Прямо сейчас могла бы продать курс «20 пунктов, без которых ни один CFO не проживёт» Но нет, такого тут не будет и не планируется.
Кейсы с цифрами тоже обещать не буду. В консалтинге большая часть клиентов вообще не хотела, чтобы кто-то узнал, что им вообще кто-то помогал Это как признаться, что ходишь к психотерапевту, только страшнее.
А вот про текущую работу CFO — рассказать вполне могу. С блогерами и журналистами общаюсь регулярно, даже с цифрами. Могу и здесь что-то рассказать
Если формат заходит — накидайте огонька 🔥, будем считать это голосованием
Financial Times изучила финансовые отчеты PwC за два года - и нашла в них прорву бреда от ИИ.
В одном из случаев, как источник для проекта JPMorgan, ИИ записал блог школьника на 280 подписчиков. В другом - сослался на несуществующее исследование качества воздуха в Эр-Рияде, выдуманное ИИ. В третьем - прямо в сноске указано что источник chatgpt.com.
я работала в Big4, и там концепция материальности и проверка источников — это база, которую вбивают на первом же проекте. Поэтому новость зацепила лично.
Если топ-консалтинг экономит на ревью уровня "прочитать сноску" …
Исследование 6000 команд: что отличает супер команды
🧠 Руководитель активно вовлечен в работу, глубоко разбирается в теме и сам добавляет ценности работы. 📍 Часто проводят эксперименты. О чем я всегда и говорю, чем больше гипотез протестируем, тем быстрее найдем рабочую. 📍 Руководители таких команд регулярно дают обратную связь, в том числе положительную. С этим увы часто проблема.
CFO финансирует следующую волну AI из денег, которых нет
Bain опубликовали данные, с очень странной для меня логикой: 44% компаний планируют вложения в AI из сэкономленных средств предыдущей волны автоматизации.
Проблема в отчете в том, что предыдущая волна не достигла 100% целей автоматизации (как обычно и бывает).
Далее CFO компаний не измеряли фактический эффект прошлой волны автоматизации. Видимо предполагали, что он равен плановому. Наивные они там конечно на своем Западе:). И в бюджет на AI закладывают сумму в 100% плановой экономии прошлых проектов. Т.е в прошлом проекте была плановая экономия 100 млн, факт 60 млн. На будущие проекты нужно брать 60, а вот многие берут 100%.
И дальше как будто бы на инвестиции в AI закладывались большая сумма, чем компания располагала на инвестиции (по сути деньги будут взяты из операционной деятельности).
И проблема это чуть ли ни у 40% компаний.
Главный финансовый риск по этому отчету внедрения AI - Это одобрение следующей волны на основе возвратов от прошлых проектов, которые так и не пришли.
Честно, перечитала 3 раза. Не поняла. Если проект новый и он выгоден компании надо делать. А сравнивать с экономией от прошлых проектов, не очень понятна ценность.
Как у Вас устроен контроль за фактическими возвратами от автоматизации?
McKinsey в исследованиях decision-making 2024–2025 фиксирует неочевидное: у людей с высоким уровнем мышления проблема не в качестве анализа. Проблема в том, что они не могут остановить анализ.
Последние 10 лет компании активно инвестировали в data-driven decision making. Логика понятна: больше данных — лучше решения. На практике получили другое: данных стало так много, что решения принимать стало сложнее, а не проще. Понять, что важно когда драйверов выручки 50, а не 10 гораздо сложнее.
🧠 AI сделал это ещё острее. Инструменты для генерации идей и вариантов масштабировались кратно. Инструменты для выбора — остались прежними.
📍 Раньше было 3 варианта — выбирали из 3 📍 Data-driven подход дал 10 вариантов с обоснованием каждого 📍 AI даёт ещё 15 — быстро, убедительно, с аргументами (еще и не верными:)
Мозг не ускорился. Зато появилось ощущение, что «ещё не всё рассмотрено», FOMO упущенных цифр.
☠️ Итог: знаете больше, чем когда-либо — двигаетесь медленнее, чем могли бы.
SMART уже завяз в зубах. И почти везде я вижу технически правильные цели. Для руководителей такие цели понятны, но не имеют эмоциональной окраски, поэтому не очень мотивируют.
Именно здесь работает HARD-фреймворк Марка Мёрфи.
Четыре параметра, которые проверяют цель по существу:
📍 Heartfelt — она лично значима. Не «компания хочет», а Вы хотите. Устойчивая мотивация возникает только там, где есть личный резонанс.
📍 Animated — её можно ярко представить. Если цель не визуализируется как конкретная картинка результата — она ещё не сформулирована, она просто записана. Здесь будет ваше сопротивление:) но 95% информации мы получаем через зрение.
