Power BI og Fabric

Vil du se, hvordan analyserne ser ud på jeres egne tal? Book en demo af oneBC365.