예측 계획 기법을 활용한 계획 수립 및 포캐스팅

갈수록 많은 기업들이 자사의 과거 데이터에 기반한 통계적 분석을 통해 미래를 예측하는 기법인 예측 계획(predictive planning)을 채택하고 있습니다. CFO와 재무팀은 분석과 예측을 통해 수집한 정보를 바탕으로 매출 또는 비용과 같은 요소들이 추후 어떻게 변화할지 파악하여 예산 할당, 투자, 현금 흐름 계획 등을 개선할 수 있습니다. 예측 계획 및 포캐스팅(forecasting) 기법을 사용하는 CFO 및 기타 비즈니스 리더들은 예측 결과를 분석하여 공급 부족, 현금 부족 등의 잠재적 위험을 파악할 수 있습니다. 이는 문제를 미리 방지하고 기업의 수익과 평판을 보호할 수 있는 가능성을 높여줍니다.

예측 계획에 있어 포캐스팅이란 무엇인가요?

예측 계획을 사용하는 포캐스팅(forecasting using predictive planning)이란 예측 포캐스팅(predictive forecasting)과 동일한 개념으로서, 과거의 데이터를 분석하여 향후 발생 가능한 일들을 추정하는 프로세스입니다. 그리고 예측 계획(predictive planning)은 CFO 및 산하 재무팀이 예측 결과를 바탕으로 미래에 대비하기 위한 과정입니다. 예측 계획을 수행하는 재무팀은 시계열 예측(time series forecasting)을 즐겨 사용합니다. 시계열 예측이란 월별 판매량, 일일 재고 수준 등 일정한 간격으로 기록된 데이터의 패턴 및 추세를 파악하여 다음에 일어날 가능성이 있는 일을 추정하는 기법입니다. 시계열 데이터 분석은 주기, 계절성, 장기 추세를 이해하는 데 유용하고, 예측 정확도 향상에 기여합니다.

다가오는 연말연시 시즌의 매출을 예측하고자 하는 CFO를 예로 들어 보겠습니다. 수년간의 과거 판매 데이터를 보유한 기업이라면 시계열 예측을 통해 계절적 영향을 반영한 추정치를 도출할 수 있습니다. 그러나 재무팀이 추정치의 정확도를 가능한 한 높이기 위해서는 반드시 해당 기업의 상황에 가장 적합한 시계열 예측 기법을 찾아 사용해야 합니다.

분석가가 인사이트를 도출하고 관련 모델을 올바르게 적용하기에 충분한 양질의 데이터를 보유 중인 기업이 적절한 포캐스팅 기법을 활용한 예측 계획을 수행할 경우 분석가의 직감, 전년 대비 증가율이 일정할 것이라는 가정 등에 기반한 다른 예측 방식보다 높은 정확도를 확보할 수 있습니다. 그에 더하여 최근 많은 기업들은 데이터 모델링 및 머신러닝(ML) 기술을 사용하여 사람이 포착하기 어려운 데이터 집합 간의 관계성을 파악하기 위한 예측 분석 기능이 내장된 소프트웨어를 통해 예측 내역을 보다 정확하게 검증하고 있습니다. 예측 분석 기술을 사용한 예측 결과 검증은 예측 계획 프로세스의 표준으로 자리잡아 가는 중입니다.

핵심 요점

• 예측 계획은 재무팀이 통계적 기법을 사용하여 과거 데이터의 추세 및 패턴을 파악하고, 매출, 비용, 현금 흐름 등의 미래 가치를 추정하여 계획 수립 프로세스를 개선하는 작업입니다.
• 예측 및 추정치의 정확도는 예측에 사용된 데이터의 정확도와 비례하므로 재무팀은 깨끗하고, 관련성 있고, 신뢰도 높은 데이터만을 사용해야 합니다.
• 예측 계획에 사용되는 시계열 예측 기법에는 다양한 종류가 있으므로 분석가는 개중 가장 적합한 기법을 선택하고, 가장 정확한 추정치를 도출하기 위한 변수들을 신중하게 고려해야 합니다.
• 예측 계획은 현금 흐름 예측, 제품 수요 예측, 마케팅 캠페인의 투자 수익률 예측 등의 다양한 비즈니스 사용 사례에 적용할 수 있습니다.

