Intelligent Forecasting: Anticipar el futuro en la era post COVID-19

Nuestra economía, así como la economía global, se está viendo afectada por la crisis sanitaria de la COVID-19, limitando de manera vertiginosa la capacidad de gestionar el negocio tal y como hemos hecho en el pasado. Ahora más que nunca es imprescindible elaborar previsiones inteligentes para tener visibilidad de los indicadores (intelligent forecasting) clave del negocio eficaces, una de las prácticas más importantes cuando el horizonte económico es tan incierto y depende de la evolución de múltiples eventos y variables.

Aunque los procesos de previsión en el contexto actual pueden parecer una tarea compleja e incluso requerir inversiones relevantes para su automatización, no tiene por qué ser así si se opta por las prácticas y tecnologías adecuadas para su digitalización.

Nuestro modelo de Intelligent Forecast te ayuda a prever tus escenarios

COVID-19: Un antes y un después

Como punto de partida, hagamos un rápido repaso de la evolución de la COVID-19 a nivel global y los efectos que supone a nivel macro y micro. En Estados Unidos, aunque los datos totales no son buenos, son mejores que los de las semanas anteriores, confirmando, de esta manera, la tendencia a la desaceleración. En Europa, los números siguen siendo buenos, confirmando la reducción de los contagios y los fallecimientos, pero también muestran un cierto aplanamiento. En Alemania, se sigue confirmando la reducción del número de contagios alejando, de momento, la posibilidad de un rebrote.

Respecto a la actividad económica, hemos conocido recientemente los datos de PIB del primer trimestre en la eurozona y se confirma que habrá diferencias importantes entre los distintos paísesen función del éxito que hayan tenido en la gestión de la crisis. Por último, dos datos que marcan el devenir de la economía española. Por un lado, el índice de producción industrial desciende un 12,2%, el mayor descenso desde septiembre de 2009. Y adicionalmente, la venta de vehículos, que ha presentado un descenso del 96,5%, tras una caída del 69,3% en marzo. Este es un ejemplo en cifras de la práctica desaparición de las ventas de bienes de consumo duradero.

Estas variables son un claro ejemplo de los inputs que las compañías tienen que utilizar con el objetivo de prever dónde se situará en los próximos meses de 2020 y a lo largo de 2021.

De crisis sanitaria a crisis económica y global

Una vez analizados los efectos sanitarios y económicos de la COVID-19, lo más importante es tomar en consideración que esta crisis no es únicamente económica, es algo que va mucho más allá y que sin duda tiene efectos globales.

Uno de los casos más interesantes es el auge del teletrabajo, que todos estamos experimentando y que tiene otras consecuencias colaterales:

  • Cambio al teletrabajo de forma rápida y a gran escala, lo que plantea nuevas preocupaciones sobre protección de clientes y datos.
  • Aumento del uso de la tecnología que facilita la colaboración y del ancho de banda.
  • Nuevos desafíos sobre cómo liderar, administrar y desempeñar la actividad de manera efectiva.
  • Creciente preocupación sobre el impacto en la salud mental y la conexión social.

Como consecuencia de lo anterior, se ha producido un crecimiento del 41% en el uso de protocolos de escritorio remoto desde el inicio del COVID-19 hasta el 29 de Marzo de 2020, o del 65% en el uso de VPN en empresas y particulares (1T de 2020 vs. 4T de 2019), según datos publicados por ZDNet.

Y no menos importante es la evolución experimentada por el comercio digital, que probablemente es uno de los ámbitos que ha sufrido un impacto mayor durante los 3 últimos meses. Destacamos los siguientes efectos:

  • Cierre de negocios y servicios físicos debido a las restricciones de cierre como en restaurantes, gimnasios, educación, etc
  • Aceleración en la adopción del comercio electrónico
  • Digitalización de empresas físicas y servicios del sector público por ejemplo, telemedicina, educación
  • Mayor adopción de pagos digitales al verse el efectivo como un riesgo
  • Incremento de suscriptores en medios online y en pedidos de alimentación

Todo lo anterior, llevado a cifras, ha significado un incremento del 1.200% de las ventas on-line desde febrero de 2020 a marzo de 2020 (según datos de Mercatus) o del 54% interanual de las ventas on-line en webs de los Estados Unidos desde el 7 de Abril de 2019 al 7 de Abril de 2020 (según datos publicados por Emarsys & GoodData).

