Planning en prognose met predictieve planning

Steeds meer bedrijven kiezen voor predictieve planning. Hierbij wordt statistische analyse toegepast om op basis van de historische data van uw organisatie te voorspellen wat er in de toekomst waarschijnlijk zal gebeuren. Aan de hand van deze informatie krijgen CFO's en hun financiële teams inzicht in hoe factoren zoals verkoop of onkosten kunnen evolueren. Zo kunnen ze budgetten op de juiste manier toewijzen en kunnen ze de planning van investeringen en cashflows verbeteren. Door predictieve planning en prognoses te gebruiken, kunnen CFO's en andere zakelijk leiders potentiële risico's in hun prognoses identificeren, zoals voorraad- of kastekorten. Dankzij deze vooruitziende blik kunnen problemen worden voorkomen en worden de winst en reputatie van het bedrijf beschermd.

Wat zijn prognoses in predictieve planning?

Prognoses op basis van predictieve planning worden ook wel predictieve prognoses genoemd. Hierbij worden historische data geanalyseerd en wordt een voorspelling gemaakt van wat er waarschijnlijk gaat gebeuren. Predictieve planning is hoe CFO's en financiële teams die informatie gebruiken om zich voor te bereiden op de toekomst. Financiële teams die kiezen voor predictieve planning, kunnen gebruikmaken van tijdreeksprognoses en zo patronen en trends identificeren in data die regelmatig worden vastgelegd, zoals maandelijkse verkoopcijfers of dagelijkse voorraadniveaus. Het team kan dan extrapoleren wat hierna mogelijk gebeurt. Het analyseren van tijdreeksdata biedt inzicht in cycli, seizoensgebondenheid en langetermijntrends. Op basis hiervan kan een nauwkeurige prognose worden gemaakt.

Een CFO wil bijvoorbeeld een voorspelling maken van de verkoop voor de komende vakantieperiode. Als het bedrijf jaren aan historische verkoopdata heeft verzameld, kunnen tijdreeksprognoses inzicht geven in de seizoensimpact. Voor de meest nauwkeurige prognose moet het financiële team echter de beste methode voor tijdreeksprognoses identificeren en gebruiken.

Als analisten over voldoende hoogwaardige data beschikken om inzicht te verkrijgen en de modellen correct toe te passen, moeten prognosemethoden die in predictieve planning worden gebruikt, een hogere mate van nauwkeurigheid bieden dan andere methoden, zoals een onderbuikgevoel of uitgaan van een vlakke procentuele toename jaar na jaar. Ook kiezen veel organisaties ervoor om hun prognoses verder te valideren met software met ingebouwde voorspellende analysefuncties en waarin gebruik wordt gemaakt van datamodellering en machine learning (ML) om relaties in de dataset te ontdekken die een persoon mogelijk niet ziet. Het valideren van prognoses aan de hand van predictieve analyses wordt steeds vaker beschouwd als een standaardonderdeel van het predictieve planningsproces.

Voornaamste conclusies

• Bij predictieve planning maken financiële teams gebruik van statistische technieken om trends en patronen in historische data te identificeren voor het maken van een schatting van toekomstige waarden, zoals verkoop, onkosten en cashflow, en het verbeteren van het planningsproces.
• Resulterende prognoses en voorspellingen zijn enkel zo goed als de data die worden gebruikt om ze te maken. Financiële teams mogen dus alleen schone, relevante en betrouwbare data gebruiken.
• Er zijn veel methoden voor tijdreeksprognose om een predictieve planning te maken. Analisten moeten de meest geschikte methode vinden en zorgvuldig overwegen welke variabelen nodig zijn om de meest nauwkeurige prognose te bereiken.
• Predictieve planning kan worden toegepast op een groot aantal verschillende zakelijke gebruiksscenario's, zoals het voorspellen van cashflows, de productvraag en het rendement op investeringen voor marketingcampagnes.

