Planejamento e previsão usando o planejamento preditivo

As empresas estão adotando o planejamento preditivo de forma mais ampla, usando a análise estatística para estimar o que provavelmente acontecerá no futuro com base nos dados históricos da organização. Essas informações ajudam os CFOs e suas equipes financeiras a entender como alguns fatores, como vendas ou despesas, podem evoluir, permitindo alocar orçamentos de forma adequada e melhorar o planejamento de investimentos e fluxo de caixa. O uso do planejamento preditivo e da previsão pode ajudar os CFOs e outros líderes empresariais a identificar possíveis riscos, como escassez de suprimentos ou déficit de caixa. Essa previsão torna mais provável que eles consigam evitar problemas e proteger os lucros e a reputação da empresa.

O que é previsão no planejamento preditivo?

A previsão usando o planejamento preditivo é o processo de analisar dados históricos e projetar o que provavelmente acontecerá. O planejamento preditivo é a forma como os CFOs e as equipes financeiras usam essas informações para se preparar para o futuro. As equipes financeiras que fazem planejamento preditivo se baseiam amplamente em previsões de séries temporais, que identificam padrões e tendências em dados registrados em intervalos regulares, como números de vendas mensais ou níveis diários de estoque, para estimar o que pode acontecer em seguida. A análise de dados de séries temporais, como essa, é útil para entender ciclos, sazonalidade e tendências de longo prazo, o que ajuda a criar uma previsão precisa.

Por exemplo, um CFO pode querer fazer uma previsão de vendas para as festas de fim de ano. Se a empresa tiver anos de dados históricos de vendas, a previsão de séries temporais poderá fornecer uma estimativa que reflita o impacto sazonal. No entanto, a equipe financeira deve identificar e usar o melhor método de previsão de séries temporais para a situação, a fim de obter a projeção mais precisa.

Se os analistas tiverem dados de qualidade suficientes para extrair insights e aplicar os modelos corretamente, os métodos de previsão usados no planejamento preditivo devem ter um grau mais alto de precisão em comparação com outras práticas, como uma intuição ou a suposição de um aumento percentual fixo ano após ano. Além disso, muitas organizações optam por validar ainda mais suas previsões usando software com recursos de análise preditiva incorporados, que utilizam modelagem de dados e machine learning (ML) para descobrir correlações no conjunto de dados que uma pessoa talvez não veja. A validação de previsões com análise preditiva é cada vez mais considerada uma parte padrão do processo de planejamento preditivo.

Principais conclusões

• O planejamento preditivo é quando as equipes financeiras usam técnicas estatísticas para identificar tendências e padrões em dados históricos para estimar valores futuros, como vendas, despesas e fluxo de caixa, para aprimorar o processo de planejamento.
• As previsões e os prognósticos resultantes são tão bons quanto os dados que os compõem, portanto, as equipes financeiras devem usar apenas dados limpos, relevantes e confiáveis.
• Existem vários métodos de previsão de séries temporais que você pode escolher para fazer o planejamento preditivo, e os analistas devem encontrar o método mais adequado e considerar cuidadosamente quais variáveis são necessárias para obter a previsão mais precisa.
• O planejamento preditivo pode ser aplicado a uma ampla gama de casos de uso comercial, como a previsão de fluxos de caixa, a demanda de produtos e o retorno sobre o investimento em campanhas de marketing.

Planejamento preditivo e previsão explicados

O planejamento preditivo pressupõe que os padrões e tendências históricos se repetem até certo ponto. Portanto, ao analisar o passado, os CFOs e as equipes financeiras podem se preparar para o que provavelmente virá, descobrindo insights e criando previsões que antecipam resultados futuros com base nos dados atuais. A adoção do planejamento preditivo e da previsão está em alta devido à crescente demanda para prever tendências de forma confiável em um número cada vez maior de casos de uso e à crescente volatilidade e complexidade dos negócios. O número de organizações que afirmam usar o planejamento preditivo de forma produtiva passou de apenas 4% em 2020 para 27% em 2022, de acordo com uma pesquisa global da empresa de análise de mercado BARC com 295 funcionários que participam do processo de planejamento. Outros 17% estavam implementando ou usando protótipos em 2022, segundo a pesquisa. As empresas que podem prever o futuro com precisão têm maior probabilidade de tomar decisões assertivas e criar planos que as preparem para o sucesso.

