Planifica y prevé con planificación predictiva

Amber Biela-Weyenberg | Estratega de contenidos | 18 de diciembre de 2023

Las empresas están adoptando de forma más generalizada la planificación predictiva, que recurre al análisis estadístico para estimar lo que es probable que suceda en el futuro en función de los datos históricos de su organización. Esta información ayuda a los CFO y a sus equipos financieros a comprender cómo pueden evolucionar factores como las ventas o los gastos, de modo que puedan dotar presupuestos de manera adecuada y mejorar la planificación de la inversión y el flujo de efectivo. 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 suministros o efectivo. Esta previsión incrementa la probabilidad de evitar problemas y proteger los beneficios y la reputación de su empresa.

¿En qué consiste la previsión en la planificación predictiva?

La previsión utilizada en la planificación predictiva, en ocasiones llamada previsión predictiva, es el proceso de analizar datos históricos y anticipar qué es probable que suceda. La planificación predictiva es la forma en que los CFO y los equipos financieros utilizan esa información para prepararse de cara al futuro. Los equipos financieros que realizan la planificación predictiva se basan en gran medida en la previsión de series temporales, que identifica patrones y tendencias en datos registrados a intervalos regulares, como números de ventas mensuales o niveles diarios de volumen de existencias, para extrapolar lo que podría suceder a continuación. Los análisis de datos de series temporales como este resultan útiles 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 la próxima temporada de vacaciones. Si la empresa dispone de años de datos históricos de ventas, la previsión de series temporales puede proporcionar una estimación que refleje el impacto estacional. Sin embargo, el equipo financiero debe identificar y utilizar el método de previsión de series temporales más adecuado para realizar la previsión de la situación pertinente.

Si los analistas cuentan con suficientes datos de calidad para extraer insights y aplicar los modelos correctamente, los métodos de previsión utilizados en la planificación predictiva deben tener mayor grado de precisión que otras prácticas, como una sensación intestinal o asumir un incremento constante interanual en términos porcentuales. Además, muchas organizaciones optan por validar aún más sus previsiones utilizando software con capacidades de análisis predictivo integradas, que utiliza modelos datos y machine learning (ML) para descubrir relaciones en el conjunto de datos que posiblemente una persona no logre apreciar. Cada vez más, la validación de previsiones con análisis predictivos se considera una parte estándar del proceso de planificación predictiva.

Conclusiones clave

  • La planificación predictiva alude al uso por parte de los equipos financieros de técnicas estadísticas para identificar tendencias y patrones en los datos históricos a fin de estimar valores futuros, como ventas, gastos o flujos de efectivo, para mejorar el proceso de planificación.
  • La calidad de las previsiones y predicciones resultantes depende de la calidad de los datos que se utilicen para elaborarlas, de modo 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 de negocio, como la previsión de flujos de efectivo, la demanda de productos y el retorno de la inversión en campañas de marketing.

Planificación y previsión predictivas explicadas

La planificación predictiva supone que, en cierto modo, los patrones históricos y las tendencias se repiten. 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 predictiva y la previsión está en auge debido al aumento de la exigencia de pronosticar las tendencias de forma fiable en un número cada vez mayor de casos de uso y la creciente volatilidad y complejidad en el ámbito de los negocios. El número de organizaciones que afirman 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 % planeaba implementarlo o utilizaba prototipos en 2022, según la encuesta. Las empresas que puedan prever con precisión el futuro tienen más probabilidades de tomar decisiones informadas en la actualidad y elaborar planes que las preparen para el éxito del futuro.

