CFO narrative из raw финансовых выписок

AI-агент превращает сырые данные из финансовых выписок и data warehouse в готовый черновик management commentary — текстового сопровождения к close'у, которое CFO отправляет акционерам, совету директоров или собственнику. Вместо того чтобы финдиректор или финансовый аналитик вручную сводил цифры в повествование, система делает это в момент готовности close-данных. Черновик содержит цифры, расчёты отклонений и первичные объяснения — достаточно для редактуры, не для публикации в сыром виде. CFO остаётся в роли редактора и интерпретатора, но освобождается от рутины сборки.

Что делает автоматизация

1. Забирает актуальные данные из data warehouse или BI-слоя на момент closed-отметки периода.
2. Рассчитывает отклонения по нескольким осям: месяц к месяцу, квартал к кварталу, план-факт, год к году.
3. Фильтрует статистически значимые изменения по настраиваемым порогам материальности для каждого разреза.
4. Группирует метрики по блокам — revenue, gross margin, operating costs, cash, unit-экономика, ключевые операционные показатели.
5. Генерирует текстовые объяснения для каждой значимой статьи со ссылкой на источник данных в DWH.
6. Собирает итоговый черновик в принятом в компании формате — email, Notion, Google Docs, Slack-пост или раздел внутреннего портала.
7. Возвращает CFO draft с прикреплёнными ссылками на первичные цифры для быстрой верификации каждого утверждения.
8. После approval CFO автоматизация отправляет финальный commentary в рассылку инвесторам или investor update.

Что автоматизация не делает

• Не интерпретирует стратегию и не принимает решений о capital allocation, cost cuts или найме — это работа CFO и CEO, AI-агент только подсвечивает отклонения.
• Не заменяет полный management discussion в board-пакете. Готовит отдельный компактный commentary для регулярных апдейтов между board-встречами.
• Не разговаривает с аудиторами и не обоснует методологию расчётов. AI-агент работает с уже закрытыми и выверенными финансовыми данными, а не проводит аудит.

Автоматизация закрывает узкое место «цифры есть → текста нет». Close технически завершён, data engineer уже выгрузил всё в DWH, но commentary висит на CFO и тормозит отправку апдейта акционерам. Для SaaS-компаний с регулярным ритмом investor updates это критично — регулярность коммуникации с инвесторами важнее идеальной формулировки отдельного абзаца.

Автоматизация построена как custom-code пайплайн из четырёх слоёв: data, calculation, narrative generation, delivery. Слои изолированы — каждый можно заменять под конкретный стек компании без переписывания остальных.

Технический поток

Пайплайн запускается по расписанию close-календаря или триггером готовности данных. Первым шагом Data connector подтягивает актуальные метрики из data warehouse (Snowflake, BigQuery, ClickHouse) или BI-слоя (Looker, Metabase, Tableau). Variance engine считает отклонения по настроенным правилам и фильтрует материальные изменения — ниже порога данные не попадают в commentary, чтобы не раздувать текст несущественной детализацией. Narrative generator на AI-модели получает структурированный контекст — цифры, отклонения, контекст периода — и пишет черновик по утверждённому шаблону. Delivery layer упаковывает результат в нужный формат и отправляет по заданному каналу.

Шаги внедрения

1. Intake-сессия с CFO и командой: разобрать текущий close-процесс, дедлайны, стейкхолдеры commentary, формат результата и утверждённый tone of voice.
2. Маппинг данных: зафиксировать канонические источники метрик и chart of accounts. Единая таблица в DWH или выверенный BI dashboard — источник истины.
3. Правила материальности: определить пороги отклонений по каждому разрезу. Материальность по выручке отличается от материальности по operating costs — пороги настраиваются под конкретный бизнес и размер компании.
4. Prompt-engineering: собрать шаблон commentary под стиль компании. Шаблон включает тон, структуру, обязательные разделы, формат чисел и правила упоминания стейкхолдеров.
5. Интеграция: настроить подключение к DWH и каналам доставки — корпоративная почта, Slack, Notion, инвесторский портал или внутренний dashboard.
6. Dogfood на исторических данных: прогнать систему на 2-3 прошлых закрытиях, сравнить с реальным CFO commentary, откалибровать промпт и пороги материальности.
7. Production: запустить на следующем close-цикле с ручной проверкой первых 1-2 раз, затем перевести в рутину с периодическим QA.

Компоненты решения

Пайплайн построен так, чтобы CFO всегда мог дойти от текста до цифры в DWH за два клика. Это обязательное требование: без traceability автоматический commentary нельзя выпускать наружу. Audit log фиксирует каждый прогон, версии промпта и источники данных — нужно и для внутреннего контроля, и для любого внешнего аудита процессов отчётности.

Narrative generator не работает с незакрытыми периодами. Если close не завершён технически — пайплайн не запускается или помечает commentary как preliminary. Это защищает от преждевременных коммуникаций с инвесторами на неполных данных и от формулировок, которые потом придётся отзывать при пересчёте.

Внедрение CFO narrative требует структурированного финансового DWH или BI-слоя, согласованного chart of accounts и 5-6 исторических close-циклов для калибровки промпта. Без этих трёх условий автоматизация не соберётся корректно.

Данные и доступы

• Data warehouse или BI-слой с финансовыми метриками. Подойдёт Snowflake, BigQuery, ClickHouse, Looker, Metabase или Tableau — любой источник со стабильной структурой данных.
• Согласованный chart of accounts и канонические источники цифр. Если одна метрика считается в двух местах по-разному, сначала чистим маппинг, потом автоматизируем.
• Минимум 6 исторических close-циклов с реальным CFO commentary для калибровки промпта.
• Read-доступ к DWH/BI для агента (service account) с ограниченным scope.
• Канал доставки: корпоративная почта, Slack, Notion или внутренний портал.

Готовность команды

• CFO или ответственный финансист даёт обратную связь по черновикам на этапе калибровки и валидирует первые production-прогоны.
• Data engineer или BI-аналитик помогает с маппингом метрик и настройкой подключения к DWH.
• Утверждённый template commentary — не обязателен, но сокращает работу на prompt-engineering. Без шаблона Grow2.ai помогает его собрать на основе прошлых commentary.

Таймлайн

Для базовой версии: 1-3 недели при готовом DWH и утверждённом шаблоне commentary. В этот срок входит маппинг данных, настройка variance engine, сборка промпта и dogfood на исторических данных.

Для расширенной версии с несколькими выходными форматами (email для инвесторов, Slack-апдейт для команды, короткое summary для борда): 3-5 недель. Основная задержка — согласование тона и структуры для разных аудиторий.

Если DWH не настроен или данные разбросаны по нескольким системам, сначала решаем эту задачу отдельно — это отдельный проект по data infrastructure со своим таймлайном.