예측 계획 및 포캐스팅 알아보기

예측 계획의 전제는 과거의 패턴과 추세가 미래에도 일정 수준으로 반복된다고 가정하는 것입니다. 따라서 CFO 및 재무팀은 과거를 분석하여 인사이트를 확보하고, 현재의 데이터를 기반으로 미래의 결과를 예측함으로써 앞으로 일어날 일에 대비할 수 있습니다. 다양한 사용 사례와 관련된 트렌드를 안정적으로 예측하고자 하는 기업의 수요가 갈수록 증가하고, 비즈니스의 변동성과 복잡성이 심화됨에 따라 예측 계획 및 포캐스팅을 도입하는 기업들이 증가하고 있습니다. 시장 분석 기업인 BARC가 기업의 계획 수립 프로세스에 참여하는 직원 295명을 대상으로 실시한 글로벌 설문조사 결과에 따르면, 예측 계획 기법을 생산적으로 사용 중이라고 답한 기업 수는 2020년 4%에서 2022년 27%로 증가했습니다. 그 외 기업 중 17%는 2022년 당시 예측 계획을 위한 솔루션을 배포 중이거나 그 프로토타입을 사용 중이라고 답했습니다. 기업의 미래 예측 정확도가 높아질수록 정보에 입각한 의사 결정을 더 잘 수행할 수 있으며, 미래의 성공에 실질적으로 기여할 수 있는 계획의 수립 가능성도 높아집니다.

어느 기업이 내년도 매출, 원자재 비용, 생산 능력 요구 사항을 예측하여 새로운 장비에 비용을 투자하는 것이 합당한지 확인하고자 하는 상황을 가정해 보겠습니다. 이와 관련하여 재무팀이 수행하는 예측의 정확도에 영향을 미치는 몇 가지 요소들이 있습니다. 먼저 재무팀은 패턴과 추세를 발견하기에 충분한 데이터를 확보해야 합니다. 일반적으로는 예측하려는 기간보다 최소 두 배 이상의 과거 데이터를 보유하는 것이 좋습니다(예: 향후 12개월을 예측하기 위해서는 과거 24개월동안의 데이터가 필요합니다). 또한 데이터는 신뢰할 수 있고 깨끗해야 합니다. 즉, 허위 데이터, 중복 데이터, 잘못된 형식의 데이터 등이 포함되어서는 안 됩니다. 예측 계획 과정에는 잘 구조화되어 있고, 높은 정확도가 요구되는 재무 관련 데이터를 사용하는 것이 일반적입니다. 예측 결과의 정확도는 예측 과정에 사용된 데이터의 정확도와 비례하기 마련입니다. 또한 재무 계획 및 분석(FP&A) 전문가는 사용 가능한 데이터 및 답변을 요하는 질문에 가장 적합한 시계열 예측 모델(많은 경우 복수의 모델들)이 무엇인지 파악해야 합니다. 잘못된 변수를 선택하면 예측의 정확도가 저하되어 잘못된 결정을 야기할 수 있고, 변수를 과하게 추가하면 데이터 모델이 학습용 데이터에 랜덤하게 존재할 수 있는 노이즈를 일반적인 데이터로 오인하는 '과적합(overfitting)' 현상이 발생할 수 있습니다.