Predictieve planning en prognoses: uitleg

Bij predictieve planning wordt ervan uitgegaan dat historische patronen en trends zich in zekere mate herhalen. Door het verleden te analyseren, kunnen CFO's en financiële teams zich voorbereiden op wat ze waarschijnlijk te wachten staat. Op basis van actuele data kunnen ze inzichten ontdekken en prognoses maken die anticiperen op toekomstige resultaten. De acceptatie van predictieve planning en prognoses neemt toe als gevolg van de groeiende vraag om trends betrouwbaar te kunnen voorspellen in een groeiend aantal gebruiksscenario's en de toenemende volatiliteit en complexiteit in het bedrijfsleven. Volgens een wereldwijd onderzoek door marktanalist BARC onder 295 deelnemers aan het planningsproces, is het aantal organisaties dat productief gebruik wil maken van predictieve planning gestegen van slechts 4% in 2020 naar 27% in 2022. Uit het onderzoek bleek tevens dat in 2022 17% van de organisaties predictieve planning implementeerde of prototypes gebruikte. Bedrijven die de toekomst nauwkeurig kunnen voorspellen, zullen weloverwogen beslissingen nemen en zo hun succes vergroten.

Stel dat een bedrijf de verkoop, grondstofkosten en productiecapaciteit voor volgend jaar wil voorspellen om te zien of het zinvol is om te investeren in nieuwe apparatuur. Verschillende factoren hebben invloed op de nauwkeurigheid van de prognose van het team. Ten eerste moet het financiële team over voldoende data beschikken om patronen en trends te ontdekken. Een algemene vuistregel is om minstens twee keer zoveel historische data te hebben als de periode waarvoor u een voorspelling wilt maken. Voor het maken van een prognose voor 12 maanden hebt u bijvoorbeeld 24 maanden aan historische data nodig. De data moeten ook betrouwbaar en schoon zijn. Ze mogen dus geen valse, dubbele of onjuist geformatteerde records bevatten. Doorgaans wordt een predictieve planning uitgevoerd op basis van financiële data. Deze data zijn meestal goed gestructureerd en redelijk nauwkeurig. Voorspellingen zijn enkel zo goed als de data die worden gebruikt om ze te maken. Ook moet de FP&A-analist (Financial Planning and Analysis) het juiste model voor tijdreeksprognose (vaak meerdere modellen) identificeren op basis van de beschikbare data en de vraag die ze beantwoorden. Het kiezen van de verkeerde variabelen kan leiden tot een slechte voorspelling. Een slechte beslissing en het toevoegen van meer variabelen kan dus leiden tot "overfitting", waarbij het datamodel willekeurige ruis in de data begint te modelleren.

Omdat er zoveel factoren in overweging moeten worden genomen, wenden steeds meer financiële professionals zich tot predictieve planningsoftware en -services die hen helpen deze beslissingen te nemen en uiteindelijk sneller nauwkeurigere prognoses te maken. Hoe nauwkeuriger de prognoses zijn, hoe beter financiële teams kunnen plannen voor de toekomst en op een verstandige manier budgetten kunnen toewijzen. Bedenk hoeveel factoren een rol spelen bij het maken van een jaarlijks budget en welke impact één regelitem, zoals aanstellingskosten, kan hebben. Een bedrijf kan predictieve planning gebruiken om historische trends in het verloop van een bedrijf te signaleren, de waarschijnlijk beste en slechtste scenario's te beoordelen en de verloopprognose in de stabiele toestand aan te passen als het model significante andere resultaten voorspelt.

Naast het financiële team wordt cross-functioneel gebruik van predictieve planning en prognoses steeds belangrijker om de volatiliteit in de economie, het personeelsbestand, de supply chain en andere zakelijke factoren aan te pakken. Predictieve planning kan worden gebruikt in voorraadbeheer, bijvoorbeeld om cyclische of seizoensgebonden pieken te identificeren die het werkkapitaal onverwacht kunnen beïnvloeden of die tekorten en een tragere productie kunnen veroorzaken. Een inkoopmanager kan predictieve prognoses gebruiken om een inschatting te maken van de grondstofkosten en te beslissen of deze worden gebruikt om de risico's van een verhoging van de grondstofprijzen te beperken. Een leider van een klantenserviceteam kan predictieve planning gebruiken om trends in het gespreksvolume te voorspellen en zo het juiste aantal werknemers in te plannen. Operationele inzichten zoals deze hebben invloed op veel gebieden van een bedrijf en helpen organisaties bij het maken van meer nauwkeurige financiële plannen.

