Pianificazione e previsione con la pianificazione predittiva

Le aziende stanno adottando sempre di più la pianificazione predittiva, la quale utilizza l'analisi statistica per stimare ciò che è probabile accada in futuro in base ai dati storici della tua organizzazione. Queste informazioni aiutano i CFO e i loro team finance a comprendere come possono evolversi fattori come le vendite o le spese, permettendo loro di allocare i budget in modo appropriato e di migliorare la pianificazione degli investimenti e dei flussi di cassa. L'utilizzo della pianificazione e della previsione predittive può aiutare i CFO e altri leader aziendali a identificare i potenziali rischi nelle loro previsioni, come le carenze di fornitura o le carenze di cassa. Questa lungimiranza dà loro più possibilità di evitare problemi e proteggere i profitti e la reputazione della loro azienda.

Che cos'è la previsione nella pianificazione predittiva?

Le previsioni che utilizzano la pianificazione predittiva, a volte chiamata previsione predittiva, sono il processo di analisi dei dati storici e di proiezione di ciò che è probabile accada. La pianificazione predittiva è il modo in cui i CFO e i team finance utilizzano tali informazioni per prepararsi al futuro. I team finance che effettuano la pianificazione predittiva si affidano molto alle previsioni delle serie temporali, che identificano pattern e trend nei dati registrati a intervalli regolari, come i numeri di vendita mensili o i livelli giornalieri delle scorte di magazzino, per estrapolare ciò che potrebbe accadere in futuro. L'analisi dei dati delle serie temporali, ad esempio, è utile per comprendere i cicli, la stagionalità e i trend a lungo termine, tutte cose che contribuiscono a creare una previsione accurata.

Ad esempio, un CFO potrebbe voler prevedere le vendite per le festività in arrivo. Se l'azienda dispone di anni di dati storici sulle vendite, la previsione della serie temporali può fornire una stima che riflette l'impatto stagionale. Tuttavia, se vuole ottenere la proiezione più accurata, il team finance deve identificare e utilizzare il miglior metodo di previsione delle serie temporali.

Se gli analisti dispongono di dati sulla qualità sufficienti per ricavare insight e applicare correttamente i modelli, i metodi di previsione utilizzati nella pianificazione predittiva dovrebbero avere un grado più elevato di precisione rispetto ad altre pratiche, come la sensazione o l'ipotesi che una percentuale aumenti anno dopo anno. Inoltre, molte organizzazioni scelgono di convalidare ulteriormente le proprie previsioni utilizzando un software con funzionalità di analytics predittivi integrati, che utilizza la modellazione dei dati e il machine learning (ML) per scoprire relazioni nei set di dati che una persona potrebbe non vedere. La convalida delle previsioni con gli analytics predittivi viene sempre più considerata una parte standard del processo di pianificazione predittiva.

Concetti chiave

• Si parla di pianificazione predittiva quando i team finance utilizzano tecniche statistiche per identificare trend e pattern nei dati storici per stimare valori futuri, come vendite, spese e flusso di cassa, al fine di migliorare il processo di pianificazione.
• Le previsioni che ne risultano sono valide solo quanto i dati usati per realizzarle, quindi i team finance dovrebbero utilizzare solo dati puliti, rilevanti e affidabili.
• Ci sono molti metodi di previsione delle serie temporali tra cui scegliere per eseguire la pianificazione predittiva, e gli analisti devono trovare il metodo più appropriato e considerare attentamente quali variabili sono necessarie per ottenere la previsione più accurata.
• La pianificazione predittiva può essere applicata a una vasta gamma di casi d'uso aziendali, come la previsione dei flussi di cassa, la domanda di prodotti e il ritorno sugli investimenti per le campagne di marketing.