이와 같이 예측 과정에서 고려해야 할 요소가 너무 많으므로, 갈수록 많은 재무 전문가들이 예측 과정에서의 의사 결정을 지원하고, 결과적으로 더 정확한 예측을 더 빨리 수행할 수 있도록 도와주는 예측 계획 소프트웨어 및 서비스의 도입을 고려하고 있습니다. 예측 결과의 정확도에 비례하여 재무팀의 미래 계획 수립 및 예산 배분 능력도 향상됩니다. 연간 예산을 수립할 때 얼마나 많은 요소가 작용하는지, 그리고 채용 비용과 같은 한 가지 라인 항목이 얼마나 큰 영향을 미칠 수 있는지 생각해 보겠습니다. 기업은 예측 계획을 활용해 감원 수준에 대한 과거 추세를 파악하고, 최상의 시나리오 및 최악의 시나리오를 평가하고, 예측 모델이 크게 다른 예측 결과를 도출하는 경우 기존의 감원 예측을 조정하는 것도 고려해 볼 수 있습니다.

재무팀 외에도 경제, 인력, 공급망 및 기타 비즈니스 동인의 변동성에 대처하기 위한 예측 계획 및 포캐스팅의 범부서적 활용이 갈수록 중요해지고 있습니다. 예를 들어, 재고 관리 부서에서는 예측 계획을 사용하여 기업의 운전 자본에 예기치 않은 부담을 줄 수 있는 주기적 또는 계절적 수요 급등, 또는 생산 속도를 늦출 수 있는 공급 부족 요인 등을 파악할 수 있습니다. 조달 관리자는 예측 포캐스팅을 사용하여 원자재 비용을 추정하고, 원자재 가격 상승에 대비한 헤지 여부를 결정할 수 있습니다. 고객 서비스 팀장은 예측 계획을 사용하여 통화량 추세를 분석하고 예측되는 통화량에 부합하는 직원을 배치할 수 있습니다. 이상과 같은 운영 인사이트는 비즈니스의 여러 영역에 영향을 미치고, 기업 조직이 보다 정확한 재무 계획을 수립하는 데 기여합니다.

PwC의 2022년 8월 설문조사 결과에 따르면, CFO 중 거의 절반이 예측 모델을 구축하고, 다양한 시나리오를 분석하고 대비할 수 있는 능력을 확보하는 것이 본인의 최우선 과제라고 응답했습니다. 더 나은 예측 능력을 갖춘 CFO는 매출 부족, 기대에 미치지 못할 가능성이 높은 신규 시장에 지나치게 많은 투자를 하는 것 등의 잠재적 위험을 회피할 수 있습니다. 최선의 예측과 최악의 예측을 모두 고려한 시나리오 계획을 수립하는 팀은 모든 경우의 수에 대비한 대응 방법을 준비할 수 있습니다. 또한 조직의 실시간 데이터를 바탕으로 예측 결과를 자동으로 업데이트하는 예측 계획 소프트웨어를 도입함으로써 재무팀이 호재 또는 악재를 더욱 빨리 파악하여 보다 나은 대응 계획을 세울 수 있도록 지원하는 기업들이 갈수록 많아지고 있습니다.

시계열 예측 방법

시계열 예측은 일정한 간격으로 기록된 과거 데이터 포인트를 사용하여 미래에 일어날 일을 예측하는 기법입니다. 시계열 예측에 사용되는 방법 또는 알고리즘은 매우 다양하므로, 재무 전문가는 사용 가능한 데이터 및 달성하고자 하는 목표에 따라 가장 정확한 예측 결과를 제공해 줄 방법이 무엇인지 파악해야 합니다.

