El análisis de datos es lo más importante para los líderes de la educación superior, y buscan implementar cambios para transformar el uso de datos en sus instituciones. Sin embargo, muchos están luchando para hacer el cambio. ¿Por qué? Se enfrentan a los desafíos de procesos y sistemas financieros desconectados, restricciones presupuestarias y más. Para superarlos, las universidades deben pensar en grande y buscar soluciones duraderas que simplifiquen y maximicen el impacto empresarial. Un moderno Solución de Gestión del Desempeño Corporativo (CPM) ofrece una manera no solo de romper las barreras tecnológicas y de procesos, sino también de empoderar a Finanzas con conocimientos prácticos.

El momento

El análisis de datos está cobrando impulso en la educación superior. Si bien en los últimos años se ha visto un enfoque en los datos, el reconocimiento de que las instituciones necesitan priorizar los datos ahora más que nunca se vuelve más claro cada día. Esa priorización puede significar respaldar el análisis de datos mediante la contratación de personal, la implementación de procesos, el aprovechamiento de nuevas tecnologías y mucho más. Al hacerlo, hacer de los datos una prioridad es cada vez más importante en medio del panorama desafiante y competitivo de la educación superior.

En ese panorama, los equipos de Finanzas y Operaciones se enfrentan a la complejidad de las necesidades cambiantes de los estudiantes, los requisitos de la fuerza laboral, las limitaciones de financiación y otros factores, combinados con la presión de ser ágiles y moverse rápidamente. Y la mejor manera de administrar todo eso de manera efectiva son las herramientas que brindan a Finance and Operations datos oportunos, confiables y relevantes.

La encuesta Chronicle of Higher Education¹ exploró los puntos de vista de la educación superior sobre el uso creciente de la toma de decisiones basada en datos. Según la encuesta, la mayoría de los funcionarios universitarios (97 %) están totalmente de acuerdo en que las instituciones deben utilizar mejor los datos y el análisis para convertirse en instituciones basadas en datos (consulte la Figura 1)..  

Yendo más allá, cuando se les pidió que calificaran dónde se necesitan mejores datos en sus instituciones, el 90% de los funcionarios universitarios mencionaron la necesidad de mejores datos en las operaciones comerciales y financieras (consulte la Figura 1). Este abrumador acuerdo enfatiza el reconocimiento de una necesidad real de obtener datos financieros y operativos relevantes para las personas.

Sin embargo, hacer el cambio al análisis centrado en datos y la toma de decisiones para los equipos de Finanzas es más fácil decirlo que hacerlo. ¿Por qué? Las universidades y colegios deben superar obstáculos clave para establecer cambios duraderos.

Entonces, ¿qué impide que las personas obtengan los datos necesarios de Finanzas y Operaciones?

las barreras

La encuesta¹ destacó que la cultura, las herramientas y los procesos, y las limitaciones de recursos representan barreras para el progreso en el análisis de datos.

Según la encuesta, las tres principales barreras para el uso de datos son las siguientes:

1. Recopilación de datos descentralizados/en silos
2. Limitaciones presupuestarias
3. Problemas para convertir los datos en acción

Rompiendo las barreras

¿Cómo pueden los equipos de Finanzas superar estas barreras con la tecnología?

Los equipos de University Finance han respondido a esta pregunta con una solución moderna de CPM.  Profundicemos en las tres barreras principales y analicemos cómo tener la tecnología adecuada puede mitigar los desafíos de datos operativos y financieros que enfrentan las instituciones hoy en día.

Barrera #1: Recopilación de datos descentralizados/en silos

Los colegios y universidades son complejos no solo porque brindan diferentes servicios, sino también porque las instituciones utilizan varios sistemas y procesos fragmentados. Por ejemplo, se requiere mucho tiempo y esfuerzo para reunir los presupuesto anual en los diferentes servicios de una institución. Las consideraciones incluyen la consolidación de la posición y los gastos operativos, los fondos disponibles, el gasto de compromiso planificado, la información del proyecto de capital, la matrícula, los datos de inscripción y más. ¿Te resulta familiar esta web? (Ver Figura 2)

Esa red de caos se complica aún más con las aplicaciones, los sistemas ocultos y las hojas de cálculo que se utilizan para la planificación y los informes financieros. Además, a medida que se agregan más fuentes de financiación, programas y servicios, ¡la web continúa expandiéndose!

En la red de caos del kit de herramientas de modelado que se muestra en la Figura 2, cada línea representa no solo un riesgo y un costo, sino también la latencia y la redundancia de los datos. Incluso si esa red incluye todos los buenos productos, todos están desarrollados en diferentes tecnologías y no funcionan juntos de forma natural, pero deben estar conectados de alguna manera.

Una solución de CPM moderna mejora el caos del conjunto de herramientas. tener un plataforma inteligente que simplificará y unificará los procesos financieros eliminará los silos. ¿Cómo? Una plataforma verdaderamente unificada rompe las barreras de los silos y reúne datos, análisis, planes, informes y toma de decisiones en tanSolucion unica.  Esta unificación permite a los usuarios tener una fuente de información veraz que se puede aprovechar para la planificación y la generación de informes.

Barrera #2: Restricciones presupuestarias

La segunda barrera más grande para mejorar el análisis de datos es el presupuesto. Establecer el análisis de datos requiere contar con las personas, los procesos y las herramientas adecuados, lo que requiere tiempo, esfuerzo y costo de implementación. Tener todas esas piezas en su lugar es difícil, especialmente para instituciones con presupuesto limitado.

Entonces, ¿cómo pueden las instituciones romper la barrera de las restricciones presupuestarias? Al establecer una visión estratégica a largo plazo de un enfoque rentable para mejorar el análisis de datos.

Una plataforma de CPM ofrece exactamente eso. Una plataforma CPM moderna unifica los procesos financieros y operativos para brindar un enfoque práctico y duradero que ayudará a mitigar los costos incurridos y brindar beneficios futuros. ¿Cómo? Estas son solo algunas de las formas:

• Reducir el tiempo, el esfuerzo y los gastos de mantenimiento de aplicaciones heredadas y soluciones desconectadas.
• Apoyar el crecimiento futuro con menos software, no más, implementando soluciones adicionales o ampliando las existentes en la misma plataforma.
• Simplificando la capacitación y el soporte para los usuarios finales, quienes pueden aprender múltiples procesos en una plataforma. Esto reducirá la curva de aprendizaje, agilizará la experiencia del usuario e impulsará la adopción por parte del usuario.

En última instancia, las instituciones pueden obtener un gran retorno de la inversión al tener una plataforma única que amplíe el uso del software para abordar las necesidades comerciales en evolución.

Barrera #3: Problemas para convertir los datos en acción

El software CPM está diseñado para ayudar a Finanzas a convertir los datos en acción.

Una plataforma de CPM puede ayudar a las instituciones a superar los problemas para convertir los datos en acción al unificar los datos financieros y operativos en una plataforma gobernada y flexible. Los usuarios pueden aprovechar estos datos en todo el herramientas de análisis de la plataforma a través de informes estándar, informes de autoservicio, visualizaciones y herramientas de análisis ad-hoc. Una plataforma de CPM moderna puede proporcionar datos con el nivel de detalle correcto tanto para finanzas como para otras áreas, a fin de empoderarlos para tomar más decisiones basadas en datos.

Conclusión

Con el cambio a un análisis más basado en datos, las instituciones están sintiendo los desafíos de los silos de datos, las restricciones presupuestarias y los problemas para convertir los datos en acción. Pero esos desafíos no son insuperables. Una plataforma de CPM moderna ayuda a los líderes financieros a superar estos obstáculos y permite un análisis y una toma de decisiones más centrados en los datos.

Más información

At la, comprendemos las complejidades, las frustraciones y los desafíos de administrar información desconectada. Y esa comprensión es exactamente la razón por la que estamos tan enfocados en ayudar a los equipos de educación superior a liberar el análisis de datos para permitir una toma de decisiones segura. 

En OneStream, llamamos a esto finanzas inteligentes. 

¿Desea obtener más información sobre cómo OneStream puede empoderar a su equipo de finanzas de educación superior? Vea nuestro sitio web de educación superior, o contáctenos para una demostración

Más información

1 Anft, Michael (2023), patrocinado por AWS. Convertirse en una institución basada en datos: los líderes universitarios evalúan el valor y los desafíos del uso de datos para tomar decisiones estratégicas, The Chronicle of Higher Education, Inc.

En la era digital actual, Planificación y Análisis Financiero (FP&A) los equipos están inundados con grandes cantidades de datos. Estos datos contienen información invaluable que, si se aprovecha de manera efectiva, genera mejoras significativas en el desempeño de la organización. En ese sentido, el análisis habilitado para el aprendizaje automático (ML) es una poderosa herramienta emergente que ayuda a las organizaciones a dar sentido a los datos, identificar patrones y tomar decisiones informadas para dirigir el rendimiento en la dirección correcta. Esta publicación de blog explora los beneficios clave del análisis habilitado para ML y cómo está revolucionando la gestión del desempeño organizacional.

Específicamente, exploramos el potencial transformador del análisis habilitado para ML y cómo los equipos de FP&A pueden aprovechar su poder para impulsar el éxito financiero de sus organizaciones.

El poder de la analítica habilitada para ML

La incorporación de análisis habilitados para ML en el conjunto de herramientas de FP&A ya no es un lujo sino una necesidad en el mundo actual basado en datos. Al aprovechar los algoritmos de ML, los equipos de FP&A pueden mejorar la previsión financiera, mejorar la eficiencia operativa, optimizar las estrategias de fijación de precios y mitigar los riesgos financieros. La capacidad de aprovechar los conocimientos basados ​​en datos resultantes permite a los CFO tomar decisiones informadas, impulsar el rendimiento financiero y generar un crecimiento sostenible.

Esos beneficios enfatizan cómo el aprendizaje automático y el análisis avanzado se han convertido en herramientas poderosas para los equipos de FP&A, que ofrecen conocimientos más profundos sobre los datos financieros y permiten el análisis predictivo y prescriptivo. Al aprovechar los algoritmos de ML, los equipos de FP&A pueden analizar grandes cantidades de datos para descubrir patrones, detectar anomalías y generar pronósticos precisos. El análisis habilitado para ML finalmente ayuda a los equipos de FP&A de las siguientes cinco maneras.

1. Mejora de la previsión y planificación financiera

Una de las principales responsabilidades de FP&A es desarrollar pronósticos y planes financieros sólidos. Los métodos de pronóstico tradicionales empleados por FP&A a menudo se basan en suposiciones y datos históricos, lo que genera imprecisiones y capacidades de predicción limitadas. Los análisis habilitados para ML revolucionan este proceso al incorporar múltiples variables y relaciones de datos complejas, lo que permite a FP&A hacer predicciones y proyecciones precisas (consulte la Figura 1).

Al aprovechar los algoritmos de ML, FP&A puede analizar datos financieros históricos junto con factores externos, como tendencias del mercado, comportamiento del cliente e indicadores económicos. Estos algoritmos pueden identificar patrones ocultos, descubrir relaciones no lineales y generar pronósticos más precisos. Como resultado, FP&A puede tomar decisiones basadas en datos, optimizar la asignación de recursos y mitigar los riesgos financieros de manera más efectiva.

