Elaboración de planes y previsiones con Predictive Planning

Las empresas están adoptando más ampliamente la planificación predictiva, que utiliza el análisis estadístico para estimar lo que es probable que suceda en el futuro, en función de los datos históricos de tu organización. Esta información ayuda a los CFO y a sus equipos financieros a comprender cómo pueden evolucionar factores como las ventas o los gastos, lo que les permite asignar presupuestos de manera adecuada y mejorar la planificación de la inversión y el flujo de caja. El uso de la planificación y previsión predictivas puede ayudar a los CFO y a otros líderes empresariales a identificar riesgos potenciales en sus previsiones, como la escasez de suministro o la escasez de efectivo. Esta previsión hace que sea más probable que puedan evitar problemas y proteger las ganancias y la reputación de su empresa.

¿Qué es la previsión en la planificación predictiva?

La previsión que usa la planificación predictiva, a veces llamada previsión predictiva, es el proceso de analizar datos históricos y proyectar lo que es probable que ocurra. La planificación predictiva es cómo los CFO y los equipos financieros utilizan esa información para prepararse para el futuro. Los equipos financieros que realizan la planificación predictiva se basan en gran medida en la previsión de series temporales, con la identificación de patrones y tendencias en los datos registrados a intervalos regulares, como números de ventas mensuales o niveles de stock de inventario diario, para extrapolar lo que podría suceder a continuación. El análisis de datos de series temporales, como este, es útil para comprender los ciclos, la estacionalidad y las tendencias a largo plazo, lo que ayuda a crear una previsión precisa.

Por ejemplo, es posible que un CFO desee prever las ventas para una próxima temporada de vacaciones. Si la compañía tiene datos históricos de ventas de años, la previsión de series temporales puede proporcionar una estimación que refleje el impacto estacional. Sin embargo, el equipo financiero debe identificar y utilizar el mejor método de previsión de series temporales para lograr la proyección más precisa.

Si los analistas tienen suficientes datos de calidad para extraer información y aplicar los modelos correctamente, los métodos de previsión utilizados en la planificación predictiva deben tener un mayor grado de precisión en comparación con otras prácticas, como la intuición o asumir un aumento porcentual fijo cada año. Además, muchas organizaciones optan por validar aún más sus previsiones utilizando software con capacidades de análisis predictivo integradas, que utiliza el modelado de datos y el aprendizaje automático (ML) para descubrir relaciones en el conjunto de datos que una persona puede no ver. La validación de previsiones con análisis predictivos se considera cada vez más una parte estándar del proceso de planificación predictiva.

Conclusiones clave

• La planificación predictiva es cuando los equipos financieros utilizan técnicas estadísticas para identificar tendencias y patrones en los datos históricos a fin de estimar valores futuros, como ventas, gastos y flujo de caja, para mejorar el proceso de planificación.
• Las previsiones y predicciones resultantes son tan buenas como los datos que se utilizan para hacerlas, por lo que los equipos financieros solo deben utilizar datos limpios, relevantes y de confianza.
• Existen muchos métodos de previsión de series temporales entre los que elegir para realizar la planificación predictiva, y los analistas deben encontrar el método más adecuado y considerar cuidadosamente qué variables son necesarias para lograr la previsión más precisa.
• La planificación predictiva se puede aplicar a una amplia gama de casos de uso empresariales, como la previsión de flujos de caja, la demanda de productos y el retorno de la inversión para campañas de marketing.

Explicación de la planificación predictiva y la previsión

La planificación predictiva supone que los patrones históricos y las tendencias se repiten hasta cierto punto. Por lo tanto, al analizar el pasado, los CFO y los equipos financieros pueden prepararse para lo que es probable que ocurra al descubrir información y crear previsiones que anticipen resultados futuros basados en datos actuales. La adopción de la planificación y la previsión predictiva está en aumento debido al incremento de la demanda para pronosticar las tendencias de forma fiable en un número cada vez mayor de casos de uso y la creciente volatilidad y complejidad en los negocios. El número de organizaciones que dicen utilizar la planificación predictiva de forma productiva pasó de solo el 4 % en 2020 al 27 % en 2022, según una encuesta global de la firma de analistas de mercado BARC de 295 empleados que participan en el proceso de planificación. Otro 17 % la estaba implementando o usando prototipos en 2022, según la encuesta. Las empresas que pueden prever con precisión el futuro tienen más probabilidades de tomar decisiones informadas hoy y crear planes que las preparen para el éxito mañana.