 

Sobre lo que no hay duda es que este entorno requiere respuestas a cuestiones que hasta ahora no tenían el mismo nivel de criticidad:

  • ¿Los indicadores actuales son capaces de proporcionar la información correcta que necesitamos?
  • ¿El reporting proporciona la información con el nivel de detalle y velocidad adecuados?
  • ¿Cuáles son las necesidades u oportunidades a corto, mediano y largo plazo?
  • ¿Qué áreas de la cadena de suministro o flujos de generación de ingresos se ven más afectados?
  • ¿Qué proyectos, compras o actividades deberían congelarse?

Todos estamos de acuerdo en que las respuestas a todo lo anterior no son fáciles, pero sin embargo, la buena noticia es que hoy existen opciones tecnológicas que nos pueden servir como palanca para facilitar el análisis y la toma de decisiones, a diferencia de lo que ocurrió durante la recesión de 2008/2009. A continuación se detallan algunos ejemplos que explican por qué podemos decir que ahora el punto de partida es bastante mejor:

  • La comunicación es más fácil y mucho más rápida entre las distintas ubicaciones de la empresa, con proveedores, clientes y bancos, probablemente en su mayoría digital: Hoy somos capaces de conectarnos de forma rápida y haciendo uso de plataformas digitales, lo que facilita, por ejemplo, la puesta en marcha de programas de Cash Management
  • Muchas empresas tienen ERP actualizados y una mejor visibilidad de los procesos de P2P (Purchase to Pay) y O2C (Order to Cash): La información detallada de las transacciones de compra y venta está disponible, y aunque los informes puede que aún no la estén explotando, los datos son accesibles…
  • Las capacidades de Inteligencia Artificial (IA) en entornos Cloud permiten administrar la caja a un nivel de transacción individual: Las capacidades analíticas y de reporting de las soluciones de IA permiten que Finanzas administre cada transacción, no solo un resumen por tipo de cliente. Esto facilita la preparación de escenarios y la generación de análisis predictivos no disponibles anteriormente.

¿Nos pueden ayudar los modelos Intelligent Forecasting en la era post COVID-19?

 Ahora que ya hemos puesto una nota positiva al entorno difícil actual, veamos cómo nos pueden aportar los modelos de Intelligent Forecasting. Pensemos en cómo se desarrolla un proceso de forecast de manera habitual, siguiendo pasos en los que con total seguridad nos reconoceremos.

  • Normalmente el proceso comienza con la recepción de información de múltiples fuentes de datos que están aisladas y son utilizadas de forma heterogénea por diferentes analistas (por ejemplo por línea de negocio). Cada uno de estos analistas utiliza los datos limitados que reciben para elaborar su mejor previsión en ficheros formato Excel en la mayoría de los casos.
  • Una vez se concluyen las previsiones de cada analista, el equipo corporativo tiene la tarea de fusionarlos para decidir cuál es la versión óptima y los objetivos que cada uno de los negocios debe alcanzar en el forecast. Eventualmente, se producen idas y vueltas entre el equipo que reúne los objetivos y los que trabajaron en la hoja de cálculo inicial para conciliar todos los números calculados.
  • Finalmente, se elabora un informe en formato PowerPoint que recibirá el CFO para su revisión.

Bajo un modelo de Intelligent Forecast, el proceso se transformaría y pasaría a desarrollarse de la siguiente forma:

  • El proceso transformado que imaginamos elimina gran parte del trabajo manual mediante el uso de una figura esencial en estos modelos: los científicos de datos (data scientist). Imaginemos ahora a varios científicos de datos construyendo las señales (datos transformados) junto con el motor o motores de previsión. En este punto ya tendríamos un proceso automatizado y continuo que principalmente requiere experiencia en tratamiento de datos al principio y en varios puntos de control para su ajuste.
  • Hemos utilizado datos endógenos y exógenos de múltiples fuentes y los transformamos: los datos internos se transforman a través de procesos internos, mientras que los datos externos se almacenan en un repositorio de señales. Una vez que las señales están listas, pasan por nuestro motor de previsión y conducen a tres tipos diferentes de resultados en función de la tipología de los usuarios finales: ficheros Excel, un cuadro de mando interactivo o finalmente la información podría incluso integrarse en la herramienta EPM (Enterprise Performance Management) de planificación

De forma muy resumida, el cambio fundamentalmente radica en tomar múltiples series temporales, modelar la correlación entre ellas y unirlas estadísticamente para aumentar la precisión general del forecast.

Ejemplo práctico de Intelligent Forecasting

En este apartado vamos a tratar de ilustrar con un ejemplo la utilidad que genera el uso de este tipo de modelos. Para ello utilizaremos un caso ficticio de una compañía de retail que necesita realizar el forecast de sus diferentes marcas.