Volgens een enquête van PwC in augustus 2022 geeft bijna de helft van de CFO's aan dat hun topprioriteit het bouwen van predictieve modellen is zodat ze verschillende scenario's kunnen analyseren en zich goed kunnen voorbereiden. Dankzij deze vooruitziende blik kunnen ze potentiële risico's vermijden, zoals inkomstentekorten of overinvestering in een nieuwe markt die waarschijnlijk niet aan de verwachtingen zal voldoen. Door op basis van de beste en slechtste prognoses scenarioplannen te maken, kunnen teams zich voorbereiden op hoe ze zullen reageren. Ook maken bedrijven steeds vaker gebruik van predictieve planningsoftware om prognoses automatisch bij te werken op basis van de realtime data van een organisatie. Zo kunnen financiële teams eerder zien of een planning goed of slecht zal uitpakken en kunnen ze hun geplande reactie versnellen.

Methoden voor tijdreeksprognose

Tijdreeksprognose is een techniek waarbij historische datapunten worden gebruikt die regelmatig worden vastgelegd om te voorspellen wat er in de toekomst waarschijnlijk zal gebeuren. Er bestaan talloze methoden of algoritmen voor tijdreeksprognose en financiële professionals moeten bepalen welke de meest nauwkeurige voorspelling zal geven op basis van de beschikbare data en wat ze willen bereiken.

Bij tijdreeksprognoses wordt over het algemeen gekeken naar trends, seizoensgebondenheid en cycli. Trends weerspiegelen de geleidelijke of gestage toe- of afname van datapatronen in de loop van de tijd, meestal als gevolg van langetermijnfactoren, zoals veranderingen in de bevolking, organische groei of technologische innovaties. Dit kan vaak worden gemodelleerd met een lineaire functie of mogelijk met een functie met een langzaam bewegende curve. Seizoensgebondenheid richt zich op periodieke, regelmatige en enigszins voorspelbare toe- en afnames die in de loop van de tijd optreden. En bij het bespreken van maandelijkse data zal seizoensgebondenheid meestal binnen een kalenderjaar plaatsvinden. Seizoensgebondenheid kan worden onderverdeeld in kwartalen of natuurlijke seizoensgebondenheid, zoals feestdagen. Cycli zijn patronen van toe- en afname die mogelijk niet erg regelmatig zijn en langer dan een jaar kunnen duren. In het bedrijfsleven is dit vaak het gevolg van zaken zoals meerjarige bedrijfscycli die langzamer verlopen dan een typisch seizoenspatroon.

Hier volgen enkele populaire methoden:

