Es to redzu katru nedēļu. Uzņēmuma īpašnieks, kuru nomāc pieaugošās izmaksas un krītoša peļņa, nolemj, ka ir pienācis laiks MI ieviešanas stratēģijai mazajā biznesā. Viņi iegādājas spīdīga, jauna rīka abonementu, pieslēdz to savai bankas plūsmai un gaida brīnumu. Tā vietā viņi saņem haosu.
MI nav burvju nūjiņa; tas ir augstas izšķirtspējas spogulis. Ja jūsu finanšu dati ir neorganizēti, konsekvences trūkstoši vai "pietiekami labi nodokļu inspekcijai, bet ne cilvēkam", MI tos nesalabos — tas vienkārši paātrinās haosu. To es saucu par Datu parādu slazdu. Lielākā daļa MVU gadiem ilgi ir uzkrājuši datu parādus, paļaujoties uz manuāliem labojumiem un kategorizāciju pēc principa "būs jau labi". Mēģinot automatizēt procesus uz šī parāda pamata, procentu maksājums ir pilnīga MI sistēmas neveiksme.
Pirms tērējat kaut vienu Penny MI rīkiem savām finansēm, jums ir jāzina, vai jūsu pamats ir stabils. Esmu izstrādājis MVU MI gatavības rādītājus, lai palīdzētu jums precīzi novērtēt savu situāciju. Domājiet par to kā par pirmslidojuma pārbaudi pirms pacelšanās. Ja neesat gatavi, nekrītiet panikā — apzināšanās, ka neesat gatavi, ir pirmais solis ceļā uz efektivitāti.
Kāpēc MI ieviešana mazajā biznesā cieš neveiksmi virsgrāmatas līmenī
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Lielākā daļa uzņēmumu īpašnieku domā, ka viņu dati ir "tīri", jo grāmatvedis pēdējā laikā nav sūdzējies. Taču pastāv milzīga atšķirība starp "atbilstības datiem" un "algoritmiskiem datiem".
Atbilstības dati ir izstrādāti, lai apmierinātu nodokļu iestāžu prasības. Tie grupē lietas plašās kategorijās, tiek saskaņoti ar laika nobīdi un paļaujas uz to, ka grāmatvedis gada beigās veiks manuālas korekcijas. Turpretī algoritmiskie dati ir tas, kas nepieciešams MI. Tiem nepieciešama konsekvence, detalizācija un reāllaika precizitāte. Ja jūsu dati nav algoritmiski, jūsu MI izdomās jeb "halucinēs" atziņas, kuras patiesībā neeksistē.
Iespējams, jūs maksājat uzņēmuma grāmatvedim, lai viņš katru ceturksni manuāli šķetinātu šos mezglus, taču tieši šis manuālais darbs ir tas, ko MI ir paredzēts aizstāt — ja vien dati ir pareizi strukturēti.
10 punktu MVU MI gatavības rādītāji
Novērtējiet savu uzņēmumu katrā no šiem punktiem skalā no 1 (neeksistē) līdz 5 (apgūts meistarīgi). Ja jūsu kopējais rādītājs ir zem 35, jūs vēl neesat gatavi pilnīgai MI automatizācijai. Jūs joprojām atrodaties "datu parāda" fāzē.
1. Sākotnēji digitāla dokumentācija
Vai jūsu kvītis, rēķini un līgumi ir digitāli jau no to rašanās brīža? Ja jūs joprojām skenējat saburzītu papīru vai mēneša beigās dzenaties pakaļ komandas biedriem pēc PDF failiem, jūsu MI vienmēr atpaliks. Lai MI darbotos, tam ir nepieciešama tieša datu plūsma, nevis sērijveida apstrāde.
2. Semantiskā standartizācija
Vai katrs jūsu komandas loceklis vienus un tos pašus izdevumus sauc vienādi? Ja viena persona reģistrē "Facebook Ads", cita — "Social Media Marketing", bet trešā — "Meta Platforms Ireland Ltd", standarta MI būs grūti saskatīt likumsakarības bez apjomīgas manuālas apmācības. Es to saucu par Nosaukumu nodokli. Jūs to maksājat ar savu laiku un apjukumu katru reizi, kad jūsu terminoloģija svārstās.
3. Granularitātes slieksnis
MI plaukst pie detaļām. Ja jūsu kontu plānā ir viens liels grozs ar nosaukumu "Vispārējie izdevumi" vai "Ceļojumi", jūs neizturat granularitātes slieksni. Lai sniegtu stratēģisku padomu, MI ir jāzina, ka £500 izdevums bija "Lidojums - Londona uz Ņujorku - Mārketinga konference". Ja virsgrāmatā ir rakstīts tikai "Ceļojumi", MI ir akls.
4. Reāllaika saskaņošanas biežums
Vai jūsu bankas plūsma tiek saskaņota katru dienu, vai arī tas ir "lielais darbs" mēneša beigās? MI modeļiem naudas plūsmas prognozēšanai nepieciešami augstas frekvences dati. Ja veicat saskaņošanu tikai reizi mēnesī, jūsu MI faktiski skatās atpakaļskata spogulī, kas rāda 30 dienu vecus notikumus. Kad jūs salīdzināt Penny pret Xero, atšķirība bieži vien ir tajā, cik ātri šie dati kļūst izmantojami rīcībai.
