Als bestuurder of manager kijk je graag vooruit, met name in onzekere tijden. Een financiële forecast maken is de manier om vooruit te kijken en te anticiperen op datgene wat er te verwachten valt. Neem bijvoorbeeld de omzet, de fundering voor bijna alle bedrijven om te plannen. Weten wat er volgende maand, volgend kwartaal of volgend jaar te verwachten valt aan omzet geeft inzicht. Inzicht in hoeveel kosten je kunt maken, hoe je de winst kunt optimaliseren of de zekerheid dat je bepaalde investeringen kunt doen. Zeker als de omzet fluctueert en van verschillende factoren – zowel intern als extern – afhankelijk is, helpt een goede financiële forecast bij het beter besturen van je bedrijf. 

Een goede forecast benadert de werkelijkheid

Wat maakt een financiële planning, oftewel forecast, nou goed? Gelukkig is de term ‘goed’ in deze context makkelijk te kwantificeren. Hoe dichter jouw forecast bij de werkelijkheid zit, hoe beter de forecast namelijk geweest is. En hoe beter de forecast, hoe meer jouw organisatie geniet van de eerdergenoemde voordelen en hoe beter jullie concurrentiepositie is. De volgende vraag is dan natuurlijk: hoe maak je als financieel planner een zo accuraat mogelijke forecast?

Van regressieanalyses naar machine learning modellen

Forecasts kunnen door veel verschillende methodes gemaakt worden. Voor financiële planning worden vaak planning applicaties ingezet of Microsoft Excel. Door de planning functionaliteit in te zetten in combinatie met historische data en andere variabelen kan een ‘eenvoudige’ regressie analyse al goede inzichten geven. Afhankelijk van de tool of fluctuatie in de omzetcijfers werkt dit in de meeste gevallen ook relatief goed. De afgelopen jaren echter, zijn de mogelijkheden om dit soort forecasts te maken explosief gegroeid door de inzet van machine learning modellen, rekenkracht en schaalbaarheid. Machine learning modellen zijn in staat andere relaties te vinden dan de traditionele regressieanalyses, waardoor ze betere forecasts kunnen maken. Voorbeelden van machine learning- of vergelijkbare modellen om forecasts te maken, zijn onder andere time series modellen, support vector regressie modellen of neurale netwerken.

Welke machine learning methode haalt het beste uit jouw data?

Bij Magnus hebben wij veel ervaring met advanced analytics en machine learning, waardoor wij precies weten wanneer ze van toegevoegde waarde zijn.  In onze werkwijze beschouwen we het hele spectrum aan modellen, van simpel tot complex, om concreet aan te tonen welk model het beste werkt. Daarmee hebben we meerdere malen ondervonden, dat naast een betere forecast, ook de onderliggende drivers van de omzet naar boven kunnen komen. En dit zorgt voor verassende inzichten!

Een optimale forecast methode inzetten vraagt wiskundig inzicht met een bedrijfsmatige bril op

Natuurlijk zijn we bekend met de kant-en-klare tools van de clouddiensten, maar voor een optimale forecast methode, adviseren we toch maatwerk van specialisten met wiskundige achtergrond samen met de klant die de nodige business en marktkennis heeft. Dat is niet alleen belangrijk voor een zo goed mogelijke forecast, maar ook om er zeker van te zijn dat het niet bij slechts een resultatentabel op een PowerPoint slide blijft. Als je dan eenmaal weet hoe je het beste uit je data naar boven haalt, helpen wij de resultaten in productie te brengen en te verankeren in bestaande- of nieuwe productiesystemen. Zo kun je als financieel planner een optimale financiële planning gebruiken, voor jezelf en je organisatie.

Een praktijkvoorbeeld

Onlangs hebben we samen met een internationaal drankenconcern hun financiële forecast kunnen optimaliseren. Als eerste door met simpele modellen en enkel historische verkoopcijfers te kijken of een accurate forecast te maken is. Vervolgens wordt de complexiteit van modellen opgeschroefd, met het doel om de forecast beter te maken. Ook worden extra variabelen voor de tijdsmomenten toegevoegd zoals prijzen of feestdagen.

Hiermee hebben de modellen meer informatie, wat de forecast beter maakt en waarmee ook de drivers van verkopen geïdentificeerd kunnen worden. Hier kunnen opvallende resultaten uit komen. De meeste feestdagen bijvoorbeeld resulteren bij drankverkopen namelijk in hogere aantallen, maar een enkele feestdag haalde de verkopen juist naar beneden, omdat traditiegetrouw hele andere drank op die dag gedronken wordt. Verder is het bij dit soort modellen belangrijk om zogenaamde “changepoints” te identificeren – punten in de tijd waarop de verkopen een significant ander patroon zijn gaan volgen, bijvoorbeeld door nieuwe marketingcampagnes of de Corona-crisis. Zelf maakt dit bedrijf ook al jaren forecasts voor de verkoopcijfers en met onze modellen zijn de foutmarges gemiddeld met 5% gedaald.

Binnenkort worden deze modellen geïntegreerd in het financiële planningssysteem van dit bedrijf en zal het periodiek gebruikt worden voor planning en het bepalen van prijsstrategieën.

 

What’s in it for me?

Ben je benieuwd of wij jullie forecasts ook kunnen verbeteren? Kom in contact met ons en we kunnen je snel aantonen wat de mogelijkheden zijn. Het opzetten van dergelijke modellen is geen maanden werk, maar kan in enkele dagen al operationeel zijn.

Verder sparren over een optimale financiële planning? Neem dan contact op met Thomas Heeneman

12 + 9 =