biuro@improveo.pl

(+48) 509 665 027

Zadzwoń do nas

Napisz do nas

Dlaczego problemem nie jest arkusz kalkulacyjny, lecz sposób, w jaki organizacje projektują analizy, kontrolują dane i wykorzystują je w zarządzaniu.

Akt I. Oskarżony: arkusz kalkulacyjny

Na ławie oskarżonych siedzi arkusz kalkulacyjny.

Przez lata gromadził dane, porównywał wyniki, obliczał odchylenia i przygotowywał raporty.

Dziś przypisuje mu się odpowiedzialność za błędne decyzje, nadmierną biurokrację, utratę czasu i pozorną kontrolę nad działalnością organizacji.

• Zarzuty brzmią poważnie.
• Zbyt wiele plików.
• Zbyt wiele wersji tych samych danych.
• Formuły, których nikt nie potrafi wyjaśnić.
• Raporty aktualizowane ręcznie.
• Spotkania, podczas których uczestnicy analizują kolejne zestawienia, ale wciąż nie potrafią ustalić, co rzeczywiście należy zrobić.

Czy jednak narzędzie jest źródłem tych problemów?

Arkusz kalkulacyjny jest środowiskiem do wykonywania obliczeń, analizowania danych, budowania modeli i prezentowania informacji.

Odpowiednio zaprojektowany może wspierać zarówno proste zestawienia, jak i zaawansowane analizy wykorzystujące dane z wielu źródeł.

Możliwości automatyzacji, modelowania danych i kontroli obliczeń pozwalają wyjść daleko poza ręczne wprowadzanie wartości do komórek.

Samo narzędzie nie definiuje jednak celu analizy, nie ocenia kompletności danych, nie rozstrzyga o jakości przyjętych założeń i nie ponosi odpowiedzialności

za decyzję podjętą na podstawie wyniku.

Arkusz może prawidłowo obliczyć odpowiedź na niewłaściwie postawione pytanie.

I właśnie w tym miejscu zaczyna się problem zarządczy.

Akt II. Dowody: ryzyko jest realne, ale wymaga właściwej diagnozy

Obrona arkusza kalkulacyjnego nie powinna polegać na negowaniu ryzyka.

Błędy w arkuszach są przedmiotem badań od wielu lat.

Mogą wynikać z nieprawidłowych formuł, błędnych odwołań, niekompletnych danych, nieudokumentowanych założeń lub zmian wprowadzonych bez odpowiedniej weryfikacji.

W modelach wspierających decyzje finansowe, operacyjne i strategiczne konsekwencje takich błędów mogą być znaczące.

Szczególnie niebezpieczna jest sytuacja, w której wynik wygląda wiarygodnie, mimo że powstał na podstawie wadliwych założeń lub nieprawidłowych obliczeń.

W publikacji What We Don't Know About Spreadsheet Errors Today Raymond R. Panko analizuje wyniki wcześniejszych badań nad błędami w arkuszach

oraz ograniczenia związane z ich interpretacją. W przywoływanych audytach wybranych zbiorów arkuszy stwierdzano istotne błędy w dużej części badanych modeli.

Tych wyników nie należy jednak przedstawiać jako uniwersalnego odsetka błędnych plików wykorzystywanych we wszystkich przedsiębiorstwach.

Wyniki zależą między innymi od sposobu doboru badanych arkuszy, kryteriów uznania błędu oraz zastosowanej metody kontroli.

Wniosek z badań jest istotny, ale wymaga precyzji: arkusze wykorzystywane do podejmowania ważnych decyzji powinny podlegać kontroli adekwatnej do ich złożoności i potencjalnych konsekwencji błędu.

Nie wynika z tego, że każde zestawienie wymaga formalnego audytu ani że samo używanie arkusza oznacza nieefektywność.

Ryzyko pojawia się wtedy, gdy znaczenie modelu biznesowego rośnie, a poziom kontroli pozostaje niezmieniony.

LCA nie jest wyłącznie narzędziem środowiskowym.

Coraz więcej organizacji wykorzystuje wyniki analiz cyklu życia do podejmowania decyzji biznesowych.