시계열 예측은 일반적으로 추세, 계절성, 주기를 분석합니다. 추세는 시간의 경과에 따른 데이터 패턴의 점진적, 또는 꾸준한 증가 또는 감소를 반영합니다. 그 일반적인 증감 요인은 인구 변화, 유기적 성장, 기술 변화와 같은 장기적 요인입니다. 추세는 선형 함수 또는 느리게 움직이는 곡선 함수로 모델링하는 경우가 많습니다. 계절성은 시간이 지남에 따라 발생하는 주기적이고, 규칙적이고, 어느 정도 예측 가능한 증가 및 감소에 중점을 둡니다. 월별 데이터를 분석하는 과정에서 계절성은 일반적으로 달력 연도 1년 내에 발생합니다. 계절성은 분기, 또는 휴일 등의 자연적인 계절성으로 더욱 세분화할 수 있습니다. 주기는 규칙적이지 않을 수 있고, 1년 이상 지속될 수 있는 증가 및 감소 패턴을 의미합니다. 비즈니스에서는 일반적인 계절성 패턴보다 느리게 움직이는 다년간의 비즈니스 주기를 분석하는 데 많이 사용되는 개념입니다.

다음은 널리 사용되는 시계열 예측 방법입니다.

• 단일 이동 평균(Single moving average, SMA)은 분석 대상 품목의 정의된 기간 동안의 평균 가격을 계산하며, 추세 또는 계절성이 없고 변동성이 높은 데이터에 적합한 방법입니다.
• 이중 이동 평균(Double moving average, DMA)은 먼저 이동 평균을 계산한 뒤, 해당 단일 이동 평균의 평균을 구합니다. 이는 두 가지 데이터 세트를 모두 사용하여 예상되는 미래 행동을 예측하는 데 사용되고, 추세는 있지만 계절성은 없는 과거 데이터 분석에 적합한 방법입니다.
• 단순 지수 평활법(Single exponential smoothing, SES)은 데이터에 가중치를 부여하여 최신 데이터 포인트에 가장 큰 가중치를 부여하고, 데이터가 오래될수록 점차 가중치를 낮춥니다. 이는 이동 평균 및 백분율 변화 방법의 한계 극복에 기여하고, 추세 또는 계절성이 없는 변동성 데이터 분석에 가장 효과적인 방법입니다.
• 이중 지수 평활법(Double exponential smoothing, DES)은 SES를 반복하여 수행하는 방법입니다. 추세는 있지만 계절성이 없는 데이터에 DES를 적용할 수 있습니다.
• 댐핑 추세 평활(DTS) 비계절 방법(Damped trend smoothing nonseasonal method)은 SES를 두 번 적용하지만, DES와 달리 추세 성분 곡선이 감소되어 시간이 지남에 따라 평탄화됩니다. 이는 추세는 있지만 계절성은 없는 데이터에 적합한 방법입니다.
• 계절 가법(Seasonal additive)은 추세가 없는 과거 데이터의 계절성 지수를 계산하여 계절적 변화 및 지수적으로 평활화된 값을 보여주는 곡선형 예측을 생성합니다. 계절성이 시간이 지남에 따라 증가하지 않을 때 유용한 방법입니다.
• 계절 승법(Seasonal multiplicative)은 상승 또는 하락하는 계절성 데이터에 가장 적합한, 계절 가법과는 다른 방법입니다. 이 방법 또한 추세가 없는 과거 데이터의 계절 지수를 계산합니다.
• 홀트-윈터스 가법(Holt-Winters additive)은 예측 수준 및 추세에 대한 지수 평활화된 값을 생성하고 계절성을 조정합니다. 이 방법은 시간 경과에 따라 추세나 계절성이 증가하지 않는 경우 유용합니다.
• 홀트-윈터스 승법(Holt-Winters multiplicative)은 시간 경과에 따라 추세 및 계절성이 증가하는 경우 사용됩니다. 홀트-윈터스 승법은 홀트-윈터스 가법과 마찬가지로 예측 수준 및 추세에 대한 기하급수적으로 평활화된 값을 생성하고 계절성을 조정합니다.
• 감쇠 추세 가법 계절 기법(Damped trend additive seasonal method)은 계절성, 감쇠 추세 및 수준을 개별적으로 예측한 뒤 모든 예측 데이터를 하나의 선형 추세 예측으로 결합합니다. 이 기법은 데이터에 추세와 계절성이 있지만 계절적 변동이 대체로 일정한 경우 가장 효과적입니다.
• 감쇠 추세 가법 승법 방식(Damped trend additive multiplicative method) 역시 계절성, 감쇠 추세, 수준을 개별적으로 예측한 뒤 모든 예측 데이터를 하나의 예측으로 결합합니다. 그러나 계절적 변동이 시간이 지남에 따라 증가하는 상황을 위해 만들어진 프로세스를 따릅니다.
• 자기 회귀 누적 이동 평균(Autoregressive integrated moving average, ARIMA)은 특정 변수의 시간 경과에 따른 변화 추세를 파악하고, 계열 내 값 사이의 차이를 살펴 미래의 데이터 포인트를 예측하는 계산법입니다. ARIMA는 계절성이 없을 때 사용되지만, 별도의 계절성 ARIMA 모델(SARIMA)도 존재합니다.