2. Empleo de modelos de escenarios y análisis de sensibilidad

El análisis habilitado para ML puede generar modelos de escenarios y realizar análisis de sensibilidad, lo que permite a FP&A evaluar cómo diversas decisiones comerciales y factores externos pueden afectar el rendimiento financiero. Usando tales evaluaciones, los equipos de FP&A pueden tomar decisiones estratégicas y desarrollar planes de contingencia para mitigar los riesgos y capitalizar las oportunidades.

Avances en IA y ML Han mejorado especialmente la planificación de escenarios al permitir que Finance haga pronósticos más precisos y confiables. Con AI y ML, los equipos de FP&A pueden analizar grandes cantidades de datos e identificar patrones complejos y relaciones entre diferentes factores. Dicho análisis puede permitir a las organizaciones desarrollar pronósticos más sofisticados y precisos que reflejen las condiciones actuales del mercado y las tendencias emergentes.

Al incorporar pronósticos de IA y ML en Planificación de escenariosPor lo tanto, las empresas pueden crear escenarios más realistas y útiles, ayudando a las organizaciones a tomar decisiones mejor informadas y mantenerse a la vanguardia (consulte la Figura 2).

3. Mejora de la eficiencia operativa

El análisis habilitado para ML puede mejorar significativamente la eficiencia operativa mediante la automatización de tareas repetitivas, la minimización de errores y la identificación de áreas de mejora. Más específicamente, FP&A puede aprovechar los algoritmos de ML para agilizar procesos financieros como presupuestar, análisis de varianza y presentación de informes financieros.

Por ejemplo, los algoritmos de ML pueden analizar grandes volúmenes de datos financieros para identificar anomalías, detectar fraudes y señalar riesgos potenciales en tiempo real. Al automatizar estos procesos, FP&A puede ahorrar un tiempo valioso, mejorar la precisión y enfocarse en actividades de valor agregado (por ejemplo, planificación y análisis estratégicos).

4. Optimización de precios y gestión de ingresos

La gestión de precios e ingresos son aspectos críticos del desempeño financiero, especialmente para las empresas que operan en mercados altamente competitivos. El análisis habilitado para ML puede ayudar a FP&A a optimizar las estrategias de precios y la generación de ingresos.

Al analizar la dinámica del mercado, el comportamiento del cliente, los precios de la competencia y los datos históricos de ventas, los algoritmos de ML pueden identificar niveles de precios óptimos, patrones de demanda y segmentos de clientes. Luego, FP&A puede aprovechar estos conocimientos para desarrollar modelos de precios dinámicos, implementar estrategias de precios personalizadas y maximizar los ingresos, al mismo tiempo que garantiza la competitividad.

5. Mitigación de riesgos financieros

En un panorama empresarial incierto, FP&A debe identificar y mitigar de manera proactiva los riesgos financieros. Los análisis habilitados para ML brindan poderosas herramientas de gestión de riesgos, lo que permite a los equipos de FP&A identificar riesgos potenciales, predecir resultados y tomar medidas preventivas (consulte la Figura 3).

Mediante el análisis de datos históricos y en tiempo real, los algoritmos de ML pueden identificar señales de alerta temprana de riesgos financieros, como problemas de liquidez, incumplimientos crediticios y volatilidad del mercado. FP&A puede aprovechar estos conocimientos para desarrollar estrategias de mitigación de riesgos, establecer planes de contingencia y tomar decisiones informadas para proteger la salud financiera de la organización.

El aprendizaje automático sensible facilita la previsión

Sensible ML facilita la previsión al derribar las barreras que tradicionalmente han impedido que los equipos de Finanzas y Operaciones y otros adopten ML dentro de los procesos de planificación centrales. Si bien ML tiene un gran potencial para ayudar a escalar el trabajo como nunca antes, las organizaciones enfrentan varios desafíos cuando utilizan el aprendizaje automático tradicional. La figura 4 muestra algunos de los mayores desafíos tradicionales de ML.

Los casos de uso sensato fomentan el éxito

Sensible ML permite a las organizaciones fomentar el éxito de manera más rápida y precisa con los siguientes casos de uso (consulte la Figura 5):

• Apoyar procesos de planeación estratégica, Sensible ML hace que sea más fácil crear el 3 o 5 años Los pronósticos (o más largos) a menudo se necesitan para brindar una mayor claridad de visión y una hoja de ruta para respaldar la intención de la empresa, identificar opciones estratégicas, garantizar una dirección clara e impulsar el crecimiento competitivo.
• Apoyar Planificación Operativa Anual (POA) o procesos de previsión, Sensible ML puede ayudar a las líneas de negocios a traducir mejor los objetivos financieros "de arriba hacia abajo" en granulares, "de abajo hacia arriba" planes mensuales en categorías de productos, canales de venta y clientes, lo que puede resultar en cientos de pronósticos.
• Apoyar Planificación de la demanda diaria o semanal y/o Planificación de ventas y operaciones (S&OP), Sensible ML puede ayudar a los planificadores de demanda, analistas comerciales y/o socios comerciales financieros a crear pronósticos granulares, a nivel de producto y de ubicación destinados a guiar las decisiones tácticas de administración de personal, compras, logística e inventario.
• Los gastos de ingresos or planificación de la fuerza laboral donde se requieren pronósticos mensuales por objetivo (por ejemplo, 60 puntos de datos por objetivo de pronóstico) para la planificación de arriba hacia abajo, Sensible ML puede crear pronósticos predictivos/estadísticos.
• Para más granular, pronóstico ascendente por cliente, producto por ubicación y/o S&OP donde las organizaciones pueden compartir cientos de puntos de datos por objetivo, Sensible ML puede crear semanal o diario previsiones que dan cuenta de la intuición específica del análisis comercial sobre impactos como vacaciones, clima, cambios de precios, impactos competitivos o cualquier intuición basada en el tiempo.

Conclusión

A medida que el rol de FP&A continúa evolucionando, adoptar el análisis habilitado para ML se vuelve crucial para dirigir el desempeño e impulsar el éxito organizacional. FP&A puede aprovechar el poder de los algoritmos de ML para extraer información valiosa de grandes cantidades de datos financieros, mejorar la precisión de los pronósticos, identificar riesgos de manera proactiva, optimizar costos y tomar decisiones informadas. De esa manera, la integración de ML en las funciones de Finanzas permite que FP&A se convierta en un socio estratégico para los líderes empresariales, brindando a la organización las herramientas para enfrentar desafíos complejos, impulsar el crecimiento y crear valor a largo plazo para las organizaciones.

Más información

Para obtener más información sobre cómo los equipos de FP&A se están moviendo más allá de la exageración de la IA, permanezca atento a las publicaciones adicionales de nuestra serie de blogs Sensible ML o descargue nuestro documento técnico esta página.

Descargar el Libro Blanco

Sin duda, el aprendizaje automático (ML) ha revolucionado la forma de manejar los datos en el siglo XXI. Gracias a la capacidad de identificar patrones y relaciones dentro de grandes cantidades de datos, ML se ha convertido en una herramienta esencial en varios campos, incluida la gestión del rendimiento empresarial (EPM).

Tradicionalmente, las limitaciones tecnológicas restringían la forma en que se podía usar EPM para monitorear, analizar y administrar el desempeño comercial. EPM involucra presupuestos, pronósticos, consolidación financiera, informes y más. Hoy, ML puede mejorar significativamente la precisión, la transparencia y la agilidad de los procesos de EPM.  ¿Cómo?  Automatizando estas actividades y brindando información que antes era imposible obtener.

Creación de pronósticos precisos, transparentes y ágiles basados ​​en ML

Como compartimos en el primer post del Sensible ML para la serie de blogs de EPM, hoy más que nunca, las organizaciones buscan ser más precisas, transparentes y ágiles con sus planes financieros para mantenerse competitivas. Y Aprendizaje automático sensible de OneStream va a ayudar.  ¿Cómo?  Permite a los usuarios más cercanos a la empresa infundir intuición comercial en el modelo, lo que puede aumentar la precisión y garantizar que se tenga en cuenta toda la información disponible.

A diferencia de las capacidades de pronóstico de "la mayoría" de los análisis predictivos (que analizan resultados y estadísticas anteriores y luego generan pronósticos basados ​​en eventos pasados), Sensible ML tiene una sofisticación única.  Aprendizaje automático sensato también considera la intuición comercial adicional, como eventos, precios, información competitiva y el clima para ayudar a impulsar pronósticos más precisos/sólidos (consulte la Figura 1).

La velocidad de Sensible ML para responder a los entornos empresariales en evolución ofrece una clara ventaja sobre los enfoques tradicionales. Mientras que un sistema basado en estadísticas significa que los equipos de planificación a menudo esperan varias semanas, ¡o meses! – para los resultados financieros y no financieros necesarios para producir pronósticos que respondan a los cambios, Sensible ML puede lograr el mismo resultado mucho, mucho más rápido. Y lo hace con una reducción masiva del esfuerzo manual. 

Mayor precisión del pronóstico = Procesos comerciales más efectivos en sentido descendente

La previsión es una actividad crítica que ayuda a las empresas a predecir la demanda futura, mitigar los riesgos potenciales y capitalizar las oportunidades emergentes. Sin embargo, debido al entorno cada vez más volátil, las empresas se ven obligadas a apartarse de los métodos de pronóstico tradicionales, los procesos aislados y las tecnologías heredadas. En cambio, las empresas se enfocan en la evolución digital de sus capacidades y operaciones de pronóstico, con el objetivo de mitigar el riesgo de una fuga continua de valor en toda la empresa.

Uno de los beneficios más significativos de aplicar el aprendizaje automático a EPM es que ML ayuda a mejorar la precisión de los pronósticos y predicciones financieros. Los algoritmos de aprendizaje automático pueden analizar datos financieros históricos e identificar patrones que se pueden usar para hacer predicciones más precisas sobre el rendimiento futuro.

Por ejemplo, un modelo de aprendizaje automático puede analizar datos de transacciones de ventas, niveles de inventario y datos demográficos de los clientes para identificar patrones que se pueden usar para predecir ventas futuras. Mediante el uso de estas predicciones para ajustar la asignación de recursos y la gestión del inventario, las organizaciones pueden mejorar su desempeño financiero y reducir el riesgo de desabastecimiento o exceso de existencias.

El aprendizaje automático también puede ayudar a mejorar la precisión de presentación de informes financieros. Por ejemplo, los algoritmos de ML se pueden entrenar para analizar estados financieros e identificar errores o discrepancias que los auditores humanos podrían pasar por alto. La automatización de este proceso ayuda a las organizaciones a mejorar la precisión de sus informes financieros y reducir el riesgo de incumplimiento.

La transparencia es crítica para la adopción de pronósticos de ML para todas las partes interesadas involucradas

El aprendizaje automático se conoce con frecuencia como una caja negra: entran datos, salen decisiones, pero los procesos entre entrada y salida carecen de transparencia.

Muchas soluciones, especialmente aquellas que dependen de la integración con una solución de ML de terceros, simplemente permiten que una organización ejecute el proceso de ML. Luego, los resultados se devuelven sin la capacidad de comprender cómo se generaron.

