CFO narrative із raw фінансових виписок

AI-агент перетворює сирі дані з фінансових виписок і data warehouse на готову чернетку management commentary — текстового супроводу до close'у, який CFO надсилає акціонерам, раді директорів або власнику. Замість того щоб фіндиректор або фінансовий аналітик вручну зводив цифри у розповідь, система робить це в момент готовності close-даних. Чернетка містить цифри, розрахунки відхилень та первинні пояснення — достатньо для редактури, але не для публікації у сирому вигляді. CFO залишається у ролі редактора та інтерпретатора, але звільняється від рутини збирання.

Що робить автоматизація

1. Забирає актуальні дані з data warehouse або BI-шару на момент closed-відмітки періоду.
2. Розраховує відхилення за кількома осями: місяць до місяця, квартал до кварталу, план-факт, рік до року.
3. Фільтрує статистично значущі зміни за налаштовуваними порогами матеріальності для кожного зрізу.
4. Групує метрики за блоками — revenue, gross margin, operating costs, cash, unit-економіка, ключові операційні показники.
5. Генерує текстові пояснення для кожної значущої статті з посиланням на джерело даних у DWH.
6. Збирає підсумкову чернетку у прийнятому в компанії форматі — email, Notion, Google Docs, Slack-пост або розділ внутрішнього порталу.
7. Повертає CFO draft із прикріпленими посиланнями на первинні цифри для швидкої верифікації кожного твердження.
8. Після approval CFO автоматизація надсилає фінальний commentary у розсилку інвесторам або investor update.

Що автоматизація не робить

• Не інтерпретує стратегію і не приймає рішень щодо capital allocation, cost cuts або найму — це робота CFO та CEO, AI-агент лише підсвічує відхилення.
• Не замінює повний management discussion у board-пакеті. Готує окремий компактний commentary для регулярних апдейтів між board-зустрічами.
• Не спілкується з аудиторами і не обґрунтовує методологію розрахунків. AI-агент працює з вже закритими та звіреними фінансовими даними, а не проводить аудит.

Автоматизація закриває вузьке місце «цифри є → тексту немає». Close технічно завершено, data engineer вже вивантажив усе у DWH, але commentary висить на CFO і гальмує відправку апдейту акціонерам. Для SaaS-компаній з регулярним ритмом investor updates це критично — регулярність комунікації з інвесторами важливіша за ідеальне формулювання окремого абзацу.

Автоматизація побудована як custom-code пайплайн із чотирьох шарів: data, calculation, narrative generation, delivery. Шари ізольовані — кожен можна замінювати під конкретний стек компанії без переписування решти.

Технічний потік

Пайплайн запускається за розкладом close-календаря або тригером готовності даних. Першим кроком Data connector підтягує актуальні метрики з data warehouse (Snowflake, BigQuery, ClickHouse) або BI-шару (Looker, Metabase, Tableau). Variance engine розраховує відхилення за налаштованими правилами і фільтрує матеріальні зміни — нижче порогу дані не потрапляють у commentary, щоб не роздувати текст несуттєвою деталізацією. Narrative generator на AI-моделі отримує структурований контекст — цифри, відхилення, контекст періоду — і пише чернетку за затвердженим шаблоном. Delivery layer пакує результат у потрібний формат і надсилає за заданим каналом.

Кроки впровадження

1. Intake-сесія з CFO та командою: розібрати поточний close-процес, дедлайни, стейкхолдери commentary, формат результату та затверджений tone of voice.
2. Маппінг даних: зафіксувати канонічні джерела метрик і chart of accounts. Єдина таблиця в DWH або вивірений BI dashboard — джерело істини.
3. Правила матеріальності: визначити пороги відхилень за кожним розрізом. Матеріальність за виручкою відрізняється від матеріальності за operating costs — пороги налаштовуються під конкретний бізнес і розмір компанії.
4. Prompt-engineering: зібрати шаблон commentary під стиль компанії. Шаблон включає тон, структуру, обов'язкові розділи, формат чисел і правила згадування стейкхолдерів.
5. Інтеграція: налаштувати підключення до DWH та каналів доставки — корпоративна пошта, Slack, Notion, інвесторський портал або внутрішній dashboard.
6. Dogfood на історичних даних: прогнати систему на 2-3 минулих закриттях, порівняти з реальним CFO commentary, відкалібрувати промпт і пороги матеріальності.
7. Production: запустити на наступному close-циклі з ручною перевіркою перших 1-2 разів, потім перевести в рутину з періодичним QA.

Компоненти рішення

Пайплайн побудований так, щоб CFO завжди міг дійти від тексту до цифри в DWH за два кліки. Це обов'язкова вимога: без traceability автоматичний commentary не можна випускати назовні. Audit log фіксує кожен прогон, версії промпту і джерела даних — потрібно і для внутрішнього контролю, і для будь-якого зовнішнього аудиту процесів звітності.

Narrative generator не працює з незакритими періодами. Якщо close не завершений технічно — пайплайн не запускається або позначає commentary як preliminary. Це захищає від передчасних комунікацій з інвесторами на неповних даних і від формулювань, які потім доведеться відкликати при перерахунку.

Впровадження CFO narrative потребує структурованого фінансового DWH або BI-шару, узгодженого chart of accounts і 5-6 історичних close-циклів для калібрування промпту. Без цих трьох умов автоматизація не складеться коректно.

Дані та доступи

• Data warehouse або BI-шар з фінансовими метриками. Підійде Snowflake, BigQuery, ClickHouse, Looker, Metabase або Tableau — будь-яке джерело зі стабільною структурою даних.
• Узгоджений chart of accounts і канонічні джерела цифр. Якщо одна метрика рахується в двох місцях по-різному, спочатку чистимо маппінг, потім автоматизуємо.
• Мінімум 6 історичних close-циклів з реальним CFO commentary для калібрування промпту.
• Read-доступ до DWH/BI для агента (service account) з обмеженим scope.
• Канал доставки: корпоративна пошта, Slack, Notion або внутрішній портал.

Готовність команди

• CFO або відповідальний фінансист надає зворотний зв'язок за чернетками на етапі калібрування та валідує перші production-прогони.
• Data engineer або BI-аналітик допомагає з маппінгом метрик і налаштуванням підключення до DWH.
• Затверджений template commentary — не обов'язковий, але скорочує роботу на prompt-engineering. Без шаблону Grow2.ai допомагає його зібрати на основі попередніх commentary.

Таймлайн

Для базової версії: 1-3 тижні при готовому DWH і затвердженому шаблоні commentary. У цей строк входить маппінг даних, налаштування variance engine, збірка промпту і dogfood на історичних даних.

Для розширеної версії з кількома вихідними форматами (email для інвесторів, Slack-апдейт для команди, коротке summary для борду): 3-5 тижнів. Основна затримка — узгодження тону та структури для різних аудиторій.

Якщо DWH не налаштований або дані розкидані по кількох системах, спочатку вирішуємо це завдання окремо — це окремий проєкт з data infrastructure зі своїм таймлайном.