Digamos que uma empresa queira prever as vendas do próximo ano, os custos de matéria-prima e os requisitos de capacidade de produção para ver se faz sentido investir em novos equipamentos. Vários fatores influenciam a precisão da previsão da equipe. Primeiro, a equipe financeira deve ter dados suficientes para descobrir padrões e tendências. Uma regra geral é ter pelo menos duas vezes mais dados históricos do que o período de tempo que você está analisando – por exemplo, 24 meses de dados históricos para gerar uma previsão de 12 meses. Os dados também devem ser confiáveis e limpos, ou seja, sem dados falsos, duplicados ou formatados incorretamente. Normalmente, o planejamento preditivo é executado usando dados financeiros, que tendem a ser bem estruturados e precisos. As previsões são tão exatas quanto os dados usados para criá-las. Além disso, o analista de planejamento e análise financeira (FP&A) deve identificar o modelo correto de previsão de séries temporais (geralmente vários modelos) com base nos dados disponíveis e na pergunta a ser respondida. A escolha das variáveis erradas pode indicar uma previsão ruim e, portanto, uma decisão ruim, e a adição de mais variáveis pode levar ao “superajuste”, em que o modelo de dados começa a criar um ruído aleatório presente nos dados.

Com tantos fatores a serem considerados, cada vez mais profissionais de finanças estão recorrendo a softwares e serviços de planejamento preditivo para ajudá-los a tomar essas decisões e, por fim, gerar previsões mais precisas e mais rápidas. Quanto mais assertivas forem as previsões, melhor as equipes financeiras poderão planejar o futuro e alocar os orçamentos de forma inteligente. Pense em quantos fatores estão em jogo ao criar um orçamento anual e o impacto significativo que um item de linha, como os custos de contratação, pode ter. Uma empresa pode usar o planejamento preditivo para identificar tendências históricas no nível de saída de funcionários, avaliar os cenários prováveis de melhor e pior caso e considerar o ajuste da previsão de saída no estado estacionário se o modelo prever um resultado significativamente diferente.

Além da equipe financeira, o uso multifuncional do planejamento preditivo e da previsão é cada vez mais vital para lidar com a volatilidade da economia, da força de trabalho, da cadeia de suprimentos e de outros fatores de negócios. O planejamento preditivo pode ser usado no gerenciamento de estoques, por exemplo, para detectar picos cíclicos ou sazonais que podem causar uma pressão inesperada sobre o capital de giro ou identificar gargalos que podem atrasar a produção. Um gerente de compras pode usar a previsão para estimar os custos de matéria-prima e decidir se deve fazer um hedge contra aumentos nos preços das mercadorias. Um líder da equipe de atendimento ao cliente pode usar o planejamento preditivo para prever tendências de volume de chamadas e definir o número de funcionários necessários. Insights operacionais como esses afetam muitas áreas de um negócio e ajudam as organizações a criar planos financeiros mais precisos.

Quase metade dos CFOs entrevistados afirma que sua principal prioridade é criar modelos preditivos e obter a capacidade de analisar e se preparar para diferentes cenários, de acordo com uma pesquisa da PwC de agosto de 2022. Essa previsão permite que eles evitem riscos potenciais, como quedas de receita ou investimentos excessivos em um novo mercado que provavelmente não atenderá às expectativas. O desenvolvimento de planos de cenários com base nas previsões de melhor e pior caso prepara as equipes para saber como reagir. Além disso, as empresas usam cada vez mais software de planejamento preditivo que atualiza automaticamente as previsões usando os dados em tempo real da organização, permitindo que as equipes financeiras vejam um desastre ou um sucesso chegando mais cedo para que possam acelerar a resposta planejada.

