Del reporting a la previsió: què cal tenir a punt abans

Els consells d'administració demanen previsions rolling amb més freqüència que abans, i els equips financers responen comprant eines de previsió. Aquest sol ser l'ordre equivocat. Una eina de previsió és un multiplicador de la qualitat d'allò que l'alimenta, i la majoria de les funcions financeres del mid-market que en demanen una encara no han construït allò que la faria valuosa: un tancament que acabi amb prou temps dins del mes per mirar endavant, i dades històriques prou netes per modelitzar-hi.

El resultat, previsiblement, és una previsió que reformula les dades reals del mes anterior amb una taxa de creixement aplicada, presentada amb més seguretat de la que mereixen les dades subjacents. No és una crítica a les eines, que en general fan allò que prometen. És un problema de seqüència: l'analítica predictiva amplifica la disciplina que ja existeix en la funció de reporting, en totes dues direccions.

Per què això importa

La demanda d'informació prospectiva ha augmentat de veritat. Entitats finançadores, inversors i consells que es conformaven amb dades reals trimestrals ara esperen de manera rutinària previsions rolling mensuals, i la distància entre el que es demana i el que la majoria de les funcions financeres pot produir amb credibilitat és àmplia.

El cost de tancar malament aquesta distància és concret. Una previsió presentada amb una confiança injustificada i després incomplerta de manera material fa malbé la credibilitat de la funció financera durant més temps del que el propi incompliment suggeriria: un consell a qui s'ha donat una previsió rotundament errònia descompta les diverses següents, encara que siguin millors. Aquest és un resultat pitjor que no fer cap previsió.

També hi ha un cost intern. Els equips financers pressionats per produir previsions abans que el seu tancament sigui fiable dediquen esforç a mantenir dues activitats paral·leles —tancar els llibres i modelitzar el futur— amb la segona construïda sobre fonaments que la primera encara no ha acabat d'assentar. Totes dues en surten perjudicades.

D'un cop d'ull: l'escala de maduresa

Llegir aquesta taula de dalt a baix amb honestedat val més que qualsevol avaluació d'eines. La majoria de les empreses del mid-market que pregunten per programari de previsió es troben en algun punt de les dues primeres files, i l'eina no les portarà més enllà de la tercera sense la feina de base.

Què funciona i sobre què cal ser honest

Què funciona:

Arreglar el tancament abans de comprar una eina de previsió. És la decisió de seqüència amb més palanquejament disponible, i es tracta en profunditat en un altre article d'aquesta sèrie. Un tancament de cinc dies no és un extra desitjable adjacent a la previsió: és pràcticament un requisit, perquè una previsió necessita dades reals recents i fiables com a fonament.

Començar per models basats en drivers abans que pels estadístics. Un model construït a partir d'un nombre reduït de drivers de negoci ben entesos —conversió del pipeline, pla de plantilla, economia unitària— és més útil per a un equip financer del mid-market que un model estadístic entrenat amb patrons històrics, perquè es pot interrogar i ajustar quan el negoci canvia. La previsió estadística demostra el seu valor amb volums de transaccions més alts i amb històrics més llargs i nets dels que la majoria de les empreses del mid-market té encara.

Capturar els drivers operatius al costat dels resultats financers. L'històric d'ingressos per si sol preveu malament els ingressos. Les dades de pipeline, volum de comandes, plantilla i capacitat, capturades de manera consistent, són el que fa que una previsió respongui a allò que està passant de veritat al negoci en lloc de ser una projecció del passat.

Mesurar l'exactitud de la previsió com una mètrica de primer nivell. Cada previsió s'hauria de comparar amb la dada real que finalment es materialitzi, amb la desviació categoritzada per causa. Sense això, un programa de previsió no té mecanisme de millora ni evidència que mostri si val l'esforç.

Tractar la previsió com un document viu, no com un esdeveniment trimestral. Una previsió rolling actualitzada mensualment contra dades reals fresques és un artefacte diferent i més útil que un pressupost anual estàtic revisat de tant en tant. La infraestructura necessària per a això és en gran mesura la mateixa que exigeix un tancament ràpid.