📍 Required — она объективно необходима. Не «было бы неплохо» и не «так принято на этом уровне», а реальная потребность — для бизнеса, для роли, для следующего шага.
📍 Difficult — она превышает текущий уровень компетенций. Цель, которая решается имеющимися ресурсами без напряжения, — это задача, а не цель. По-простому, в цели есть вызов.
🧠 Главное смещение здесь — с вопроса «что делать» на вопрос «зачем именно это».
Постановка HARD целей требует некоторых навыков коучинга и понимания мотивации своей команды.
Мне методика нравится. Проверяю так свои рабочие цели.
☠️ «Все данные есть, разберёмся» — данные без интерпретации это просто хранилище. Управленческое решение начинается там, где появляется вопрос «почему», а не «сколько».
Как я случайно сэкономила компании миллионы — прямо в кабинете председателя банка
Едем на переговоры по кредиту. Срочно, важно, всё по-взрослому.
За пять минут до входа открываю презентацию — и понимаю, что коллега из вредности поставил не те цифры. Совсем не те. Менять уже некогда. Заходим.
Председатель смотрит на слайды. Молчит. Потом — громко, без дипломатии и без особого уважения к нашим умственным способностям — объясняет, что у нас растёт сумма кредитов и одновременно падают проценты.
Я сижу и думаю: ну все меня сейчас уволят (а это была моя первая работа).
И тут что-то во мне переключается. Открываю рот — сама не понимаю зачем — и говорю спокойно: «Подождите. Проценты у нас действительно высокие. Бизнес их не тянет давно. Я писала об этом несколько раз. Письма есть в системе.»
Тишина.
Через минуту поднимают переписку. Письма есть. Все до одного — с датами, расчётами и конкретными предложениями по ставке. И прямо в этом кабинете, прямо сейчас, принимается решение о пересмотре условий. (В старые времена не было всех этих комитетов в 5 уровней).
На выходе CEO смотрит на меня и говорит вполголоса: «А я думал, это была ошибка в цифрах».
Вывод, как в буддистких притчах, предлагаю сделать для каждого свой.
Стоит ли читать старые бизнес-книги? Разбираем Ли Якокка.
В далекие студенческие времена я с утра заходила в читальный зал, брала книги, которые нельзя было взять домой, и читала весь день параллельно с лекциями. Именно поэтому в основном считаю бизнес-литературу бесполезной.
Но «Карьера менеджера» была зачитана до дыр
Как-то не так давно я её перечитала. И обнаружила, что в ней есть описание всех типов корпоративных отношений и конфликтов. А период в книге огромный: там и кризисы в экономике, и разные жизненные циклы компании — можно найти почти все варианты действий, причём и верных, и неверных
За 25 лет опыта в крупных компаниях я, кажется, встречалась со всем, что описано в книге.
И вот зачем её читать сейчас : вы начинаете быстрее узнавать паттерны
— Политика. Кто реально принимает решения, кто влияет, кто блокирует, а кто просто громко говорит — Кризис. Как меняется управленческое поведение, когда деньги заканчиваются и времени нет — Ставки. Где вы ошибаетесь не в цифрах, а в понимании того, что людям важно сохранить — Карьера. Как строятся (и ломаются) отношения с советом директоров, топ-командой и ключевыми «держателями власти»
Если вы в роли CEO или C-level, книга работает как зеркало. Части неприятное, но правдивое..
В прошлом посте разобрали, почему KPI перестают управлять уже через квартал. Вопрос «что вместо» — закономерный, но здесь важно не попасть в другую ловушку: заменить один ритуал другим.
По сути задача метрики одна — вести к решению. Исходя из этого и выбираю.
📍 OKR (Objectives & Key Results). Работает, когда нужно держать фокус команды на качественном сдвиге, а не на удержании цифры. Ключевое отличие от KPI: результат формулируется как изменение состояния («клиент выбирает нас первыми»), а не как показатель («выручка +15%»). Горизонт — квартал, цикл пересмотра встроен. Слабое место: требует дисциплины в формулировках, иначе быстро деградирует в те же KPI, только с другим названием. Система может жить и в дополнение к kpi.
📍 North Star Metric. Один показатель, который лучше всего отражает ценность продукта или бизнеса для клиента. Не выручка, не маржа — а то, что предшествует деньгам. У Airbnb это ночи бронирований, у Slack — количество сообщений в команде за день. Подходит, когда компания теряет связь между операционными действиями и реальным результатом для клиента.
📍 Outcome-based goals с rolling forecast. Вместо фиксированного годового плана — скользящий прогноз на 12 месяцев вперёд, который обновляется каждый квартал. Цель привязана не к «выполнить план декабря», а к управляемому движению к результату. Снижает политику вокруг бюджета и убирает классический эффект декабрьского подвига. И если цель очень сложная, например, в антикризисном управлении, помогает держать руку на пульсе.