Métodos de previsão de séries temporais

A previsão de séries temporais é uma técnica que usa pontos de dados históricos registrados em intervalos regulares para prever o que provavelmente acontecerá no futuro. Existem vários métodos ou algoritmos de previsão de séries temporais, e os profissionais de finanças devem identificar qual deles fornecerá a previsão mais precisa com base nos dados disponíveis e no que desejam alcançar.

A previsão de séries temporais geralmente estuda tendências, sazonalidades e ciclos. As tendências refletem o aumento ou a diminuição gradual ou constante dos padrões de dados ao longo do tempo, normalmente devido a fatores de longo prazo – coisas como mudanças na população, crescimento orgânico ou mudanças na tecnologia. Geralmente, é possível modelar essas tendências usando uma função linear ou uma função de curva de movimento lento. A sazonalidade se concentra em aumentos e reduções periódicas, regulares e razoavelmente previsíveis que ocorrem ao longo do tempo. E ao discutir dados mensais, a sazonalidade geralmente ocorre em um ano civil. Ele pode ser dividido em trimestres ou flutuações sazonais naturais, como feriados. Os ciclos são padrões de aumentos e reduções que podem não ser tão regulares e podem durar mais de um ano. Nos negócios, isso geralmente se deve a fatores como ciclos de negócios plurianuais que se movem mais lentamente do que um padrão típico de sazonalidade.

Os métodos populares são:

• A média móvel simples (SMA) calcula o preço médio de um item em um intervalo definido e funciona melhor com dados voláteis sem tendências ou sazonalidade.
• A média móvel dupla (DMA) calcula a média móvel e, em seguida, determina a média dessa média móvel simples. Essa técnica usa os dois conjuntos de dados para projetar o comportamento futuro esperado e funciona bem com dados históricos que possuem uma tendência, mas não têm sazonalidade.
• A suavização exponencial simples (SES) pondera os dados, dando maior importância ao ponto de dados mais recente, e diminui gradualmente a ponderação à medida que os dados se tornam mais antigos. Este método ajuda a superar as limitações de médias móveis e métodos de mudança percentual e funciona melhor com dados voláteis que não têm uma tendência ou sazonalidade.
• A suavização exponencial dupla (DES) executa e repete o método de SES. O DES é aplicável quando os dados possuem uma tendência, mas não têm sazonalidade.
• O método não sazonal de suavização de tendência amortecida (DTS) aplica o SES duas vezes, mas, diferentemente do método de DES, a curva do componente de tendência é amortecida e nivelada ao longo do tempo. Essa técnica se aplica a dados que possuem uma tendência, mas não têm sazonalidade.
• O sazonal aditivo calcula o índice sazonal para dados históricos sem tendência, resultando em uma previsão curva que mostra alterações sazonais e valores suavizados exponencialmente. É útil quando a sazonalidade não aumenta com o tempo.
• O sazonal multiplicativo funciona melhor com dados sazonais que aumentam ou diminuem, diferenciando-o do sazonal aditivo. Esse método também calcula o índice sazonal para dados históricos sem tendência.
• O Holt-Winters aditivo cria valores exponencialmente suavizados para o nível da previsão e a tendência e se ajusta à sazonalidade. Esse método funciona bem quando nem a tendência nem a sazonalidade aumentam com o tempo.
• Holt-Winters multiplicativo se aplica quando a tendência e a sazonalidade aumentam com o tempo. Assim como o Holt-Winters aditivo, o Holt-Winters multiplicativo cria valores exponencialmente suavizados para o nível da previsão e a tendência e se ajusta à sazonalidade.
• O método sazonal aditivo de tendência amortecida projeta a sazonalidade, a tendência amortecida e o nível individualmente e, em seguida, combina os dados em uma previsão de tendência linear. Essa técnica funciona melhor quando os dados têm uma tendência e sazonalidade, mas a variação sazonal é razoavelmente constante.
• O método multiplicativo aditivo de tendência amortecida também projeta a sazonalidade, a tendência amortecida e o nível individualmente e depois combina os dados em uma previsão. No entanto, ele segue um processo criado para situações em que a variação sazonal aumenta com o tempo.
• A média móvel integrada autorregressiva (ARIMA) é um cálculo que captura tendências de uma variável ao longo do tempo e prevê pontos de dados futuros observando a diferença entre os valores da série. É aplicado quando não há sazonalidade, mas existem modelos ARIMA sazonais separados (SARIMA).