예측 방법 선택 및 관련 기법

예측 계획은 조직이 중요한 결정을 수행하고, 앞으로 닥칠 일에 대비하는 데 기여합니다. FP&A 전문가가 예측 계획을 효과적으로 수행하기 위해서는 달성하고자 하는 목표 및 사용 가능한 데이터를 고려하여 가장 정확한 예측 방법을 사용해야만 합니다. 또한 신뢰할 수 있고 분석 목표와 관련성이 높은 데이터여야 하고, 가능한 한 가장 정확한 예측을 수행하기 위해서는 충분히 큰 데이터 세트를 확보해야 합니다. 권장되는 데이터 크기는 다양합니다. 개중 한 가지 방법은 예측 기간의 최소 두 배 이상에 달하는 기간 동안의 데이터를 확보하는 것입니다.

앞선 '시계열 예측 방법' 섹션에서 살펴본 바와 같이, 각 알고리즘마다 주의해야 할 점들이 있고, 특정 상황별로 최상의 성능을 발휘합니다. 특정 기간 동안의 평균 과거 가격을 바탕으로 제조 공정에 사용되는 원자재의 미래 가격을 예측하는 상황을 예로 들면, 추세나 계절성이 없는 경우 SMA가 가장 적절한 선택입니다. 그러나 데이터에 추세가 있고 계절성이 없는 경우에는 DMA를 사용하는 편이 정확한 예측을 얻을 가능성이 더 높습니다. 데이터를 비계절화할 수 있지만 이렇게 하면 모델에 복잡성이 추가됩니다.

데이터 분석가는 데이터 가용성 및 예측을 수행하는 목적을 고려하는 것과 더불어, 예측이 얼마나 정확해야 하는지 파악하고, 직원의 업무 시간, 데이터 소싱, 컴퓨팅 리소스 등의 측면에서 예측을 수행하는 데 들어가는 비용과 이점을 비교하고, 분석을 수행하는 데 주어진 시간 등의 요소도 함께 고려해야 합니다. 통계적으로 가장 정확한 예측 방식을 찾는 것은 많은 시간이 소요되는 과정일 수 있습니다. 관련 예측 방법을 파악하고, 각 모델별로 과거 값을 대입한 예측을 실행한 뒤, 과거에 사용했었다면 가장 오류가 적고 예측 결과가 가장 정확했을 방법은 무엇이었을지 분석해야 합니다. 예를 들어, 평균 제곱근 오차(RMSE)를 계산하여 유효성 검사 데이터 세트를 만들면 과거 데이터 포인트와 비교하여 모델을 평가할 수 있습니다. RMSE는 기본적으로 유효성 검사 데이터 세트의 잔차의 표준 편차이며, RMSE는 낮을수록 더 좋습니다. 가장 정확한 예측 결과를 도출할 수 있는 예측 방법은 회귀선에 가장 가까운 데이터 포인트를 가집니다. 회귀선이란 두 변수 간의 관계, 즉 그래프의 Y축의 종속 변수와 X축의 독립 변수 간의 관계를 나타내는 선을 의미합니다. 여러 가지 방법을 함께 사용하는 것이 올바른 접근 방식인 경우도 있습니다.