LCA może wspierać między innymi:

• projektowanie nowych produktów,
• wybór materiałów,
• ocenę dostawców,
• optymalizację procesów logistycznych,
• ograniczanie kosztów operacyjnych,
• przygotowanie deklaracji środowiskowych produktów,
• budowanie przewagi konkurencyjnej.

W praktyce analiza cyklu życia pozwala podejmować decyzje na podstawie danych, a nie założeń dotyczących wpływu produktu na środowisko.

Akt III. Jak narzędzie analityczne staje się narzędziem biurokracji?

Rzadko kiedy nadmiernie rozbudowany system raportowania powstaje w wyniku jednej świadomej decyzji.

Częściej jest efektem wielu lokalnie uzasadnionych zmian, które z czasem tworzą nieefektywny proces.

Najpierw pojawia się potrzeba przygotowania zestawienia.

Następnie dodatkowego wskaźnika, podziału na regiony, porównania z poprzednim okresem i osobnego widoku dla kolejnego działu.

Ktoś dodaje ręczną korektę, ktoś inny tworzy kopię pliku, a kolejna osoba przygotowuje własną definicję tego samego wskaźnika.

Każda zmiana może mieć racjonalne uzasadnienie z perspektywy pojedynczego odbiorcy.

Problem ujawnia się dopiero na poziomie całej organizacji.

Powstają równoległe wersje danych, rozbieżne definicje miar i raporty, których nikt nie usuwa, ponieważ każdy może okazać się kiedyś potrzebny.

Czas przeznaczony na przygotowanie informacji zaczyna konkurować z czasem potrzebnym na jej analizę.

To nie jest wyłącznie problem technologiczny. To problem architektury informacji, odpowiedzialności i sposobu zarządzania.

1. Dane bez jasno określonego celu

Raport powinien wspierać określoną decyzję, kontrolę ryzyka lub ocenę realizacji celu.

Jeżeli nie wiadomo, kto wykorzysta wynik, jakie działanie ma on umożliwić i co stanie się w przypadku odchylenia, zestawienie może zwiększać obciążenie informacyjne bez poprawy jakości zarządzania.

Liczba raportów nie jest miarą dojrzałości analitycznej.

Podobnie liczba wskaźników nie świadczy sama w sobie o jakości kontroli.

Znaczenie ma to, czy organizacja potrafi przejść od danych do interpretacji, od interpretacji do decyzji, a następnie od decyzji do działania.

2. Ręczne przetwarzanie danych tam, gdzie można zapewnić powtarzalność

Powtarzające się kopiowanie danych, ręczne poprawianie formatów i odtwarzanie tych samych operacji zwiększają nakład pracy oraz ryzyko pomyłek.

Narzędzia do automatyzacji przekształcania danych, w tym Power Query, pozwalają definiować powtarzalne kroki przygotowania informacji.

Po uporządkowaniu procesu mogą ograniczyć pracę odtwórczą i ułatwić kontrolę nad sposobem przetwarzania danych.

Automatyzacja nie jest jednak samodzielnym rozwiązaniem problemu.

Jeżeli proces wejściowy zawiera błędne założenia, nieprawidłowe reguły lub niewłaściwe źródła, automatyzacja może jedynie powielać te błędy szybciej i na większą skalę.

Dlatego najpierw należy zrozumieć i uporządkować proces, a dopiero później go automatyzować.

3. Model, którego nikt nie potrafi wyjaśnić

Rozbudowany model nie musi być złym modelem.

Złożoność może wynikać z rzeczywistych potrzeb biznesowych.

Problem pojawia się wtedy, gdy organizacja nie potrafi ustalić, skąd pochodzą dane, jakie założenia przyjęto, jak przebiegają kluczowe obliczenia i w jaki sposób zweryfikować wynik.

Nieudokumentowane formuły, ukryte korekty i zależności znane wyłącznie jednej osobie tworzą ryzyko operacyjne.

Odejście autora, zmiana struktury danych lub pozornie niewielka modyfikacja modelu mogą utrudnić utrzymanie jego poprawności.

W takiej sytuacji arkusz przestaje być jedynie narzędziem pracy konkretnego pracownika.

Staje się elementem infrastruktury decyzyjnej organizacji, choć niekoniecznie został zaprojektowany i nadzorowany w taki sposób.