Técnicas e seleção de métodos de previsão

O planejamento preditivo ajuda as organizações a tomar decisões críticas e a se preparar para o que está por vir. Para fazer isso de forma eficaz, os profissionais de FP&A devem usar o método de previsão mais preciso, considerando o que desejam realizar e os dados disponíveis. Também é fundamental que os dados sejam confiáveis, relevantes e que o conjunto de dados seja grande o suficiente para obter a previsão mais precisa possível. As recomendações de tamanho variam, mas uma abordagem é ter pelo menos o dobro da quantidade de dados do período de previsão.

Como visto acima na seção "Métodos de previsão de séries temporais", cada algoritmo tem ressalvas e apresenta melhor desempenho em circunstâncias específicas. Por exemplo, se você quiser estimar o preço futuro das matérias-primas em seu processo de fabricação observando o preço histórico médio durante um período definido, a SMA funcionará melhor quando não há tendência ou sazonalidade. No entanto, se seus dados tiverem uma tendência e nenhuma sazonalidade, é mais provável que você obtenha uma previsão precisa com o DMA. Os dados podem ser dessazonalizados, mas isso torna o modelo mais complicado.

Além da disponibilidade de dados e da finalidade da previsão, os analistas devem considerar fatores como a precisão da estimativa, os custos de criação da previsão em termos de tempo da equipe, fonte de dados e recursos de computação em comparação com os benefícios e o tempo disponível para conduzir a análise. Encontrar a previsão estatisticamente mais precisa pode ser um processo demorado. Você precisa identificar os métodos de previsão relevantes, comparar os números de cada modelo com os valores históricos e analisar qual deles teria apresentado menos erros e melhores previsões se tivesse sido usado no passado. Por exemplo, a criação de um conjunto de dados de validação com um cálculo de erro quadrático médio (RMSE) permite avaliar o modelo em relação a pontos de dados históricos. O RMSE é essencialmente o desvio padrão dos resíduos no conjunto de dados de validação, e quanto menor o RMSE, melhor. O método com a previsão mais precisa tem pontos de dados mais próximos da linha de regressão, que mostra a relação entre duas variáveis – as variáveis dependentes no eixo y e as variáveis independentes no eixo x de um gráfico. A abordagem certa pode envolver o uso de vários métodos.

Muitas pessoas preferem usar aplicações com recursos de planejamento preditivo incorporados que automatizam esse processo. A empresa de consultoria EY entrevistou 1.000 CFOs e líderes financeiros seniores para sua pesquisa global do DNA do CFO e descobriu que a transformação tecnológica é a principal forma de melhorar o departamento financeiro nos próximos três anos, seguida pela análise avançada de dados, que inclui usar IA para melhorar as tarefas financeiras. Essas aplicações de IA executam os dados de uma empresa por meio de vários métodos de previsão de séries temporais, aplicam RMSE e critérios de erro padrão e identificam o modelo com o melhor ajuste. A aplicação também pode projetar um cenário de melhor e pior caso junto com a previsão.