En consecuencia, muchas soluciones de ML ahora enfrentan un mayor escepticismo y críticas a medida que las personas cuestionan si sus decisiones están bien fundamentadas y son confiables. Por lo tanto, la “transparencia y la trazabilidad” de las soluciones de ML son cada vez más importantes.

Sensible ML ofrece ambos, mejorando la transparencia de los servicios financieros y informes no financieros. Mediante el análisis de datos de múltiples fuentes, los modelos Sensible ML brindan una visión integral de la salud financiera de una organización (consulte la Figura 2).

Por ejemplo, el aprendizaje automático puede analizar datos de estados financieros, transacciones de ventas y niveles de inventario para brindar una imagen más precisa del desempeño financiero de una organización. Esta visión integral puede ayudar a identificar áreas en las que los recursos pueden estar mal asignados o las oportunidades de crecimiento que pueden haberse pasado por alto.

El aprendizaje automático también se puede utilizar para mejorar la transparencia de auditorías financieras. Al automatizar el proceso de auditoría, los algoritmos de ML pueden identificar posibles errores o discrepancias con mayor rapidez y precisión que los auditores humanos. Esta capacidad no solo ayuda a reducir el riesgo de fraude u otras irregularidades financieras, sino que también mejora la precisión de los informes financieros.

La agilidad aumenta más vías de creación de valor en respuesta a las condiciones cambiantes

A medida que aumenta el ritmo del cambio, y la disrupción y la incertidumbre se vuelven más comunes, las organizaciones deben cada vez más no solo reconocer las señales que indican cambio, sino también implementar un plan para reaccionar ante los posibles escenarios que resultan de cualquier cambio. Los pronósticos enriquecidos con ML brindan un proceso, un marco y un entorno de colaboración consistentes que permiten a las organizaciones reaccionar con agilidad y certeza ante la incertidumbre y el cambio y la disrupción constantes.

Aplicar el aprendizaje automático a EPM viene con un beneficio significativo: ML puede ayudar a las organizaciones a ser más ágiles. Al procesar y analizar datos en tiempo real, los modelos de aprendizaje automático pueden proporcionar información que permita a los responsables de la toma de decisiones tomar decisiones más rápidas e informadas.

El aprendizaje automático también puede ayudar a las organizaciones a ser más ágiles en la planificación y previsión financiera. Al analizar los datos en tiempo real, los modelos de ML pueden identificar cambios en las condiciones del mercado o el comportamiento del cliente que pueden afectar el rendimiento financiero. Esta capacidad permite a las organizaciones ajustar sus planes y pronósticos financieros rápidamente y anticiparse a los desafíos potenciales.

El aprendizaje automático sensible facilita la previsión

Sensible ML facilita la previsión porque OneStream rompe las barreras que tradicionalmente han impedido que los equipos de Finanzas y Operaciones y otros adopten ML dentro de los procesos de planificación centrales. Si bien ML tiene un gran potencial para ayudar a escalar el trabajo como nunca antes, las organizaciones enfrentan varios desafíos cuando usan el aprendizaje automático tradicional (consulte la Figura 3).

Los casos de uso sensato fomentan el éxito

Sensible ML permite a las organizaciones fomentar el éxito de manera más rápida y precisa con los siguientes casos de uso (consulte la Figura 4):

• Apoyar procesos de planeación estratégica, Sensible ML hace que sea más fácil crear el 3 o 5 años Los pronósticos (o más largos) a menudo se necesitan para brindar una mayor claridad de visión y una hoja de ruta para respaldar la intención de la empresa, identificar opciones estratégicas, garantizar una dirección clara e impulsar el crecimiento competitivo.
• Apoyar Planificación Operativa Anual (POA) o procesos de previsión, Sensible ML puede ayudar a las líneas de negocios a traducir mejor los objetivos financieros "de arriba hacia abajo" en granulares, "de abajo hacia arriba" planes mensuales en categorías de productos, canales de venta y clientes, lo que puede resultar en cientos de pronósticos.
• Apoyar Planificación de la demanda diaria o semanal y/o Planificación de ventas y operaciones (S&OP), Sensible ML puede ayudar a los planificadores de demanda, analistas comerciales y/o socios comerciales financieros a crear pronósticos granulares, a nivel de producto y de ubicación destinados a guiar las decisiones tácticas de administración de personal, compras, logística e inventario. 
• Los gastos de ingresos or planificación de la fuerza laboral donde se requieren pronósticos mensuales por objetivo (por ejemplo, 60 puntos de datos por objetivo de pronóstico) para la planificación de arriba hacia abajo. El ML sensato puede crear pronósticos predictivos/estadísticos.
• Para más granular, pronóstico ascendente por cliente, producto por ubicación y/o S&OP donde las organizaciones pueden compartir cientos de puntos de datos por objetivo, Sensible ML puede crear previsiones semanales o diarias que dan cuenta de la intuición específica del análisis comercial sobre impactos como vacaciones, clima, cambios de precios, impactos competitivos o cualquier intuición basada en el tiempo.

Conclusión

El aprendizaje automático llegó para quedarse. En consecuencia, la Oficina del CFO ahora debería buscar aprovechar Sensible ML y avances tecnológicos similares. ¿Qué tienen que perder los líderes de FP&A al agregar otro punto de vista o enriquecer sus conocimientos con la ayuda de ML? Nada, nada en absoluto.

En OneStream, llamamos a esto Finanzas Inteligentes.

Más información

Para obtener más información sobre cómo los equipos de FP&A se están moviendo más allá de la exageración de la IA, permanezca atento a las publicaciones adicionales de nuestra serie de blogs Sensible ML o descargue nuestro documento técnico esta página.

Descargar el Libro Blanco

La planificación de escenarios es una herramienta valiosa para las empresas que buscan prepararse para lo inesperado, pero crear escenarios precisos puede ser un proceso complejo y lento. Tradicionalmente, estos ejercicios requerían ciclos iterativos sustanciales y eran muy manuales.

Ahí es donde entran en juego los pronósticos de inteligencia artificial (IA) y aprendizaje automático (ML): estas tecnologías pueden ayudar a las empresas a potenciar su escenario. jubilación con datos más precisos y confiables, lo que les permite tomar decisiones mejor informadas y mantenerse a la vanguardia.

Impulsando planes de escenarios con pronósticos de IA y ML

La planificación de escenarios implica la creación de múltiples futuros posibles para una empresa, teniendo en cuenta una variedad de variables diferentes, como las tendencias del mercado, el comportamiento del consumidor y los avances tecnológicos. El proceso suele implicar la identificación de impulsores clave del cambio, el desarrollo de una gama de escenarios futuros plausibles y la evaluación del impacto potencial de cada escenario en la organización.

El objetivo es identificar riesgos y oportunidades potenciales y prepararse en consecuencia en lugar de simplemente reaccionar a los eventos a medida que ocurren. La planificación de escenarios puede ayudar a las organizaciones a tomar decisiones más informadas al permitirles anticipar posibles eventos futuros y desarrollar estrategias para mitigar los riesgos y aprovechar las oportunidades. (ver figura 1)

La planificación de escenarios implica la creación de múltiples futuros posibles para una empresa, teniendo en cuenta una variedad de variables diferentes, como las tendencias del mercado, el comportamiento del consumidor y los avances tecnológicos. El proceso suele implicar la identificación de impulsores clave del cambio, el desarrollo de una gama de escenarios futuros plausibles y la evaluación del impacto potencial de cada escenario en la organización.

Si bien la planificación de escenarios puede ser una herramienta poderosa, la creación de escenarios precisos puede ser un desafío. Los métodos tradicionales de planificación de escenarios pueden llevar mucho tiempo y ser difíciles de ejecutar. Uno de los principales desafíos es la previsión. Pronosticar implica predecir eventos futuros, como cambios en el comportamiento del consumidor, tendencias del mercado y avances tecnológicos.

Los métodos de pronóstico tradicionales a menudo se basan en datos históricos y opiniones de expertos, que pueden ser poco confiables y pueden no reflejar las condiciones actuales del mercado o las tendencias emergentes. Además, es posible que los métodos de pronóstico tradicionales no tengan en cuenta las complejas interrelaciones entre los diferentes factores que pueden influir en eventos futuros. Es difícil predecir exactamente cómo interactuarán las diferentes variables, y los sesgos humanos pueden colarse, lo que lleva a escenarios que son demasiado optimistas o pesimistas.

Ahí es donde entran en juego los pronósticos de IA y ML.

El papel de la IA y el ML en la planificación de escenarios

Avances en IA y ML han hecho posible mejorar la planificación de escenarios al proporcionar pronósticos más precisos y confiables. AI y ML pueden analizar grandes cantidades de datos e identificar patrones complejos y relaciones entre diferentes factores. Esto puede permitir a las organizaciones desarrollar pronósticos más sofisticados y precisos que reflejen las condiciones actuales del mercado y las tendencias emergentes.

Al incorporar la previsión de IA y ML en la planificación de escenarios, las empresas pueden crear escenarios más realistas y útiles, ayudándoles a tomar decisiones mejor informadas y mantenerse a la vanguardia.

El análisis de datos

AI y ML pueden ayudar a las organizaciones a analizar grandes cantidades de datos e identificar patrones y tendencias que no son visibles para los humanos. Esto puede proporcionar información sobre posibles escenarios futuros y ayudar a las organizaciones a prepararse para ellos.

Caso de uso: Enriquecer datos para identificar patrones

AI y ML se pueden usar en la planificación de escenarios al incorporar fuentes de datos externas, como redes sociales, artículos de noticias y pronósticos meteorológicos para ayudar a comprender en qué medida estos factores se correlacionan con el rendimiento del pronóstico. Al analizar estas fuentes en tiempo real, las organizaciones pueden identificar tendencias emergentes y ajustar sus escenarios en consecuencia. (ver figura 2)

Por ejemplo, un fabricante podría usar IA para analizar conversaciones en las redes sociales sobre sus productos e identificar las preferencias emergentes de los clientes. Al incorporar esta información en sus escenarios, el fabricante puede adaptar sus estrategias de marketing y desarrollo de productos para satisfacer mejor las necesidades de los clientes.

Predicción

AI y ML se pueden usar para predecir resultados futuros basados ​​en datos históricos. Esto puede ayudar a las organizaciones a identificar posibles escenarios futuros y tomar decisiones informadas sobre cómo responder a ellos.

Caso de uso: predicción del comportamiento del consumidor

Una variable clave en muchos escenarios es el comportamiento del consumidor. Las empresas deben comprender cómo responderán los consumidores a los nuevos productos, los cambios en los precios y otros factores para poder tomar decisiones informadas. La previsión de IA y ML se puede utilizar para analizar los datos de los consumidores y predecir cómo se comportarán los consumidores en el futuro. Esta información se puede utilizar para crear escenarios más precisos e identificar posibles riesgos y oportunidades. (ver figura 3)

Por ejemplo, considere una empresa minorista que está considerando lanzar un nuevo producto. Mediante el uso de pronósticos de IA y ML para analizar los datos del consumidor, la empresa puede predecir cuántas unidades del producto es probable que venda en diferentes escenarios. Esta información se puede utilizar para crear diferentes pronósticos de ventas para diferentes escenarios, lo que permite a la empresa prepararse en consecuencia.