• Met SMA (Single Moving Average) wordt de gemiddelde prijs van een artikel over een gedefinieerde periode berekend. Deze methode werkt het beste met vluchtige data zonder trends of seizoensgebondenheid.
• Met DMA (Double Moving Average) wordt het voortschrijdend gemiddelde berekend en wordt vervolgens het gemiddelde genomen van het enkelvoudig voortschrijdend gemiddelde. Bij deze techniek worden beide datasets gebruikt om het verwachte toekomstige gedrag te projecteren. Deze methode werkt goed met historische data die wel een trend maar geen seizoensgebondenheid hebben.
• Met SES (Single Exponential Smoothing) worden de data gewogen en wordt het nieuwste datapunt het belangrijkste punt. Het gewicht wordt geleidelijk lager naarmate de data ouder worden. Met deze methode worden de beperkingen van bewegende gemiddelden en methoden voor procentuele verandering overwonnen en de methode werkt het beste met vluchtige data zonder trends of seizoensgebondenheid.
• Met DES (Double Exponential Smoothing) wordt de methode SES uitgevoerd en herhaald. DES is van toepassing als data wel een trend maar geen seizoensgebondenheid hebben.
• DTS (Damped Trend Smoothing, niet-seizoensgebonden methode) zorgt ervoor dat SES twee keer wordt toegepast, maar de trendcomponentcurve wordt in tegenstelling tot de methode DES na verloop van tijd gedempt en afgevlakt. Deze techniek is van toepassing op data die wel een trend maar geen seizoensgebondenheid hebben.
• Met Seasonal Additive wordt de seizoensindex voor trendloze historische data berekend, wat resulteert in een prognose met curve met seizoensgebonden wijzigingen en exponentieel vereffende data. Deze methode is handig als de seizoensgebondenheid niet na verloop van tijd toeneemt.
• Seasonal Multiplicative werkt het beste met seizoensgebonden data die omhoog of omlaag gaan. Dit maakt deze methode anders dan Seasonal Additive. Met deze methode wordt ook de seizoensindex voor trendloze historische data berekend.
• Met Holt-Winters Additive worden exponentieel vereffende data gemaakt voor het niveau van de prognose en de trend en worden correcties aangebracht voor seizoensgebondenheid. Deze methode werkt goed als de trend en seizoensgebondenheid niet na verloop van tijd toenemen.
• Holt-Winters Multiplicative is van toepassing als de trend en seizoensgebondenheid na verloop van tijd toenemen. Net als met Holt-Winters Additive worden met de methode Holt-Winters Multiplicative exponentieel vereffende data gemaakt voor het niveau van de prognose en de trend en worden correcties aangebracht voor seizoensgebondenheid.
• Met de methode Damped Trend Additive Season wordt een afzonderlijke prognose gemaakt van de seizoensgebondenheid, gedempte trend en het niveau en worden deze data vervolgens gecombineerd in een lineaire trendprognose. Deze techniek werkt het beste als de data een trend en seizoensgebondenheid hebben, maar de seizoensgebonden variatie redelijk constant is.
• Met de methode Damped Trend Additive Multiplicative wordt ook een afzonderlijke prognose gemaakt van de seizoensgebondenheid, gedempte trend en het niveau en worden deze data vervolgens gecombineerd in een prognose. Deze methode volgt echter een proces dat is gemaakt voor situaties waarin de seizoensgebonden variatie met de tijd toeneemt.
• Met de methode ARIMA (Autoregressive Integrated Moving Average) wordt een berekening gemaakt waarmee trends voor één variabele in de loop van de tijd worden vastgelegd en toekomstige datapunten worden voorspeld door te kijken naar het verschil tussen waarden in de reeks. Deze methode wordt toegepast als er geen seizoensgebondenheid is, maar er afzonderlijke seizoensgebonden ARIMA-modellen (SARIMA) bestaan.

Prognosemethoden en -technieken selecteren

Met predictieve planning kunnen organisaties kritieke beslissingen nemen en zich voorbereiden op de toekomst. Om dit effectief te doen, moeten FP&A-professionals de meest nauwkeurige prognosemethode gebruiken, afhankelijk van wat ze willen bereiken en welke data beschikbaar zijn. Het is ook essentieel dat de data betrouwbaar en relevant zijn en dat er voldoende data zijn om de meest nauwkeurige voorspelling te maken. Aanbevelingen voor de hoeveelheid data variëren, maar het wordt aangeraden om ten minste tweemaal de hoeveelheid data te hebben als uw voorspellingsperiode.

Zoals hierboven wordt uitgelegd in de sectie 'Methoden voor tijdreeksprognose', heeft elk algoritme zijn eigen beperkingen en levert het betere prestaties onder specifieke omstandigheden. Als u bijvoorbeeld een inschatting wilt maken van de toekomstige prijs van grondstoffen in uw productieproces door te kijken naar de gemiddelde historische prijs over een gedefinieerde periode, werkt de methode SMA het beste als er geen trend of seizoensgebondenheid is. Als uw data echter wel een trend en geen seizoensgebondenheid hebben, krijgt u een meer nauwkeurige prognose met de methode DMA. Data kunnen seizoensgebonden worden gemaakt, maar dit voegt een complicatie toe aan uw model.