Digamos que una empresa quiere pronosticar las ventas del próximo año, los costes de materia prima y las necesidades de capacidad de producción para evaluar si tiene sentido invertir en nuevos equipos. Varios factores influyen en el grado de precisión del pronóstico del equipo. En primer lugar, el equipo financiero debe tener suficientes datos para descubrir patrones y tendencias. Una de las reglas de oro es contar al menos los datos históricos del doble de tiempo que el periodo sobre el que vas a realizar la previsión, por ejemplo, 24 meses de datos históricos para crear una previsión de 12 meses. Los datos también deben ser fiables y limpios, es decir, no se deben utilizar datos falsos, duplicados o con un formato incorrecto. Normalmente, la planificación predictiva se realiza utilizando datos de finanzas, que tienden a estar bien estructurados y, con suerte, son precisos. La calidad de las predicciones depende de los datos utilizados para elaborarlas. Además, el analista de planificación y análisis financieros (FP&A) debe identificar el modelo adecuado de previsión de series temporales (a menudo varios modelos) teniendo en cuenta los datos disponibles y la cuestión a la que se quiera responder. Elegir las variables incorrectas puede provocar que las predicciones resulten deficientes y conduzcan a decisiones erróneas. Agregar más variables puede llevar a un "sobreajuste", donde el modelo de datos comience a replicar el ruido aleatorio presente en los datos.

Con tantos factores que se deben considerar, son cada día más los profesionales de las finanzas que echan mano de software y servicios de planificación predictiva que los ayuden a tomar estas decisiones y, en última instancia, a obtener previsiones más precisas y más rápido. Cuando más precisas son las previsiones, mejor es la capacidad de los equipos financieros para planificar el futuro y asignar presupuestos de forma inteligente. Considere cuántos factores están en juego al crear un presupuesto anual y el impacto significativo que puede tener una línea de partida contable, como los costes de contratación. The Society for Human Resource Management estima que una empresa gasta de media 4129 dólares para contratar a un único empleado. Si el departamento de RR. HH. de una cadena hotelera asume que tendrá que reemplazar a 500 empleados en el servicio de limpieza considerando que la tasa de abandono se mantiene estable respecto al ejercicio previo, pero en realidad la cifra asciende a los 1000, los costes de contratación por sí solos podrían superar los 2 millones de dólares. En lugar de ese enfoque simple, la empresa podría utilizar la planificación predictiva para detectar tendencias históricas en el nivel de abandono de una empresa, evaluar los posibles escenarios de mejores y peores casos, y considerar ajustar el pronóstico de abandono de estado estacional si el modelo predice un resultado significativamente distinto.

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

Casi la mitad de los CFO 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 las expectativas. La creación de planes de escenarios basados en previsiones de mejores y peores casos prepara a los equipos para responder a las potenciales circunstancias. Además, cada vez es más frecuente que las empresas recurran a 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 identificar un desastre o un éxito antes para que puedan acelerar su respuesta planificada.

Métodos de previsión de series temporales

La previsión de series temporales es una técnica que utiliza puntos de datos históricos registrados a intervalos periódicos 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 proporcionará la predicción más exacta en función de los datos disponibles y los objetivos perseguidos.

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 demográficos, 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 en cierto modo predecibles que se repiten en el tiempo. Y al comentar los datos mensuales, la estacionalidad generalmente se produce cada año natural. Se puede dividir en cuartos o estacionalidad natural, como las vacaciones. Los ciclos son patrones de aumentos y disminuciones que podrían no ser tan frecuentes y durar más de un año. En los negocios, esto a menudo se debe a cosas como ciclos comerciales multianuales que se producen a un ritmo menos que el patrón de estacionalidad típico.

Estos son los métodos más populares:

  • El promedio móvil simple (PMS) calcula el precio medio de un artículo durante un período de tiempo definido y funciona mejor con datos volátiles sin tendencias ni estacionalidad.
  • El promedio móvil doble (PMD) calcula el promedio móvil y, a continuación, se sitúa en un promedio móvil simple. Esta técnica utiliza ambos conjuntos de datos para proyectar el comportamiento futuro esperado y funciona bien con datos históricos que presentan una tendencia pero sin estacionalidad.
  • El suavizado exponencial simple (AES) pondera los datos, lo que otorga la mayor importancia al punto de datos más reciente y disminuye gradualmente la ponderación cuanto más antiguos sean los datos. Este método ayuda a superar las limitaciones de los promedios móviles y los métodos de variación porcentual y funciona mejor con datos volátiles que no presentan una tendencia o estacionalidad.
  • El suavizado exponencial doble (SED) realiza y repite el método SES. El SED es aplicable cuando los datos presentan una tendencia pero no estacionalidad.
  • El método no estacional de suavizado tendencias amortiguadas (STA) aplica el SES dos veces, pero a diferencia del método de SED, la curva del componente de tendencia se amortigua y se aplana con el tiempo. Esta técnica se aplica a datos que presenta una tendencia pero no estacionalidad.
  • El aditivo estacional calcula el índice estacional para los datos históricos sin tendencia, lo que da como resultado una previsión curva que muestra los cambios estacionales y los 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, diferenciándolos del aditivo estacional. Este método también calcula el índice estacional para los datos históricos sin tendencia.
  • El aditivo de Holt-Winters crea valores suavizados exponencialmente para el nivel de previsión y la tendencia, y se ajusta para la estacionalidad. Este método funciona bien cuando ni la tendencia ni la estacionalidad aumentan con el paso del tiempo.
  • El multiplicativo de Holt-Winters se aplica cuando la tendencia y la estacionalidad aumentan con el paso del tiempo. Al igual que el aditivo de Holt-Winters, el multiplicativo de Holt-Winters crea valores suavizados exponencialmente para el nivel de la previsión y la tendencia y se ajusta para la estacionalidad.
  • El método estacional de aditivos de tendencia amortiguada proyecta la estacionalidad, la tendencia amortiguada y el nivel individual y, posteriormente, combina los datos en una previsión de tendencia lineal. Esta técnica funciona mejor cuando los datos tienen tendencia y estacionalidad, pero la variación estacional es bastante constante.
  • El método multiplicativo aditivo de tendencia amortiguada también proyecta la estacionalidad, la tendencia amortiguada y el nivel de forma individual y, posteriormente, los combina en la previsión. Sin embargo, sigue un proceso creado para situaciones en las que la variación estacional aumenta con el paso del tiempo.
  • El modelo autorregresivo integrado de promedio móvil (ARIMA por sus siglas en inglés) es un cálculo que recopila las tendencias de una variable a lo largo del tiempo y predice puntos de datos futuros observando la diferencia entre los valores de la serie. Se aplica cuando no existe estacionalidad, pero sí modelos ARIMA estacionales independientes (SARIMA).

Técnicas y selección de métodos de previsión

La planificación predictiva ayuda a las organizaciones a tomar decisiones fundamentales y prepararse para lo que esté por venir. Para hacerlo de manera eficaz, 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 la información sea fiable y pertinente y que el conjunto de datos sea lo suficientemente grande para obtener la predicción más precisa posible. Las recomendaciones de tamaño varían, pero una método válido es contar al menos con el doble de datos que el periodo objeto de predicción.

Como hemos visto anteriormente en el apartado de Métodos de previsión de series temporales, todos los algoritmos tienen sus salvedades y funcionan mejor en circunstancias específicas. Por ejemplo, si quieres estimar el precio futuro de las materias primas en tu proceso de fabricación observando tu precio histórico promedio durante un periodo concreto, el PMS funciona mejor si no hay tendencia o estacionalidad. Sin embargo, si tus datos presentan una tendencia y carecen de estacionalidad, es más probable que obtengas una previsión precisa con el PMD. Los datos pueden estar desestacionalizados, pero esto añade una dificultad adicional a tu modelo.

Además de la disponibilidad de datos y el propósito de la previsión, los analistas deben considerar factores como el grado de precisión de la estimación; los costes que implica crear la predicción en términos de tiempo dedicado por el personal, obtención de datos y recursos informáticos frente a los beneficios; y de cuánto tiempo disponen para realizar el análisis. Encontrar la predicción más precisa estadísticamente puede ser un proceso que consuma mucho tiempo. Debe identificar los métodos de previsión pertinentes, repasar las cifras de cada modelo con respecto a los valores históricos y, posteriormente, analizar cuál habría tenido menos errores y mejores predicciones si se hubiera utilizado en el pasado. Por ejemplo, la creación de un conjunto de datos de validación con un cálculo de raíz cuadrada del error cuadrático medio permite evaluar el modelo con respecto a los puntos de datos históricos. La raíz cuadrada del error cuadrático medio es básicamente la desviación estándar del residual del conjunto de datos de validación, y cuanto menor sea, mejor. El método de previsión con la predicción más precisa tiene los puntos de datos más cercanos a la línea de regresión, que muestra la relación entre dos variables: las variables dependientes del eje Y y las variables independientes del eje X de un gráfico. El método más adecuado podría implicar el uso de múltiples métodos.