Simulación

AI y ML se pueden usar para crear simulaciones de posibles escenarios futuros. Esto puede ayudar a las organizaciones a comprender el impacto potencial de diferentes decisiones y prepararse para ellas en consecuencia. (ver Figura 2)

Caso de uso: previsión de tendencias del mercado

Las tendencias del mercado son otra variable importante en la planificación de escenarios. Las empresas deben comprender cómo es probable que cambie el mercado en el futuro para poder tomar decisiones informadas. (ver figura 4)

Por ejemplo, considere una empresa de servicios financieros que está creando escenarios para los próximos cinco años. Mediante el uso de pronósticos de IA y ML para analizar los datos del mercado, la empresa puede predecir cómo es probable que cambien las tasas de interés, la inflación y otras variables clave durante ese período de tiempo. Esta información se puede utilizar para crear diferentes escenarios económicos, lo que permite a la empresa prepararse en consecuencia.

Optimización

AI y ML se pueden utilizar para optimizar escenarios al identificar el resultados más probables y ayudar a las organizaciones a prepararse para ellos. Esto puede ayudar a las organizaciones a ser más eficaces en sus esfuerzos de planificación de escenarios.

Caso de uso: Predicción de interrupciones en la cadena de suministro

Las interrupciones en la cadena de suministro pueden tener un impacto significativo en las empresas, especialmente en aquellas que dependen del inventario justo a tiempo o de cadenas de suministro globales complejas. La previsión de IA y ML se puede utilizar para analizar los datos de la cadena de suministro y predecir dónde es más probable que ocurran las interrupciones. (ver figura 5)

Por ejemplo, imagine que una empresa de fabricación está creando escenarios para el próximo año. Mediante el uso de pronósticos de IA y ML para analizar los datos de la cadena de suministro, la empresa puede predecir dónde es más probable que ocurran interrupciones, por ejemplo, debido a desastres naturales o disturbios políticos. Esta información se puede utilizar para crear diferentes escenarios para las interrupciones de la cadena de suministro, lo que permite a la empresa prepararse en consecuencia.

En cada uno de estos ejemplos, la previsión de IA y ML permite a las empresas crear escenarios más precisos y realistas, ayudándoles a tomar decisiones mejor informadas y mantenerse a la vanguardia.

Conclusión

Las tecnologías de IA y ML han sido un catalizador para que las organizaciones revisen cómo aprovechan los planes de escenarios, el ritmo al que planifican las decisiones y los datos que utilizan para tomar esas decisiones. Los clientes pueden superar la tediosa y lenta planificación de escenarios al enriquecer el proceso con soluciones de IA y ML al proporcionar pronósticos más rápidos, precisos y confiables.

Más información

Para obtener más información sobre cómo los equipos de FP&A van más allá de la exageración de la IA para enriquecer la planificación de escenarios, consulte nuestro informe técnico, Aprendizaje automático sensible para CPM: finanzas futuras al alcance de su mano.

Descargar el Libro Blanco

Inteligencia artificial (IA) y aprendizaje automático (ML) han revolucionado muchas industrias, pero el campo de la planificación y el análisis financieros (FP&A) ha tardado en adoptar esta tecnología. A pesar de los numerosos beneficios que AI, y más específicamente, ML, pueden aportar a Finanzas (por ejemplo, mayor eficiencia, precisión y conocimientos estratégicos), muchas organizaciones aún dudan en implementar cualquiera de los dos en sus procesos de FP&A. ¿Qué impide que FP&A obtenga los grandes beneficios de ML?

Para responder a esta pregunta y más, este blog explorará algunos de los desafíos que impiden que FP&A adopte completamente ML y cómo se pueden superar esos desafíos.

Apetito del mercado por ML

Si bien aún no es tan ampliamente aceptado como el cambio a la nube para el cierre financiero y los procesos de planificación, la adopción de ML ya está aumentando, según el Estudio de mercado de ciencia de datos y aprendizaje automático de 2022 realizado por Dresner Advisory Services. En 2016, menos de 40% de las organizaciones que respondieron informaron que usan o exploran activamente ML. Esa misma métrica era sobre 70% en 2022 (ver Figura 1), mostrando un aumento constante en los últimos siete años. En la superficie, esa progresión subraya la exageración y el entusiasmo de la IA por los beneficios potenciales del uso de la IA para FP&A.

Pero, ¿qué sucede si los datos se desglosan por función? Surge una realidad un poco diferente para la Oficina de Finanzas y FP&A.

De hecho, el estudio demuestra que Sólo% 20 (consulte la Figura 2) de las organizaciones financieras actualmente utilizan IA y ML, y los datos reales de Finanzas están rezagados en la mayoría de las funciones, a pesar de todo el alboroto y la charla.

¿Qué detiene a FP&A?

Con tanto alboroto pero baja adopción, ¿qué barreras clave ¿Están impidiendo que los equipos de operaciones y FP&A adopten las soluciones de aprendizaje automático de forma generalizada? La Figura 3 representa las barreras.

A continuación, los detalles sobre estas barreras clave muestran por qué impiden la implementación generalizada de tecnologías ML de vanguardia:

Falta de experiencia

• Los equipos de FP&A pueden tener dificultades para implementar ML en procesos de planificación empresarial, como pronóstico continuo o la planificación de la demanda, debido a la falta de la experiencia requerida en ML y técnicas de modelado de aprendizaje automático. Sin analistas comerciales e ingenieros de ciencia de datos dedicados, los equipos no pueden aprovechar todo el potencial de ML en los procesos de planificación.  
• La falta de experiencia es especialmente relevante para las organizaciones con inversiones de ML existentes, donde la falta de recursos especializados dificulta la capacidad de los equipos de FP&A para utilizar efectivamente ML en su trabajo. Sin experiencia o recursos dedicados, los equipos de FP&A tienen una capacidad muy limitada para aprovechar la IA y el ML.

falta de escala

• Para las organizaciones con equipos de ciencia de datos existentes, es costoso crear procesos e infraestructura de ML repetibles y sistematizados en toda la empresa. Además, la mayoría de las capacidades de ML dentro de las herramientas de CPM en la actualidad solo son capaces de producir un único pronóstico (objetivo) a la vez. ¿Por que importa?
• El rol de FP&A es liderar e impulsar procesos de planificación efectivos en todas las líneas de negocios y funciones (p. ej., HR, Ventas y Operaciones). Y si no puede capacitar a la organización para realizar pronósticos a escala, FP&A no se está ejecutando como un socio comercial estratégico. Las soluciones de IA para FP&A que no pueden escalar no son diferentes y nunca alcanzarán una adopción masiva, lo que provocará que las soluciones fracasen en última instancia.

Falta de intuición comercial y transparencia

• Los procesos tradicionales de modelado de ML dentro de las herramientas de CPM suelen ser una "caja negra" para los equipos de FP&A (consulte la Figura 4). ¿Por qué importa esto? Bueno, los modos ML no están completos sin una "intuición" comercial material y/o ofrecen a los usuarios solo una visibilidad limitada o trazabilidad de  en entradas y resultados del modelo. Tales limitaciones pueden resultar en una falta de confianza en los resultados.

Como socio comercial estratégico, FP&A debe infundir confianza en los procesos de previsión. Y aunque es probable que aprovechar AI y ML aumente la precisión de los pronósticos, los propietarios de P&L no pueden evaluar los impulsores que componen los pronósticos: los líderes de P&L que no pueden nunca son dueños de sus pronósticos.

Y si los dueños de P&L no son dueños de sus pronósticos, los procesos de pronóstico romper y fallar en total. Eso significa FP&A también ha fallado.

Procesos fragmentados y desconectados

• Las soluciones actuales de IA y ML dentro de CPM generalmente requieren movimiento de datos y reconciliación entre sistemas fragmentados y procesos financieros. Esos requisitos aumentan la deuda técnica y limitan la capacidad de los análisis avanzados para escalar en toda la organización.
• El software fragmentado y los procesos técnicos necesarios para la planificación conectada crean complejidad técnica y carga administrativa para los equipos de FP&A. Esta carga incluye mover y reconciliar datos constantemente, monitorear la latencia de los datos y administrar la seguridad entre productos o modelos fragmentados. Colectivamente, la carga diluye la capacidad de los equipos estratégicos de FP&A para centrarse en impulsar el rendimiento y respaldar la toma de decisiones críticas.

Conclusión

A pesar de estos desafíos, ML tiene el potencial de mejorar significativamente las operaciones y los resultados financieros. Al automatizar los procesos manuales, ML puede ayudar a los profesionales de finanzas a ahorrar tiempo y mejorar la precisión, lo que puede conducir a una toma de decisiones más efectiva. Además, ML puede proporcionar información en tiempo real sobre el rendimiento financiero. Esos conocimientos pueden ayudar a los profesionales financieros a identificar tendencias y tomar decisiones informadas.

A medida que AI y ML para FP&A ingresen a la corriente principal, las organizaciones sin duda tendrán varias opciones para considerar. En un espectro, los proveedores de soluciones para IA (consulte la Figura 5) ofrecen de todo, desde soluciones de infraestructura de IA hasta kits de herramientas de ciencia de datos y plataformas de IA completas para crear e implementar modelos de ML. Si bien estas son herramientas poderosas que abordan diferentes casos de uso, las herramientas no están diseñadas para equipos de FP&A.

Los proveedores de gestión del desempeño corporativo también están invirtiendo en capacidades de IA para respaldar planificación y análisis ampliados (xP&A) como la planificación de la demanda y la planificación de ventas. Como ilustra bien la Figura 5 para los proveedores de IA, los proveedores de CPM también resolverán las necesidades de IA de sus clientes de diferentes maneras.

Entonces, ¿cuál es la lección de todo esto?

No permita que la exageración de la IA nuble el proceso de evaluación.  Inicio con una comprensión clara de "qué" resultados comerciales que el equipo de FP&A está tratando de lograr con ML. Identificar "OMS" está usando la solución y "cómo" la solución se unifica en los procesos de planificación existentes.

Y con las respuestas a estas preguntas en mente, utilice el proceso de evaluación para "meterse debajo del capó" para saber si la solución liberará a la organización de las barreras clave que impiden que FP&A se mueva más allá del bombo publicitario.

Más información

¿Quiere obtener más información sobre cómo los equipos de FP&A se están moviendo más allá de la exageración de la IA? Estén atentos a las publicaciones adicionales de nuestra serie de blogs o descargue nuestro libro electrónico interactivo esta página.

Descargue el eBook

El mercado de la tecnología de la información (TI) está repleto de muchas palabras de moda y términos que a menudo se usan indistintamente. Pero en algunos casos, existen diferencias sutiles entre los términos que es importante comprender y que pueden afectar la selección de herramientas y cómo se implementan. Un ejemplo es el uso de los términos inteligencia empresarial frente a análisis empresarial o BI frente a BA. Siga leyendo para saber cómo se diferencian estos términos y herramientas y cómo se complementan entre sí.

Comencemos con una lección de historia.