4. Wskaźnik, który zastępuje myślenie

Wyobraźmy sobie, że raport wskazuje spadek kosztów jednostkowych.

Wynik jest zgodny z celem, więc zostaje uznany za dowód poprawy efektywności.

Jednocześnie rośnie liczba reklamacji, zwiększa się poziom braków lub wydłuża czas realizacji zamówień.

Koszt jednostkowy spada, ale całościowa jakość procesu może się pogarszać.

Nie musi to oznaczać błędu w obliczeniach.

Możliwe, że wskaźnik został policzony prawidłowo, lecz przedstawia tylko jeden wymiar zjawiska.

Każdy wskaźnik upraszcza rzeczywistość. Jest użyteczny, gdy wiadomo, co mierzy, czego nie obejmuje i jakie czynniki mogą wpływać na jego interpretację.

Poprawność obliczenia nie jest równoznaczna z poprawnością wniosku biznesowego.

To rozróżnienie ma zasadnicze znaczenie dla odpowiedzialnego zarządzania.

Akt IV. Kompetencje użytkownika czy odpowiedzialność organizacji?

Jakość analiz zależy od kompetencji osób, które je przygotowują.

Użytkownik powinien rozumieć stosowane formuły, logikę obliczeń, ograniczenia danych i konsekwencje przyjętych założeń.

Nie oznacza to jednak, że odpowiedzialność za jakość analiz można sprowadzić wyłącznie do umiejętności pojedynczego pracownika.

Należy rozróżnić trzy wzajemnie uzupełniające się obszary.

• Kompetencje użytkownika.

Osoba przygotowująca model powinna znać wykorzystywane narzędzia, umieć sprawdzać wyniki i rozpoznawać sytuacje, w których potrzebna jest dodatkowa weryfikacja.

• Jakość projektu analitycznego.

Model powinien mieć czytelną strukturę, określone źródła danych, jawne założenia i mechanizmy kontroli. W zależności od zastosowania zasadne mogą być niezależny przegląd formuł, testy skrajnych przypadków, uzgodnienia sum kontrolnych oraz porównanie wyników z niezależnym obliczeniem.

• Nadzór organizacyjny.

Organizacja powinna wiedzieć, które modele mają istotne znaczenie dla działalności, kto odpowiada za ich utrzymanie, jak zatwierdza się zmiany i jakie zabezpieczenia są wymagane. Zakres kontroli powinien odpowiadać poziomowi ryzyka.

Prosta lista robocza nie wymaga takich samych zabezpieczeń jak model wykorzystywany do podejmowania decyzji o istotnych skutkach finansowych.

Nie chodzi o tworzenie kolejnych procedur dla samej formalności.

Chodzi o zapewnienie, że znaczenie modelu, sposób jego wykorzystania i poziom nadzoru pozostają ze sobą proporcjonalne.

Kompetentny użytkownik jest niezbędny, ale nie zastąpi właściwie zaprojektowanego procesu.

Procedury również nie wystarczą, jeżeli osoby odpowiedzialne za decyzje nie rozumieją ograniczeń analiz, na których się opierają.

Akt V. Jak sprawić, aby arkusz wspierał zarządzanie?

Nie każda organizacja potrzebuje nowego systemu informatycznego.

Często pierwszym krokiem jest uporządkowanie sposobu wykorzystania istniejących narzędzi, ustalenie odpowiedzialności i ograniczenie zbędnej pracy.

1. Zacznij od decyzji, nie od raportu

Przed utworzeniem zestawienia warto odpowiedzieć na cztery pytania:

• Jaką decyzję lub działanie ma wspierać raport?

• Kto odpowiada za wykorzystanie jego wyników?

• Jakie informacje są rzeczywiście potrzebne?

• Jakie działania zostaną podjęte, gdy wynik będzie odbiegał od oczekiwań?

Jeżeli nie można wskazać konkretnego zastosowania raportu, należy ponownie ocenić zasadność jego przygotowywania.

2. Uporządkuj źródła i definicje danych

Te same wskaźniki powinny mieć spójne definicje, a odbiorcy powinni wiedzieć, z jakich danych i zasad obliczeń wynikają prezentowane wartości.