Naast de beschikbaarheid van data en het doel van de prognose, moeten analisten rekening houden met factoren zoals hoe nauwkeurig de schatting moet zijn, de kosten voor het maken van de voorspelling wat betreft personeelsuren, datasourcing en computingresources versus de voordelen, en hoeveel tijd ze hebben om de analyse uit te voeren. Het vinden van de meest statistisch nauwkeurige voorspelling kan een tijdrovend proces zijn. U moet de relevante prognosemethoden identificeren, de getallen voor elk model uitvoeren op basis van historische waarden en vervolgens analyseren welk model de minste fouten en beste voorspellingen zou hebben gehad als deze in het verleden was gebruikt. Als u bijvoorbeeld een validatiedataset maakt met een RMSE-berekening (root mean squared error), kunt u uw model beoordelen op basis van historische datapunten. De RMSE is in feite de standaardafwijking van residuen op de validatiedataset, en hoe lager de RMSE hoe beter. De prognosemethode met de meest nauwkeurige voorspelling heeft datapunten die het dichtst bij de regressielijn liggen, die de relatie tussen twee variabelen laat zien (de afhankelijke variabelen op de y-as en de onafhankelijke variabelen op de x-as van een grafiek). De juiste benadering kan uit het gebruik van meerdere methoden bestaan.

Veel mensen geven er de voorkeur aan om applicaties te gebruiken met ingebouwde predictieve planningsfuncties die dit proces automatiseren. De professionele dienstverlenende organisatie EY heeft 1000 CFO's en senior financiële leiders ondervraagd voor haar EY Global DNA of the CFO Survey en ontdekte dat bedrijven technologische transformatie de beste manier vinden om hun financiële afdeling in de komende drie jaar te verbeteren, gevolgd door geavanceerde data-analyse, zoals het gebruik van AI om financiële taken te verbeteren. Met deze AI-applicaties worden de data van een bedrijf verwerkt door via verschillende methoden voor tijdreeksprognose, worden RMSE en standaardfoutcriteria toegepast en wordt het model met de best passende methode geïdentificeerd. De applicatie kan ook een voorspelling maken van de best- en worst-case scenario's.

Met sommige applicaties kan een analyse met meerdere variabelen worden gemaakt. Zo kunnen FP&A-professionals meerdere factoren tegelijk vergelijken om financiële prognoses en de bedrijfsplanning te verbeteren. Ook is het mogelijk om deze processen te automatiseren. Zodra er nieuwe data beschikbaar zijn, worden de prognoses en voorspellingen bijgewerkt en beschikken CFO's en financiële teams over de nieuwste inzichten.

Predictieve planning en prognoses: gebruiksscenario's

Predictieve planning wordt steeds belangrijker omdat bedrijven te maken krijgen met toenemende druk om de winst te verhogen en risico's te minimaliseren te midden van voortdurende veranderingen in de vraag van de consument, economische omstandigheden, prestaties van leveranciers en andere variabelen. Uit een wereldwijd onderzoek onder 303 senior finance executives uitgevoerd door CFO Dive en FTI Consulting blijkt dat het verbeteren van de nauwkeurigheid van prognose- en analysefuncties twee van de vijf beste strategieën zijn die deze leidinggevenden zullen gebruiken om de financiële prestaties in 2023 en daarna te verbeteren. Betere prognoses met frequente updates vergroten het vermogen van een organisatie om planningen te maken voor verschillende scenario's en zich snel aan te passen.