Digamos que una empresa quiere pronosticar las ventas del próximo año, los costos de la materia prima y los requisitos de capacidad de producción para ver si tiene sentido invertir en nuevos equipos. Varios factores influyen en si el pronóstico del equipo será preciso. En primer lugar, el equipo financiero debe tener suficientes datos para descubrir patrones y tendencias. Una regla general es tener al menos el doble de datos históricos que el tiempo que está pronosticando, por ejemplo, 24 meses de datos históricos para crear una previsión de 12 meses. Los datos también deben ser fiables y limpios, lo que significa que están libres de elementos falsos, duplicados o con el formato incorrecto. Normalmente, la planificación predictiva se realiza utilizando datos de finanzas, que tienden a estar bien estructurados y, con suerte, a ser precisos. Las predicciones son tan buenas como los datos utilizados para plantearlas. Además, el analista de planificación y análisis financieros (FP&A) debe identificar el modelo de previsión de series de tiempo adecuado (a menudo varios modelos) teniendo en cuenta los datos disponibles y la pregunta que están respondiendo. Elegir las variables incorrectas puede apuntar a una mala predicción y, por lo tanto, una mala decisión, y agregar más variables puede llevar a un "sobreajuste", donde el modelo de datos comienza a modelar el ruido aleatorio presente en los datos.

Con tantos factores a tener en cuenta, más profesionales de las finanzas están recurriendo al software y los servicios de planificación predictiva que les ayudan a tomar estas decisiones y, en última instancia, a obtener previsiones más precisas más rápido. Entre más precisas son las previsiones, mejor los equipos financieros pueden planificar el futuro y asignar presupuestos de forma inteligente. Considera cuántos factores están en juego al crear un presupuesto anual y el significativo impacto de una línea de ítem, como los costos de contratación. La Society for Human Resource Management estima que una empresa gasta en promedio 4129 dólares para contratar a un empleado. Si el departamento de RR. HH. de una cadena hotelera asume que tendrá que reemplazar a 500 empleados en el servicio de limpieza en función de la tasa de abandono que se mantiene igual que el año pasado, pero en realidad necesita reemplazar a 1000, los costos de contratación por sí solos podrían superar los 2 millones de dólares. En lugar de ese enfoque simple, una empresa podría utilizar la planificación predictiva para detectar tendencias históricas en el nivel de abandono de una empresa, evaluar los posibles escenarios de mejor y peor caso, y considerar ajustar el pronóstico de abandono de estado estacionario si el modelo predice un resultado significativamente diferente.

Más allá del equipo financiero, el uso multifuncional de la planificación predictiva y la previsión es cada vez más vital para hacer frente a la volatilidad en la economía, la fuerza laboral, la cadena de suministro y otros impulsores del negocio. La planificación predictiva se puede utilizar en la gestión de inventario, por ejemplo, para detectar picos cíclicos o estacionales que pueden ejercer una presión inesperada sobre el capital circulante o la escasez que puede ralentizar la producción. Un gerente de compras puede utilizar la previsión predictiva para estimar los costos de las materias primas y decidir si protegerse contra un aumento del precio de estas. Un líder del equipo de servicio al cliente puede utilizar la planificación predictiva para pronosticar las tendencias de volumen de llamadas y establecer los niveles de personal. Los insights operativos, como estos, afectan a muchas áreas de una empresa y ayudan a las organizaciones a crear planes financieros más precisos.