Pianificazione e previsione predittive nel dettaglio

La pianificazione predittiva presuppone che i modelli storici e i trend in una certa misura si ripetano. Pertanto, analizzando il passato, i CFO e i team finance possono prepararsi a ciò che è probabile succeda scoprendo insight e creando previsioni che prevedono i risultati futuri in base ai dati attuali. L'adozione della pianificazione e della previsione predittive è in crescita per via dell'aumento nella domanda di previsioni affidabili dei trend in sempre più casi d'uso e della crescente volatilità e complessità nel business. Il numero di organizzazioni che affermano di utilizzare la pianificazione predittiva in modo produttivo è passato dal 4% del 2020 al 27% del 2022, secondo un sondaggio globale della società di analisi di mercato BARC a cui hanno partecipato 295 dipendenti coinvolti nel processo di pianificazione. Il sondaggio ha anche rilevato che un altro 17% l'ha implementata o ne ha utilizzato prototipi nel 2022. Le aziende che possono prevedere con precisione il futuro hanno maggiori probabilità di prendere decisioni informate oggi e di creare piani che le preparino per il successo di domani.

Supponiamo che un'azienda voglia prevedere le vendite del prossimo anno, i costi delle materie prime e i requisiti di capacità di produzione per vedere se ha senso investire in nuove attrezzature. Diversi fattori incidono sulla precisione della previsione del team. In primo luogo, il team finance dovrebbe disporre di dati sufficienti per rilevare pattern e trend. Una regola generale è quella di avere almeno il doppio dei dati storici rispetto al periodo di tempo previsto, ad esempio 24 mesi di dati storici per creare una previsione di 12 mesi. I dati devono inoltre essere affidabili e puliti, ovvero privi di dati falsi, duplicati o formattati in modo errato. Generalmente, la pianificazione predittiva viene eseguita utilizzando i dati del finance, i quali tendono ad essere ben strutturati e, si spera, accurati. Le previsioni sono tanto valide quanto i dati utilizzati per crearle. Inoltre, l'analista di pianificazione e analisi finanziaria (FP&A, financial planning and analysis) deve identificare il modello di previsione delle serie temporali corretto (spesso più modelli) in base ai dati disponibili e alla domanda a cui sta rispondendo. Scegliere variabili errate può portare a una previsione non accurata e, quindi, a una decisione sbagliata e l'aggiunta di più variabili può portare all'"overfitting", dove il modello di dati inizia a modellare il noise presente nei dati.

Con così tanti fattori da considerare, sempre più professionisti del finance si affidano a software e servizi di pianificazione predittiva che li aiutano a prendere queste decisioni e, in ultima analisi, a ottenere previsioni più accurate più velocemente. Maggiore è la precisione delle previsioni, meglio i team finance possono pianificare il futuro e allocare i budget in modo appropriato. Considera quanti fattori sono in gioco quando si crea un budget annuale e l'impatto significativo che una voce, ad esempio i costi di assunzione, può avere. Un'azienda potrebbe utilizzare la pianificazione predittiva per individuare i trend storici nel livello di abbandono di un'azienda, considerare i probabili scenari migliori e peggiori e valutare la possibilità di adattare la previsione di abbandono se il modello prevede un risultato molto diverso.

Oltre al team finance, l'uso interfunzionale della pianificazione e delle previsioni predittive è sempre più fondamentale per affrontare la volatilità dell'economia, della forza lavoro, della supply chain e di altri fattori di business. La pianificazione predittiva può essere utilizzata nella gestione del magazzino, ad esempio per individuare picchi periodici o stagionali che possono mettere a dura prova il capitale circolante o le carenze che possono rallentare la produzione. Un responsabile del procurement può utilizzare le previsioni predittive per stimare i costi delle materie prime e decidere se proteggersi da un aumento del loro prezzo. Un team leader di customer service potrebbe utilizzare la pianificazione predittiva per prevedere i trend di volume delle chiamate e scegliere i livelli di personale. Insight operativi come questi influiscono su molte aree di un'azienda e aiutano le organizzazioni a creare piani finanziari più precisi.

Quasi la metà dei CFO afferma che la loro priorità principale è creare modelli predittivi e acquisire la capacità di analizzare e prepararsi per scenari diversi, secondo un sondaggio di PwC dell'agosto 2022. Questa lungimiranza consente loro di evitare potenziali rischi, come carenze di entrate o investimenti troppo grandi in un nuovo mercato che difficilmente soddisferà le aspettative. La creazione di piani degli scenari basati sulle previsioni dei casi migliori e peggiori prepara i team alle strategie da adottare per rispondere. Inoltre, le aziende utilizzano sempre di più software di pianificazione predittiva che aggiornano automaticamente le previsioni utilizzando i dati in tempo reale di un'organizzazione, consentendo ai team finance di prevedere quando sta per arrivare un problema o un successo e quindi di preparare la loro risposta pianificata.

