使用预测性计划进行计划和预测

Amber Biela-Weyenberg | 内容策略师 | 2023 年 12 月 18 日

如今,越来越多企业选择采用预测性计划,对企业的历史数据进行统计分析,以此预测未来可能会发生的事情。这些信息可帮助首席财务官 (CFO) 及其财务团队了解销量或支出等因素的发展趋势,从而适当地分配预算,并改善投资和现金流规划。通过使用预测性计划和预测,CFO 和其他高管可以从预测结果中发现潜在风险,例如供应短缺或现金短缺问题。这种前瞻性有助于企业高管规避风险并保护企业的利润和声誉。

什么是预测性计划中的预测?

使用预测性计划进行预测是指分析历史数据和预测可能发生的情况的过程。预测性计划是 CFO 和财务团队利用这些信息为未来做好准备的一种方式。对于进行预测性计划的财务团队,他们将深度依赖于时间序列预测法,以识别定期记录的数据的模式和趋势(例如月销售额或每日库存水平),从而推断接下来会发生的情况。分析时间序列数据对于了解周期性、季节性和长期趋势非常有用,所有这些都有助于生成准确的预测结果。

举个例子,CFO 可能需要预测即将到来的假日季节的销售额。如果企业拥有多年的历史销售数据,时间序列预测法就可以提供反映季节性因素的估值。尽管如此,财务团队必须找到并使用合适的时间序列预测法来获取准确的预测结果。

如果分析师拥有足够的质量数据,可以获取洞察并采用合适的模型,则预测性计划中使用的预测方法的准确性会比其它方法来得更高,例如单凭直觉或假设同比增长率持平。此外,许多企业选择使用具有嵌入式预测分析功能的软件来进一步验证预测结果。该软件使用数据建模和机器学习 (ML),可发现数据集中仅凭人力无法发现的关系。越来越多的企业将使用预测分析验证预测结果视为预测性计划流程的标准一环。

关键要点

  • 预测性计划是指财务团队使用统计技术来确定历史数据的趋势和模式,以预估未来的销量、支出和现金流等,从而改善计划流程。
  • 预测结果的准确率取决于数据的质量,因此财务团队必须使用干净、相关且值得信赖的数据。
  • 在进行预测性计划时,分析师必须从众多时间序列预测法中找到合适的方法,并仔细考虑生成准确的预测结果不可或缺的变量。
  • 预测性计划的使用场景十分广泛,例如预测现金流、产品需求和营销活动的投资回报。

预测性计划和预测详解

预测性规划会假设历史模式和趋势存在一定程度的重复。因此,CFO 和财务团队可以通过分析历史数据发现洞察,并根据当前数据预测未来,为可能发生的情况做好准备。随着商界的波动性和复杂性不断增加,企业需要满足更多使用场景,对预测趋势的需求也不断增长,导致预测性计划和预测的采用率不断攀升。根据市场分析机构 BARC 对参与规划流程的 295 名员工进行的全球调研显示,高效使用预测性计划的企业数量从 2020 年的 4% 增加到 2022 年的 27%,另有 17% 的企业在 2022 年部署或使用原型。如果能够准确预测未来,企业就更有可能在当下做出明智的决策和制定计划,为未来的成功做好准备。

假设一家企业希望通过预测明年的销售额、原材料成本和生产产能,了解是否需要投资于新设备。那么,该团队的预测是否准确,取决于以下几个因素。首先,财务团队应拥有足够的数据来发现模式和趋势。根据经验法则,历史数据所覆盖的时长必须至少是预测时长的两倍,比如使用 24 个月的历史数据来创建未来 12 个月的预测结果。团队必须采用可靠和干净的数据,这意味着其中不含虚假、重复性或格式不正确的数据。一般上,预测性计划会采用财务数据,这些数据是高度结构化和(通常是)准确无误的。预测结果的准确率取决于数据的质量。此外,财务规划和分析 (FP&A) 专业人员必须根据可用的数据和需要回答的问题,选择合适的时间序列预测模型(通常会采用多个模型)。万一选择了错误的变量,就可能会生成错误的预测,进而造成决策错误。添加太多的变量可能会导致“过度拟合”,使数据模型基于数据中存在的随机噪音进行建模。