Casi la mitad de los directores financieros afirma que su principal prioridad es crear modelos predictivos y obtener la capacidad de analizar y prepararse para diferentes escenarios, según una encuesta de PwC realizada en agosto de 2022. Esta previsión les permite evitar riesgos potenciales, como déficits de ingresos o invertir demasiado en un nuevo mercado que es poco probable que cumpla con las expectativas. La creación de planes de escenarios basados en las mejores y peores previsiones prepara a los equipos para responder. Además, las empresas utilizan cada vez más un software de planificación predictiva que actualiza automáticamente las previsiones, utilizando los datos en tiempo real de una organización, lo que permite a los equipos financieros ver un desastre o un éxito antes, para que puedan preparar su respuesta.

Métodos de previsión de serie temporal

El pronóstico de series temporales es una técnica que utiliza puntos de datos históricos registrados a intervalos regulares para predecir lo que probablemente sucederá en el futuro. Existen numerosos métodos o algoritmos de previsión de series temporales, y los profesionales financieros deben identificar cuál les dará la predicción más precisa basada en los datos disponibles y lo que quieren lograr.

La previsión de series temporales generalmente estudia las tendencias, la estacionalidad y los ciclos. Las tendencias reflejan el aumento o disminución gradual o constante de los patrones de datos a lo largo del tiempo, típicamente debido a factores a largo plazo, como los cambios en la población, el crecimiento orgánico o los cambios en la tecnología. A menudo se puede modelar con una función lineal o tal vez una función de curva de movimiento lento. La estacionalidad se centra en aumentos y disminuciones periódicas, regulares y algo predecibles que ocurren con el tiempo. Y cuando se discuten los datos mensuales, la estacionalidad generalmente ocurrirá dentro de un año calendario. Se puede dividir en cuartos o estacionalidad natural, como las vacaciones. Los ciclos son patrones de aumentos y disminuciones que podrían no ser tan regulares y durar más de un año. En términos de negocios, esto a menudo se debe a cosas como los ciclos comerciales de varios años que se mueven más lento que un patrón de estacionalidad típico.

Estos son los métodos populares:

• La media móvil única (SMA) calcula el precio medio de un artículo durante un tiempo definido y funciona mejor con datos volátiles sin tendencias ni estacionalidad.
• La media móvil doble (DMA) calcula la media móvil y, a continuación, promedia esa media móvil. Esta técnica utiliza ambos conjuntos de datos para proyectar el comportamiento futuro esperado y funciona bien con datos históricos que tienen una tendencia, pero sin estacionalidad.
• El suavizamiento exponencial simple (SES) pondera los datos, dando la mayor importancia a lo más reciente y disminuyendo gradualmente el peso a medida que la información es más antigua. Este método ayuda a superar las limitaciones de los promedios móviles y los métodos de cambio de porcentaje, y funciona mejor con datos volátiles que no tienen una tendencia o estacionalidad.
• El suavizamiento exponencial doble (DES) realiza y repite el método SES. El DES es aplicable cuando los datos tienen una tendencia, pero no estacionalidad.
• El método no estacional de suavizamiento de tendencia amortiguada (DTS) aplica el SES dos veces, pero a diferencia del método DES, la curva del componente de tendencia se amortigua y se aplana con el tiempo. Esta técnica se aplica a datos que tienen una tendencia, pero no estacionalidad.
• El aditivo estacional calcula el índice estacional para datos históricos sin tendencia, resultando en un pronóstico curvilíneo que muestra cambios estacionales y valores suavizados exponencialmente. Es útil cuando la estacionalidad no aumenta con el tiempo.
• El multiplicativo estacional funciona mejor con datos estacionales que suben o bajan, diferenciándolo del aditivo estacional. Este método también calcula el índice estacional para los datos históricos sin tendencia.
• El aditivo Holt-Winters crea valores suavizados exponencialmente para el nivel de previsión y la tendencia, y se ajusta a la estacionalidad. Este método funciona bien cuando ni la tendencia ni la estacionalidad aumentan con el tiempo.
• Holt-Winters multiplicativo se aplica cuando la tendencia y la estacionalidad aumentan con el tiempo. Al igual que el aditivo Holt-Winters, el multiplicativo Holt-Winters crea valores suavizados exponencialmente para el nivel de la previsión y la tendencia, y se ajusta a la estacionalidad.
• El método estacional aditivo de tendencia amortiguada proyecta la estacionalidad, la tendencia amortiguada y el nivel individualmente, y luego combina los datos en una previsión de tendencia lineal. Esta técnica funciona mejor cuando los datos tienen una tendencia y estacionalidad, pero la variación estacional es bastante constante.
• El método estacional aditivo de tendencia amortiguada también proyecta la estacionalidad, la tendencia amortiguada y el nivel individualmente, y luego los combina en una previsión. Sin embargo, sigue un proceso hecho para situaciones donde la variación estacional aumenta con el tiempo.
• El modelo autorregresivo integrado de media móvil (ARIMA) es un cálculo que captura las tendencias de una variable a lo largo del tiempo y predice puntos de datos futuros observando la diferencia entre valores en la serie. Se aplica cuando no hay estacionalidad, pero existen modelos ARIMA estacionales separados (SARIMA).

