Het verklaren van afwijkingen en onregelmatigheden is mooi, maar het kunnen voorspellen van toekomstige resultaten is nog veel waardevoller. Hoe eerder duidelijk is dat gestelde doelen niet gehaald worden, hoe beter je kunt ingrijpen en bijsturen. Dat is het doel van een forecast. In de praktijk zijn organisaties echter 80% van de tijd bezig met informatie verzamelen in plaats van het analyseren van die informatie. Dan is zelfs één keer per jaar forecasten al een te grote opgave.

Een goede financial forecast vraagt om een efficiënt ingericht proces en de inzet van slimme software voor het verzamelen, integreren, controleren en analyseren van data. Zo kun je voorspellingen gedurende het jaar automatisch bijstellen om je organisatie te helpen nieuwe kansen en risico’s vroegtijdig te identificeren. Zo kun je gedurende het jaar met een bepaalde zekerheid zeggen of je het budget wel of niet gaat halen. Je kijkt dus op een slimme manier realistisch naar je bedrijf en de markt en luistert niet alleen maar naar ambities en onderbuikgevoel.

Omzet voorspellen met tientallen business drivers
Als de basis van een slimme, geautomatiseerde forecast staat, kun je de stap zetten om nog gedetailleerder te voorspellen met kunstmatige intelligentie (AI). Door grote hoeveelheden historische en real time data te analyseren kun je onder andere de omzet voor het komende jaar voorspellen op basis van de verwachte ontwikkeling van tientallen (of zelfs honderden) business drivers. Denk daarbij bijvoorbeeld aan het aantal opportunities dat in de sales pipeline zit, veranderingen in wet- en regelgeving of wijzigende prijzen van leveranciers. De impact van iedere driver kan afzonderlijk worden geanalyseerd met statistische modellen, waardoor je organisatie trends nog beter kan begrijpen.

Een voorbeeld: een uitgeverij worstelt met grote hoeveelheden onverkochte producten door schommelingen in verkoop. Met een traditionele forecast kwam het bedrijf meestal tot de conclusie dat het productoverschot veroorzaakt werd door de kwaliteit van hun producten of het beperkte advertentiebudget. Door te werken met slimme algoritmen kunnen ze ontdekken dat ook andere factoren, zoals neerslag, lokale evenementen of vakantietijden, het koopgedrag van klanten beïnvloeden.

In een eerder blogartikel hebben we al uitgelegd hoe een predictive forecast precies tot stand komt en hoe je stapsgewijs kunt leren vertrouwen op voorspellende modellen. De mogelijkheden van predictive forecasting zijn legio en er zijn talloze oplossingen waarmee je aan de slag kunt. De kunst is echter om vooraf goed na te denken wat je wilt bereiken met een forecast. Data in een voorspellend model stoppen, betekent niet automatisch dat je waarde toevoegt in je organisatie. Misschien ga je direct op allerlei business drivers forecasten, maar worden je voorspellingen daardoor zo complex dat ze verkeerd geïnterpreteerd en gebruikt worden. Wat in het ergste geval leidt tot foute beslissingen. Of je hebt een algoritme ontwikkeld, maar uiteindelijk wordt het nooit gebruikt. Dat wil je voorkomen. Daarom zetten we in dit blogartikel zes belangrijke vragen op een rij die je eerst moet beantwoorden, voordat je over de juiste oplossing voor predictive forecasting gaat nadenken.

1. Waarom wil je beter gaan voorspellen?

Vraag je altijd af wat het belangrijkste doel is om te starten met predictive forecasting. Wil je ervoor zorgen dat forecasts sneller gerealiseerd worden, zodat financials meer tijd hebben om het verhaal achter de cijfers te vertellen, nieuwe kansen te identificeren en strategische keuzes te onderbouwen met waardevolle informatie? Of is het doel om de nauwkeurigheid van je forecast te verbeteren, omdat de actuals nu zo erg afwijken van de forecasts dat het leidt tot gederfde inkomsten? Door dit doel duidelijk te bepalen, weet je bij de selectie van de tooling en het inrichten van het model wat je precies wilt bereiken. En gebruikers weten precies wat ze mogen verwachten van de nieuwe forecast-methode.