오늘날의 사용자들은 이상의 가장 적절한 예측 방식을 찾기 위한 프로세스를 자동화시켜주는 예측 계획 기능이 내장된 애플리케이션들을 애용하고 있습니다. 전문 서비스 기업인 EY가 1,000명의 CFO와 고위 재무 리더를 대상으로 실시한 EY CFO의 글로벌 DNA 설문조사 결과에 따르면, 향후 3년 동안 재무 분야를 개선할 주된 방법으로는 기술 혁신이 선정되었고, AI를 사용한 재무 업무 개선을 포함한 고급 데이터 분석이 그 뒤를 이었습니다. AI 애플리케이션은 기업이 보유 중인 데이터에 다양한 시계열 예측 방법을 대입하고, RMSE 및 표준 오차 기준을 적용하여 가장 적합한 모델을 식별합니다. 또한 AI 애플리케이션은 예측 결과에 더하여 최상의 시나리오와 최악의 시나리오를 함께 제시할 수도 있습니다.

일부 애플리케이션은 다변량 분석이 가능하므로 FP&A 전문가가 여러 요소를 한 번에 비교하여 재무 예측 및 기업 계획을 개선할 수 있습니다. 또한 이러한 프로세스를 자동화하면 새로운 데이터가 업데이트될때마다 예측 및 포캐스트 결과도 자동으로 업데이트되어 CFO와 재무팀이 손쉽게 최신 인사이트를 얻을 수 있습니다.

예측 계획 및 포캐스팅 사용 사례

오늘날 많은 기업들은 소비자 수요, 경제 상황, 공급업체 성과 및 기타 다양한 변수들이 지속적으로 변동하는 환경 하에서 수익을 늘리고 위험을 최소화해야 한다는 압박에 시달리고 있으며, 결과적으로 예측 계획의 중요성도 갈수록 커지고 있습니다. CFO Dive와 FTI 컨설팅이 전 세계의 고위 재무 관리자 303명을 대상으로 실시한 설문조사 결과에 따르면, 2023년 이후 각 기업의 재무적 성과 개선을 위해 사용할 5대 주요 전략 중 포캐스팅 정확도 향상, 데이터 분석 역량 개선이 포함되어 있었습니다. 빈번한 업데이트를 통해 포캐스팅 결과를 개선하면 다양한 시나리오에 대비하고 신속하게 적응할 수 있는 기업 조직의 능력이 향상됩니다.

금융 서비스 지주 회사인 KCB Group은 과거 모든 지점 및 사업 부문의 예산을 준비하고 확정하는 데 도합 12주 이상이 걸리곤 했습니다. 그 원인 중 하나는 관련 데이터가 여러 곳에 분산되어 저장되어 있는 것이었습니다. 또한 거래 수수료, 초과인출 수수료와 같은 비 자금 수입을 예측하기 위해 시장 동향 및 기타 외부 데이터 요소를 활용하는 과정도 포캐스팅을 복잡하게 만들었습니다. 따라서 KCB Group은 예측 계획 도구가 내장된 애플리케이션을 도입했습니다. 새로운 애플리케이션은 KCB Group의 자체 비즈니스 및 외부 데이터를 사용하여 추세를 파악하고 다양한 시나리오를 예측하는 작업을 더욱 간단하게 만들어 주었습니다. 궁극적으로 KCB 그룹은 계획 프로세스 전반을 개선하여 예산 주기 시간을 60% 단축했습니다.