Business Intelligence emerge del soporte de decisiones

Aunque hubo algunos usos anteriores, la inteligencia empresarial (BI) como se entiende hoy en día evolucionó a partir de los sistemas de soporte de decisiones (DSS) utilizados en la década de 1960 hasta mediados de la década de 1980. Luego, en 1989, Howard Dresner (un exanalista de Gartner) propuso "inteligencia de negocios" como un término general para describir "conceptos y métodos para mejorar la toma de decisiones de negocios mediante el uso de sistemas de apoyo basados ​​en hechos".

La definición más moderna proporcionada por Wikipedia  describe BI como “un conjunto de estrategias y tecnologías utilizadas por las empresas para el análisis de datos de información comercial”.  Otra definición propuesta por TechTarget establece que “La inteligencia de negocios (BI) es una proceso impulsado por la tecnología para analizar datos y brindar información procesable que ayude a los ejecutivos, gerentes y trabajadores a tomar decisiones comerciales informadas”.

La definición de TechTarget continúa describiendo cómo, como parte del proceso de BI, las organizaciones recopilan datos de sistemas de TI internos y fuentes externas, los preparan para el análisis, ejecutan consultas contra los datos y crean visualizaciones de datos, BI paneles e informes para presentar datos y poner los resultados analíticos a disposición de los usuarios comerciales para la toma de decisiones operativas y la planificación estratégica.

Business Analytics se convierte en el término general

"Análisis de negocio” o “análisis de datos” es el término más moderno que se aplica al dominio más amplio de BI, gestión del desempeño corporativo (CPM)y herramientas y aplicaciones analíticas. Lo que me gusta del término análisis es que denota un enfoque más "activo" para consumir información. Donde BI a menudo se ve principalmente como el proceso de recopilar información y formatearla para entregarla a los usuarios finales: el análisis habla más del proceso de acceder, procesar, consumir, manipular, rebanar, cortar en cubitos y profundizar en la información para comprender las tendencias y obtener respuestas a preguntas analíticas.

abajo esta el Taxonomía de la Corporación Internacional de Datos (IDC) (ver figura 1) para Software de Big Data y análisis, que muestra cómo encajan todas estas herramientas y aplicaciones. Hay tres segmentos principales en el mercado en esta taxonomía:

1. En la parte superior izquierda, verás aplicaciones analíticas y de gestión del rendimiento. Esto incluye aplicaciones financieras de EPM/CPM, así como otras aplicaciones analíticas, como CRM, cadena de suministro, mano de obra y otras que se utilizan en las operaciones comerciales.
2. En la parte superior derecha, verás herramientas de análisis e inteligencia de negocios. Esto incluye consultas, informes, multidimensional/OLAP y descubrimiento visual, así como análisis predictivo y avanzado.
3. Luego, subyacentes a estos dos segmentos están los plataformas de gestión e integración de datos analíticos. Esto incluye herramientas de integración de datos, así como tecnologías de gestión y almacenamiento de datos que pueden proporcionar datos a herramientas analíticas y de BI o pueden ser aprovechadas por aplicaciones analíticas y de gestión del rendimiento.

Analítica empresarial en acción

Con la taxonomía de IDC que identifica los diversos tipos de herramientas de análisis empresarial que están disponibles en el mercado, hablemos de los casos de uso para el análisis empresarial. Básicamente, existen tres tipos de análisis que las empresas utilizan para impulsar su toma de decisiones:

• Análisis descriptivo: nos dice lo que ya sucedió en el pasado
• Análisis predictivo: nos muestra lo que "podría" suceder en el futuro
• Análisis prescriptivo: nos informa lo que "debería" suceder en el futuro

Analítica descriptiva constituyen la mayoría de los informes de gestión actuales. Es el análisis de datos históricos usando técnicas simples como agregación de datos y minería de datos, que se utilizan para descubrir tendencias, señales y patrones Esta información se entrega a los usuarios finales a través de informes y paneles de administración que incluyen representaciones de datos visuales como gráficos de líneas, gráficos de barras y gráficos circulares que brindan información útil y brindan la base para un análisis adicional de los detalles subyacentes.

Analítica predictiva es un método más avanzado de análisis de datos que aplica técnicas de análisis estadístico y aprendizaje automático a datos históricos para proyectar resultados futurosy la probabilidad de estos resultados. los casos de uso para el análisis predictivo incluyen problemas como la demanda o la previsión de ventas, la detección de fraudes y el análisis de abandono de clientes.

Si bien está estrechamente relacionado con lo descriptivo y análisis predictivo, el análisis prescriptivo lleva el proceso un paso más allá al mostrar a los tomadores de decisiones qué escenario futuro es el mejor camino a seguir utilizando una variedad de métodos estadísticos. Esto se logra mediante la recopilación de datos de una variedad de fuentes descriptivas y predictivas y su aplicación al proceso de toma de decisiones. Permite que los equipos ver el mejor curso de acción antes de tomar decisiones, ahorrando tiempo y dinero mientras logra resultados óptimos.

Si bien cada uno de estos métodos es útil cuando se usa individualmente, se vuelven especialmente poderosos cuando se usan juntos.

El enfoque de OneStream para el análisis predictivo y el aprendizaje automático

OneStream empodera a los equipos de finanzas para que lideren rápidamente al unificar el análisis predictivo con los procesos básicos de CPM: planificación, elaboración de presupuestos y pronósticos; consolidación financiera; informes; y calidad de los datos financieros. Y con nuestro integrado solución de análisis predictivo (consulte la figura 2), OneStream está desencadenando la transformación financiera para llevar los procesos de presupuestación, planificación y previsión aún más lejos, lo que permite a los equipos planificar, analizar y predecir con confianza.

Como se anunció en el evento Splash Virtual de OneStream en 2021, Servicios de inteligencia artificial y aprendizaje automático sensible de OneStream la solución será proporcionar a los equipos financieros el poder de aprovechar la predicción modelos de aprendizaje automático sin un trabajo extenso por parte de los científicos de datos. Esta solución guiará a los usuarios a través de un proceso paso a paso para cada parte del proceso de creación e implementación del modelo ML. Incluyendo ingeniería de características a través de configuración, entrenamiento e implementación de algoritmos avanzados.

Más información

Las herramientas de Business Intelligence forman parte de una gama más amplia de herramientas de análisis empresarial que incluyen infraestructura de datos analíticos, CPM y aplicaciones analíticas, así como herramientas analíticas predictivas avanzadas. Estas herramientas y aplicaciones de análisis empresarial están diseñadas para ayudar a las organizaciones a recopilar, organizar y difundir información a ejecutivos y responsables de la toma de decisiones y proporcionar la "inteligencia analítica" necesaria para tomar decisiones oportunas e informadas que puedan impulsar un mejor rendimiento empresarial.

Para obtener más información sobre el enfoque de OneStream para el análisis predictivo y el aprendizaje automático, descargue nuestro libro blancoy comuníquese con OneStream si su organización está lista para transformar las finanzas al alinear el análisis predictivo avanzado y el aprendizaje automático con los procesos centrales de CPM.

Descargar el Libro Blanco

El año 2020 fue uno de los más desafiantes para los directores financieros y ejecutivos financieros. Para comprender verdaderamente el impacto de la pandemia en la toma de decisiones financieras, en julio de 2020, OneStream patrocinó una encuesta de Hanover Research sobre tomadores de decisiones financieras. los resultados de la encuesta destacó los impactos de la pandemia global en la contratación, la mejora de las habilidades del personal de TI y contabilidad, así como las inversiones en herramientas de análisis, informes y planificación basadas en la nube. La encuesta también destacó cómo la mayoría de las organizaciones (61 %) posponían ciertas inversiones hasta después de las elecciones presidenciales de EE. UU.

Ahora que las elecciones de 2020 han quedado atrás y la pandemia global está llegando a su fin, pensamos que este sería un buen momento para tomar nuevamente el pulso a los tomadores de decisiones de Finanzas. Entonces, en marzo de 2021 lanzamos otra encuesta de tomadores de decisiones de Finanzas en América del Norte y recopilamos respuestas de 340 ejecutivos de Finanzas en todas las industrias.

He aquí un resumen de lo que aprendimos de la Encuesta Hanover Research Finance Decision-Maders de 2021.

Hallazgos clave: respuesta y recuperación de COVID-19

La buena noticia es que casi las tres cuartas partes (73%) de las empresas esperan volver al crecimiento normal a finales de 2021, mientras que el 18% espera un retorno al crecimiento normal en 2022.

Durante COVID-19, aproximadamente el 11 % de los empleados cambiaron de un trabajo de oficina completo a un trabajo completamente remoto durante el COVID 19, pero esperan regresar a la oficina después de la pandemia. La cantidad de empleados híbridos se mantuvo aproximadamente igual durante la pandemia y no se espera que cambie cuando termine la pandemia. En cuanto a la vuelta a la oficina, casi todas las empresas (98%) han hecho planes presupuestarios para volver a la oficina, un tercio (36%) de los cuales planean dedicar más del 15% de su presupuesto a la reapertura de la oficina. Las herramientas de privacidad de datos son la prioridad más común (18 %) para el retorno asignado a los presupuestos de oficina, seguidas de cerca por las tecnologías de nube híbrida (18 %) y la reconfiguración de la oficina (18 %).

Cambios de inversión relacionados con la pandemia

Desde la pandemia de COVID 19, más de la mitad de las empresas aumentaron sus inversiones y el uso de herramientas de análisis de datos. Específicamente, las empresas invirtieron más comúnmente en inteligencia artificial (59 %), análisis predictivo (58 %), herramientas de planificación e informes basadas en la nube (57 %) y aprendizaje automático (54 %).

Y la encuesta también encontró que Las organizaciones están utilizando más herramientas de análisis de datos que antes de la pandemia. En agosto de 2020, la mitad (46 %) de las empresas informaron que usaban constantemente soluciones basadas en la nube, mientras que una cuarta parte usaba análisis predictivo (28 %), aprendizaje automático (21 %) e inteligencia artificial (20 %). Ahora, más de la mitad de las empresas han aumentado el uso de cada herramienta, con la planificación y los informes basados ​​en la nube encabezan la lista con un 65 % y afirman un mayor uso.

Dado que más de la mitad de las empresas han aumentado sus inversiones en aprendizaje automático, no sorprende que la mayoría planea optimizar nuevos departamentos y casos de uso con la tecnología.  Específicamente, las empresas planean optimizar TI/ciberseguridad (30 %) y priorizan el servicio al cliente (15 %) y contabilidad y finanzas (12%). 

Cambios de inversión relacionados con la administración

A pesar de que muchas empresas aplazaron sus inversiones hasta después de las elecciones, más de la mitad de las empresas informan que tuvo un impacto positivo en sus decisiones de inversión para 2021. El lanzamiento de nuevos productos y servicios han sido las áreas de inversión más impactadas positivamente, seguidas de las expansiones físicas, que incluyen nuevos empleados, software, adquisiciones e instalaciones.

La mayoría de las empresas (86%) dijeron que necesitarán cambiar sus pronósticos financieros en caso de un cambio de impuestos por la nueva administración presidencial De manera similar, la mayoría de las empresas (89%) ya han hecho planes para cambiar los planes de contratación y dotación de personal para adaptarse a los aumentos salariales.

