Ako pripraviť dáta pre finančnú analýzu: minimálny dátový balík a kontrola kvality

Finančná analýza sa nezačína výpočtom ukazovateľov. Začína sa otázkou, na ktorú má analýza odpovedať, a následne overením, či máme údaje, z ktorých možno odpoveď zodpovedne odvodiť.

To je dôležitý rozdiel.

Firma môže mať desiatky reportov, tisíce účtovných riadkov a veľké množstvo transakčných dát. Samotný objem údajov však ešte nezaručuje kvalitnú analýzu. Ak nie je jasné, čo chceme zistiť, môžeme spracovať veľké množstvo dát a napriek tomu nezískať odpoveď, ktorá pomôže pri rozhodovaní.

Rovnako nebezpečný je opačný extrém: začať analyzovať prvý dostupný export bez kontroly, či v ňom nechýbajú obdobia, či sa medzi rokmi nezmenila metodika, či segmenty sedia na celok alebo či rovnaký názov ukazovateľa znamená v každom období to isté.

Kvalitná príprava dát preto stojí na dvoch otázkach:

1. Ktoré údaje skutočne potrebujeme?
2. Do akej miery môžeme týmto údajom veriť?

Až potom má zmysel počítať marže, trendy, odchýlky, pracovný kapitál alebo ďalšie finančné ukazovatele.

1. Minimálny dátový balík nie je univerzálny zoznam súborov

Pri príprave finančnej analýzy je lákavé vytvoriť pevný checklist:

• výsledovka,
• súvaha,
• cash flow,
• hlavná kniha,
• rozpočet,
• pohľadávky,
• zásoby,
• zákazníci,
• produkty,
• projekty.

Takýto zoznam môže byť užitočnou pomôckou, ale nesmie sa zameniť za pravidlo, že každá analýza potrebuje všetko.

Minimálny dátový balík je najmenší súbor údajov, ktorý umožňuje zodpovedne skúmať konkrétnu rozhodovaciu otázku v dohodnutom rozsahu.

Preto vzniká až po definovaní:

• otázky,
• analyzovaného subjektu,
• obdobia,
• ekonomického rozsahu,
• potrebnej granularity.

Ak sa pýtame:

Prečo klesá celková ziskovosť firmy?

môže prvý balík vyzerať inak než pri otázke:

Ktoré produkty vytvárajú najvyššiu ekonomickú hodnotu?

A úplne iné údaje budeme potrebovať pri otázke:

Prečo pri raste tržieb rastie potreba externého financovania?

Správne poradie preto vyzerá takto:

rozhodovacia otázka
        ↓
scope
        ↓
potrebné analytické vzťahy
        ↓
minimálny dátový balík

Nie opačne:

všetky dostupné dáta
        ↓
hľadanie, čo by sa z nich dalo analyzovať

2. CORE, OPTIONAL a TRIGGER-BASED: tri vrstvy dátového requestu

Praktický dátový request je užitočné rozdeliť do troch vrstiev.

CORE — bez týchto dát sa otázka nedá zodpovedať

CORE dáta sú nevyhnutné vstupy.

Ak skúmame vývoj ziskovosti, môže sem patriť napríklad výsledovka za relevantné obdobie a definícia hlavných výsledkových položiek.

Ak skúmame tlak na hotovosť, môže byť potrebná aj súvaha, pohľadávky, zásoby, záväzky, investície alebo informácia o financovaní.

CORE nemá znamenať „všetky štandardné finančné dáta“.

Znamená:

Bez tohto konkrétneho vstupu nevieme položenú otázku zodpovedne skúmať.

OPTIONAL — zvyšujú kvalitu alebo hĺbku

OPTIONAL dáta nie sú nevyhnutné pre prvú odpoveď, ale môžu ju spresniť.

Napríklad pri analýze ziskovosti môžu byť voliteľným vstupom:

• segmentové výsledky,
• produktové členenie,
• rozpočet,
• forecast.

Ak sú dostupné a konzistentné, môžu pomôcť odhaliť, kde presne sa zmena vytvára.

TRIGGER-BASED — vyžiadame ich až vtedy, keď vznikne dôvod

Toto je často najdôležitejšia vrstva.

Predstavme si, že prvá analýza ukáže:

• celková marža klesá,
• pokles sa koncentruje v jednom obchodnom segmente.

Až vtedy môže vzniknúť dôvod vyžiadať:

• zákaznícky detail,
• produktový mix,
• zľavy,
• cenové podmienky,
• prevádzkové drivery.

Nemusíme tieto dáta požadovať vopred „pre istotu“.

Takýto postup znižuje:

• množstvo nepotrebných dát,
• čas potrebný na prípravu,
• riziko nekonzistencií,
• bezpečnostné zaťaženie,
• analytický šum.

3. Typický základný finančný dátový balík

Pri širšej finančnej analýze jednej firmy bývajú základnými zdrojmi najmä finančné výkazy a účtovné údaje.

Podľa konkrétneho zadania môžu byť potrebné:

• súvaha,
• výsledovka,
• výkaz cash flow,
• hlavná kniha alebo vhodné agregované účtovné dáta,
• obratová predvaha.

Nie je však potrebné automaticky požadovať všetky tieto vstupy pri každej úzko zameranej otázke.

Výsledovka

Výsledovka je základom pri otázkach zameraných napríklad na:

• tržby,
• náklady,
• marže,
• ziskovosť,
• vývoj výsledku.

Ak chceme iba pochopiť základný trend prevádzkovej ziskovosti, výsledovka môže byť hlavným zdrojom.

Ak však potrebujeme vysvetliť, prečo firma nemá hotovosť, samotná výsledovka nestačí.