La primera pregunta que nos hacemos es: ¿Con qué marca queremos comenzar a realizar el forecast? Para responder deberíamos analizar los resultados a diferentes niveles para identificar cuál tendría el mayor impacto. Podríamos tomar dos factores principales: el tamaño y la variabilidad de cada marca para calcular así un “scoring de impacto” basado en datos históricos.

Imaginemos que haciendo este análisis, el resultado obtenido implica que la marca “Ground Meat” tiene el mayor impacto en nuestro forecast, identificándola como la marca en la que vamos a centrarnos de ahora en adelante en nuestro análisis:

  • El primer paso consiste en construir lo que llamamos un “Mapa de Señales”. El mapa completo de señales es una combinación de señales exógenas.
    (por ejemplo el índice de confianza del consumidor) junto con señales endógenas (como las tasas de rendimiento para la producción o las impresiones on line de publicidad).

Componentes de modelización del modelo de Intelligent Forecast

 

  • Todas estas señales serán consideradas en nuestros cálculos del forecast de ingresos y margen bruto a nivel de marca. El mapa de señales es todo el universo que se considera que tiene impacto potencial en los ingresos/margen bruto. Cada señal proviene de una fuente de datos diferente y probamos su correlación con la variable de resultados para determinar cuál debe incorporarse a nuestro modelo.
  • En general se trabaja con muchas señales y finalmente se seleccionan no más de 10-15 señales en función de su potencial. Debe analizarse la dirección (si correlaciona positiva o negativamente con el margen bruto), la fuerza (cuánta influencia tiene sobre el margen bruto) y el retraso (por cuánto tiempo se mueve la línea de tiempo de la señal para correlacionarse con el margen bruto, por ejemplo).
  • La siguiente tarea tiene que ver con la definición de los diferentes componentes del margen bruto. En este caso definimos un modelo de volumen (modelo central), un modelo de precio y un modelo de costes.

— Todas estas señales serán consideradas en nuestros cálculos del forecast de ingresos y margen bruto a nivel de marca. El mapa de señales es todo el universo que se considera que tiene impacto potencial en los ingresos/margen bruto. Cada señal proviene de una fuente de datos diferente y probamos su correlación con la variable de resultados para determinar cuál debe incorporarse a nuestro modelo. — En general se trabaja con muchas señales y finalmente se seleccionan no más de 10-15 señales en función de su potencial. Debe analizarse la dirección (si correlaciona positiva o negativamente con el margen bruto), la fuerza (cuánta influencia tiene sobre el margen bruto) y el retraso (por cuánto tiempo se mueve la línea de tiempo de la señal para correlacionarse con el margen bruto, por ejemplo). — La siguiente tarea tiene que ver con la definición de los diferentes componentes del margen bruto. En este caso definimos un modelo de volumen (modelo central), un modelo de precio y un modelo de costes.

 

  • Para cada modelo, tenemos que evaluar diferentes técnicas para determinar cuál será la más precisa. Por lo general, las técnicas predictivas se dividen en tres tipos diferentes de modelos: series de tiempo, regresión y aprendizaje automático. Cuando ejecutamos cada uno de estos tipos de modelado, probamos su precisión, alcanzando el 96% en nuestro caso
  • Para el modelo de precio unitario, utilizamos un promedio, para el modelo de volumen utilizamos una modelo de suavización exponencial con el objetivo de capturar estacionalidades, y para el modelo de costes unitarios utilizamos una regresión lineal múltiple. No es necesario que el modelo sea el más complejo para obtener los mejores resultados, por lo que la clave consiste en probar múltiples posibilidades para encontrar el óptimo.
  • A partir de este punto, con las señales elegidas se construye un modelo de simulación de escenarios para anticiparse a los eventos futuros que puedan sobrevenir.

Ejemplo de planificación de escenarios

Tenemos nuestro forecast actual, y podemos preguntarnos ¿qué sucede si el Índice de Precios al Consumidor no se mantiene estable y en su lugar aumenta durante los próximos 4 o 5 meses? ¿Cómo afectará esto a nuestro forecast? Para hacer este tipo de simulaciones, cambiamos la señal y vemos cómo esto afecta a nuestro forecast y nuestro crecimiento interanual.

El modelo de Intelligent Forecast probablemente no nos hubiera anticipado la aparición del COVID-19, pero seguro que facilitaría el trabajo de simulación que desde Finanzas se está realizando durante estos últimos dos meses para prever dónde nos vamos a encontrar a final de año y durante 2021.