De financiële dienstverlener KCB Group had voorheen meer dan 12 weken nodig om budgetten voor te bereiden en af te ronden voor al hun filialen en bedrijfsonderdelen. Het eerste probleem was dat data op verschillende plaatsen stonden. Ook vertrouwden ze op markttrends en andere externe datapunten tijdens de planning om een prognose te maken voor niet-gefinancierde inkomsten, zoals kosten voor transacties en ontoereikende fondsen. Dit maakte de prognose nog complexer. Toen KCB Group een applicatie met ingebouwde tools voor predictieve planning ging gebruiken, konden ze heel gemakkelijk hun eigen zakelijke en externe data gebruiken om trends te ontdekken en verschillende scenario's te voorspellen. Uiteindelijk heeft KCB Group de budgetcyclustijd met 60% verkort door verbeteringen door te voeren in het hele planningsproces.

Dankzij meer nauwkeurige prognoses kunnen bedrijven ook markttrends voorspellen en snel hierop reageren om hun winst te vergroten. Toen lululemon besloot zich te richten op de groei van het bedrijf buiten Noord-Amerika, realiseerde het team voor financiële planning en analyse zich dat ze beter moesten anticiperen op hoe veranderingen in de wereldeconomie en trends in de industrie de verkoop kunnen beïnvloeden. Ze stapten over op een krachtigere planningsapplicatie met ingebouwde voorspellende analysefuncties en een geavanceerde prognosetechniek. Zo konden ze meerdere scenario's voorspellen op basis van hun historische en realtime data en hun jaarplan voortdurend bijwerken. De inzichten leidden tot een betere financiële gezondheid van lululemon en een betere strategie. Leidinggevenden kunnen nu beter onderbouwde beslissingen nemen om het bereik van het merk uit te breiden.

Het maken van prognoses ondersteunt niet alleen de zakelijke en financiële behoeften van een bedrijf. Met predictieve prognoses kunnen bijvoorbeeld ook menselijke vooroordelen worden uitgesloten, zodat bedrijven de verkoop nauwkeuriger kunnen voorspellen. Bij statistisch gebaseerde prognoses is geen sprake van emotie en wordt voorspeld wat het meest waarschijnlijk zal gebeuren op basis van eerdere data. Hierdoor kunnen verkoopmanagers en andere leidinggevenden een betere planning maken. Ook kan het maken van een prognose van de productverkoop voor de komende zes maanden bedrijven helpen om vandaag een plan te maken zodat ze over voldoende materialen beschikken voor de productie van goederen en aan de verwachte vraag kunnen voldoen.

Financiële teams gebruiken vaak predictieve planning om een prognose te maken van cashflows op de middellange tot lange termijn. Zo krijgen ze een beter beeld van hun meest waarschijnlijke liquiditeit, wat een grote zorg is voor bedrijven van elke omvang. Het hebben van voldoende kassaldo geeft hen de flexibiliteit om onverwachte kansen te benutten of onvoorziene uitgaven te dekken. Uitzoeken hoeveel geld er op een bepaald moment beschikbaar is, kan echter een hele uitdaging zijn. Als u bijvoorbeeld een leverancier bent die goederen aan klanten verkoopt op krediet, is op het verkooppunt niet meteen contant geld beschikbaar voor die artikelen. U moet voorspellen wanneer klanten voor die kredietverkopen zullen betalen.

Volgens het Global CFO/Treasury Survey dat IDC in 2021 heeft uitgevoerd, hebben de meeste financiële professionals meer dan een dag nodig om een geconsolideerd overzicht van hun contanten en liquiditeit te maken. Dat levert twee problemen op: ten eerste kan de organisatie dan niet snel reageren op onverwachte situaties, en ten tweede is het overzicht waarschijnlijk al verouderd tegen de tijd dat het is gemaakt. Uit het onderzoek bleek ook dat minder dan 5% van de respondenten hun kasprognoses vertrouwt als deze meer dan drie maanden oud zijn. Gezien de complexiteit van het meten van liquiditeit en de aanzienlijke impact ervan op het bedrijf, maken steeds meer bedrijven gebruik van predictieve kasprognoses om sneller meer nauwkeurige prognoses te maken.