Súvaha

Súvaha je potrebná najmä tam, kde chceme vidieť:

• aktíva,
• záväzky,
• pohľadávky,
• zásoby,
• kapitálovú štruktúru,
• zadlženosť,
• finančnú pozíciu.

Pri pracovnom kapitáli alebo likvidite je jej význam zásadný.

Cash flow

Výkaz cash flow alebo iné použiteľné podklady o pohybe hotovosti pomáhajú odlíšiť:

• prevádzkové toky,
• investičné toky,
• finančné toky.

Ak firma formálny výkaz cash flow nemá alebo ho analytická otázka nevyžaduje, môže byť potrebné pracovať s inými vhodnými podkladmi. Dôležité je, aby bolo jasné, čo presne daný zdroj zachytáva.

Hlavná kniha a obratová predvaha

Detailnejšie účtovné podklady sú užitočné vtedy, keď agregované výkazy nestačia.

Nemajú sa však požadovať automaticky.

Princíp je:

Viac detailu má význam až vtedy, keď tento detail potrebuje rozhodovacia otázka.

4. Jedno obdobie často nestačí

Finančná analýza sa zvyčajne zaujíma nielen o to, aký je stav, ale aj:

• ako sa vyvíja,
• kedy sa zmena začala,
• či je jednorazová,
• či sa opakuje,
• či sa zrýchľuje alebo spomaľuje.

Jedno účtovné obdobie poskytuje iba statický obraz.

Pre trendovú otázku preto potrebujeme primeranú históriu.

To však neznamená, že existuje jedno správne pravidlo typu:

Na každú analýzu treba presne päť rokov dát.

Správne obdobie závisí od problému.

Pri sezónnej firme môžu byť dôležité mesačné údaje za viac sezón. Pri dlhodobom kapitálovom trende môže byť užitočný viacročný pohľad. Pri konkrétnej krátkodobej odchýlke môže byť rozhodujúce podrobnejšie členenie posledných mesiacov.

Dátový request preto musí vždy pomenovať:

• začiatok obdobia,
• koniec obdobia,
• periodicitu.

5. Granularita určuje, na akej úrovni možno odpovedať

Ak sa pýtame na celkovú ziskovosť firmy, celofiremné dáta môžu byť postačujúce.

Ak sa pýtame:

Ktoré produkty vytvárajú hodnotu?

potrebujeme produktové členenie.

Ak sa pýtame:

Ktorí zákazníci sú ekonomicky atraktívni po započítaní nákladov na obsluhu?

potrebujeme zákaznícky detail a vhodnú logiku nákladov.

Granularita preto môže byť napríklad:

• firma,
• právna entita,
• divízia,
• stredisko,
• produkt,
• zákazník,
• projekt,
• segment.

Platí pritom zásadné pravidlo:

Analýza nedokáže spätne vytvoriť presný detail, ktorý v zdrojových dátach neexistuje.

Ak firma nesleduje náklady podľa produktu, nemožno z celkovej výsledovky jednoducho „vypočítať“ presnú produktovú ziskovosť.

Možno vytvoriť model alebo odhad, ale potom musí byť transparentné:

• na čom stojí,
• ktoré alokácie používa,
• čo je fakt,
• čo je predpoklad,
• aká je neistota výsledku.

6. Finančné výkazy často nestačia na vysvetlenie príčiny

Účtovníctvo je základným zdrojom finančnej analýzy, ale nie každú manažérsku otázku možno vysvetliť iba účtovnými údajmi.

Podľa otázky môžu byť potrebné ďalšie vrstvy.

Manažérske dáta

Napríklad:

• manažérske reporty,
• rozpočty,
• forecasty,
• interné KPI,
• strediskové výsledky.

Sú dôležité najmä pri analýze:

• plán verzus skutočnosť,
• internej výkonnosti,
• manažérskych definícií ukazovateľov.

Obchodné dáta

Môžu zahŕňať:

• tržby podľa zákazníkov,
• produkty,
• segmenty,
• projekty,
• obchodné kanály,
• cenníky,
• zľavy.

Bez nich možno zistiť, že tržby alebo marža klesajú, ale nemusí byť možné vysvetliť, kde a prečo.

Prevádzkové dáta

Môžu zahŕňať:

• výrobné objemy,
• využitie kapacity,
• odpracované hodiny,
• stav zásob,
• výkonnosť projektov,
• ďalšie prevádzkové parametre.

Finančný výsledok môže byť prejavom problému, ktorého príčina je prevádzková alebo procesná.

Kontextové informácie

Dôležitý môže byť aj kontext:

• obchodný model,
• organizačná štruktúra,
• významná zmena v období,
• investícia,
• nové financovanie,
• jednorazová udalosť.

Číslo môže byť matematicky správne a zároveň zle interpretované, ak nepoznáme okolnosti, ktoré ho vytvorili.

7. Kontrola kvality nie je technická formalita

Po získaní dát ešte nezačíname automaticky počítať.

Najskôr potrebujeme overiť:

MÁME DÁTA?
→ úplnosť

SEDIA SPOLU?
→ konzistencia

VIEME, ČO ZNAMENAJÚ?
→ metodická a účtovná logika

NIE JE V NICH NIEČO NEŠTANDARDNÉ?
→ extrémy, duplicity, jednorazové položky

Táto diagnostika je samostatná analytická fáza.

Jej cieľom nie je dokázať absolútnu správnosť účtovníctva. Finančná analýza nie je audit.

Cieľom je posúdiť:

Sú dostupné údaje dostatočne dôveryhodné a porovnateľné na otázku, ktorú chceme zodpovedať?