Metodi di previsione della serie temporale

La previsione delle serie temporali è una tecnica che utilizza datapoint storici registrati a intervalli regolari per prevedere ciò che probabilmente accadrà in futuro. Esistono numerosi metodi o algoritmi di previsione delle serie temporali e i professionisti del finance devono identificare quali forniranno loro la previsione più accurata in base ai dati disponibili e a cosa vogliono realizzare.

Le previsioni delle serie temporali generalmente studiano trend, stagionalità e cicli. I trend riflettono l'aumento o la diminuzione graduale o costante dei pattern di dati nel tempo, in genere a causa di fattori a lungo termine, come cambiamenti nella popolazione, crescita organica o cambiamenti tecnologici. Spesso è possibile modellarla con una funzione lineare o con una funzione curva lenta. La stagionalità si concentra su aumenti e diminuzioni periodici, regolari e abbastanza prevedibili che si verificano nel tempo. Quando si discutono i dati mensili, la stagionalità di solito si verifica entro un anno solare. Può essere suddivisa in trimestri o stagionalità naturali, come le festività. I cicli sono modelli di aumenti e diminuzioni che potrebbero non essere altrettanto regolari e potrebbero durare più di un anno. Nel mondo del business, questo è spesso dovuto a cose come i cicli aziendali pluriennali che si muovono più lentamente di un tipico pattern di stagionalità.

Ecco i metodi più popolari:

• La media mobile semplice (SMA, single moving average) calcola il prezzo medio di un articolo in un periodo di tempo definito e funziona meglio con dati volatili senza trend o stagionalità.
• La media mobile doppia (DMA, double moving average) calcola la media mobile e quindi la media di quella media mobile semplice. Questa tecnica utilizza entrambi i set di dati per proiettare il comportamento futuro previsto e funziona bene con i dati storici che hanno un trend ma non una stagionalità.
• Il livellamento esponenziale semplice (SES, single exponential smoothing) pesa i dati, attribuendo la massima importanza al datapoint più recente e diminuendo gradualmente il peso man mano che i dati invecchiano. Questo metodo aiuta a superare i limiti delle medie mobili e dei metodi di modifica percentuale e funziona meglio con dati volatili che non hanno un trend o una stagionalità.
• Il livellamento esponenziale doppio (DES, double exponential smoothing) esegue e ripete il metodo SES. Il DES è applicabile quando i dati hanno un trend ma nessuna stagionalità.
• Il metodo non stagionale di livellamento trend smorzato (DTS, damped trend smoothing) applica due volte il SES, ma a differenza del metodo DES, la curva dei componenti di trend viene smorzata e appiattita nel tempo. Questa tecnica si applica ai dati che hanno un trend ma nessuna stagionalità.
• L'additivo stagionale calcola l'indice stagionale per i dati storici senza trend, determinando una previsione curva che mostra le variazioni stagionali e i valori livellati in modo esponenziale. È utile quando la stagionalità non aumenta nel tempo.
• Il moltiplicativo stagionale funziona meglio con i dati stagionali che salgono o scendono, cosa che lo differenzia dall'additivo stagionale. Questo metodo calcola anche l'indice stagionale per i dati storici senza trend.
• L'additivo Holt-Winters crea valori livellati in modo esponenziale per il livello della previsione e il trend e si adatta in base alla stagionalità. Questo metodo funziona bene quando né il trend né la stagionalità aumentano nel tempo.
• Il moltiplicativo Holt-Winters si applica quando il trend e la stagionalità aumentano nel tempo. Come l'additivo Holt-Winters, il moltiplicativo Holt-Winters crea valori livellati in modo esponenziale per il livello della previsione e il trend e si adatta in base alla stagionalità.
• Il metodo stagionale additivo trend smorzato prevede la stagionalità, il trend smorzato e il livello singolarmente, quindi combina i dati in una previsione di trend lineare. Questa tecnica funziona meglio quando i dati hanno un trend e una stagionalità, ma la variazione stagionale è abbastanza costante.
• Anche il metodo moltiplicativo additivo trend smorzato prevede singolarmente la stagionalità, il trend smorzato e il livello, quindi li mette insieme in una previsione. Tuttavia, segue un processo fatto per le situazioni in cui la variazione stagionale aumenta con il tempo.
• Il modello autoregressivo integrato a media mobile (ARIMA, autoregressive integrated moving average) è un calcolo che acquisisce i trend per una variabile nel tempo e prevede punti di dati futuri analizzando la differenza tra i valori della serie. Si applica quando non c'è stagionalità, ma esistono modelli stagionali ARIMA (SARIMA, seasonal autoregressive integrated moving average) diversi.