Warto ograniczać niekontrolowane kopie plików, dokumentować istotne korekty i określać, która wersja danych jest właściwa dla danego procesu decyzyjnego.

Bez spójnych definicji nawet poprawnie działające modele mogą prowadzić do sprzecznych wniosków.

3. Automatyzuj procesy, które zostały uporządkowane

W powtarzalnych zadaniach warto rozważyć wykorzystanie narzędzi do importowania i przekształcania danych, ustandaryzowanych formuł oraz modeli danych.

Automatyzacja powinna zmniejszać nakład pracy, poprawiać powtarzalność i ułatwiać kontrolę.

Jej skuteczność trzeba jednak oceniać w praktyce, uwzględniając także koszty utrzymania i ryzyko związane ze zmianami źródeł.

4. Wprowadź kontrolę adekwatną do ryzyka

Dla modeli wspierających istotne decyzje należy określić sposób testowania, przeglądu i zatwierdzania zmian.

Kontrola może obejmować sprawdzanie formuł, weryfikację źródeł danych, testy nietypowych przypadków, porównywanie wyników i dokumentowanie założeń.

Im poważniejsze mogą być konsekwencje błędu, tym mocniejsze powinny być zabezpieczenia.

5. Mierz efektywność całego procesu

Liczba przygotowanych raportów nie mówi, czy organizacja podejmuje lepsze decyzje.

Znacznie więcej można dowiedzieć się,

• mierząc czas przygotowania zestawień,
• częstotliwość ręcznych korekt,
• liczbę rozbieżności między źródłami
• czas, jaki upływa od wykrycia odchylenia do podjęcia działania.

Celem nie jest maksymalizacja ilości informacji.

Celem jest zapewnienie, że wiarygodna informacja trafia do właściwej osoby we właściwym czasie i wspiera konkretne działanie.

Werdykt: narzędzie nie zastąpi odpowiedzialności za decyzję

Arkusz kalkulacyjny może być prostym narzędziem ewidencyjnym, ale może również stanowić element rozbudowanego środowiska analitycznego.

Jego przydatność zależy od potrzeb, jakości projektu, dostępnych danych i sposobu wykorzystania wyników.

Nie należy ani przeceniać jego możliwości, ani przypisywać mu odpowiedzialności za problemy, które wynikają z niewłaściwie zaprojektowanych procesów.

Gdy raporty mnożą się bez jasno określonego celu, dane występują w wielu niespójnych wersjach, a decyzje opierają się na pojedynczych wskaźnikach pozbawionych kontekstu, problem wymaga szerszej diagnozy.

Samo zastąpienie arkusza innym narzędziem nie gwarantuje poprawy.

Nowa technologia może usprawnić przetwarzanie informacji.

Nie ustanowi jednak za organizację właściwych celów, nie rozstrzygnie automatycznie o jakości przyjętych założeń i nie przejmie odpowiedzialności za konsekwencje decyzji.

Dlatego kluczowe pytanie nie brzmi, czy arkusz kalkulacyjny jest wystarczająco zaawansowany?

Brzmi: czy organizacja potrafi zaprojektować, zweryfikować i odpowiedzialnie wykorzystać analizę, na której opiera swoje decyzje?

To właśnie od odpowiedzi na to pytanie zależy, czy narzędzie będzie wspierać zarządzanie,

czy stanie się kolejnym elementem procesu, którego koszt utrzymania przewyższa jego rzeczywistą wartość.

Źródła i literatura

Panko, R. R. (2016). What We Don't Know About Spreadsheet Errors Today: The Facts, Why We Don't Believe Them, and What We Need to Do.
https://arxiv.org/abs/1602.02601

European Spreadsheet Risk Interest Group (EuSpRIG). Research and Best Practice.
https://eusprig.org/research-info/research-and-best-practice/

Przeczytaj także:

Kontakt

☎ (+48) 509 665 027

✉ biuro@improveo.pl

Pon.–Pt. 10:00–18:00

Polityka prywatności

RODO

Cookies

IMPROVEO Development

Wspieramy organizacje w rozwoju,

transformacji i skutecznej komunikacji.

Acta, non verba

© 2023 IMPROVEO Development. Wszelkie prawa zastrzeżone