Stamdata der bærer analysen

Hvorfor afgør stamdata i Business Central, hvad du kan analysere?

Rapporten viser rigtige totaler – men kan ikke fordele dem på produktgrupper, segmenter eller leverandører. Årsagen ligger sjældent i Power BI. Den ligger i de stamdata i Business Central, som posteringerne arver fra: kunde-, vare- og leverandørkortet. Her er felterne, de fire klassiske fejl, målemetoden og oprydningsrækkefølgen, der holder.

Resumé og konklusion

• Ingen rapport bliver bedre end de stamdata, den hviler på – og stamdata er kunde-, vare- og leverandørkortet i Business Central.
• Posteringerne arver deres analysemuligheder fra stamkortet: er grupperingsfelterne tomme, kan du kun se totaler.
• De fire klassiske fejl er dubletter, tomme grupperingsfelter, fritekst hvor der burde være en liste, og stamdata der aldrig blev vedligeholdt efter oprettelsen.
• Mål datakvaliteten som udfyldningsgrad pr. felt – både i antal kort og i omsætningsandel – og sæt en tærskel for, hvornår et felt er analyseklart.
• Ryd op i rækkefølge: dubletter først, så de felter rapporten faktisk grupperer efter, så historikken – og luk til sidst hullet, så problemet ikke vender tilbage.

Ingen rapport bliver bedre end kortene bagved

Du kan bygge den flotteste Power BI-rapport på en fuldstændig afstemt finansbogføring – og stadig stå med et billede, ledelsen ikke kan bruge. Ikke fordi tallene er forkerte, men fordi de kun kan vises som totaler. Omsætningen er rigtig. Dækningsbidraget er rigtigt. Men i det øjeblik nogen spørger ”hvordan fordeler det sig på produktgrupper?” eller ”hvad tjener vi egentlig på detailkunderne kontra industrikunderne?”, falder rapporten fra hinanden.

Forklaringen ligger sjældent i BI-værktøjet. Den ligger på kunde-, vare- og leverandørkortet i Business Central. En salgspostering ved kun det om kunden og varen, som stod på stamkortet, da posteringen blev dannet. Er felterne tomme, er analysen tom. Det er den mest oversete – og billigste – forudsætning for troværdig ledelsesinformation. Det er også derfor, en analyse som vækst pr. kunde står og falder med kundekortet.

De felter, der afgør, hvad du overhovedet kan spørge om

På kundekortet er det kundeprisgruppen og kunderabatgruppen, som bærer prislogikken bag din marginanalyse, branche- eller kundegruppefeltet, land, postnummer og område til geografien, sælgerkoden og betalingsbetingelsen, der giver dig DSO pr. kundetype i stedet for ét gennemsnit.

På varekortet er det varekategorien, varediskontgruppen, enhedskostprisen og kostmetoden. Uden en vedligeholdt kostpris er dækningsbidrag pr. vare et gæt – og uden varekategori kan du ikke lægge varerne sammen på en måde, ledelsen genkender. Det gælder også for en Pareto-analyse, der netop kræver, at varerne kan grupperes.

På leverandørkortet er det leverandørgruppen, betalingsbetingelserne og leveringstiden: fundamentet for indkøbsanalyse, leverandørkoncentration og DPO.

Og på tværs af alle tre: standarddimensionerne. De dimensioner, du lægger på selve stamkortet, følger automatisk med på hver eneste postering, der dannes for kunden, varen eller leverandøren. Det er forskellen mellem en dimensionsopsætning, der virker af sig selv, og en, der afhænger af, om bogholderen huskede at taste afdelingen. Første artikel i serien handler om at designe dimensionerne rigtigt – her handler det om at forankre dem på stamkortet, så de rent faktisk kommer med.

De fire klassiske fejl

Dubletter. Den samme kunde oprettet tre gange – ”Nordisk Byg A/S”, ”Nordisk Byg” og ”nordisk byg a/s” – fordi tre sælgere oprettede hver sin ved en hastesag. Kunden fremstår nu som nummer 14, 31 og 48 på kundelisten i stedet for som nummer 9. Rabatniveau, kreditmaksimum og kundeanalyse går i stykker samtidig.

Tomme grupperingsfelter. Feltet findes, men ingen udfyldte det. Rapporten kan ikke skelne mellem ”ikke relevant” og ”ikke udfyldt” og lægger begge dele i den samme restkategori.

Fritekst hvor der burde være en liste. Branchen skrevet i et bemærkningsfelt i stedet for valgt fra en tabel. ”Byggeri”, ”byggeri”, ”Bygge og anlæg” og ”Entreprenør” bliver til fire grupper i rapporten, selv om de er én.

Stamdata der aldrig blev vedligeholdt. Felterne blev udfyldt korrekt ved implementeringen – og aldrig siden. Kunder skifter segment, varer skifter kategori, leverandører skifter betalingsbetingelser. Uden en udpeget ejer forældes stamdataene stille og roligt.

Regneeksempel: 340 varenumre uden kategori

En handelsvirksomhed har 1.200 aktive varenumre. 340 af dem – 28 % – mangler varekategori, typisk nyoprettede varer fra de seneste to år. De 340 varer omsætter for 6,4 mio. kr. ud af 38 mio. kr. og bidrager med ca. 1,9 mio. kr. i dækningsbidrag.

I rapporten ”dækningsbidrag pr. varekategori” lander de alle sammen i ”Ikke angivet”. Dermed er virksomhedens næststørste ”produktgruppe” reelt en fejl i stamdataene. Ledelsen ser en tabel, hvor 17 % af omsætningen og 21 % af dækningsbidraget ikke kan henføres nogen steder – og hvor rangordenen mellem de rigtige kategorier er forkert, fordi hver kategori mangler sin andel af de 340 varer.

