Predictive forecasting: geen black box, maar een krachtige rekenmachine

Leer in 7 minuten

• Hoe een predictive forecast precies tot stand komt met Board
• Hoe je een statisch model kunt leren om rekening te houden met belangrijke patronen en variabelen
• Hoe predictive forecasting stapsgewijs een onmisbare tool kan worden voor je finance afdeling

De term predictive forecasting is bij veel finance afdelingen inmiddels bekend. Toch blijft het voor veel organisaties een ‘black box’: ze begrijpen dat ze met predictive forecasting op een slimme en snelle manier patronen kunnen ontdekken in historische informatie, om een nauwkeurige voorspelling van de toekomst te kunnen maken. Maar veel financials weten eigenlijk niet hoe predictive forecasting precies werkt. Welke cijfers worden gebruikt? Hoe komen voorspellingen tot stand? Houdt predictive forecasting rekening met verschillende in- en externe factoren? En zijn de forecasts wel te vertrouwen

Doordat het erg ingewikkeld lijkt om met statistische algoritmes of machine learning (een vorm van kunstmatige intelligentie) aan de slag te gaan, houden veel organisaties (te) lang vast aan een proces van Excel-bestanden aanpassen en handmatig data kopiëren en plakken. Daardoor neemt de kans toe dat ze beslissingen nemen op basis van foute cijfers, doordat sheets verkeerd bijgewerkt zijn of formules zijn verdwenen. Bovendien is het een behoorlijk tijdrovend proces. En dat terwijl er met predictive forecasting een uitstekend alternatief ligt om snelle en nauwkeurige voorspellingen te doen.

In dit blogartikel krijg je de handvatten om beter te begrijpen hoe predictive forecasting werkt. We gebruiken daar in dit geval Board voor, een corporate performance management platform waarmee je verschillende belangrijke financiële processen kunt automatiseren. Van je financiële rapportages tot budgetting, planning, forecasting, consolidatie en advanced analytics met statistische modellen. We laten zien hoe een statistisch model in Board tot stand komt, hoe het model rekening houdt met verschillende variabelen en hoe betrouwbaar de technologie achter de modellen is. Zo krijg je meer grip op predictive forecasting en laten we je zien waarom het een onmisbare tool is voor iedere finance afdeling.

Hoe komt een predictive forecast tot stand?

Predictive forecasting komt tot stand aan de hand van statistische modellen. Board gebruikt hiervoor het zogeheten IDSI-ARX® model van het Zwitserse universitaire onderzoeksinstituut IDSIA. Dit instituut behoort tot ’s werelds meest vooruitstrevende onderzoeksinstituten op het gebied van kunstmatige intelligentie. Deze modellen kunnen op basis van informatie uit het verleden een voorspelling maken. Daarvoor zijn twee ingrediënten nodig: historische data en de periode waarvoor je een forecast wilt maken. Als voorbeeld nemen we een financiële sales forecast. Je wilt deze forecast maken voor de periode van mei 2021 tot en met december 2022. Dit is je forecast periode. Om een accurate voorspelling voor deze periode te kunnen doen, gebruik je historische sales data over een periode van drie à vier jaar. Dus bijvoorbeeld van april 2017 tot en met april 2021. Door data van meerdere jaren te gebruiken, kan het statistische model een behoorlijk nauwkeurige voorspelling doen voor de komende periode.

De historische data wordt in Board automatisch verdeeld over een training-set en een test-set. In het voorbeeld hieronder worden voor de training-set bijvoorbeeld de jaren 2017, 2018 en 2019 geselecteerd. Het systeem laat verschillende statistische modellen los op deze training-set, om te bepalen welk model het dichtst in de buurt komt van de werkelijke data van de test-set (januari 2020-april 2021). Het model met de hoogste betrouwbaarheid wordt vervolgens geselecteerd voor het uitvoeren van het statistisch gedeelte van de forecast vanaf mei 2021 en verder. Daaruit komt een voorspelling voort die volgens het statisch model het meest waarschijnlijk is.

De voorspellingen die voortkomen uit Board zijn beter onderbouwd dan je onderbuikgevoel of een spreadsheet. Het statistisch model kan met grote hoeveelheden data omgaan en tot op detailniveau informatie onderscheiden, ook als je organisatie met duizenden klanten en producten werkt in tientallen landen.