🧠 Главный критерий при выборе любого из трёх — стабильность результата. Результат предсказуем, его можно объяснить и повторить. Если нет — это не эффективное управление, это случайность с красивой отчётностью.
✔️ Проверка перед заменой: сформулируйте, какое решение Вы примете при отклонении новой метрики. Если ответа нет — инструмент ещё не готов к запуску.
Когда KPI запускают, всё выглядит логично: метрика, план, мотивация. Через квартал система продолжает работать на бумаге — но решений по ней уже никто не принимает.
Вот 5 поломок, которые вижу на практике постоянно:
☠️ Метрика фиксирует факт, но не ведёт к действию. «Выручка упала на 12%» — и что дальше? Если KPI не указывает, что именно делать, это не управление, это отчётность.
☠️ Целей слишком много. Больше 3–5 KPI на уровне топа — и фокус размывается. Команда оптимизирует то, за что больше платят, остальное тихо игнорируется.
☠️ Метрики не обновляются при смене контекста. Рынок поменялся, приоритеты сдвинулись — а KPI остались с прошлогодней стратсессии. Управляют уже не целью, а инерцией.
☠️ Манипуляция встроена в систему. Кейс Wells Fargo — 3,5 млн поддельных счетов ради KPI «8 продуктов на клиента» — крайний случай. В мягкой форме это происходит в каждой второй компании.
☠️ Нет владельца метрики. Если за KPI отвечают «все», по факту не отвечает никто.
🧠 Простой тест: возьмите любой KPI из своей системы и ответьте на два вопроса. Какое решение Вы примете, если метрика упадёт на 20%? Кто конкретно несёт за неё ответственность?
Если ответы размытые — KPI уже не управляет, он просто висит в дашборде.
Какой самый «мёртвый» KPI есть в вашей системе прямо сейчас? Поделитесь в комментариях.
Контрольная функция, запреты, плохие новости — это работа CFO.
Проблема в том, как это выполняется: споры с бизнесом до потери пульса, позиция «я сказала нет», ощущение, что финансы — это стена, а не партнёр. Слушать о том, что бизнес-план не выполняется уже само по себе не очень приятно:)
📍 Друзья, у меня для Вас плохая новость. AI вас заменит. Только не в аналитике — там фактура пока далека от идеала. А в коммуникации.
Любая нейронка демонстрирует сочувствие, понимание и приятный стиль общения. AI не скажет «я же говорил, так и получилось». Не получилось, ты молодец, не сдавайся, попробуй еще раз и пр, и дальше ворох тонкой и грубой лести. Финансовый департамент обычно общается не так:)
С вами профессиональнее, с AI комфортнее. Вопрос в том, насколько «профессиональнее» в вашем случае будет перевешивать.
P.S. для особо чувствительных - пост написан в духе сарказма:)
Знакомая картина: прибыль просела, собирается команда, открывается бюджет. Ищем, где срезать.
McKinsey проверили математику на данных компаний из S&P 1500. Результат простой:
📍 +1% к цене при стабильных объёмах → операционная прибыль растёт на 8% 📍 -1% переменных затрат → эффект почти вдвое меньше 📍 +1% объёма продаж → эффект втрое меньше
Ценообразование выигрывает у всех. По скорости, по отдаче, по масштабу влияния на P&L.
Я видела это на практике не раз. Работа с ценой в моих командах — это была отдельная аналитика: где эластичность позволяет, где отраслевой бенчмарк даёт пространство, где сегмент готов платить больше. Не «поднять всё на 10%» — а точечно, с расчётом.
✔️ Фокус финансиста на доходах даёт больший эффект, чем фокус на расходах. В кризис — тем более. Начинать нужно с выручки.
☠️ Но резать косты политически проще. Никто не поспорит, все понимают логику, результат виден быстро. Именно поэтому это делают по умолчанию — и именно поэтому это ловушка.
P.S. Если в вашей компании последний раз серьёзно пересматривали ценообразование больше года назад — возможно, там и лежит незамеченная точка роста прибыли.
Вопрос про модели и методики мне задают постоянно. Особенно про диагностику финансов и бизнес-моделей.
Честно? За годы практики перестаешь думать категориями «какой фреймворк применить». Просто видишь ситуацию — и знаешь, что делать. Здравый смысл, накачанный годами реального опыта.
А опыт вот откуда: ☑️ PwC — бесконечные аудиты и куча кейсов ☑️ Годы работы со стратегической большой тройкой (зыринг и творог) ☑️ London Business School ☑️ База коучинга — потому что за любыми цифрами стоят люди
Поэтому вместо списка на 50 строк — картинка выше. Стопятьсот моделей в одном здравом смысле 👆
P.S. 📍но если прямо очень нужен framework на какую-то тему пишите в комментариях, подумаю чем помочь