Algumas aplicações permitem análises multivariadas, permitindo que os profissionais de FP&A comparem vários fatores ao mesmo tempo para melhorar as previsões financeiras e o planejamento corporativo. Além disso, é possível automatizar esses processos para que novos dados fiquem disponíveis, as previsões e os prognósticos sejam atualizados para fornecer aos CFOs e às equipes financeiras os insights mais recentes.

Casos de uso do planejamento preditivo e previsão

O planejamento preditivo está se tornando essencial à medida que as empresas enfrentam uma pressão crescente para aumentar os lucros e minimizar os riscos em meio a flutuações constantes na demanda dos consumidores, nas condições econômicas, no desempenho dos fornecedores e em outras variáveis. Uma pesquisa global com 303 executivos seniores de finanças da CFO Dive e da FTI Consulting mostrou que o aprimoramento da precisão das previsões e dos recursos analíticos são duas das cinco principais estratégias que serão usadas para melhorar o desempenho financeiro em 2023 e nos anos seguintes. Melhores previsões com atualizações frequentes aumentam a capacidade da organização de se adaptar melhor a diferentes cenários e se ajustar rapidamente.

O KCB Group, uma holding de serviços financeiros, costumava levar mais de 12 semanas para preparar e finalizar os orçamentos de todas as suas filiais e linhas de negócios. Os dados estavam em locais diferentes, o que era um problema. Eles também se basearam em tendências de mercado e outros pontos de dados externos durante o planejamento para prever a receita não financiada, como taxas de transação e taxas de fundos insuficientes, o que aumentou a complexidade da previsão. Depois que o KCB Group começou a usar uma aplicação com ferramentas de planejamento preditivo incorporadas, ficou mais fácil usar seus próprios dados comerciais e externos para identificar tendências e prever vários cenários. Por fim, o KCB Group reduziu o tempo de ciclo do orçamento em 60%, fazendo melhorias em todo o processo de planejamento.

Uma previsão mais precisa também ajuda as empresas a antecipar e responder rapidamente às tendências do mercado para obter um crescimento lucrativo. Quando a Lululemon decidiu se concentrar no crescimento de seus negócios fora da América do Norte, a equipe de planejamento e análise financeira percebeu que precisava antecipar melhor como as mudanças na economia global e as tendências do setor afetariam as vendas. Eles começaram a usar uma aplicação de planejamento mais robusta com análise preditiva integrada, uma técnica de previsão sofisticada, para prever vários cenários com base em seus dados históricos e em tempo real para atualizar continuamente seu plano anual. Os insights melhoraram a saúde financeira e a estratégia da lululemon, permitindo que os líderes tomem decisões mais bem informadas para expandir o alcance da marca.

A previsão tem muitas outras funcionalidades para atender às necessidades comerciais e financeiras. Por exemplo, as empresas podem projetar melhor as vendas, pois as previsões podem reduzir o viés humano. A previsão baseada em estatísticas elimina a emoção da equação e preveem o que é mais provável de acontecer com base em dados anteriores, permitindo que os gerentes de vendas e outros líderes planejem com mais eficiência. Da mesma forma, a previsão de vendas de produtos para os próximos seis meses pode ajudar as empresas a criar um plano hoje para garantir que tenham materiais suficientes para produzir mercadorias para atender à demanda prevista.

As equipes financeiras costumam usar o planejamento preditivo para prever fluxos de caixa de médio e longo prazo e ter uma ideia melhor da liquidez de caixa mais provável – uma grande preocupação para empresas de todos os portes. Ter dinheiro em caixa lhes dá a flexibilidade para aproveitar oportunidades inesperadas ou cobrir despesas imprevistas. No entanto, descobrir quanto dinheiro está disponível em um determinado momento pode ser um desafio. Por exemplo, se você for um fornecedor que vende mercadorias para seus clientes com prazo de pagamento, o dinheiro não estará imediatamente disponível no ponto de venda desses itens. É necessário prever quando os clientes pagarão por essas vendas no crédito.