由于需要考虑的因素较多,越来越多的财务专业人员正在寻求预测性计划软件和服务,以帮助他们做出这些决策,更快地获得更准确的预测。有了更准确的预测结果,财务团队就可以更好地规划未来和分配预算。试想一想,在创建年度预算时,您需要考虑多少因素,某个行项目(例如招聘成本)可能产生多大的影响。Society for Human Resource Management 估计,一家企业平均需要花费 4129 美元来雇用一名员工。如果连锁酒店的人力资源部门,根据去年的员工流失人数(即 500 名客房服务员工)来进行预算,结果实际上的人数是 1000 名员工,那么仅仅是招聘成本就可能超过 200 万美元。企业与其采用这种简单的方法,不如使用预测性计划来绘出历史流失趋势,判断最好和最坏的情况。如果模型预测的结果明显不同,企业可以考虑调整稳定的状态流失预测。

除了财务团队之外,跨职能使用预测性计划和预测对于应对经济、劳动力、供应链和其他业务驱动因素的波动性也越来越重要。预测性计划可用于库存管理,例如发现周期性或季节性峰值,这可能会对营运资本或材料短缺造成意外压力,进而减缓生产速度。采购经理可以使用预测来预估原材料成本,并决定是否对冲商品价格上涨。客户服务团队负责人可以使用预测性计划来预测呼叫量趋势,以确定其人员配备水平。这些运营洞察关乎着一家企业的方方面面,可帮助各个部门制定更准确的财务计划。

根据 2022 年 8 月发布的普华永道 (PwC) 调研结果,近一半的 CFO 表示,他们的首要任务是构建预测性模型,以获得分析不同场景并为之做好准备的能力。这种远见使他们能够规避潜在的风险,例如收入短缺或过度投资于不太可能达到预期的新市场。根据最好和最坏的预测情况构建场景计划,有助于团队提前做好准备。此外,企业越来越多地使用预测性计划软件,利用实时业务数据自动更新预测,让财务团队更快地预见灾难或成功,从而加快计划响应速度。

时间序列预测法

时间序列预测法是一种使用定期记录的历史数据点来预测未来可能发生的情况的技术。市面上有多种时间序列预测方法或算法,因此财务专业人员必须根据可用数据和想要实现的目标,判断哪一种方法或算法可以提供更准确的预测结果。

时间序列预测法通常研究趋势、季节性和周期。趋势可以反映数据模式是随着时间逐渐或稳步增加或减少,通常涉及长期因素,例如人口变化、有机增长或技术变化。您通常可以使用线性函数或缓慢移动的曲线函数进行建模。季节性侧重于随时间发生的周期性、定期性和某种可预测的增加和减少。当我们提到月度数据时,季节性通常会在一个日历年内发生。它可以细分为季度或自然季节性,例如节假日。周期则是可能没那么有规律的增加和减少模式,可能持续一年以上。在商业领域,这通常是由于多年的商业周期等原因造成的,这些周期比典型的季节性模式来得更慢。

以下是一些常用方法:

  • 简单移动平均线 (SMA) 可计算特定时间段内某个商品的平均价格,适合处理没有趋势或季节性的波动数据。
  • 双移动平均线 (DMA) 可计算移动平均线,然后得出平均值。此技术使用两个数据集来预测未来的预期行为,适用于具有趋势但没有季节性的历史数据。
  • 一次指数平滑法 (SES) 对数据进行加权,并将重要的数据放在新的数据点上,随着数据变得越旧而逐渐降低权重。此方法有助于克服移动平均线和百分比变化方法的局限性,并且适用于没有趋势或季节性的波动性数据。
  • 二次指数平滑 (DES) 执行并重复 SES 方法。DES 适用于数据有趋势但无季节性的情况。
  • 阻尼趋势平滑 (DTS) 非季节性方法会应用 SES 两次,但与 DES 方法不同的是,随着时间的推移,趋势成分曲线会减弱并趋平。此方法适用于数据有趋势但无季节性的情况。
  • 季节性加法计算无趋势历史数据的季节性指数,从而得出曲线预测,显示季节性变化和指数平滑值。此方法适用于当季节性不会随着时间的推移而上升的时候。
  • 季节性乘数法适合处理上升或下降的季节性数据,与季节性加法区分开来。此方法还计算无趋势历史数据的季节性指数。
  • Holt-Winters 加法为预测层和趋势创建指数平滑值,并根据季节性进行调整。当趋势和季节性都不会随时间增长时,此方法效果良好。
  • Holt-Winters 乘法适用于当趋势和季节性随时间增长的时候。类似于 Holt-Winters 加法,Holt-Winters 乘法为预测层和趋势创建指数平滑值,并根据季节性进行调整。
  • 阻尼趋势叠加季节性方法分别预测季节性、阻尼趋势和水平,然后将数据组合成线性趋势预测。当数据具有趋势和季节性时,这种技术效果更好,但季节性变化相当恒定。
  • 阻尼趋势加乘法分别预测季节性、阻尼趋势和水平,然后将其组合成预测。但是,该方法遵循针对季节性变化随时间增长而制定的过程。
  • 自回归整合移动平均模型 (ARIMA) 是一种计算方法,通过计算系列中的值之间的差异,捕获一个变量的趋势并预测未来数据点。该方法适用于没有季节性,但存在单独的季节性 ARIMA 模型 (SARIMA) 的情况。

