Perché il cubo OLAP e la base sbagliata per l'IA in finanza

Il cubo multidimensionale e il motore silenzioso sotto la gestione classica delle performance aziendali. TM1 (ora Planning Analytics), Jedox, Board e i motori in stile Hyperblock si basano tutti sulla stessa idea: modellare l’azienda come dimensioni che si intersecano (conto per entità per periodo per scenario per prodotto) e lasciare che un utente scorra miliardi di celle nel tempo di un clic. Per trent’anni è stato il compromesso giusto. Quando un planner ha bisogno dei ricavi per regione per mese, suddivisi in quattro modi diversi durante una riunione, un cubo risponde all’istante dove una query relazionale arrancherebbe.

Così, quando i team collegano un assistente IA al loro stack EPM, il cubo sembra il punto ovvio dove puntarlo. E già il “numero unico”. E già veloce. Il problema e ciò che il cubo ha silenziosamente scartato per ottenere quella velocità. Un cubo memorizza risposte, non il ragionamento dietro di esse. E un’IA che ragiona su risposte memorizzate eredita ogni decisione di aggregazione e mappatura presa molto prima che la domanda venisse posta, senza modo di risalire alla transazione che la proverebbe o la smentirebbe.

Un cubo memorizza conclusioni, non evidenze

La mossa distintiva dell’OLAP e la pre-aggregazione. Le transazioni grezze vengono raggruppate lungo gerarchie di dimensioni (migliaia di registrazioni contabili confluiscono in un’unica cella “EMEA / Q2 / Ricavi netti”) perché precalcolare quei raggruppamenti è esattamente ciò che rende istantaneo lo scorrimento. Quel raggruppamento e una strada a senso unico. Una volta che le registrazioni sono sommate in una cella, la cella non ha più memoria di quali registrazioni la compongono. E una conclusione con le evidenze scartate.

Questo va bene, anzi e ideale, per il compito per cui i cubi sono stati costruiti. Nessuno che sfoglia un report di scostamento vuole trascinarsi dietro dieci milioni di righe di registrazione. Ma significa che il cubo ha strutturalmente la forma sbagliata per la domanda che l’IA in finanza deve davvero saper superare: “da dove viene questo numero?” La risposta onesta che un cubo può dare e “la somma delle celle sottostanti”, che e un altro insieme di conclusioni, non evidenze. Puoi scendere lungo una gerarchia finché non raggiungi il livello più basso memorizzato, e li ti fermi. Sotto quel livello, nel libro mastro, e dove vive la pista di controllo, e il cubo non ha alcun puntatore verso di essa.

La mappatura e invisibile, e l’IA non riesce a vederla nemmeno lei

Portare i dati in un cubo non è una copia. E una traduzione. Un processo di caricamento mappa i conti sorgente sui conti del cubo, applica inversioni di segno, conversione valutaria, eliminazioni infragruppo e regole di allocazione, poi scrive il risultato nelle celle. Ognuna di queste trasformazioni e una decisione di modellazione, e la maggior parte vive in script di caricamento, processi TurboIntegrator o file di regole che il cubo stesso non espone come dati.

Un’IA che interroga il cubo vede l’output di quella traduzione senza alcuna traccia della traduzione stessa. Chiedile perché la spesa marketing e salita e riportera fedelmente la cella. Non può dirti se l’aumento e reale oppure e frutto di una base di allocazione che qualcuno ha cambiato il trimestre scorso, perché quel fatto non è mai stato nel cubo, era nel processo che lo alimentava. E lo stesso tipo di fallimento in cui incorre il foglio di calcolo come base sbagliata, raggiunto per una strada diversa. La griglia nasconde la differenza tra una cifra di libro mastro e una sovrascritta a mano; il cubo nasconde la differenza tra una cifra grezza e una trasformata. In entrambi i casi il modello legge un numero sicuro di se con la provenienza rimossa.

”Traccia questa cifra” finisce in un vicolo cieco alla cella

Metti insieme i due problemi e ottieni il difetto centrale per l’IA. Un assistente basato sul retrieval e affidabile solo quanto la fonte che può citare. Quando la fonte e un cubo, la migliore citazione disponibile e una coordinata, un indirizzo di cella all’interno di un insieme di dimensioni.