Muchas personas prefieren utilizar aplicaciones con capacidades de planificación predictiva integradas que automaticen este proceso. La organización de servicios profesionales EY encuestó a 1000 directores financieros y líderes financieros sénior para su EY Global DNA of the CFO Survey y descubrió que la transformación tecnológica es la táctica principal que utilizarán para mejorar la función financiera en los próximos tres años, seguida de análisis de datos avanzados, que incluye usar la IA para optimizar las tareas financieras. Estas aplicaciones de IA utilizan los datos de una empresa en varios métodos de previsión de series temporales, aplican criterios de error estándar y RMSE e identifican el modelo que mejor se ajuste. La aplicación también puede elaborar los posibles escenarios optimistas y pesimistas 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 de cara a proporcionar a los CFO y equipos financieros los insights más recientes.

Casos de uso de planificación y previsión predictivas

La planificación predictiva se está volviendo esencial, dado que las empresas se enfrentan a una presión cada vez mayor para aumentar los beneficios y minimizar los riesgos, en un contexto marcado por fluctuaciones constantes en la demanda de los consumidores, en las condiciones económicas, en el rendimiento de los proveedores y otras variables. Una encuesta global realizada a 303 altos directivos financieros por 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. La mejora de las previsiones con actualizaciones frecuentes redunda en el fortalecimiento de la capacidad de que dispone una organización para planificar diferentes escenarios y adaptarse rápidamente.

KCB Group, una sociedad holding de servicios financieros, solía tardar más de 12 semanas en elaborar y finalizar los presupuestos de todas sus sucursales y líneas de negocio. Los datos se ubicaban en varios lugares, lo cual suponía un problema. También se basaban en las tendencias del mercado y otros puntos de datos externos durante la planificación para pronosticar los ingresos no financiados, como las tarifas de transacción y las comisiones de fondos insuficientes, lo que agregó complejidad a la previsión. Una vez que KCB Group comenzó a utilizar una aplicación con herramientas de planificación predictiva integradas, les resultó más fácil usar sus propios datos de negocio y externos para detectar tendencias y pronosticar múltiples escenarios. En última instancia, KCB Group redujo el tiempo que dedicaba a la preparación de sus presupuestos en un 60 % aplicando mejoras a lo largo de su proceso de planificación.

Una previsión más precisa también ayuda a las empresas a predecir y responder rápidamente a las tendencias del mercado para impulsar un crecimiento rentable. Cuando lululemon decidió centrarse en el crecimiento de su negocio fuera de América del Norte, el equipo de planificación y análisis financiero se dio cuenta de que necesitaban prever mejor cómo pueden afectar a las ventas los cambios en la economía mundial y las tendencias de la industria. Comenzaron a utilizar una aplicación de planificación más sólida con análisis predictivos integrados, una técnica de previsión sofisticada, para pronosticar varios escenarios en función de sus datos históricos y en tiempo real que les permitiera actualizar continuamente su plan anual. Los insights mejoraron la salud financiera y la estrategia de lululemon, lo que permitió a los líderes tomar decisiones mejor informadas para ampliar el alcance de la marca.

Las previsiones pueden utilizarse de muchas otras formas para cubrir las necesidades empresariales y financieras. Por ejemplo, las empresas pueden proyectar las ventas con mayor precisión porque la previsión predictiva permite reducir el sesgo humano. La previsión basada en estadísticas no contempla las emociones y proyecta lo que es más probable que suceda en función de datos anteriores, de modo que los gerentes de ventas y otros líderes de negocio pueden planificar mejor. Del mismo modo, la previsión de ventas de productos en los próximos seis meses puede ayudar a las empresas a crear un plan hoy para garantizar que tengan suficientes materiales para producir bienes para satisfacer la demanda prevista.