Patronen herkennen

De kracht van predictive forecasting met Board is dat het statistisch model ook patronen en variabelen kan herkennen die van belang zijn bij je voorspellingen. Bepaalde patronen zal het model automatisch begrijpen en de forecast daarop aanpassen. Denk aan jaarlijks terugkerende patronen die invloed hebben op de forecasts, zoals feestdagen of seizoenen. Bovendien kan Board ook rekening houden met geografische verschillen van deze feestdagen en seizoenen aan de hand van verschillende dwarsdoorsnedes (dimensies) in de data. Maar er zijn in veel organisaties ook patronen die niet automatisch herkend worden; dit zijn variabele patronen. Denk aan marketingcampagnes, promoties en het weer. Zaken die van grote invloed op de dagelijkse business kunnen zijn. Deze business input kun je toevoegen aan het statisch model, om je forecast nog nauwkeuriger te maken.

Door informatie over campagnes en promoties uit het verleden te ‘voeden’ aan het model, en daarnaast ook de geplande campagnes en promoties voor je forecast periode in te voeren, kun je de impact hiervan automatisch laten doorrekenen in je forecast. Hierdoor wordt het mogelijk om pieken en dalen vooraf al te bepalen op basis van accurate informatie. Als organisatie in de leisure kun je bijvoorbeeld aangeven dat je in november rondom Thanksgiving alleen in Noord-Amerika een campagne hebt lopen. Maar je kunt bijvoorbeeld als retailer ook op basis van de weersvoorspellingen voor komend weekend de personeelsbezetting bepalen. Als je op basis van je forecast weet dat klanten bij regenachtig weer veel online shoppen, kun je store managers alvast inlichten om minder personeel in te zetten.

Stapsgewijs vertrouwen op het statistisch model

De stap zetten naar predictive forecasting kan een behoorlijke impact hebben op een finance afdeling. Jarenlang heb je met Excel of een andere tool gewerkt waarbij je invloed hebt op iedere cel en elk cijfertje in het spreadsheet. Bij predictive forecasting moet je leren vertrouwen op een voorspelling die automatisch tot stand komt. Daardoor lijkt het misschien alsof dat je als financial minder controle hebt over het proces en de cijfers. In de praktijk zie je daarom vaak dat een predictive forecast en een forecast op basis van Excel of een andere tool een tijdje naast elkaar draaien. Door die stapsgewijze overgang zien veel organisaties vaak het volgende gebeuren:

1. Je kunt eerst beide forecasts gaan toetsen aan de cijfers die werkelijk zijn gerealiseerd in de forecast periode. Deze periode geeft je bovendien de tijd om de juiste variabele patronen te bepalen en toe te voegen aan het statistisch model. Zo zul je zien dat je predictive forecast na verloop van tijd steeds dichter bij de werkelijkheid komt te liggen.
2. Bijkomend voordeel is dat de finance afdeling tijd heeft om te wennen aan de nieuwe manier van forecasting. Na verloop van tijd gaat je afdeling begrijpen wat er gebeurt bij een predictive forecast. Ze zien dat het statistisch model rekening houdt met bepaalde campagnes en promoties en zien dat ook terug in de cijfers. Daardoor is predictive forecasting geen ‘black box’ meer, maar wordt het een erg krachtige rekenmachine die je helpt om complexe statistische berekeningen en businesslogica te combineren.
3. Vervolgens ga je na een bepaalde periode zien dat de predictive forecasts betrouwbaarder zijn dan de forecasts die je voorheen maakte met Excel of andere tooling. Daardoor wordt deze ‘oude’ manier van forecasting minder relevant en kun je stoppen met deze tijdrovende en foutgevoelige manier van forecasting.

Meer dan alleen predictive forecasting

Predictive forecasting kan je finance afdeling helpen om de totstandkoming van forecasts te versnellen en beslissingen op verschillende niveaus in je organisatie te gaan onderbouwen met betrouwbare en actuele forecast. Het voordeel van Board is dat het predictive forecasting begrijpelijk maakt voor verschillende soorten gebruikers. Zowel in het verzamelen van de juiste data, het toevoegen van co-variabelen en het analyseren van de cijfers. Bovendien is Board niet ‘slechts’ een tool voor predictive forecasting, maar een platform waarmee je alle finance-processen naadloos op elkaar kunt laten aansluiten. Zo kun je bijvoorbeeld forecast, budgetten en actuals snel met elkaar vergelijken om afwijkingen snel signaleren. Zo kan je als financial echt de rol als business partner vervullen binnen de organisatie, doordat data wordt omgezet in informatie waarop beslissingen worden kunnen gemaakt. En dat alles in een robuuste en gecontroleerde omgeving.

Wat zou jouw finance afdeling kunnen bereiken met predictive forecasting?