Selezione e tecniche del metodo di previsione

La pianificazione predittiva aiuta le organizzazioni a prendere decisioni di importanza critica e a prepararsi a ciò che le aspetta. Per farlo in modo efficace, i professionisti del FP&A devono utilizzare il metodo di previsione più accurato, considerato ciò che vogliono realizzare e quali dati sono disponibili. È inoltre fondamentale che i dati siano affidabili e pertinenti e che il set di dati sia abbastanza grande da ottenere la previsione più precisa possibile. I consigli sulle dimensioni variano, ma un approccio utile consiste nell'avere almeno il doppio della quantità di dati rispetto al periodo di previsione.

Come si è visto sopra nella sezione "Metodi di previsione delle serie temporali", ogni algoritmo ha caratteristiche peculiari e performa meglio in circostanze specifiche. Ad esempio, se vuoi stimare il prezzo futuro delle materie prime nel tuo processo di manufacturing esaminandone il prezzo storico medio lungo l'arco di un determinato periodo, la SMA funziona meglio se non vi sono trend o stagionalità. Tuttavia, se i tuoi dati hanno un trend e nessuna stagionalità, hai maggiori probabilità di ottenere una previsione accurata con la DMA. I dati possono essere destagionalizzati, ma questo aggiunge complessità al tuo modello.

Oltre alla disponibilità dei dati e allo scopo della previsione, gli analisti devono considerare fattori come la precisione della stima, i costi di creazione della previsione in termini di tempo del personale, l'approvvigionamento dei dati e le risorse di calcolo rispetto ai vantaggi e il tempo necessario per condurre l'analisi. Trovare la previsione statisticamente più accurata può essere un processo che richiede tempo. Devi identificare i metodi di previsione pertinenti, fare dei calcoli per ogni modello rispetto ai valori storici e quindi analizzare quale avrebbe avuto il minor numero di errori e le previsioni migliori se fosse stato utilizzato in passato. Ad esempio, la creazione di un data set di convalida con un calcolo radice dell'errore quadratico medio (RMSE, root mean squared error) consente di valutare il modello rispetto ai datapoint storici. L'RMSE è essenzialmente la deviazione standard dei residui sul set di dati di convalida, e più basso è l'RMSE meglio è. Il metodo di previsione con la previsione più accurata ha datapoint più vicini alla linea di regressione, la quale mostra la relazione tra due variabili: le variabili dipendenti sull'asse y e le variabili indipendenti sull'asse x di un grafico. Il giusto approccio potrebbe implicare l'utilizzo di più metodi.

Molte persone preferiscono utilizzare le applicazioni con funzionalità di pianificazione predittiva integrate che automatizzano questo processo. L'organizzazione di servizi professionali EY ha intervistato 1.000 CFO e leader finance leader per il suo EY Global DNA of CFO Survey e ha scoperto che la trasformazione tecnologica è il modo principale attraverso cui miglioreranno il finance nei prossimi tre anni, seguito da analytics dei dati avanzati, che includono l'uso dell'intelligenza artificiale per migliorare i processi finanziari. Queste applicazioni di intelligenza artificiale eseguono i dati di un'azienda attraverso vari metodi di previsione delle serie temporali, applicano criteri di errori RMSE e standard e identificano il modello con la soluzione migliore. L'applicazione può anche proiettare lo scenario migliore e peggiore insieme alla previsione.

Alcune applicazioni consentono l'analisi multivariata, permettendo ai professionisti di FP&A di confrontare più fattori contemporaneamente per migliorare le previsioni finanziarie e la pianificazione aziendale. Inoltre, è possibile automatizzare questi processi affinché, man mano che diventano disponibili nuovi dati, le previsioni vengano aggiornate per fornire ai CFO e ai team finance gli insight più recenti.