Selección de métodos de previsión y técnicas

La planificación predictiva ayuda a las organizaciones a tomar decisiones esenciales y prepararse para lo que viene. Para hacerlo de manera efectiva, los profesionales de análisis y planificación financiera deben utilizar el método de previsión más preciso teniendo en cuenta lo que desean lograr y los datos disponibles. También es vital que los datos sean fiables, relevantes y que el conjunto de datos sea lo suficientemente grande como para obtener la predicción más precisa posible. Las recomendaciones de tamaño varían, pero un enfoque es tener al menos el doble de datos que el periodo de predicción.

Como se ha visto anteriormente en la sección Métodos de previsión de serie temporal, cada algoritmo tiene advertencias y funciona mejor en circunstancias específicas. Por ejemplo, si deseas estimar el precio futuro de materias primas para tu proceso de manufactura observando su precio histórico promedio durante un periodo definido, el SMA funciona mejor si no hay tendencia ni estacionalidad. Sin embargo, si tus datos tienen una tendencia y no tienen estacionalidad, es más probable que obtengas una previsión precisa con DMA. Los datos pueden estar desestacionalizados, pero esto agrega una complicación a tu modelo.

Además de la disponibilidad de datos y el propósito de la previsión, los analistas deben considerar factores como cuán precisa necesita ser la estimación; los costos de crear la predicción en términos de tiempo del personal, obtención de datos y recursos informáticos frente a los beneficios; y cuánto tiempo hay disponible para realizar el análisis. Encontrar la predicción estadísticamente más precisa puede ser un proceso que consume mucho tiempo. Necesitas identificar los métodos de previsión relevantes, ejecutar los números para cada modelo con valores históricos y luego analizar cuál habría tenido menos errores y mejores predicciones si se hubiera utilizado en el pasado. Por ejemplo, crear un conjunto de datos de validación con un cálculo de error cuadrático medio (RMSE) le permite evaluar su modelo con puntos de datos históricos. El RMSE es esencialmente la desviación estándar de los residuos en el conjunto de datos de validación, y cuanto más bajo sea el RMSE, mejor. El método de previsión con la predicción más precisa tiene puntos de datos más cercanos a la línea de regresión, que muestra la relación entre dos variables: las variables dependientes en el eje Y y las variables independientes en el eje X de un gráfico. El enfoque correcto podría implicar el uso de múltiples métodos.

Muchas personas prefieren usar aplicaciones con capacidades integradas de planificación predictiva que automatizan este proceso. La organización de servicios profesionales EY encuestó a 1000 CFO y líderes financieros senior para su EY Global DNA of the CFO Survey y encontró que la transformación tecnológica es la principal forma en que mejorarán la función financiera en los próximos tres años, seguida por el análisis avanzado de datos, que incluye usar IA para mejorar tareas financieras. Estas aplicaciones de IA ejecutan los datos de una empresa a través de varios métodos de previsión de series temporales, aplican criterios de RMSE y error estándar, e identifican el modelo con el mejor ajuste. La aplicación también puede proyectar un escenario de mejor y peor caso junto con la predicción.