Als je bijvoorbeeld predictive forecasting gaat gebruiken omdat de bestaande forecast-methode niet toereikend is, wil je dat gebruikers het gaan omarmen en bijdragen aan het verbeteren van het voorspellend model. Daarom wil je vooraf duidelijk afstemmen dat de nieuwe forecast-methode ondersteunend is, maar dat de verantwoordelijkheid blijft liggen bij de gebruiker. Zo kunnen ze zich niet achter het model verschuilen, maar hebben ze er baat bij dat het voorspellend model zich ontwikkelt en hen beter gaat ondersteunen bij hun werkzaamheden.

Heb je meerdere doelen die je wilt bereiken met predictive forecasting? Prioriteer dan je doelen. Als je dan mogelijk bij de aankoop of inrichting van een oplossing bepaalde keuzes moet maken, weet je wat het belangrijkste doel is en welke doelen je (tijdelijk) moet parkeren.

2. Welke data wil je gebruiken?

Denk vooraf goed na over welke data je wilt gebruiken om je voorspellend model mee te voeden. Gebruik je alleen interne data of vul je het model ook aan met externe data? Bij interne data heb je de controle over de aanlevering van de data en kun je dit indien nodig afstemmen. Wel is het goed om na te gaan of alle benodigde informatie ook eenvoudig te benaderen is. Haal je data op uit een centrale database of moet je verschillende bronnen met elkaar integreren? Het kan best zijn dat je een statistisch model wilt bouwen met bepaalde data die niet eenvoudig te ontsluiten is. Dat wil je wel weten voordat je aan de slag gaat met het ontwikkelen van een algoritme.

Bij externe data moet je er rekening mee houden dat je sterk afhankelijk bent van de aanlevering van informatie door externe partijen. Daarnaast moet je je afvragen of een voorspellend model om kan gaan met de geleverde data. Denk aan mate van detail van gegevens, actualiteit van data en in welke frequentie nieuwe data wordt aangeleverd. Je kunt een algoritme ontwikkelen waarmee je dagelijks een nieuwe forecast maakt, maar daar heb je weinig aan als je model gebruikmaakt van belangrijke externe data die slechts een keer per maand wordt aangeleverd. Bovendien kan het toevoegen van externe data ertoe leiden dat een model zo complex wordt dat het te lang duurt om een forecast te maken of dat de kwaliteit van de forecast er niet beter op wordt. Sta er dus bij stil dat extra data een model niet per definitie nauwkeuriger maakt.

3.Hoe goed is de kwaliteit van je data?

Bij het gebruik van statistische modellen is datakwaliteit erg belangrijk. De data moet genoeg historie bevatten en ook het liefst geen ontbrekende waarden. Volgens Gartner is slechte datakwaliteit een van de belangrijkste oorzaken dat 40 procent van alle initiatieven die worden gestart in organisaties niet hun beoogde voordeel behalen. Dat kan bijvoorbeeld komen door data die verspreid ligt over verschillende applicaties en systemen en meerdere keren opgeslagen is (duplicaties). Of omdat spelfouten of een misleidende opmaak ervoor zorgen dat gegevens op verschillende manieren geïnterpreteerd of uitgelegd kunnen worden. En zo zijn er nog talloze andere voorbeelden van slechte datakwaliteit. Ook uitschieters, zoals een salescampagne die het aantal verkochte producten in een periode verdubbeld heeft, wil je op tijd traceren. Zo kun je fouten in je voorspellende model op tijd voorkomen. Dit is een proces dat je niet alleen vooraf doet, maar je zult periodiek moeten controleren of de data die je voor je algoritme gebruikt kwalitatief goed is.

4. Welke statistische modellen wil je gebruiken?

In de markt zijn er verschillende tools die je kunnen ondersteunen bij het maken van een predictive forecast. Iedere oplossing biedt weer andere statistische modellen, die ieder op een bepaalde manier toegepast kunnen worden. Maar niet ieder statistisch model is een goede match met de data die jij tot je beschikking hebt. Het kan dus zijn dat je kiest voor een tool en dat je erachter komt dat het model niet geschikt is voor de vraag die je hebt. Of dat je bij toekomstige vraagstukken mogelijk op zoek moet naar een andere oplossing. Dat wil je uiteraard voorkomen.