Konsekvensen er ikke akademisk. Beslutter man at satse på kategori B frem for kategori C på baggrund af en forskel på 300.000 kr. i dækningsbidrag, mens 1,9 mio. kr. står uden for tabellen, træffes beslutningen i blinde. Oprydningen tager typisk to-tre dages arbejde med en konfigurationspakke i Excel. Prisen for at lade være betales i forkerte beslutninger, år efter år. Alle tal i eksemplet er illustration.

Mål det: udfyldningsgrad pr. felt

Datakvalitet bliver først håndterbar, når den bliver et tal. Den enkleste og mest brugbare måling er udfyldningsgraden: for hvert kritisk felt – hvor stor en andel af de aktive stamdatakort har en gyldig værdi?

Tre præciseringer gør målingen anvendelig. Mål kun på aktive kort, for spærrede kunder og udgåede varer trækker tallet ned uden at påvirke rapporterne. Vægt målingen efter aktivitet: 41 % udfyldning lyder alarmerende, men står de tomme kort kun for 2 % af omsætningen, er det ikke der, du skal starte – mål derfor både antal og omsætningsandel. Og sæt en tærskel: 95 % udfyldning på de felter, rapporterne faktisk grupperer efter. Under det bliver restkategorien så stor, at ledelsen ikke kan stole på fordelingen.

Kør målingen første gang som en engangsopgørelse i Excel, og gør den derefter permanent. Netop den løbende rapport, der viser hullerne, er emnet for fjerde artikel i serien.

Ryd op i den rigtige rækkefølge

Dubletter først. Udfylder du felter på dubletter, rydder du op i data, du bagefter skal slå sammen. Find dem på CVR-nummer, adresse og navnelighed.

Dernæst de felter, rapporten rent faktisk bruger. Ikke alle felter skal udfyldes – kun dem, ledelsen grupperer efter. Lav listen ud fra rapporterne, ikke ud fra kortets layout.

Så historikken. Nye stamdata retter ikke gamle posteringer. Afklar, om historikken skal opdateres, eller om analysen pr. kategori skal starte fra en skæringsdato.

Og til sidst: luk hullet. Gør felterne obligatoriske ved oprettelse, brug konfigurationsskabeloner på kunde-, vare- og leverandørkortet, og udpeg en ejer pr. stamdatatype. Springer du det sidste punkt over, står du med præcis samme problem om 18 måneder.

Sådan understøtter oneBC365 det

oneBC365 er en færdigbygget Power BI-løsning til Microsoft Dynamics 365 Business Central Cloud, hvor kunde-, vare- og leverandørstamdata allerede er modelleret sammen med posteringerne. Det gør effekten af stamdatakvaliteten synlig med det samme: hvor stor ”Ikke angivet” er, hvilke felter der bærer analysen, og hvordan fordelingen ændrer sig, når hullerne lukkes. Løsningen leveres til fast pris, og du ejer selv koden – så netop de felter, der er kritiske hos jer, kan indgå i grupperingerne uden et nyt udviklingsprojekt.

Sådan kommer du i gang

1. Lav feltlisten ud fra rapporterne. Skriv de 8-12 felter ned på kunde-, vare- og leverandørkortet, som ledelsens spørgsmål faktisk kræver. Alt andet er nice to have.
2. Mål udfyldningsgraden – i antal og i omsætning. Eksportér stamdata til Excel eller kør målingen i Power BI. Du har en baseline på en formiddag.
3. Ryd op i rækkefølgen ovenfor. Dubletter, kritiske felter, historik – og derefter lukning af hullet.
4. Gør vedligeholdelsen til en fast rutine. Udpeg en ejer pr. stamdatatype, og gennemgå udfyldningsgraden hvert kvartal som fast punkt sammen med månedslukket.

Næste artikel

Næste i serien: ”Datakvalitet målt i Power BI” — om de otte kontroller, der fanger langt de fleste fejl i Business Central-data, og hvorfor et tal på skærmen flytter mere end en politik i en mappe.

oneBC365 BEREGNINGER

oneBC365 understøtter overnævnet med følgende beregninger (measures) – de kræver alle, at grupperingsfelterne på stamkortene er udfyldt:

Sales (Revenue per Customer, Avg.) · No. of Customers (sold to) / (sold to LY) · Sales (No. of Active Customers) · Sales (Repeat Customer Rate %) · Item Sales Amount (New Customers) / (Existing Customers) · Item Profit New Customers / Existing Customers · KPI Turnover Total Customer · KPI Turnover Share % · Cross Selling % · Gross Margin

Artikelserie: Datafundamentet – klar til vækst

Datafundamentet er en serie på fem artikler om det, der skal være på plads i Business Central, før ledelsesrapporteringen kan bære væksten: dimensionerne, kontoplanen, stamdataene, målingen af datakvaliteten – og de beslutninger, der skal træffes allerede under implementeringen.

1. Dimensioner i Business Central: den vigtigste rapporteringsbeslutning du træffer
2. En kontoplan der kan rapporteres på
3. Stamdata der bærer analysen (denne artikel)
4. Datakvalitet målt i Power BI
5. Nyt på Business Central? Sådan får du data klar til BI fra dag ét

Følg oneBC365 på LinkedIn for at få besked, når de udkommer.

Om oneBC365

oneBC365 leverer “Ledelsesinformation med fokus på Vækst “— bygget direkte på Microsoft Dynamics 365 Business Central data med præsentation i Power BI. Dashboard → Analyse → Detaljer giver ledelsen svar på hvad?, hvorfor? og hvilke? samme dag.

Læs mere på onebc365.dk.

Læs også: Vækst pr. kunde · Pareto-analysen: find de 20 %, der driver 80 % af din forretning