Casi d'uso di pianificazione e previsione predittive

La pianificazione predittiva sta diventando più importante man mano che le aziende sono sempre più tenute a far crescere i profitti e a ridurre al minimo i rischi mentre affrontano costanti fluttuazioni nella domanda dei consumatori, nelle condizioni economiche, nelle performance dei fornitori e in altre variabili. Un sondaggio globale condotto CFO Dive e FTI Consulting intervistando 303 senior finance executive rileva che il miglioramento dell'accuratezza delle previsioni e delle funzionalità di analytics sono due delle cinque strategie principali che utilizzeranno per migliorare le performance finanziarie nel 2023 e oltre. Previsioni migliori con aggiornamenti frequenti migliorano la capacità di un'organizzazione di pianificare scenari diversi e adattarsi rapidamente.

KCB Group, una holding di servizi finanziari, impiegava più di 12 settimane per preparare e finalizzare i budget per tutte le sue filiali e le linee di business. I dati si trovavano in punti diversi, il che era un problema. Hanno anche fatto affidamento su trend di mercato e su altri datapoint esterni durante la pianificazione per prevedere il reddito non finanziato, come le commissioni delle transazioni e le commissioni dei fondi insufficienti, il che ha aggiunto complessità alle previsioni. Una volta che KCB Group ha iniziato a utilizzare un'applicazione con strumenti di pianificazione predittiva integrati, è stato più facile per loro utilizzare i propri dati aziendali ed esterni per individuare i trend e prevedere vari scenari. In definitiva, KCB Group ha ridotto i tempi del ciclo di budget del 60% apportando miglioramenti all'intero processo di pianificazione.

Previsioni più accurate aiutano le aziende anche a prevedere e rispondere rapidamente ai trend di mercato per favorire una crescita redditizia. Quando lululemon ha deciso di concentrarsi sulla crescita del suo business al di fuori del Nord America, il team di pianificazione e analisi finanziaria ha capito che avevano bisogno di prevedere meglio in che modo i cambiamenti nell'economia mondiale e i trend di settore avrebbero potuto influenzare le vendite. L'azienda ha iniziato a utilizzare un'applicazione di pianificazione più solida con analytics predittivi integrati, una sofisticata tecnica di previsione, per prevedere più scenari in base ai loro dati storici e in tempo reale per aggiornare continuamente il loro piano annuale. Gli insight hanno migliorato la salute finanziaria di lululemon e la strategia, consentendo ai leader di prendere decisioni più informate per espandere la portata del brand.

Le previsioni hanno molti altri usi attraverso cui supportare le esigenze aziendali e finanziarie. Ad esempio, le aziende possono prevedere le vendite in modo più accurato perché le previsioni predittive possono ridurre il bias umano. Le previsioni basate su statistiche eliminano le emozioni e proiettano ciò che è più probabile che accada in base ai dati passati, consentendo ai manager delle vendite e ad altri leader di pianificare meglio. Analogamente, prevedere le vendite dei prodotti nei prossimi sei mesi può aiutare le aziende a creare oggi un piano per assicurarsi di disporre di materiali sufficienti per produrre abbastanza merci per soddisfare la domanda prevista.

I team finance spesso utilizzano la pianificazione predittiva per prevedere i flussi di cassa a medio e lungo termine e avere un'idea migliore del livello di liquidità di cassa più probabile, una delle principali preoccupazioni per le aziende di qualsiasi dimensione. Avere denaro a disposizione dà loro la flessibilità di cogliere opportunità inaspettate o coprire spese impreviste. Tuttavia, capire quanto denaro è disponibile in un momento qualsiasi può essere difficile. Ad esempio, se sei un fornitore che vende merci ai clienti a credito, per quei prodotti il contante non diventa subito disponibile nel punto vendita. Hai bisogno di prevedere quando i clienti pagheranno per quelle vendite a credito.