Además, la mayoría de las empresas están aumentando, o planean aumentar, las inversiones en sistemas de informes y gestión ambiental, social y de gobernanza (ESG) (85 %) así como capacitación DEI (86%).

Conclusiones

Ejecutar una encuesta como esta siempre es interesante porque brinda la oportunidad de validar nuestras suposiciones sobre las tendencias clave del mercado. Nos complació ver la perspectiva positiva de la mayoría de los ejecutivos de Finanzas sobre la recuperación económica en 2021. También fue alentador ver al 98% de las empresas en Norteamérica preparándose para el regreso a la oficina.

La encuesta también validó lo que estamos viendo en el mercado, con mayor demanda de soluciones de planificación e informes basadas en la nube, así como herramientas de análisis avanzadas, normalmente reemplaza las hojas de cálculo o las aplicaciones heredadas de gestión del rendimiento corporativo (CPM). Y también hemos visto un mayor uso de herramientas de planificación e informes basadas en la nube – con muchas organizaciones aumentando la frecuencia de sus ciclos de planificación e informes durante la pandemia.

Un área que nos sorprendió fue que El 85% de las empresas indicaron que planean aumentar sus inversiones en sistemas de gestión e informes ESG.  El revuelo de los medios sobre este tema aumentó claramente en la segunda mitad de 2, al igual que el interés de los clientes de OneStream en este tema. Varios de nuestros clientes ya están aprovechando nuestra plataforma para recopilar, gestionar e informar sobre ESG e iniciativas de sostenibilidad.

Para obtener más información, descargue el Encuesta de tomadores de decisiones financieras de Hanover Research 2021 y comuníquese con OneStream si su organización necesita mejorar su capacidad para "liderar a gran velocidad" y navegar más fácilmente por la volatilidad actual del mercado.

En un seminario web reciente con nuestros socios en PwC, exploramos cómo los líderes financieros están aumentando el valor y la orientación que sus equipos brindan a sus organizaciones mientras impulsan un mayor rendimiento. En esta discusión sobre la Transformación de la Oficina de Finanzas, Scott Stern, director sénior de marketing de productos en OneStream, primero examina cómo los equipos de finanzas pueden evolucionar de un anotador a un rol de entrenador con colby conner, socio financiero en PwC. Luego, Scott examina algunos ejemplos de transformación de clientes con Tana Cuerno de Árbol, Director de Asesoría de PwC.

Este seminario web detalla los atributos organizacionales y la tecnología necesarios para que los equipos de finanzas naveguen con éxito esta transformación. ¿Cómo es el éxito en la transformación de Office of Finance? El Sr. Conner sugiere la siguiente regla general. Cuando los líderes de las unidades de negocios y Finanzas dedique solo 2 minutos o menos a las reuniones de estrategia acordando la precisión de los números y pasar los 58 minutos restantes desarrollando ideas y resolviendo desafíos, la Oficina de Transformación Financiera puede considerarse un éxito.

Si bien es un poco simplista, esta "prueba de 2 minutos" ilustra exactamente lo que los líderes financieros de organizaciones sofisticadas deben esforzarse por lograr. Bajo este ideal, Finanzas trasciende el rol de agregador y resúmen de datos para convertirse en un socio confiable de los líderes de las unidades de negocios. La transformación esencialmente eleva el papel de Finanzas para centrarse en proporcionar información y orientación para impulsar el rendimiento de toda la organización.

¿Por qué embarcarse en el viaje de transformación de Office of Finance?

El Sr. Conner explica cómo las organizaciones de hoy tienen una necesidad urgente de finanzas para respaldar mejor el negocio. Describe cuántos factores, incluida la creciente presión económica, la tecnología emergente, las nuevas fuentes de datos y el aumento de los volúmenes de datos, desafían el desempeño organizacional. Luego describe cómo estos factores internos y externos presentan oportunidades para que Finanzas lidere rápidamente no solo para alcanzar el ritmo del cambio sino también para conquistar la creciente complejidad.

También examina cuántas organizaciones financieras limitan su papel a ser anotadores. Estos equipos pasan gran parte de su tiempo discutiendo datos y conciliaciones con un enfoque en la agregación de datos y la producción de informes. Por el contrario, las organizaciones que se han embarcado en un Finanzas inteligentes viaje el progreso a un rol de entrenador y agregue valor al proporcionar conocimientos, perspectivas y orientación para la toma de decisiones operativas en todas sus organizaciones.

Los equipos financieros que completan este viaje evolucionan para convertirse en propietarios de una "cadena de suministro de información". Luego, estos equipos pueden tomar datos del interior de la organización y convertirlos en conocimientos para definir nuevos futuros y crear liderazgo en el mercado.

Abordar los desafíos de transformación de la Oficina de Finanzas

Entonces, ¿por qué no todos los equipos de Finanzas están lanzando con éxito esta transformación? La respuesta es bastante simple: existen importantes desafíos para realizar una Oficina de Transformación Financiera. Los principales desafíos son la tecnología obsoleta y los procesos manuales que obligan a muchos equipos a dedicar demasiado tiempo a administrar datos y herramientas en lugar de realizar análisis y brindar información.

El Sr. Conner redefine estos desafíos como oportunidades. Sugiere que los equipos de finanzas conviertan el statu quo de las tareas manuales y los procesos ineficientes en el "combustible" que impulsa la transformación. Más específicamente, argumenta que la implementación de una solución moderna de gestión del desempeño corporativo (CPM) para automatizar procesos les dará a los equipos financieros el tiempo extra que necesitan. Ese tiempo permite a los equipos de finanzas dedicar primero tiempo a implementar la transformación y, en última instancia, disponer del tiempo necesario para el análisis de alto valor y el desarrollo de conocimientos.

El Sr. Conner identifica específicamente De OneStream La plataforma de finanzas inteligentes como una solución que empodera a los equipos de finanzas de dos maneras. Primero, brinda a los equipos la capacidad de comenzar la Transformación de la Oficina de Finanzas al conquistar la complejidad de los procesos de CPM. En segundo lugar, brinda a los equipos la capacidad de completar esa transformación con análisis e informes avanzados. Algunos ejemplos de oportunidades para aumentar la eficiencia en los procesos de CPM incluyen la simplificación del proceso de cierre financiero o la creación de eficiencias en los informes o la elaboración de presupuestos y pronósticos (consulte la Figura 1). Explica que las poderosas capacidades de automatización de procesos de OneStream permiten a los equipos de finanzas automatizar procesos y eliminar el tiempo perdido en esfuerzos manuales.

Cinco atributos para el éxito de la transformación financiera

El Sr. Conner luego define los cinco atributos organizacionales (ver Figura 2) para el éxito de la Transformación Financiera y proporciona una explicación detallada de cada uno.

Un punto destacado clave de estos atributos incluyó una discusión sobre cómo los equipos de Finanzas deben generar confianza en toda la organización como entrenadores para las unidades de negocios operativas, moviendo el rol de Finanzas de Scorekeeper a Value Adder y Wealth Creator. Si bien muchos factores generarán confianza (consulte la Figura 3), el Sr. Conner especifica que los equipos de Finanzas deben mantener la confianza en los números que se comparten con la organización de manera oportuna. En sus palabras, "si los datos no siempre son correctos, si siempre se revisan o si se tarda demasiado en recopilarlos, eso erosiona la confianza".

También explica que los equipos de Finanzas deben comprender los objetivos de cada unidad operativa y tener la Capacidad analítica para proporcionar un análisis perspicaz y relevante.  Identificó que la plataforma OneStream Intelligent Finance no solo tiene la calidad de los datos financieros la capacidad de generar confianza en los datos financieros y operativos controlados, pero también la capacidad de potenciar el análisis financiero y operativo avanzado.

Finanzas inteligentes en acción

Para cerrar el seminario web, Tana Treearphorn comparte dos ejemplos de clientes de Transformación financiera. En el primer ejemplo, examina cómo un proveedor SaaS de $21 mil millones de servicios de gestión de relaciones con el cliente (CRM) basados ​​en la nube y aplicaciones empresariales complementarias (p. ej., servicio al cliente, automatización de marketing, análisis y desarrollo de aplicaciones) conquistó la complejidad del rápido crecimiento. Con la plataforma OneStream y la orientación de PwC, este equipo de Finanzas pasó de ser un proveedor de informes que dedicaba el 80 % de su tiempo a conciliar datos a ser el proveedor de información para toda la organización.

En el segundo ejemplo, el Sr. Treearphorn comparte cómo PwC guió a un proveedor global de fletes y logística de $75 mil millones utilizando la plataforma OneStream para unificar sus procesos fragmentados de cierre y planificación de todo el mundo. Al hacerlo, el proveedor impulsó su transformación al generar eficiencia en sus procesos y aumentar la relevancia de sus conocimientos de operaciones.

Más información

Para obtener más información sobre cómo OneStream permite a las organizaciones liderar rápidamente en Office of Finance Transformation y cómo PwC guía a las organizaciones en ese viaje, vea la repetición del seminario web de “Finanzas inteligentes: impulsando un nuevo nivel de agilidad empresarial.” Y si está listo para conquistar la complejidad en su propia Oficina de Transformación Financiera, póngase en contacto con OneStream hoy.

En el mercado global competitivo de hoy, proporcionar a los gerentes información precisa sobre la rentabilidad por productos, líneas de servicio estándar, canales de distribución, clientes y otras dimensiones del negocio es esencial para una toma de decisiones ágil y efectiva. Sin embargo, muchas organizaciones luchan por crear visibilidad y transparencia para estos conocimientos, ya sea por falta de tiempo, tecnología, percepciones de que es demasiado complejo hacerlo o apoyo ejecutivo.

Abordar este desafío fue el enfoque de un seminario web reciente patrocinado por OneStream titulado “Cómo mejorar la agilidad y los conocimientos empresariales con una gestión eficaz de la rentabilidad.” Los oradores destacados fueron gary cokins, Fundador y CEO, Analytics-Based Performance Management LLC y Linda Hellebuyck, controlador corporativo en Henniges Automotive. Siga leyendo para escuchar los aspectos más destacados del seminario web o mira la repetición para ver los detalles.

Prácticas recomendadas de asignación de costes y gestión de la rentabilidad

Gary Cokins es un experto, autor y orador reconocido internacionalmente sobre métodos de gestión del rendimiento corporativo y empresarial (EPM/CPM), incluida la medición y gestión de la rentabilidad del cliente (utilizando principios de costeo basados ​​en actividades). Tiene más de 30 años de experiencia en el campo y es autor de varios libros sobre estos temas.

El Sr. Cokins comenzó su presentación con una revisión de los conceptos básicos del costeo basado en actividades (ABC). Su mensaje clave aquí es que cuando los directores financieros y los equipos financieros "asignan" gastos indirectos (es decir, gastos generales) a productos y líneas de servicio estándar, los distribuyen como "mantequilla sobre pan". Y al hacerlo, los CFO violan el “principio de causalidad” universal de la contabilidad de costos.  El costeo basado en actividades (ABC) resuelve esto mediante el "rastreo y asignación" de gastos basados ​​en relaciones de causa y efecto sobre cómo los productos y las líneas de servicio consumen actividades de trabajo, que a su vez consumen los gastos de recursos (por ejemplo, salarios, suministros, servicios públicos). , etc).