보다 정확한 포캐스팅은 기업이 시장 동향을 예측하고 신속하게 대응하여 수익성 있는 성장을 추진하는 데에도 기여합니다. lululemon이 북미 이외의 지역에서 사업을 성장시키는 데 집중하기로 결정했을 때, 재무 계획 및 분석 팀은 세계 경제 및 업계 동향의 변화가 매출에 어떤 영향을 미칠지 더 잘 예측할 수 있는 능력을 갖춰야 한다는 사실을 깨달았습니다. 결과적으로 lululemon은 정교한 포캐스팅 기법인 예측 분석 기능이 내장된 더욱 강력한 성능의 계획 애플리케이션을 도입하여 과거 및 실시간 데이터를 기반으로 다양한 시나리오를 예측하고 연간 계획을 지속적으로 업데이트할 수 있는 체계를 구축했습니다. 새로운 인사이트를 통해 lululemon의 재무 상태와 전략이 개선되었고, 경영진은 더욱 풍부한 정보를 바탕으로 브랜드 범위를 확장하기 위한 의사 결정을 내릴 수 있게 되었습니다.

포캐스팅은 비즈니스 및 재무적 니즈를 지원하기 위한 다른 여러 용도로도 사용됩니다. 예를 들어, 예측 포캐스팅은 인적 편견의 개입을 줄여 주므로 기업이 향후의 매출을 더 정확하게 예측할 수 있습니다. 통계에 기반한 예측은 감정을 배제하고 과거 데이터를 기반으로 일어날 가능성이 가장 높은 일을 예측하여 세일즈 매니저 및 기타 관리자들이 더 나은 계획을 세울 수 있도록 도와줍니다. 마찬가지로, 기업은 향후 6개월 동안의 제품 판매 예측을 통해 예상 수요를 충족할 수 있는 충분한 자재를 확보하기 위한 계획을 사전에 수립할 수 있습니다.

재무팀은 규모에 관계없이 모든 기업이 중요시하는 요소인 중장기 현금 흐름을 예측하고, 현금 유동성을 더욱 정확히 파악하기 위해 예측 계획을 자주 사용합니다. 현금을 보유하면 예상치 못한 기회를 포착하거나 예상치 못한 비용을 충당할 수 있는 유연성을 확보할 수 있습니다. 그러나 언제든지 사용할 수 있는 현금의 양이 어느 정도인지 파악하는 것은 어려운 작업입니다. 예를 들어, 고객에게 외상으로 상품을 판매하는 공급업체는 해당 품목의 판매 시점에 즉시 판매 대금을 현금으로 사용할 수 없습니다. 따라서 고객이 이러한 신용 판매 대금을 언제 결제할지 가능한 한 정확히 예측해야 합니다.

IDC의 2021 글로벌 CFO/재무 전문가 설문조사 결과에 따르면, 대부분의 재무 전문가들은 현금 및 유동성에 대한 통합된 뷰를 구축하는 데 하루 이상이 걸리는 것으로 나타났습니다. 이는 두 가지 문제를 야기합니다. 첫째, 예상치 못한 상황에 신속하게 대응하는 조직의 능력을 저해합니다. 둘째, 수치를 도출했을 때는 이미 오래된 정보에 기반한 결과일 가능성이 높습니다. 또한 응답자 중 3개월 또는 그 이전에 수행한 현금 예측 결과를 신뢰하는 이들은 단 5%에도 미치지 못했습니다. 유동성 측정의 복잡성과 비즈니스에 미치는 중대한 영향력으로 인해, 갈수록 많은 기업들이 정확한 예측을 신속하게 수행하기 위한 예측적 현금 포캐스팅을 도입하고 있습니다.

재무팀에서도 예측 모델을 사용하여 포캐스팅 결과를 신속하게 검증하는 경우가 갈수록 많아지고 있습니다. 머신 러닝과 고급 데이터 분석에 기반한 예측 모델은 인간 분석가가 파악하기 어려운 과거 데이터 간의 관계도 파악할 수 있습니다. 데이터 분석가가 예측과 인사이트를 보다 정교하게 생성할 수 있는, 개중에서도 변수가 많은 복잡한 질문에 대한 답을 구해야 할 때 특히 유용한 방법이라고 할 수 있습니다.