A maioria dos profissionais de finanças precisa de mais de um dia para gerar uma visão consolidada de seu caixa e liquidez, de acordo com a Pesquisa Global de CFO/Tesouraria de 2021 da IDC. Isso cria dois problemas: primeiro, prejudica a capacidade da organização de reagir rapidamente a situações inesperadas e, segundo, quando eles têm um número, ele provavelmente já está desatualizado. A pesquisa também constatou que menos de 5% dos entrevistados confiam em suas previsões de caixa com mais de três meses de antecedência. Considerando a complexidade da medição da liquidez e seu impacto significativo nos negócios, mais empresas estão explorando a previsão de caixa preditiva para obter previsões mais precisas rapidamente.

As equipes financeiras também estão usando cada vez mais modelos preditivos para validar rapidamente suas previsões. Modelos preditivos baseados em machine learning e análise avançada de dados podem identificar correlações em dados históricos que um analista pode não perceber. Pense nisso como uma forma mais sofisticada de gerar previsões e insights, especialmente quando os analistas estão tentando responder a perguntas complicadas com muitas variáveis.

A previsão do crescimento populacional de uma cidade, por exemplo, é muito desafiadora. Os planejadores urbanos precisam considerar quantas pessoas, em média, entram e saem do município anualmente, quantas crianças nascem a cada ano, quantos homens e mulheres existem, quanto tempo eles viverão e muitos outros fatores. Quanto mais precisamente eles puderem prever mudanças no tamanho da cidade, melhor poderão atender a essa comunidade construindo estradas e escolas, preparando-se para flutuações no uso de água e energia e tomando outras decisões importantes. Os modelos preditivos podem ajudar com esse tipo de previsão.

O planejamento preditivo pode ser vital quando usado em salas de emergência. Os administradores de hospitais podem usar a análise preditiva para prever volumes de pacientes e planejar níveis adequados de funcionários. Em geral, os pronto-atendimentos têm uma regra de quatro horas, em que a equipe deve ver, tratar e decidir se o paciente será internado ou receberá alta. Um estudo britânico de 2022 com mais de 5 milhões de pacientes, publicado no Emergency Medicine Journal, constatou que esperar mais de cinco horas no pronto-socorro antes de ser internado no hospital aumentava a probabilidade de morte do paciente nos 30 dias seguintes. Em uma época em que os hospitais estão lidando com a escassez de enfermeiros e médicos, o planejamento e a previsão oferecem uma ferramenta valiosa para a alocação de funcionários da forma mais eficaz possível.

Planeje melhor com o planejamento preditivo e a previsão

Uma abordagem orientada por dados pode reduzir o viés humano e permitir que as equipes financeiras identifiquem rapidamente o resultado mais provável em vários cenários para que os CFOs possam trabalhar em conjunto com outros líderes para tomar decisões mais informadas. O planejamento preditivo e a previsão por meio do Oracle Cloud Enterprise Performance Management (EPM) Planning, parte do Oracle Fusion Cloud Enterprise Performance Management, conectam o planejamento entre o departamento de finanças e as linhas de negócios. Cada área se beneficia do acesso a modelos de planejamento pré-construídos para explorar rapidamente vários cenários. As equipes de finanças podem aproveitar essas previsões e modelos de dados para fazer planos mais precisos e informados que ajudem as empresas a se prepararem para os melhores e piores resultados, de forma a proteger e aumentar a lucratividade.

Perguntas frequentes sobre planejamento preditivo

O que é planejamento preditivo?
O planejamento preditivo usa o que aprendemos com o passado para planejar o futuro. Os métodos de previsão de séries temporais projetam valores futuros prováveis, como números de vendas, preços de ações e despesas mensais, com base na suposição de que os padrões e as tendências dos dados históricos se repetirão, e ferramentas como machine learning e IA podem ser usadas para validar essas previsões rapidamente.

O que é previsão preditiva?
A previsão analisa dados históricos para estimar o que provavelmente acontecerá, identificando padrões e tendências em dados registrados em intervalos regulares.