Financiële teams gebruiken ook steeds vaker voorspellende modellen om hun prognoses snel te valideren. Predictieve modellen op basis van machine learning en geavanceerde data-analyse kunnen relaties in historische data identificeren die een analist mogelijk niet ziet. Zie het als een meer geavanceerde manier om voorspellingen en inzichten te genereren, met name wanneer analisten ingewikkelde vragen met veel variabelen proberen te beantwoorden.

Het voorspellen van de bevolkingsgroei van een stad is bijvoorbeeld een hele uitdaging. Stadsplanners moeten rekening houden met hoeveel mensen gemiddeld elk jaar naar de stad verhuizen en hoeveel er vertrekken, hoeveel kinderen elk jaar worden geboren, hoeveel mannen en vrouwen er zijn, hoe lang ze zullen leven en andere factoren. Hoe nauwkeuriger ze kunnen anticiperen op veranderingen in de grootte van de stad, hoe beter ze de gemeenschap kunnen dienen door wegen en scholen te bouwen, zich voor te bereiden op schommelingen in het water- en energieverbruik en het nemen van andere belangrijke beslissingen. Predictieve modellen kunnen helpen bij dit soort voorspellingen.

Een potentieel levensreddende toepassing van predictieve planning is de spoedeisende hulp. Ziekenhuisbestuurders kunnen predictieve analyses gebruiken om het aantal patiënten te voorspellen en het juiste aantal zorgverleners te plannen. Over het algemeen moet het personeel op de spoedeisende hulp binnen vier uur een patiënt zien, behandelen en beslissen of hij of zij wordt opgenomen of ontslagen. Uit een Brits onderzoek in 2022 onder meer dan 5 miljoen patiënten gepubliceerd in het Emergency Medicine Journal is gebleken dat als een patiënt meer dan vijf uur op de spoedeisende hulp moet wachten voordat hij of zij in het ziekenhuis wordt opgenomen, de kans stijgt dat de patiënt ergens in de 30 dagen daarna komt te overlijden. In een tijd waarin ziekenhuizen te maken hebben met tekorten aan verpleegkundigen en artsen, zijn predictieve planning en prognose een waardevol hulpmiddel om werknemers zo effectief mogelijk in te zetten.

Beter plannen met predictieve planning en prognoses

Met een datagestuurde benadering voor het maken van prognoses kunnen menselijke vooroordelen worden uitgesloten en kunnen financiële teams snel de meest waarschijnlijke resultaten in meerdere scenario's identificeren, zodat CFO's samen met andere leidinggevenden beter onderbouwde beslissingen kunnen nemen. Predictieve planning en prognoses in Oracle Cloud Enterprise Performance Management (EPM) Planning, dat onderdeel is van Oracle Fusion Cloud Enterprise Performance Management, verbinden de planning in finance en de verschillende bedrijfsonderdelen. Elke afdeling heeft toegang tot vooraf gebouwde planningmodellen om snel meerdere scenario's te verkennen. Financiële teams kunnen deze prognoses en datamodellen gebruiken om nauwkeurigere en beter onderbouwde plannen te maken, zodat bedrijven zich kunnen voorbereiden op de beste en slechtste resultaten en hun winstgevend kunnen laten groeien.

Veelgestelde vragen over predictieve planning

Wat is predictieve planning?
Predictieve planning maakt gebruik van wat we uit het verleden hebben geleerd om te plannen voor de toekomst. Met methoden voor tijdreeksprognose wordt een voorspelling gemaakt van waarschijnlijke toekomstige waarden, zoals verkoopcijfers, aandelenprijzen en maandelijkse onkosten. Hierbij wordt ervan uitgegaan dat patronen en trends in de historische data zich zullen herhalen. Voor een snelle validatie van deze prognoses kunnen tools zoals machine learning en AI worden gebruikt.

Wat zijn predictieve prognoses?
Bij predictieve prognoses worden historische data geanalyseerd om zo een voorspelling te maken van wat er waarschijnlijk zal gebeuren. Hierbij worden patronen en trends geïdentificeerd in data die regelmatig worden vastgelegd.