예를 들어, 도시의 인구 증가를 예측하는 것은 매우 어려운 일입니다. 도시 계획가는 연평균 전입 및 전출 인원, 연평균 출산율, 성별별 인구수, 평균기대수명 및 기타 다양한 요인들을 고려해야 합니다. 도시 규모 변화의 예측 정확도가 상승할수록 도로 및 학교 건설, 물 및 에너지 사용량 변동 대비 및 기타 중요한 사안들과 관련하여 보나 나은 결정을 내림으로써 지역사회에 보다 뛰어난 서비스를 제공할 수 있습니다. 다양한 예측 모델도 이같은 종류의 예측에 도움이 될 수 있습니다.

응급실에서는 예측 계획을 활용하여 더 많은 생명을 구할 수 있습니다. 병원 관리자는 예측 분석을 사용하여 환자 수를 예측하고 적절한 인력 배치 수준을 계획합니다. 일반적으로 응급실에는 '4시간' 규칙이 적용됩니다. 의료진은 4시간 내로 각 환자를 검진하고, 치료하고, 입원 또는 퇴원 여부를 결정해야 합니다. Emergency Medicine Journal에 발표된, 2022년 영국에서 5백만 명 이상의 환자를 대상으로 수행한 연구 결과에 따르면, 응급실에서 5시간 이상 기다렸다 병원에 입원한 환자는 향후 30일 동안 더 높은 사망률을 보였습니다. 많은 병원들이 간호사 및 의사 부족 현상을 겪고 있는 현 상황에서 예측 계획 및 포캐스팅은 병원이 의료진을 최대한 효과적으로 배치할 수 있는 유용한 도구입니다.

예측 계획 및 포캐스팅으로 더 나은 계획 수립하기

데이터 기반 포캐스팅은 인적 편견을 감소시키고, 재무팀이 여러 시나리오 중에서 가장 가능성이 높은 결과를 신속하게 식별할 수 있도록 지원함으로써 CFO가 다른 경영진과 협력하여 정확한 정보에 입각한 의사 결정을 수행하는 데 기여합니다. Oracle Fusion Cloud Enterprise Performance Management에 포함된 Oracle Cloud Enterprise Performance Management(EPM) Planning을 활용한 예측 계획 및 포캐스팅을 통해 기업의 재무팀과 다른 사업부 전반의 계획을 한데 연결할 수 있습니다. 각 부서는 사전 구축된 계획 모델들을 활용하여 여러 시나리오를 신속하게 탐색할 수 있습니다. 재무팀은 사전 구축된 포캐스팅 및 데이터 모델을 활용하여 보다 정확하고 정보에 입각한 계획을 수립할 수 있습니다. 이는 기업이 최상 및 최악의 결과에 미리 대비하여 자사의 비즈니스를 보호하고 수익성 높은 성장을 추구하는 데 기여합니다.

예측 계획 FAQ

예측 계획이란 무엇인가요?
예측 계획은 과거로부터 배운 사실을 바탕으로 미래를 계획하는 작업입니다. 시계열 예측 방법은 과거 데이터의 패턴과 추세가 반복될 것이라는 가정을 바탕으로 판매량, 주가, 월별 비용 등의 미래 가치를 예측하고, 머신러닝 및 AI와 같은 도구를 사용하여 예측 결과를 빠르게 검증할 수 있습니다.

예측 포캐스팅이란 무엇인가요?
흔히 예측, 또는 포캐스팅(forecasting)으로 줄여 부르는 예측 포캐스팅(predictive forecasting)은 과거 데이터를 분석하여 일정한 간격으로 기록된 데이터의 패턴 및 추세를 파악함으로써 미래를 예측하는 작업입니다.