Hoe bedrijven omgaan met FP&A in 2025: inzichten uit onze workshop met Vena Solutions

Van datakwaliteit tot AI in forecasting: actuele trends in FP&A

Het event bestond uit een interactieve sessie met een live demonstratie van de mogelijkheden van de Vena-tool. Samen met CFO’s, Finance managers en (groeps)controllers van Belgische bedrijven die internationaal actief zijn, gingen we in gesprek over herkenbare uitdagingen rond planning, forecasting en databeheer:

• de opbouw van een futureproof data-architectuur voor FP&A
  
• het inzetten van AI in financiële software, van automatisering tot forecasting
  
• het belang van datakwaliteit en masterdata voor betrouwbare inzichten
  
• de nood aan kennisbeheer en eigenaarschap binnen het Finance team
  
• en de voordelen van een datalake als centrale datahub binnen de organisatie

De discussies waren gebaseerd op een rondvraag over actuele uitdagingen en best practices in Financial Planning & Analysis (FP&A) bij de deelnemende bedrijven. Deze input werd aangevuld met de ervaringen aangaande FP&A projecten vanuit MI&S TriFinance bij recente implementaties.

In dit artikel bundelen we de belangrijkste inzichten uit de workshop, aangevuld met best practices en reflecties uit het veld.

Data-architectuur en toolgebruik: structurele keuzes

Een terugkerend aandachtspunt in de discussie was het correcte gebruik van de verschillende applicaties. Met ‘correct gebruik’ bedoelen we vooral welk proces in welke tool gebeurt.

Een aantal vragen die in het kader van FP&A/EPM vaak terugkomen zijn:

1. Wordt de budgetoefening in het ERP-systeem uitgevoerd, of buiten het ERP?
2. Worden geaggregeerde budgetgegevens in de ERP opgeladen?
3. Welke domeinen (finance, sales, logistiek, HR, …) zetten we op in EPM en met welk detailniveau?
4. Welke granulariteit hanteer je bij budgettering en forecasting?
5. Welke data wordt rechtstreeks in de EPM-tool gecapteerd in het kader van ESG-rapportering?

De antwoorden op deze vragen zijn zelden zwart-wit. Elke organisatie moet de balans vinden tussen centralisatie, flexibiliteit en technische haalbaarheid.

De oplossing bestaat erin om de huidige architectuur te analyseren en die af te zetten tegenover de strategie van het bedrijf voor toekomstige ontwikkelingen. Erg belangrijk is het om transactionele data in de ERP (of een ander transactioneel systeem) te verzamelen en deze geaggregeerd in te zetten in de FP&A omgeving. Voor snelle budgetopvolging kan het interessant zijn om geaggregeerde budgetdata in het ERP systeem terug in te lezen, maar de ERP-omgeving gebruiken voor een gedetailleerde budgetopmaak is niet bepaald best practice.

Wat ESG-data bertreft, is er op heden nog een veelheid aan systemen waarin transactionele ESG-data verzameld kunnen worden.Als die niet aanwezig zijn in de organisatie, kun je daarvoor ook een FP&A tool gebruiken om ze in te geven en te stockeren voor rapportering.

Voor de best practices kan altijd verwezen worden naar het generieke model van de informatiepiramide.

Een generiek informatiemodel: de informatiepiramide

Hoewel er geen eenduidig antwoord bestaat, geloven wij sterk in het werken met een generiek, helder opgebouwd informatiemodel. Tijdens de sessie bespraken we een high-level schema van een informatiepiramide, waarin duidelijk wordt hoe verschillende lagen van data, processen en besluitvorming elkaar ondersteunen. Hierbij stromen transactionele data vanuit de kolom links door naar een ‘central data repository’ (datalake) waarin ze worden klaargezet voor verder gebruik op een geaggregeerd niveau, of voor rapportering. Op de rol van dat ‘central data repository’ gaan we hierna dieper in.

De rol van een datalake als centrale datahub

Binnen een moderne data-architectuur biedt het opzetten en goed beheren van een datalake als central data repository aanzienlijke voordelen. Door de positionering van een datalake als centrale opslagplaats voor gestructureerde en ongestructureerde data, ontstaat namelijk een flexibele en schaalbare omgeving waarin transactionele systemen optimaal tot hun recht komen.