Los equipos financieros a menudo utilizan la planificación predictiva para pronosticar flujos de efectivo a medio y largo plazo y ver con más claridad su liquidez más probable, una cuestión fundamental para empresas de cualquier tamaño. Tener efectivo disponible les brinda la flexibilidad de aprovechar oportunidades inesperadas o cubrir gastos imprevistos. Sin embargo, averiguar cuánto dinero está disponible en cualquier momento puede constituir todo un desafío. Por ejemplo, si usted es un proveedor que vende bienes a clientes a crédito, el efectivo no está disponible inmediatamente en el punto de venta para esos artículos. Debe prever cuándo pagarán los clientes esas ventas a crédito.

La mayoría de los profesionales financieros necesitan más de un día para construir una visión consolidada de su efectivo y liquidez, según la encuesta de IDC " 2021 Global CFO/Treasury Survey". Eso genera dos problemas: en primer lugar, dificulta la capacidad de su organización para responder rápidamente a situaciones inesperadas, y en segundo lugar, para cuando consiguen una cifra, es probable que ya esté obsoleto. La encuesta también encontró que menos del 5 % de los encuestados confían en sus pronósticos de efectivo si están a más de tres meses vista. Teniendo en cuenta la complejidad de la medición de la liquidez y su impacto clave en el negocio, más empresas están evaluando 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 previsiones. Los modelos predictivos basados en el machine learning y el análisis avanzado de datos pueden identificar en los datos históricos ciertas relaciones que un analista es posible que no perciba. Debe percibirse como una forma más sofisticada de generar predicciones e insights, especialmente cuando los analistas están tratando de responder preguntas complicadas con múltiples variables.

Prever el crecimiento de la población de una ciudad, por ejemplo, es muy difícil. Los planificadores urbanos deben considerar cuántas personas, de media, empiezan a vivir o se mudan del municipio cada año, cuántos nacimientos se registran anualmente, cuántos hombres y mujeres hay, cuánto tiempo vivirán y otros factores. Cuanto más precisas sean las previsiones de los cambios en torno al tamaño de la ciudad, mejor podrán atender a esa comunidad con la construcción de carreteras y escuelas, preparándose para las fluctuaciones del uso de agua y energía y tomando otras decisiones vitales. Los modelos predictivos pueden ayudar a elaborar este tipo de predicciones.

Un uso de la planificación predictiva que puede salvar vidas alude a la salas de urgencias. Los administradores del hospital pueden utilizar análisis predictivos para prever los volúmenes de los pacientes y planificar los niveles de personal adecuados. En general, los 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 plazo. Un estudio realizado sobre una base de más de cinco millones de pacientes en el Reino Unido en 2022 y publicado en Emergency Medicine Journal puso de manifiesto que esperar más de cinco horas en la sala de emergencias antes de ser admitido en el hospital aumentaba la probabilidad de que el paciente muriese durante los siguientes 30 días. En un momento en que los hospitales están lidiando con la escasez de personal de enfermería y médicos, la planificación y la previsión predictivas constituyen una herramienta de gran valor para desplegar el personal necesario de la manera más eficaz posible.

Planifica mejor con planificación y previsión predictivas

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, de modo que los CFO puedan trabajar junto con otros líderes para tomar decisiones mejor fundamentadas. La planificación y previsión predictivas que ofrece Oracle Cloud Enterprise Performance Management (EPM) Planning, parte de Oracle Fusion Cloud Enterprise Performance Management, alinea la planificación del departamento financiero y las líneas de negocio. Todas las áreas se benefician del acceso a modelos de planificación predefinidos para evaluar rápidamente múltiples 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 garantizando la protección de la empresa e impulsando el crecimiento rentable del negocio.

Preguntas frecuentes sobre planificación predictiva

¿Qué es la planificación predictiva?
La planificación predictiva utiliza las lecciones aprendidas en el 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, bajo la hipótesis de que se repetirán los patrones y las tendencias en los datos históricos. Para validar estas previsiones rápidamente, las empresas pueden recurrir a herramientas como el machine learning y la inteligencia artificial.

¿Qué es la previsión predictiva?
La previsión predictiva, habitualmente llamada 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.

Descubre cómo la planificación conectada puede mejorar el rendimiento empresarial de tu organización.