Er zijn ook oplossingen, zoals IBM Watson, waarbij de tooling zelf op basis van een model-database een voorstel doet voor het model met de beste fit voor jouw data. Daardoor heb je zelf geen kennis nodig van statistische modellen om er gebruik van te maken. En je hebt verschillende modellen tot je beschikking om uiteenlopende vraagstukken te beantwoorden. Wil je toch zelf bepalen welk model je wilt gebruiken dan is dat natuurlijk ook mogelijk.

5. Hoe ga je de voorspellingen interpreteren en valideren?

Blind vertrouwen op de uitkomst van een model is niet aan te raden. Zoals eerder vermeld hangt de kwaliteit van je voorspellingen sterk af van de kwaliteit van de data en het model dat je gebruikt. Bovendien is het bouwen van een statistisch model een momentopname. Het model blijf je natuurlijk onderhouden en trainen, maar mogelijk heeft het model later aanpassingen nodig of wil je extra databronnen toevoegen. Daarnaast mag je ook de menselijke factor niet onderschatten. Als financial heb je jarenlang met Excel of een andere tool gewerkt waarbij je invloed had op iedere cel en elk cijfertje. Bij predictive forecasting moet je leren vertrouwen op een voorspelling die automatisch tot stand komt. Daardoor lijkt het misschien alsof je als financial minder controle hebt over het proces en de cijfers. In de praktijk zie je daarom vaak dat een predictive forecast en de oude forecast-methode een tijdje naast elkaar draaien. Zo houd je enigszins controle op de uitkomsten en kun je valideren of de voorspellingen ook correct zijn. Zo leer je stapsgewijs vertrouwen op het model.

6. Welke acties en beslissingen koppel je aan de uitkomsten?

Doordat je het verzamelen en analyseren van informatie (bijna) volledig automatiseert met predictive forecasting, komt er meer ruimte voor financials om zich te richten op de uitkomsten en op basis daarvan de juiste acties en beslissingen te nemen. Daar moet je goed over nadenken. Wat als je kunt voorspellen dat de verkoopcijfers de komende maanden gaan dalen, maar je processen er niet op ingericht zijn om daar direct actie op te ondernemen, dan is je forecast bij voorbaat al niets waard. Als je met een forecast beter inzicht hebt in het aantal afgenomen producten, kun je bijvoorbeeld je logistieke keten hier beter op afstellen. Denk onder andere aan het aanhouden van lagere minimale voorraden in distributiecentra, omdat je beter inzicht hebt in de aantallen die je nodig hebt. Hierdoor verlaag je je voorraadkosten en dit levert dus direct geld op.

Bovendien draagt het koppelen van acties aan voorspellingen ook bij aan de nauwkeurigheid van je forecast. In het begin zijn de voorspellingen van je forecast waarschijnlijk nog niet allemaal correct. Maar je kunt die fouten vrij snel terugdringen door acties te koppelen aan je voorspellingen, te leren wat er gebeurt en dat als feedback terug te geven aan het model. Stel dat je bijvoorbeeld een statistisch model hebt ontwikkeld om te voorspellen hoeveel producten je gaat verkopen. De actie die je daaraan hebt gekoppeld is dat de prijzen van producten automatisch hoger of lager worden op basis van de voorspelde verkoop. Hoe vaker je deze actie uitvoert en het model laat voorspellen, hoe sneller het model leert om bepaalde cijfers in het vervolg anders te interpreteren.

Predictive forecasting in de praktijk
Predictive forecasting biedt organisaties de kans om veel tijdrovende handelingen te versnellen en met minder inspanning gedetailleerde forecasts kunt maken. Het is echter nog niet zo makkelijk om de juiste oplossing te kiezen, omdat er behoorlijk wat factoren zijn die een rol spelen bij je keuze voor de beste tooling. Stel jezelf daarom altijd de bovengenoemde vragen om goed beslagen ten ijs te komen. Wil je predictive forecasting graag een keer in actie zien? Bekijk dan eens dit webinar, waarin we je aan de hand van praktijkvoorbeelden laten zien hoe je met IBM Planning Analytics snel, nauwkeurig en gedetailleerd kunt forecasten.

Wat zou jouw finance-afdeling willen bereiken met predictive forecasting?