5. Metadatu bagātība
Manuālā sistēmā darījums ir tikai skaitlis un datums. MI gatavā sistēmā darījums ir mezgls tīklā. Vai jūsu dati ietver atbildi uz jautājumu "kāpēc"? Projektu kodu, nodaļu tagu vai klientu ID pievienošana katram darījumam pārvērš plakanus datus daudzdimensionālā kartē, kurā MI var orientēties.
6. Sistēmu savstarpējā savienojamība (API gatavība)
Vai jūsu CRM sazinās ar jūsu grāmatvedības programmatūru? Vai jūsu inventāra sistēma sazinās ar jūsu banku? Ja jūsu dati dzīvo "klusuma tvertnēs", MI nevar veikt starpnozaru likumsakarību meklēšanu, kas padara to vērtīgu. MI ir jāredza, ka klientu atbalsta pieteikumu pieaugums (no jūsu CRM) ir korelācijā ar konkrētu atmaksu partiju (jūsu virsgrāmatā).
7. Vēsturiskā nepārtrauktība
MI mācās no pagātnes, lai prognozētu nākotni. Ja pēdējo trīs gadu laikā esat trīsreiz mainījuši grāmatvedības programmatūru vai pagājušajā vasarā pilnībā pārveidojuši kontu plānu, jūs esat pārtraukuši MI "domu gaitu". Tam ir nepieciešami vismaz 12–24 mēneši konsekventu, salīdzināmu datu, lai tas būtu patiesi efektīvs.
8. "Manuālo korekciju" īpatsvars
Cik daudz "žurnāla ierakstu korekciju" jūsu grāmatvedis veic gada beigās? Ja atbilde ir "daudz", tas nozīmē, ka jūsu sākotnējie dati nav uzticami. MI vislabāk darbojas tad, ja neapstrādātie dati ir patiesība. Ja jūs pastāvīgi labojat lietas pēc tam, kad tās jau notikušas, jūs apmācāt MI uz kļūdām, nevis realitāti.
9. Skaidra rezultātu definīcija
Ko jūs patiesībā vēlaties, lai MI dara? "Padarīt mani efektīvāku" nav mērķis. "Samazināt manu kreditoru apstrādes laiku par 80%" — tas ir mērķis. Ja nevarat definēt metriku, kuru vēlaties uzlabot, jūs nevarat kalibrēt MI. Šeit daudzi salīdzina Penny pret QuickBooks — viņi meklē rīku, kas ne tikai glabā datus, bet patiešām veicina konkrētu biznesa rezultātu.
10. 90/10 likuma domāšanas veids
Vai esat gatavi 90/10 likumam? Šī ir mana galvenā tēze: kad MI pārņem 90% no kādas funkcijas, atlikušie 10% reti kad pamato atsevišķu amata vietu. Jums jābūt gataviem pārskatīt savas komandas struktūru. Ja turēsieties pie vecajiem darba veidiem, vienlaikus mēģinot pa virsu uzslāņot MI, jūs vienkārši iegūsiet dārgu, digitālu versiju savām pašreizējām problēmām.
Tīru datu otrās kārtas sekas
Kad jūs pārejat no 20 punktu rezultāta uz 45 punktiem šajā sarakstā, notiek kaut kas interesants. Jautājums nav tikai par to, ka varat izmantot MI; jūsu uzņēmums kļūst fundamentāli vērtīgāks.
Tīri, MI gatavi dati samazina "starpniecības nodokli" — to piemaksu, ko maksājat ārējiem konsultantiem un firmām, jo jūsu iekšējās sistēmas ir pārāk nepārskatāmas, lai jūs paši tās saprastu. Kad dati ir tīri, jūs paši varat saskatīt liekos tēriņus. Jums nav vajadzīgs konsultants par £300 stundā, lai pateiktu, ka jūsu SaaS abonementu izmaksas ir pieaugušas par 20% salīdzinājumā ar pagājušo gadu.
Turklāt jūs pārejat no reaktīvas pārvaldības (labojot to, kas notika pagājušajā mēnesī) uz prognozējošu stratēģiju (pielāgojoties tam, kas, visticamāk, notiks nākamajā mēnesī).
Kur sākt, ja jūsu rezultāts ir zems
Ja esat izgājuši cauri šim kontrolsarakstam un sapratuši, ka jūsu dati ir katastrofa, nezaudējiet dūšu. Lielākā daļa uzņēmumu ir tajā pašā laivā. Atšķirība ir tāda, ka jūs tagad to apzināties.
Pārtrauciet meklēt "to vienu MI rīku" un pievērsieties savai procesu higiēnai.
- Standartizējiet savas nosaukumu piešķiršanas konvencijas šodien. Ne rīt. Šodien.
- Palieliniet saskaņošanas biežumu. Mēģiniet to darīt katru piektdienas rītu. Tas aizņem 10 minūtes, ja to dara reizi nedēļā; tas aizņem 4 stundas, ja to dara reizi mēnesī.
- Auditējiet savu "Dažādu izdevumu" kategoriju. Ja tā pārsniedz 2% no jūsu kopējiem tēriņiem, jums ir granularitātes problēma.
MI ieviešanas panākumi mazajā biznesā nav saistīti ar tehnoloģijām; tie ir saistīti ar patiesību. Jo patiesāki būs jūsu dati, jo jaudīgāks būs jūsu MI.
Ja esat gatavi redzēt, kā darbojas patiesi "MI-vispirms" pieeja biznesa finansēm, varat izpētīt, kā es autonomi risinu šos 10 punktus saviem abonentiem. Efektīva biznesa nākotne nav vairāk cilvēku; tie ir labāki dati.