De belangrijkste voordelen op een rij:

• Je ontkoppelt transactionele systemen van de centrale opslaglaag, waardoor elk systeem gebruikt wordt voor de functionaliteiten waarvoor het ontworpen is.
• Transactionele data wordt slechts één keer opgeslagen, wat zorgt voor een zuivere en efficiënte datastructuur.
• Reconciliatieproblemen op dataniveau verdwijnen, omdat er één bron van waarheid is.
• Als nieuwe applicaties toegevoegde waarde bieden, zijn ze eenvoudig te koppelen,
• Beheer van toegangsrechten en beveiliging van gevoelige data wordt in één omgeving georganiseerd
• Je optimaliseert rapportering op het vlak van performantie en data-model

Een datalake vormt zo een robuuste basis voor rapportering, analyse en planning, en ondersteunt de verdere professionalisering van de FP&A-functie. Uiteraard zijn er ook nadelen aan deze setup (vooral de governance van het datalake), maar deze wegen niet op tegen de voordelen.

Kennis van financiële applicaties

In diverse CFO-surveys is tegenwoordig ‘kennisbeheer’ van het Finance team één van de topprioriteiten. Meerdere deelnemers stelden de vraag of een nieuwe financiële applicatie gemakkelijk te beheren is door het financiële departement zelf.

De Financefunctie wordt steeds complexer - voornamelijk door bijkomende regelgeving - en vereist voortdurende bijscholing. De rol wordt ook steeds breder gedefinieerd omdat er meer nood is aan snelle oplevering van rapporten voor de business waarbij controllers een cruciale rol spelen. En dan zwijgen we nog over ESG-rapportering door het Financeteam.

Daarnaast gebruikt Finance steeds meer applicaties die strategisch belangrijk zijn. Het is cruciaal dat Finance zelf het beheer daarvan opneemt, en dit niet aan IT overlaat. Finance kan het zich niet veroorloven dat cruciale applicaties uitvallen voor langere tijd of dat processen niet werken omdat de applicaties verkeerd zijn opgezet.

Dat vereist dat de medewerkers van het team zich voortdurend bijscholen. Ze moeten op de hoogte blijven van functionele evoluties, hun soft skills versterken om deze complexe materie helder uit te leggen aan stakeholders én voldoende algemene kennis hebben van financiële applicaties, zonder zelf een IT-expert te worden.

Om aan die behoefte te voldoen, zien we een duidelijke trend naar een meer coachende rol voor externe dienstverleners. Consultants focussen zich steeds vaker op een specifiek expertisedomein en bieden expertkennis aan in de vorm van coaching. Voor klanten is het immers bijna onmogelijk om alle ontwikkelingen en nieuwigheden zelf voortdurend bij te houden

Van automatisering tot forecasting: AI in financiële software

Wat gebeurt er vandaag al concreet binnen Finance? Iedereen is ermee bezig, maar écht uitgewerkte use cases kregen we van de deelnemers niet te horen. Wel zit er tegenwoordig in bijna elk softwarepakket AI-features verwerkt — van low-code automatisering en eenvoudige analyses tot predictieve modellen geïntegreerd in budgetteringsapplicaties.

De algemene indruk bij de deelnemers: AI biedt vandaag al een goede basis, maar vereist nog altijd manuele interventie en controle, waardoor het voorlopig nog geen volwaardige assistent kan zijn voor de Financefunctie. In de nabije toekomst zullen de rollen binnen het Financedepartment uitdagender worden dankzij AI, en nog meer expertise vereisen.

De toekomstige finance professional zal door AI gedeelde gegevens moeten kunnen reconciliëren en interpreteren. Dat vraagt goede kennis van de onderliggende algoritmes en statistische modellen die AI gebruikt en is geen makkelijke opgave.

Een interessante concrete case die werd gedeeld, is de inzet van AI bij forecasting. De resultaten? Als input voor het salesbudget blijkt bijvoorbeeld de sales forecast accurater wanneer AI het werk doet, dan wanneer de forecast door het salesteam zelf wordt opgesteld.

Data accuracy: kwaliteit van masterdata blijft grootste struikelblok voor AI in Finance

Eén van de grootste uitdagingen voor een succesvolle uitrol van AI in Finance blijft de kwaliteit van de masterdata. In veel organisaties zijn data onvolledig, versnipperd of simpelweg van te lage kwaliteit om er geautomatiseerde beslissingen op te nemen. Datasets zijn vaak verspreid over verschillende afdelingen en onvoldoende geconsolideerd om een statistisch relevante basis te vormen.

En hierin schuilt een gevaar want AI toepassen op niet kwalitatieve data vergroot de chaos alleen maar en versterkt de non-kwaliteit. Het gevolg? Financeteams besteden nog altijd veel tijd aan het verzamelen van data, in plaats van aan analyse. Een patstelling die dringend doorbroken moet worden.

Het is juist door repetitieve taken te automatiseren met AI, dat de Financefunctie aantrekkelijker en betekenisvoller wordt. Zo blijft er ruimte voor inhoudelijke uitdaging en strategische impac én blijven medewerkers enthousiast over hun toegevoegde waarde in de organisatie (waardoor ze dan ook langer blijven).