预测方法选择和预测技术

预测性计划可帮助企业做出关键决策,并为未来的发展做好准备。为了有效地做到这一点,FP&A 专业人员必须根据目标和可用的数据,选择更准确的预测方法。同样重要的是,数据必须是值得信赖的且相关的,数据集也需要足够大,才能够获得精确的预测。大小建议各不相同,但其中一种方法是拥有至少是预测周期两倍的数据量。

正如上面时间序列预测法章节所提到的,每种算法都有不同的限制,在某一种特定情况下的表现会更好。例如,如果您想基于特定时期内的平均历史价格,预估制造过程中原材料的未来价格,那么在没有趋势或季节性的情况下,SMA 的效果更好。然而,如果您的数据具有趋势但又没有季节性,则 DMA 可能更准确。数据可以不考虑季节因素,但这会给您的模型增加复杂性。

除了数据可用性和预测目的之外,分析师还必须考虑其它因素,例如预测的准确性;预测的成本效益,包括员工的时间、数据寻源和计算资源成本;以及他们有多少时间可以进行分析。寻找统计上更准确的预测方法可能非常耗时。您需要确定相关的预测方法,根据历史值运行每个模型的数值,然后按历史情况分析错误少、准确性又高的模型。例如,通过使用均方根误差 (RMSE) 计算方法创建验证数据集,您可以根据历史数据点评估您的模型。均方根误差本质上是验证数据集残差的标准差,因此数值越低越好。对于准确的预测方法,其数据点将会更接近回归线,回归线显示两个变量之间的关系:y 轴上的因变量和 x 轴上的自变量。因此,正确的做法是使用多种方法进行预测。

许多企业倾向于选择使用内置预测性计划功能的应用来自动执行此流程。专业服务组织安永 (EY) 对 1000 名首席财务官和高级财务主管开展了《安永首席财务官基因报告》。该报告发现,技术转型是受访者在未来三年内改善财务职能的主要方式,其次是高级数据分析,包括使用 AI 改善财务任务执行。这些 AI 应用通过各种时间序列预测法来处理企业数据,并计算均方根误差和标准差,以确定合适的模型。该应用还可以预测最好和最坏的情况。

某些应用支持多变量分析,让 FP&A 专业人员能够同时比较多个因素,有效改善财务预测和企业计划。此外,通过流程自动化,应用可以基于所获得的新数据更新预测结果,为首席财务官和财务团队提供新的洞察。

预测性计划和预测的使用场景

由于消费者需求、经济状况、供应商绩效和其他变量持续变化,企业面临着越来越大的利润增长压力,需要尽可能降低风险,因此预测性计划变得至关重要。CFO Dive 和 FTI Consulting 对 303 名财务高管进行了一项全球调研。结果显示,提高预测准确性和分析能力是他们改善 2023 年及以后的财务绩效的五大策略之一。对于频繁更新的预测,其结果也会更准确,让企业能够针对不同的场景进行规划并快速适应。

KCB Group 是一家金融服务控股公司,过去需要超过 12 周的时间来准备和完成其所有分支机构和业务线的预算。该公司所面临的其中一个问题是数据分散存储在几个地方。在计划期间,该公司也依赖市场趋势和其他外部数据点来预测非资金收入,例如交易费用和资金费用不足,因此增加了预测的复杂性。当 KCB Group 开始使用内嵌了预测性计划工具的应用后,他们更容易使用企业内部数据和外部数据来发现趋势并进行各种场景预测。最终,KCB Group 改善了整个计划流程,将预算制定周期缩短了 60%

更准确的预测还有助于企业预测并快速响应市场趋势,从而推动盈利性增长。当 Lululemon 决定专注于在北美以外的地区发展业务时,该公司的财务规划和分析团队意识到,他们需要更好地预测世界经济和行业趋势的变化如何影响销售绩效。为此,该团队开始使用更强大的计划应用及其内置的预测分析。这是一种更为精准的预测方法,可根据历史和实时数据预测多个场景,有助于不断更新该公司的年度计划。这些洞察改善了 Lululemon 的财务状况和策略,帮助领导层做出更明智的决策,进而扩大了品牌影响力。