Sobre què cal ser honest:

Una eina de previsió no pot arreglar un tancament lent o poc fiable. És el desajust d'expectatives més habitual en aquests projectes. L'eina modelitzarà fidelment les dades que se li donin, amb la freqüència amb què aquestes dades estiguin disponibles, i cap sofisticació del model no compensa uns inputs caducats o poc fiables.

La previsió estadística i de machine learning necessita més històric net del que té la majoria de les empreses del mid-market. Uns pocs anys de dades categoritzades de manera consistent sobre un model de negoci estable és un mínim raonable. Les empreses que han canviat d'estructura, de mix de producte o de tractament comptable dins d'aquesta finestra tenen menys històric utilitzable del que suggereix el calendari.

Precisió no és el mateix que exactitud, i les eines de previsió fan que això s'oblidi amb facilitat. Un model que produeix una xifra al miler més proper no és més exacte pels decimals addicionals, i presentar una falsa precisió a un consell és un risc de credibilitat concret i evitable.

La modelització d'escenaris és valuosa i sovint es sobrevèn. Una planificació d'escenaris realment útil requereix models basats en drivers amb sensibilitats ben enteses. Comprada abans que existeixi aquest fonament, produeix resultats d'aspecte plausible a partir de supòsits que ningú no ha sotmès a prova d'esforç, cosa que és pitjor que no tenir cap model d'escenaris, perquè sembla més rigorosa del que és.

El canvi organitzatiu és més gran que el tècnic. Preveure bé exigeix que els equips operatius aportin indicadors avançats —pipeline, capacitat, ritme de comandes— amb una cadència que finances no demanava abans. Establir aquest flux de dades sol ser més difícil i més lent que configurar la mateixa eina de previsió.

Marc de decisió: està preparat per preveure, i com

Recorri'l per ordre. Aturi's a la primera coincidència.

1. El seu tancament està de manera fiable per sota dels deu dies laborables?
Si no, arregli això primer: consulti el marc del tancament en cinc dies en un altre article d'aquesta sèrie. Res del que segueix no importa fins que les dades reals siguin recents i fiables.

2. Les seves dades històriques estan categoritzades de manera consistent al llarg d'almenys dos o tres anys?
Si no, això el limita a una previsió basada en drivers que faci servir dades actuals i prospectives, en lloc de modelització estadística sobre l'històric. No és un enfocament inferior: en aquesta etapa sol ser el correcte de totes maneres.

3. Captura drivers operatius —pipeline, plantilla, volum de comandes— al costat dels resultats financers?
Si no, comenci a capturar-los ara, encara que sigui manualment, abans de construir cap model. Un model exclusivament financer construït sense aquestes dades s'haurà de reconstruir quan les dades existeixin.

4. Té un conjunt definit i reduït de drivers de negoci dels quals els seus ingressos i costos depenen de veritat?
Si no, resolgui-ho amb els equips operatius abans de modelitzar res. És un exercici de negoci, no de dades, i determina què ha de contenir ni tan sols el model.

5. Està mesurant l'exactitud de la previsió contra les dades reals, amb la desviació categoritzada per causa?
Si no, comenci de seguida, encara que sigui amb una previsió senzilla en full de càlcul. Això és el que converteix la previsió d'un exercici puntual en una capacitat que millora.

6. Tot l'anterior està al seu lloc: es justifica ara una eina de previsió dedicada?
Probablement sí, i la selecció de l'eina s'hauria de guiar per quina de les files de maduresa anteriors vol ampliar —modelització d'escenaris, previsió estadística, actualització de drivers en temps real— i no per una comparació de funcionalitats en abstracte.

7. Eina implantada i les previsions continuen incomplint-se de manera sistemàtica.
L'eina no és la restricció. Miri si els drivers subjacents es van identificar correctament, si els equips operatius aporten els indicadors avançats a temps, i si el negoci ha canviat de maneres que el model no s'ha actualitzat per reflectir.