La maggior parte dei professionisti del finance ha bisogno di più di un giorno per costruire una visione consolidata dei loro flussi di cassa e liquidità, secondo il Global CFO/Treasury Survey di IDC del 2021. Questo crea due problemi: in primo luogo, ostacola la capacità della loro organizzazione di rispondere rapidamente a situazioni inaspettate, e in secondo luogo, quando arrivano a un numero, è probabile che sia già obsoleto. Il sondaggio ha anche rilevato che meno del 5% degli intervistati si fida delle proprie previsioni di cassa se riguardano un periodo più lungo di tre mesi. Considerando la complessità della misurazione della liquidità e il suo impatto significativo sul business, sempre più aziende stanno esplorando le previsioni di cassa predittive per ottenere rapidamente previsioni più accurate.

I team finance utilizzano sempre più modelli predittivi per convalidare rapidamente le loro previsioni. I modelli predittivi basati sul machine learning e sugli analytics avanzati dei dati possono identificare relazioni nei dati storici che un analista potrebbe non vedere. Pensalo come un modo più sofisticato per generare previsioni e insight, soprattutto quando gli analisti stanno cercando di rispondere a domande complicate con molte variabili.

Prevedere la crescita della popolazione di una città, ad esempio, è molto difficile. I pianificatori delle città devono considerare quante persone, in media, si trasferiscono ogni anno all'interno e all'esterno del comune, quanti bambini nascono ogni anno, quanti uomini e donne ci sono, quanto a lungo vivranno e altri fattori. Più accuratamente possono anticipare i cambiamenti nelle dimensioni della città, meglio possono servire quella comunità costruendo strade e scuole, preparandosi alle fluttuazioni del consumo di acqua ed energia, e prendere altre decisioni vitali. I modelli predittivi possono aiutare con questo tipo di previsioni.

Un uso potenzialmente salvavita della pianificazione predittiva riguarda il pronto soccorso. Gli amministratori degli ospedali possono utilizzare gli analytics predittivi per prevedere i volumi dei pazienti e pianificare livelli appropriati di personale. In generale, il pronto soccorso segue la regola delle quattro ore, per cui il personale deve vedere, trattare e decidere se un paziente sarà ricoverato o dimesso entro quel periodo. Uno studio britannico del 2022 pubblicato sull'Emergency Medicine Journal e in cui sono stati intervistati più di 5 milioni di pazienti ha rilevato che aspettare più di cinque ore nel pronto soccorso prima di essere ricoverato in ospedale aumentava la probabilità di decesso del paziente nell'arco dei 30 giorni successivi. In un momento in cui gli ospedali si trovano ad affrontare la carenza di personale infermieristico e medico, la pianificazione predittiva e le previsioni offrono uno strumento prezioso per impiegare i dipendenti nel modo più efficace possibile.

Pianifica meglio con Predictive Planning and Forecasting

Un approccio al forecasting basato sui dati può ridurre il bias umano e consente ai team finance di identificare rapidamente il risultato più probabile in più scenari affinché i CFO possano collaborare con altri leader per prendere decisioni più informate. La pianificazione e la previsione predittive di Oracle Cloud Enterprise Performance Management (EPM) Planning, parte di Oracle Fusion Cloud Enterprise Performance Management, connettono la pianificazione tra finance e linee di business. Ogni area trae vantaggio dell'accesso a modelli di pianificazione predefiniti per esplorare rapidamente più scenari. I team finance possono sfruttare queste previsioni e questi modelli di dati per realizzare piani più accurati e informati che aiutino le aziende a prepararsi ai risultati migliori e peggiori in modi che proteggono e fanno crescere l'azienda in modo redditizio.

Domande frequenti sulla pianificazione predittiva

Che cos'è la pianificazione predittiva?
La pianificazione predittiva utilizza ciò che abbiamo imparato dal passato per pianificare il futuro. I metodi di previsione delle serie temporali proiettano valori futuri probabili, come i numeri di vendita, i prezzi delle azioni e le spese mensili, basati sull'ipotesi che i pattern e i trend nei dati storici si ripetano, e strumenti come il machine learning e l'intelligenza artificiale possono essere utilizzati per convalidare rapidamente tali previsioni.

Che cos'è la previsione predittiva?
La previsione predittiva, più comunemente chiamata forecasting, analizza i dati storici per stimare ciò che è probabile che accada identificando pattern e trend nei dati registrati a intervalli regolari.