预测可用于支持业务和财务需求。例如,预测性预估可以减少人为偏见,帮助企业更准确地预测销量。基于统计学的预测可以消除情绪,并根据历史数据预测最有可能发生的事情,让销售经理和其他负责人可以更好地制定计划。同样的,预测未来六个月的产品销量的功能可以帮助企业在当下制定计划,以确保有足够的材料来生产商品并满足预期的需求。

财务团队通常会使用预测性计划来预测中长期现金流,并更好地了解其可能实现的现金流动性 — 这是任何规模的企业都十分重视的一点。企业手上拥有现金,就能够灵活地把握意想不到的机会或支付预算以外的费用。然而,要随时了解目前拥有多少现金,这是一项具有挑战性的任务。例如,如果您是以赊销方式向客户销售商品的供应商,您将无法在商品售出时立即获得现金。您需要预测客户什么时候为这些赊销付款。

根据 IDC 2021 年全球首席财务官/财务人员调研报告显示,大多数财务专业人员需要一天以上的时间来构建现金和流动性的综合视图。这产生了两个问题:第一,妨碍了财务团队快速响应意外情况,第二,团队获得相关数据时,这些数据可能已经过时了。该调研报告还发现,对于超过三个月以后的现金预测,只有不到 5% 的受访者会相信相关结果。考虑到衡量流动性的复杂性及其对业务的重大影响,越来越多的企业正在探索预测性现金预估,以快速获得更准确的预测结果。

财务团队也渐渐采用预测模型来快速验证预测结果。基于机器学习和高级数据分析的预测模型可以从历史数据中识别出分析师可能会忽略的关系。您可以把这种预测模型想象成一种更复杂的预测和洞察生成方法,尤其是当分析师试图用许多变量来回答复杂的问题的时候。

以预测某个城市的人口增长为例,这是非常具有挑战性的。城市规划人员需要考虑每年平均人口流动、出生人口、男性和女性人数、寿命等因素。针对城市规模变化的预测准确性越高,城市规划人员就能为社区提供更好的服务,包括建造道路和学校,为水电使用量波动做好准备,并做出其它重要决定。预测性模型有助于进行这类型的预测。

预测性计划也可挽救生命。以急诊室为例,医院管理员可以使用预测性分析,预测患者数量并保持适当的人员配备水平。一般来说,急诊室需要遵循“四小时规定”,医护人员必须在四个小时内完成看诊、治疗并决定患者是否需要入院或出院。Emergency Medicine Journal 在 2022 年发表了一份针对对英国 500 多万名患者进行的研究。该研究发现,入院前在急诊等待超过五个小时的患者,在接下来的 30 天内死亡的可能性会增加。如今,医院面临着医护人员短缺问题,预测性计划和预测可成为医院的一大利器,助其尽可能有效地安排人手。

利用预测性计划和预测制定更好的计划

数据驱动的预测方法可以减少人为偏见,让财务团队快速识别多种场景可能发生的结果,以便首席财务官可以与其他高管合作做出更明智的决策。作为 Oracle Fusion Cloud Enterprise Performance Management 的一部分,Oracle Cloud Enterprise Performance Management (EPM) Planning 可以进行预测性计划和预测,助您跨财务和业务部门制定计划。每个领域都可以利用预构建的计划模型,快速探索多种场景。财务团队可以利用这些预测结果和数据模型来制定更准确且更明智的计划,帮助企业能够为最好和最坏的情况做好准备,更好地保持盈利并推动盈利性增长。

预测性计划的常见问题解答

什么是预测性计划?
预测性计划是用过去所学来规划未来。时间序列预测法假设历史数据的模式和趋势是重复的,以此预测未来可能获得的数值,例如销量、股票价格和月度费用,并且可以使用机器学习和 AI 等工具来快速验证这些预测结果。

什么是预测性预估?
预测性预估(通常称为预测)主要分析历史数据,根据定期记录的数据的模式和趋势来预测可能发生的情况。

了解互联计划如何提高企业的业务绩效。

注:为免疑义,本网页所用以下术语专指以下含义:

  1. Oracle专指Oracle境外公司而非甲骨文中国。
  2. 相关Cloud或云术语均指代Oracle境外公司提供的云技术或其解决方案。