Domanda che un CFO pone	Cosa può restituire il cubo	Cosa manca
Qual è il ricavo netto Q2 per EMEA?	Il valore della cella, all’istante	Niente: questo e il punto di forza del cubo
Quali contratti compongono quella cifra?	Le celle figlie un livello sotto	Le transazioni; lo scorrimento si ferma al livello più basso memorizzato
Perché si è mossa rispetto al forecast?	Due celle e la loro differenza	Il driver; la variazione e aritmetica, non spiegazione
Dimostra che riconcilia con il libro mastro	Un totale aggregato	La mappatura e le registrazioni sorgente che lo dimostrerebbero

Quell’ultima riga e tutta la partita. Una coordinata di cella non è una citazione che un revisore accetta. Dice “qui si trova il numero nel modello”, non “da qui proviene il numero nella realtà”. Il tracciamento finisce in un vicolo cieco a una cella, e una risposta IA che finisce in un vicolo cieco a una cella e un’affermazione, non un fatto difendibile. Ecco perché collegare un modello linguistico direttamente a un cubo EPM (la promessa dietro molta della “pianificazione IA-nativa”) migliora l’interfaccia senza toccare il problema di fiducia. Il retrieval e fondato su una fonte che a sua volta non può essere tracciata.

Veloce non equivale a fondato

Niente di tutto questo rende i cubi una tecnologia negativa. Sono genuinamente eccellenti nelle prestazioni di aggregazione, nella memorizzazione sparsa, nel permettere a un essere umano di esplorare interattivamente un modello ampio. Se il tuo unico requisito e uno slice-and-dice veloce su numeri di cui qualcuno già si fida, un cubo e difficile da battere, e strumenti come Board e Jedox sono bravi esattamente in questo.

L’errore e trattare “veloce da interrogare” come se implicasse “sicuro perché l’IA vi ragioni sopra e lo citi”. Sono proprietà diverse. Un cubo ottimizza la velocità di retrieval impegnandosi in anticipo su un insieme di aggregazioni e mappature; l’affidabilità dell’IA richiede l’opposto, la capacità di scomporre qualsiasi cifra fino alla fonte su richiesta, inclusi i fatti che il cubo ha deliberatamente compresso via. Non puoi recuperare il lineage da una struttura progettata per scartarlo in nome della velocità. Un percorso di drill-through aggiunto in seguito raggiunge il libro mastro solo per le celle specifiche che qualcuno ha collegato in anticipo; non è lineage generale, e l’IA non può dare per scontato che esista.

Come appare una base citabile

La soluzione rispecchia il caso del foglio di calcolo: spostare la fonte di verità sotto il livello di interrogazione, in un modello in cui ogni cifra mantiene il proprio collegamento alla transazione che l’ha prodotta. Rexfin costruisce quel modello collegandosi a dove i numeri vivono realmente (il sistema contabile, la banca, il data warehouse o gli estratti conto caricati) e riconciliandoli in un unico modello che quadra con il libro mastro. Le trasformazioni che un cubo seppellisce negli script di caricamento (mappature, eliminazioni, allocazioni) diventano parte del lineage registrato del modello invece di un passaggio di pre-elaborazione invisibile. E la stessa disciplina alla base di un corretto consolidamento finanziario: il modello deve sapere come è stato assemblato, non solo cosa ha concluso.

L’aggregazione avviene comunque, vuoi ancora i ricavi per regione per mese all’istante. La differenza e che ogni aggregato mantiene un puntatore verso le registrazioni e le regole sottostanti, e un motore deterministico, non l’aritmetica del modello stesso, fa i calcoli. Così, quando l’IA risponde, recupera dal modello riconciliato e può restituire la cifra con la sua traccia allegata: la regola, le righe sorgente, il percorso che un revisore seguirebbe. Il cubo ti da una coordinata. Un modello riconciliato ti da una citazione.

Il punto chiave

Il cubo OLAP si è guadagnato il suo posto essendo veloce nello slice-and-dice, e dovrebbe mantenerlo. Ma si è guadagnato quella velocità memorizzando conclusioni e scartando le evidenze, e un’IA può citare solo ciò che la sua fonte conserva. Punta un modello su un cubo e “traccia questa cifra” finisce in una cella, una posizione, non una fonte. I team che ottengono risposte difendibili dall’IA in finanza non stanno interrogando un cubo più veloce: hanno messo un modello riconciliato alla base, così ogni cifra risale al libro mastro e l’IA può rispondere e mostrare il proprio lavoro.

Per il quadro completo, parti dal pilastro sul livello di modellazione finanziaria affidabile per l’IA. Per vedere i tuoi numeri tracciati fino alla fonte, prenota una demo.