Cost i esforç indicatius

Sol·liciti un pressupost per a una avaluació delimitada de la seva preparació per preveure.

Preguntes freqüents

Podem preveure bé sense un tancament ràpid?
Només en un sentit limitat: extrapolant una tendència de més llarg termini relativament insensible al mes més recent. Qualsevol cosa que exigeixi capacitat de resposta en el període actual necessita dades reals del període actual, que és exactament el que un tancament lent no proporciona.

Hauríem de comprar una eina de previsió ara per generar impuls, encara que no estiguem del tot preparats?
En general, no. Les eines comprades abans d'estar preparat solen fer-se servir durant un trimestre, produeixen resultats decebedors perquè els inputs no estaven a punt i s'abandonen discretament, cosa que fa més difícil finançar l'intent següent. Un model basat en drivers en full de càlcul, ben fet, rendeix millor que una eina sofisticada alimentada amb dades dolentes.

Quanta exactitud hauríem d'esperar de la previsió?
Depèn en gran mesura de la volatilitat del negoci i de l'horitzó de previsió, i no hi ha cap benchmark universal que valgui la pena citar. La pràctica més útil és mesurar la seva pròpia exactitud al llarg del temps i millorar-la, en lloc de comparar-se amb una xifra externa que pot no aplicar-se al seu negoci.

Necessitem machine learning, o n'hi ha prou amb la previsió basada en drivers?
Per a la majoria de les empreses del mid-market, la previsió basada en drivers no és un graó cap a alguna cosa millor: sovint és l'enfocament permanent correcte, perquè es manté interpretable i ajustable a mesura que el negoci canvia. Els enfocaments estadístics i de ML justifiquen la seva complexitat amb volums més alts i amb històrics més llargs i nets dels que la majoria de les empreses del mid-market té o necessita.

Com es connecta això amb la feina d'acceleració del tancament d'altres articles d'aquesta sèrie?
De manera directa i seqüencial. El tancament en cinc dies és la infraestructura de la qual depèn la previsió: dades reals recents i fiables, i el temps alliberat en el calendari financer per construir i mantenir un model prospectiu en lloc de passar el mes sencer tancant l'anterior.

Tancament — Propers passos

La previsió no és una decisió d'eina. És allò que una funció financera fa amb el temps i la qualitat de dades que li dona un tancament ràpid i fiable. Comprada abans que existeixi aquest fonament, una eina de previsió produeix una versió més sofisticada d'una conjectura. Construïda al damunt, fins i tot un model senzill basat en drivers produeix alguna cosa en què un consell pot confiar.

El punt de partida honest és l'escala de maduresa anterior: determini en quina fila està realment, no en quina fila li agradaria estar, i arregli el que falta per ordre. La major part del valor de preveure bé es guanya abans de comprar qualsevol programari de previsió.

Sobre l'autor

Bruno Galo és el fundador d'Atypical Tech, una consultora de NetSuite que dona servei a clients del mid-market a tota la península Ibèrica. Està especialitzat a connectar sistemes CRM i ERP per a fluxos order-to-cash sense friccions, construint pipelines automatitzats de gestió de comandes que eliminen la introducció manual de dades entre els equips comercials i financers. Com a partner oficial d'implementació de Stacksync, Bruno dissenya i desplega agents d'IA sobre plataformes d'integració per gestionar l'encaminament d'excepcions, el processament de documents i la conciliació, convertint fluxos de comandes fragmentats en sistemes fiables que s'automonitoren.

LinkedIn: https://www.linkedin.com/in/brunogd

Fonts

Els URL són a nivell d'editorial i s'haurien de verificar abans de la publicació.

• APQC, Open Standards Benchmarking — mesures dels processos de planificació, pressupostació i previsió — https://www.apqc.org
• The Hackett Group, recerca de benchmarking financer — maduresa en previsió — https://www.thehackettgroup.com
• Oracle NetSuite, documentació de planificació i pressupostació — https://docs.oracle.com/en/cloud/saas/netsuite/
• Experiència de projectes d'Atypical Tech, transformació financera al mid-market a tota la península Ibèrica