Si hacemos retroceder el reloj a la década de 1950, cuando la mano de obra directa y los materiales representaban la mayoría de los gastos en una empresa, las asignaciones de costos promediados ampliamente para los gastos indirectos eran aceptables. Pero En el mundo actual, donde los gastos indirectos representan la mayor parte de los gastos de una empresa, el enfoque de asignación de costos promedio puede conducir a grandes errores de costos defectuosos y engañosos.  

El Sr. Cokins continuó destacando el valor de ABC en las industrias basadas en servicios, como los seguros y la banca. La asignación de gastos como salarios, equipos, viajes, suministros y ocupación a los diversos costos de las actividades laborales que ocurren en un departamento, como el procesamiento de reclamos, permite una visión clara de qué grupos de clientes consumen relativamente más recursos y cuáles consumen menos recursos y sus gastos. .

Luego revisó los pasos necesarios para implementar efectivamente ABC: asignación de gastos de recursos (p. ej., cuentas del libro mayor), a los costos de actividades y luego a objetos de costo como productos, líneas de servicio, proyectos y clientes. Si bien la aplicación de un enfoque basado en ABC para las asignaciones de costos puede requerir más tiempo y esfuerzo que realizar las asignaciones de costos tradicionales pero simplistas, los beneficios valen la pena. ABC proporciona a los equipos de CFO y finanzas, y más importante aún, a los gerentes de línea, una visión clara de qué productos o servicios realmente se suman a las ganancias finales. y cuáles están restando valor a la rentabilidad, y también una vista de cuáles son los impulsores que causan los costos.

El poder de la rentabilidad del cliente

El Sr. Cokins continuó destacando la importancia de comprender el canal de distribución y la rentabilidad del cliente. El valor de una empresa es una función del valor que obtiene de sus clientes, por lo tanto Comprender qué clientes, o segmentos de clientes, están agregando valor en lugar de reducirlo es fundamental para impulsar el valor financiero a largo plazo de las partes interesadas, incluidos los accionistas y los propietarios de negocios.  Citando varios ejemplos del libro de Jeffrey Colvin “Clientes ángeles frente a clientes demoníacos”, su mensaje es que al comprender completamente la rentabilidad del cliente, los CFO pueden ayudar a Ventas y Marketing a orientar mejor a los clientes. Esto significa responder preguntas como:

• ¿Qué tipo de cliente es atractivo para adquirir, retener, hacer crecer o recuperar? ¿Y qué tipos no lo son?
• ¿Cuánto deberíamos gastar de manera óptima para atraer, retener, hacer crecer o recuperar cada microsegmento de clientes?

Cuando se responde a estas preguntas, las organizaciones pueden dirigirse de manera más efectiva a los tipos de clientes que desean retener, crecer y adquirir; y también realizar los cambios de precios o servicios al cliente necesarios para convertir a los clientes menos rentables e incluso no rentables en clientes rentables.

Al concluir su presentación, el Sr. Cokins brindó algunas pautas sobre cómo las organizaciones pueden superar la resistencia que pueden encontrar al implementar ABC, incluidas las percepciones técnicas erróneas del exceso de complejidad de ABC y las barreras conductuales organizacionales. Dijo: “Es mejor ser aproximadamente correcto que precisamente inexacto”.

Rentabilidad del producto y del cliente en Henniges Automotive

Después de una breve introducción a las capacidades que ofrece la plataforma de finanzas inteligentes de OneStream para respaldar rentabilidad del cliente y del producto, Linda Hellebuyck se unió a la discusión para resaltar el enfoque Henniges automotriz ha tomado para comprender la rentabilidad del producto y del cliente.

Henniges Automoción es el proveedor líder mundial de sistemas de sellado y antivibración para automóviles de alta ingeniería con operaciones en 8 países, incluidas 19 plantas de fabricación y 4 centros técnicos. Después de seleccionar e implementar OneStream para reemplazar a Hyperion Enterprise para el cierre financiero, la consolidación y la generación de informes, el equipo de Henniges amplió el uso de la plataforma OneStream a varios procesos adicionales, incluida la generación de informes de línea de productos.

El desafío aquí es que Henniges produce miles de productos automotrices que son muy específicos para el cliente y el vehículo y, como resultado, la rentabilidad puede variar significativamente entre productos. Por lo tanto, es fundamental comprender la rentabilidad a nivel de cliente, plataforma (vehículo) y producto. El uso de procesos manuales y hojas de cálculo de Excel para este tipo de análisis fue muy doloroso, ya que el 80 % del esfuerzo se dedicó a recopilar los datos y el 20 % a analizarlos.

Al trasladar este proceso a OneStream, Henniges pudo armonizar, almacenar, asignar y agregar los datos a un nivel detallado (número de pieza) permitiendo al equipo de Finanzas:

• Producir un P&L resumido (a través de EBITDA) para cualquier pieza, plataforma (vehículo), producto o cliente
• Habilite la asignación por parte del usuario final de variaciones específicas (chatarra/flete)
• Realizar asignaciones generadas por el sistema de otras variaciones
• Identifique las ventas (y las ganancias) entre empresas con el cliente/plataforma/producto final final

Para lograr esto, el equipo de Henniges aprovechó muchas capacidades dentro de la plataforma OneStream, incluida su extensibilidad. Esto permitió al equipo establecer dos cubos dentro de una sola aplicación, uno para informes financieros y otro para informes de rentabilidad.  Si bien los dos cubos comparten varias dimensiones comunes, el Cubo de rentabilidad tiene dimensiones adicionales, como Clientes, Productos, Piezas y Plataformas diseñadas para respaldar los informes y análisis de rentabilidad.

Según la Sra. Hellebuyck, “Dado que es una aplicación, podemos compartir metadatos y datos entre los dos cubos, lo que facilita las comparaciones entre cubos. En otras soluciones multiproducto, casar los datos de consolidación con los datos analíticos a nivel de pieza sería significativamente más complejo”.

Más información

Aprovechar OneStream para los informes financieros y de rentabilidad ha generado varios beneficios comerciales para Henniges y otros clientes. Esto incluye la capacidad de recopilar datos más rápido y con mayor frecuencia, lo que hace que los informes de rentabilidad pasen de ser anuales a trimestrales o incluso mensuales. La solución proporciona una visión más profunda de qué partes del negocio están produciendo (o no produciendo) beneficios finales, y por qué. Esta información ayuda a los gerentes a tomar decisiones más informadas en áreas como cotizaciones, negociaciones comerciales, racionalizar a qué clientes dedicar más esfuerzo e implementar iniciativas de mejora de costos.

Aprender más, mira la repetición del seminario web o comuníquese con OneStream si su organización está lista para mejorar su juego cuando se trata de comprender la rentabilidad por productos, clientes, canales u otras dimensiones de su negocio.

Si está en Finanzas Corporativas, probablemente descubrió que sus procesos de planificación y análisis estaban estresados ​​y desafiados el año pasado. Tal vez se vio obligado a aumentar las rondas de pronósticos debido al COVID-19. O tal vez el Canal de Suez bloqueado por un gran barco de contenedores dejó a su equipo luchando para ajustar los pronósticos. Como resultado, al igual que muchos equipos de Finanzas, probablemente haya descubierto por las malas que es posible que no tenga las herramientas adecuadas para el trabajo.

Si se encuentra entre los que no lo hacen, todavía hay buenas noticias: las soluciones de software de planificación corporativa en el mercado hoy en día vienen en todas las formas y tamaños. Por lo tanto, seguramente encontrará una solución diseñada para satisfacer las necesidades únicas de su organización.

Algunas soluciones están diseñadas para pequeñas empresas. Algunos ofrecen más capacidades de visualización. Otros son solo soluciones puntuales para la planificación o áreas específicas de la planificación. ¿Qué significa todo eso para ti? Significa que su equipo de finanzas tiene muchas opciones, si puede eliminar todo el ruido y llegar a los hechos.

¿Cuál es la mejor manera de entender las opciones? Dirigiéndose a sus pares de confianza en Finanzas Corporativas, por supuesto. Y eso es precisamente lo que le permite hacer la Encuesta de planificación 21 de BARC.

El Centro de Investigación de Aplicaciones Empresariales (BARC)

El Business Application Research Center (BARC) es una firma de consultoría y analista de la industria para software empresarial. Los analistas de BARC han apoyado a las empresas a través de evaluaciones de estrategia, organización, arquitectura y software durante más de 20 años. Para más información visite www.barc-research.com.

Para apoyar a los equipos de Finanzas Corporativas, BARC cubre las siguientes áreas críticas:

• Inteligencia de negocios/analítica
• Gestión de datos
• Gestión de contenido empresarial (ECM)
• Gestión de relaciones con clientes
• Planificación de recursos empresariales (ERP)

Encuesta de planificación BARC 21

La Encuesta de planificación 21 examina los comentarios de los usuarios sobre los procesos de planificación y la selección de productos. Esa retroalimentación se basa en los hallazgos de la encuesta más grande y completa del mundo de usuarios de software de planificación. Realizada de noviembre de 2020 a febrero de 2021, la Encuesta de planificación 21 compila las respuestas de 1,422 individuos analizando 21 productos o grupos de productos.

Específicamente, la encuesta examina los comentarios de los usuarios sobre la selección y el uso de productos de planificación a través de 29 indicadores clave de rendimiento (KPI), incluidos los beneficios comerciales, el éxito del proyecto, el valor comercial, la recomendación, la satisfacción del cliente, la experiencia del cliente, la funcionalidad de planificación y la competitividad.

Para obtener más información sobre la encuesta, visite el sitio web de encuestas de BI.

Software OneStream: Dedicado al 100% del éxito del cliente

Con una misión corporativa dedicada a entregar 100% éxito del cliente, estamos orgullosos de compartir que OneStream obtuvo 58 clasificaciones principales (ver Figura 1) a través de sus cuatro grupos de pares. La empresa se midió por varios KPI diferentes, incluidos los beneficios comerciales, el éxito del proyecto, el valor comercial, la relación precio-valor, el soporte del proveedor, el soporte del implementador, la satisfacción del producto, la integración de datos y la experiencia del cliente.

Además, OneStream recibió una 100% puntuación de recomendación de todos los usuarios encuestados: un aumento del 97 % en 2020.

Entre nuestras 58 mejores clasificaciones, OneStream obtuvo SIETE 'Perfect 10 Scores' en los siguientes KPI:

• satisfacción del producto
• Recomendación
• Flujo de trabajo
• Informes y análisis
• Consolidación financiera
• Experiencia en ventas
• Tasa de ganancias competitivas

OneStream también obtuvo 34 posiciones de liderazgo en cuatro grupos de pares diferentes, incluidas posiciones de liderazgo en el éxito del proyecto, relación precio-valor, beneficios comerciales, valor comercial, funcionalidad de planificación y soporte de proveedores.

