Dla firm, które chcą widzieć, co się zbliża - zanim to nadejdzie
Lynukay pracuje z organizacjami, które mają dane, ale nie mają jeszcze narzędzi, żeby wyciągnąć z nich coś użytecznego. Nie chodzi o dashboardy. Chodzi o to, żeby decyzja finansowa opierała się na czymś więcej niż intuicja i arkusz kalkulacyjny.
Od 2014 roku budujemy modele predyktywne dostosowane do warunków polskiego rynku - z uwzględnieniem lokalnej struktury kosztów, sezonowości i specyfiki branżowej.
Metoda, która reaguje na zmiany - nie zakłada ich brak
Większość gotowych narzędzi analitycznych działa dobrze w stabilnych warunkach. Problem pojawia się wtedy, gdy stopy procentowe skaczą o 200 punktów bazowych w ciągu kwartału, albo gdy zmienia się struktura VAT w konkretnej branży. Modele zbudowane na historycznych danych z innych rynków po prostu przestają działać.
Nasze podejście zakłada, że model musi być kalibrowany na bieżąco. Nie raz, przy wdrożeniu - ale regularnie, w odpowiedzi na to, co dzieje się w danych. Każda firma, z którą pracujemy, ma inny rytm zmian. Dostosowujemy do tego częstotliwość aktualizacji i progi alertów.
Co musi być na miejscu, żeby to miało sens
Predyktywna analityka finansowa nie działa w próżni. Żeby modele dawały wyniki, które można faktycznie wykorzystać, kilka rzeczy musi być gotowych po stronie organizacji. Mówimy o tym wprost, bo lepiej wiedzieć to na początku niż po pierwszym miesiącu współpracy.
Modele uczą się na wzorcach. Przy krótszym oknie czasowym prognoza jest mało wiarygodna - szczególnie jeśli firma ma wyraźną sezonowość lub przeszła reorganizację.
Nie musi być analitykiem danych. Musi rozumieć, skąd biorą się dane finansowe w firmie i mieć dostęp do systemów źródłowych. Bez tego każda iteracja trwa dwa razy dłużej.
Model prognozowania pokazuje to, co jest w danych - nie to, co chcielibyśmy zobaczyć. Kilka razy zdarzyło się, że wyniki wskazywały na strukturalny problem, który wcześniej był niewidoczny. To jest wartość tej pracy, ale wymaga otwartości.
Alternatywa istnieje - ale ma konkretne ograniczenia
Duże platformy SaaS oferują moduły predyktywne jako część pakietu. Wyglądają dobrze w prezentacji. W praktyce są skalibrowane pod rynek zachodnioeuropejski lub amerykański i nie uwzględniają specyfiki polskiego otoczenia regulacyjnego ani struktury kosztów pracy.
Nie twierdzimy, że gotowe narzędzia są bezużyteczne. Twierdzimy, że dla firm operujących głównie na rynku polskim - z lokalnymi dostawcami, lokalnymi cyklami płatności i lokalną sezonowością - model zbudowany na tych danych działa inaczej niż model importowany z innego kontekstu.
Model kalibrowany na danych klienta, z uwzględnieniem polskiej struktury rynku. Aktualizacje w cyklu uzgodnionym z organizacją. Wyniki w języku polskim, z odniesieniem do realiów branżowych.
Model trenowany na zagregowanych danych z wielu rynków. Interfejs w języku angielskim lub z automatycznym tłumaczeniem. Parametry branżowe ustawione globalnie, bez możliwości głębokiej kalibracji pod lokalny kontekst.
Praca grupowa z uczestnikami - specjaliści z tej samej branży, podobnej skali firmy, podobnego otoczenia rynkowego. Wzajemna wymiana doświadczeń jest częścią procesu, nie efektem ubocznym.
Firma produkcyjna z Górnego Śląska - jak wyglądało to w praktyce
Producent komponentów metalowych, ok. 140 pracowników. Firma miała ERP, dane z 4 lat działalności i powtarzający się problem: planowanie zakupów surowców rozjeżdżało się z rzeczywistym zapotrzebowaniem o 15–22% kwartalnie. Efekt: albo zamrożony kapitał w magazynie, albo przestoje produkcyjne.
Przez pierwsze 3 tygodnie pracowaliśmy wyłącznie na danych - identyfikacja źródeł, czyszczenie, zrozumienie struktury cykli produkcyjnych. Dopiero potem zaczęliśmy budować model. Nie odwrotnie.
Po wdrożeniu modelu predyktywnego odchylenie planowania zeszło do poziomu poniżej 7% w ciągu dwóch kwartałów. To nie był wynik algorytmu - to był wynik połączenia danych z wiedzą operacyjną, którą wniósł kierownik produkcji uczestniczący w sesjach grupowych.
| Okres | Odchylenie % |
|---|---|
| Q1 przed | 22% |
| Q2 przed | 18% |
| Q1 po | 9% |
| Q2 po | 6% |
Co sprawiło, że to zadziałało
Kierownik produkcji i CFO uczestniczyli w tych samych sesjach roboczych. Wymiana wiedzy operacyjnej i finansowej w jednym miejscu skróciła czas iteracji modelu o ponad połowę. Żaden algorytm nie zastąpi tej rozmowy.