Algunas aplicaciones permiten el análisis multivariante, lo que permite a los profesionales de análisis y planificación financiera comparar varios factores a la vez para mejorar las previsiones financieras y la planificación corporativa. Además, es posible automatizar estos procesos para que, a medida que haya nuevos datos disponibles, se actualicen las previsiones y predicciones, con el fin de poner a disposición de los CFO y equipos financieros los últimos insights.

Casos de uso de planificación predictiva y previsión

La planificación predictiva se está volviendo esencial a medida que las empresas se enfrentan a una presión creciente para aumentar las ganancias y minimizar los riesgos en medio de fluctuaciones constantes en la demanda de los consumidores, las condiciones económicas, el rendimiento de los proveedores y otras variables. Una encuesta global realizada a 303 altos ejecutivos financieros de CFO Dive y FTI Consulting revela que mejorar la precisión de las previsiones y las capacidades analíticas son dos de las cinco estrategias principales que utilizarán para mejorar el rendimiento financiero en 2023 y en adelante. Mejores previsiones con actualizaciones frecuentes mejoran la capacidad de una organización para planificar diferentes escenarios y adaptarse rápidamente.

KCB Group, una sociedad holding de servicios financieros, solía tardar más de 12 semanas en preparar y finalizar los presupuestos de todas sus sucursales y líneas de negocio. Los datos estaban en varios lugares, lo cual era un problema. También dependían de las tendencias del mercado y otros puntos de datos externos durante la planificación para prever ingresos no financiados, como las tarifas de transacciones y tarifas por fondos insuficientes, lo que añadía complejidad a la previsión. Una vez que KCB Group comenzó a usar una aplicación con herramientas integradas de planificación predictiva, les resultó más fácil usar sus propios datos comerciales y externos para identificar tendencias y prever varios escenarios. En última instancia, KCB Group redujo su ciclo presupuestario en un 60 % al realizar mejoras en todo su proceso de planificación.

Previsiones más precisas también ayudan a las empresas a anticipar y responder rápidamente a las tendencias del mercado para impulsar el crecimiento rentable. Cuando lululemon decidió centrarse en hacer crecer su negocio fuera de América del Norte, el equipo de planificación y análisis financiero se dio cuenta de que necesitaban anticipar mejor cómo los cambios en la economía mundial y las tendencias de la industria podrían afectar las ventas. Comenzaron a usar una aplicación de planificación más robusta con análisis predictivo integrado, una técnica de previsión sofisticada, para prever múltiples escenarios basados en sus datos históricos y en tiempo real para actualizar continuamente su plan anual. Los insights mejoraron la salud financiera y la estrategia de lululemon, permitiendo a los líderes tomar decisiones mejor informadas para expandir el alcance de la marca.

La previsión tiene muchos otros usos para apoyar las necesidades comerciales y financieras. Por ejemplo, las empresas pueden proyectar ventas con mayor precisión porque la previsión predictiva puede reducir el sesgo humano. La previsión basada en estadísticas elimina las emociones y proyecta lo que es más probable que ocurra en función de datos pasados, permitiendo a los gerentes de ventas y otros líderes planificar mejor. Del mismo modo, la previsión de ventas de productos para los próximos seis meses puede ayudar a las empresas a crear hoy un plan con el fin de asegurar que tengan suficientes materiales para producir bienes que satisfagan la demanda anticipada.

Los equipos financieros a menudo usan la planificación predictiva para prever flujos de efectivo a mediano y largo plazo y tener una mejor idea de la liquidez más probable, una preocupación importante para las empresas de cualquier tamaño. Tener efectivo disponible les da la flexibilidad de aprovechar oportunidades inesperadas o cubrir gastos imprevistos. Sin embargo, averiguar cuánto efectivo está disponible en cualquier momento puede ser un desafío. Por ejemplo, si eres un proveedor que vende bienes a clientes a crédito, el efectivo no está disponible inmediatamente en el punto de venta de esos artículos. Necesitas prever cuándo los clientes pagarán por esas ventas a crédito.

Según la encuesta 2021 Global CFO/Treasury de IDC, la mayoría de los profesionales financieros necesitan más de un día para generar una vista consolidada de su efectivo y liquidez. Eso crea dos problemas: primero, dificulta la capacidad de su empresa para responder rápidamente a situaciones inesperadas, y segundo, para cuando tienen una cifra, probablemente ya esté desactualizada. La encuesta también encontró que menos del 5 % de los encuestados confían en sus previsiones de efectivo si son de más de tres meses. Considerando la complejidad de medir la liquidez y su significativo impacto empresarial, más empresas están explorando la previsión predictiva de efectivo para obtener pronósticos más precisos rápidamente.

Los equipos financieros también utilizan cada vez más modelos predictivos para validar rápidamente sus pronósticos. Los modelos predictivos basados en el aprendizaje automático y el análisis avanzado de datos pueden identificar relaciones en datos históricos que un analista podría no ver. Piensa en ello como una forma más sofisticada de generar insights y predicciones, especialmente cuando los analistas están tratando de responder preguntas complicadas con muchas variables.

Prever el crecimiento de la población de una ciudad, por ejemplo, es muy difícil. Los planificadores urbanos deben considerar cuántas personas, en promedio, ingresan y salen del municipio anualmente, cuántos niños nacen cada año, cuántos hombres y mujeres hay, cuánto tiempo vivirán y otros factores. Cuanto más exactamente puedan anticipar los cambios en el tamaño de la ciudad, mejor podrán servir a esa comunidad construyendo carreteras y escuelas, preparándose para las fluctuaciones del uso de agua y energía y tomando otras decisiones vitales. Los modelos predictivos pueden ayudar con este tipo de predicciones.

Un uso potencialmente vital de la planificación predictiva está en las salas de emergencia. Los administradores hospitalarios pueden utilizar análisis predictivos para prever los volúmenes de pacientes y planificar los niveles de personal adecuados. En general, las salas de urgencias tienen una regla de cuatro horas, donde el personal debe ver, tratar y decidir si un paciente será admitido o dado de alta dentro de ese tiempo. Un estudio británico de 2022 sobre más de 5 millones de pacientes publicado en el Emergency Medicine Journal encontró que esperar más de cinco horas en la sala de emergencias antes de ser admitido en el hospital aumentó la probabilidad de muerte del paciente en los siguientes 30 días. En un momento en que los hospitales están lidiando con la escasez de personal de enfermería y médicos, la planificación predictiva y la previsión ofrecen una herramienta valiosa para asignar a los empleados de la manera más efectiva posible.

Planea mejor con el uso de la planificación predictiva y la previsión

Un enfoque de previsión basado en datos puede reducir el sesgo humano y permite a los equipos financieros identificar rápidamente el resultado más probable en varios escenarios para que los CFO puedan trabajar junto con otros líderes para tomar decisiones más informadas. La planificación y previsión predictivas a través de Oracle Cloud Enterprise Performance Management (EPM) Planning, parte de Oracle Fusion Cloud Enterprise Performance Management, conecta la planificación entre las áreas de finanzas y las líneas de negocio. Cada área se beneficia del acceso a modelos de planificación predefinidos para explorar rápidamente varios escenarios. Los equipos financieros pueden aprovechar estas previsiones y modelos de datos para elaborar planes más precisos e informados que ayuden a las empresas a prepararse para los mejores y peores resultados de manera que protejan y hagan crecer el negocio de manera rentable.

Preguntas frecuentes sobre la planificación predictiva

¿Qué es la planificación predictiva?
La planificación predictiva utiliza lo que aprendimos del pasado para planificar el futuro. Los métodos de previsión de series temporales proyectan valores futuros probables, como números de ventas, precios de acciones y gastos mensuales, en función de la suposición de que se repetirán los patrones y las tendencias de los datos históricos, y es posible utilizar herramientas como el aprendizaje automático y la IA para validar esas previsiones rápidamente.

¿Qué es la previsión predictiva?
La previsión predictiva, más comúnmente llamada solamente previsión, analiza los datos históricos para estimar lo que es probable que suceda mediante la identificación de patrones y tendencias en los datos registrados a intervalos regulares.