“El desempeño de OneStream en la Encuesta de planificación de este año refleja la dedicación y la misión del proveedor de brindar un 100% de éxito al cliente. La plataforma unificada y extensible y el modelo de datos de OneStream admiten una amplia gama de casos de uso de planificación financiera y operativa, y lo hacen a escala y en toda la empresa. Esta combinación de control financiero y relevancia operativa brinda a las organizaciones la oportunidad de unificar los procesos de planificación dentro de una sola plataforma y experiencia de usuario, lo cual es cada vez más crítico a medida que los líderes financieros se adaptan a los rápidos cambios del mercado”, dijo el Dr. Christian Fuchs, vicepresidente sénior. y Jefe de Investigación de Datos y Análisis en BARC.

Más información

OneStream tiene el honor de recibir calificaciones tan altas en la Encuesta de planificación 21 de BARC. El informe reconoce la solidez continua de las capacidades de elaboración de presupuestos, planificación y previsión de OneStream, así como nuestras capacidades más amplias en consolidación financiera, informes y análisis. Y el honor es especialmente positivo dado que las altas calificaciones en la encuesta provienen directamente de nuestros clientes y usuarios dedicados en todo el mundo.

Para obtener más información sobre los resultados de OneStream, haga clic aquí para descargar la Encuesta de Planificación BARC 21 completa.

Si las finanzas del gobierno se tratan de algo, se trata de datos. A menudo grandes cantidades de datos. Datos que se reciben (de sistemas de origen como ERP u otras agencias), datos que se procesan (como formulación de presupuestos, asignaciones y proyecciones) y datos que se envían (datos a otras agencias e informes al público) .

En prácticamente cualquier paso del viaje de los datos financieros, nos encontramos en la necesidad de información adicional sobre el número que tenemos delante en un momento determinado. Si es un valor agregado, ¿cuáles son las partes componentes? ¿De dónde salió el número? ¿Fue importado de otro sistema? ¿Alguien ingresó el número? ¿Fue calculado? ¿Este número está vinculado a un fondo, oficina, programa, proyecto u objetivo estratégico específico? ¿Ha cambiado este número? ¿Quién lo cambió? ¿Cuándo lo cambiaron? ¿Qué era antes de que lo cambiaran? ¿Requirió aprobación para ser cambiado? ¿Quién lo aprobó y cuándo? ¿Qué otros números se ven afectados si este número cambia?

Todo esto se reduce a lo que posiblemente sea uno de los términos más utilizados, erróneamente definidos y diversamente entendidos en las finanzas públicas: análisis. Quizás esto se deba a que el término se usa fuera de las finanzas gubernamentales en prácticamente todos los campos imaginables. De hecho, recuerdo que en una clase de composición musical en la universidad, analizo Conciertos de Bach. Pero, cuando se trata de análisis de datos financieros del gobierno, se puede resumir como el proceso de descubrir la "historia de fondo" de los números. Cómo llegó aquí y lo que realmente representa. Posiblemente hay tantas formas de analizar los datos financieros como de interpretar el término. La siguiente es una discusión de algunos de los métodos más comunes de análisis financiero en el gobierno actual y algunos de los pros y los contras de cada uno:

• Llamá a alguien
• Usar hojas de cálculo
• Utilizar herramientas de inteligencia empresarial (BI)
• Utilice una plataforma de gestión financiera con análisis incluido

1 – Llamar a alguien

Esta es la solución más básica al problema de análisis. Necesitamos conocer información detallada sobre un valor, por lo que llamamos o enviamos un correo electrónico a la persona que creemos que puede tener la información requerida. Esta puede ser la persona correcta, o tal vez no. La respuesta puede ser rápida, o tal vez no. A menudo no se conoce el nivel de esfuerzo requerido por parte del respondedor para producir la información solicitada. Este método es más eficaz para ejecutivos o consumidores de información que, por lo general, solo manejan conjuntos de datos de muy alto nivel y rara vez tienen consultas de esta naturaleza. El retorno de la inversión de su tiempo para obtener acceso y capacitación para usar cualquier otro método puede no valer la pena ni para ellos ni para la agencia.

Pros:

• Sencillo para el solicitante
• Sin formación ni coste para el solicitante
• Respuestas específicas a preguntas específicas

Contras:

• Posiblemente un tiempo de respuesta muy lento
• Dependencia de los demás
• Posiblemente requiera muchas horas de esfuerzo de otros
• Posible incapacidad para obtener una respuesta en absoluto

2 – Usa hojas de cálculo

Este método es ampliamente utilizado. Este es el método utilizado por muchas de las personas que reciben las solicitudes en el método 1. Se trata de extractos de datos producidos por TI que luego se mapean y cargan en estructuras de datos heredadas como Essbase o TM1. Luego, los complementos se utilizan para conectarse a esos datos. La eficacia de este método puede variar mucho según la estructura de los datos de origen, la estructura del área de almacenamiento de datos intermedia y la habilidad y disponibilidad del equipo de TI involucrado en la extracción y el mantenimiento de los datos. Muchas agencias continúan utilizando este método simplemente porque lo han hecho durante mucho tiempo.

Aunque ciertamente hay un alto nivel de familiaridad con este método, llegar a la información necesaria puede llevar mucho tiempo. Los datos necesarios a menudo residen en más de un sistema. Puede haber datos de transacciones financieras en un sistema, datos de presupuesto en otro, flujo de trabajo y seguimiento de aprobaciones en otro, conciliaciones de cuentas en otro e información de auditoría en otro. Esto puede hacer que el proceso sea extremadamente complejo o, según los requisitos, imposible.

Pros:

• Las hojas de cálculo son omnipresentes y no requieren costos adicionales ni implementación
• La mayoría de los usuarios de finanzas en las agencias federales tienen una amplia experiencia con hojas de cálculo.
• Las hojas de cálculo son altamente portátiles y se pueden compartir a través de archivos adjuntos de correo electrónico

Contras:

• Complejidad de manejar datos de múltiples fuentes
• Puede ser muy laborioso para los analistas financieros, así como para TI
• La combinación y el uso de datos no está controlado y está abierto a interpretación
• Los modelos individuales arrojan resultados diferentes, no hay consistencia
• Falta de control de procesos, integridad de datos, registro de auditoría o seguridad

3 – Usa Herramientas de Inteligencia de Negocios

Muchas agencias tienen varias herramientas de inteligencia comercial (BI) como Tableau, Qlik o Cognos. Estos se utilizan para explorar datos, crear paneles, rastrear indicadores clave de rendimiento y generar informes. Muchos de ellos tienen una capacidad ETL (extraer, transformar, cargar) bastante sofisticada para unir tablas y extraer datos de los sistemas de origen, mientras que otros confían en herramientas ETL de terceros. En la mayoría de los casos, se basan en la utilización de datos en un universo de datos, almacén, lago de datos o mercado de datos.

Si bien las herramientas de BI requieren capacitación especializada, la mayoría de las agencias con estas herramientas internas tienen expertos en el personal. Sin embargo, estos expertos tienden a residir en un grupo de TI (tecnología de la información) u otros equipos operativos y es posible que no tengan la perspicacia financiera necesaria. Rara vez se mueve algún tipo de información de auditoría o control de los sistemas de origen a un almacén de datos y las herramientas de BI carecen de capacidad de auditoría por sí mismas. Las herramientas de BI también carecen de inteligencia financiera, por lo que cualquier tratamiento financiero de los datos requiere una configuración y/o programación extensa.

Pros:

• Muchas agencias ya cuentan con herramientas de BI
• La mayoría de las herramientas de BI tienen excelentes capacidades de panel y visualización.
• La mayoría de las herramientas de BI facilitan la conectividad y las uniones de tablas a las tablas del almacén de datos.

Contras:

• Las herramientas de BI no tienen inteligencia financiera
• Parte de la información crítica que a menudo se necesita no reside en el almacén de datos
• No hay registro de auditoría
• No hay control ni curación de los datos.
• Diferentes usuarios pueden producir diferentes resultados.

4 – Utiliza una Plataforma de Gestión Financiera con Análisis Incluido

Una opción más nueva para abordar esta necesidad es utilizar una plataforma financiera inteligente que tenga capacidad de análisis financiero integrada, como OneStream. En lugar de extraer datos de un sistema de presupuesto, un sistema de consolidación, un sistema de conciliación de cuentas, un sistema de gestión de documentos, un sistema de informes y un sistema de flujo de trabajo, todo esto se hace en una sola plataforma. Varias agencias con visión de futuro están utilizando actualmente esta nueva tecnología o están en proceso de implementarla. Pero la mayoría de las agencias todavía tienen múltiples sistemas en silos para administrar estas diversas funciones, ya que esta era la única tecnología disponible hasta hace relativamente poco tiempo.

Estos sistemas más antiguos eran de última generación cuando se implementaron hace 15 o 20 años. La tecnología más nueva administra estas funciones en una sola plataforma con toda la capacidad analítica que reside en la misma plataforma. Esto permite a un usuario profundizar y analizar un elemento de datos desde cualquier parte del sistema con auditoría y control de datos completos. Esto podría ser una pantalla de entrada de datos de formulación de presupuesto, un panel de KPI, una conciliación CARS o una sección de un CBJ o AFR. Cuando un usuario ve un número y tiene una pregunta con respecto a ese número o la visibilidad de quién realizó algún cambio, puede obtener la "historia de fondo" desde cualquier lugar del proceso en tiempo real. Esto es posible ya que toda la funcionalidad está contenida en una única plataforma.

Pros:

• Toda la información está disponible bajo demanda
• La información está disponible en tiempo real, no se requiere tiempo de respuesta
• No hay confianza en los demás.
• No se requieren habilidades analíticas especiales
• No se requiere un almacén de datos
• No se requieren herramientas de terceros
• Todos los que acceden a la información ven los mismos resultados.
• Ahorros significativos de tiempo y aumentos de productividad
• Mejoras significativas en la precisión y la integridad de los datos

Contras:

• La mayoría de agencias actualmente no cuentan con este tipo de plataforma (OneStream)
• Se requiere la implementación del nuevo sistema.
• Se requiere apoyo de nivel ejecutivo para pasar a un sistema moderno
• Retroceso inicial debido al costo (aunque generalmente genera ahorros una vez que se retiran los sistemas antiguos)
• Necesidad de superar la resistencia general al cambio.

Esperamos que esta sea una descripción general útil de algunas de las formas más comunes de obtener los detalles subyacentes de sus números. Todos tienen su lugar y sus pros y sus contras. Y cada agencia tiene que decidir qué funciona mejor para comprender la "historia de fondo" de sus números.

Para saber más visita el Sitio web Onestream.

La pandemia mundial de 2020 ha reavivado la necesidad de aplicaciones ágiles de gestión del rendimiento empresarial (EPM) y herramientas analíticas que permitan a los equipos financieros liderar a gran velocidad. ¿Por qué? Porque estas herramientas son esenciales para permitir que las organizaciones tengan una visibilidad clara y una visión clara de los impulsores y tendencias comerciales clave para informes, análisis y planificación más ágiles.

Este tema fue el foco de un seminario web reciente patrocinado por OneStream titulado, “Navegando por la nueva normalidad con Agile Performance Management and Analytics.” El orador destacado fue Chandana Gopal, Director de Investigación enfocado en Analítica y Gestión de la Información en International Data Corporation (IDC). Durante el seminario web, Chandana compartió la investigación de mercado de IDC sobre los impulsores clave del mercado, los desafíos y beneficios de implementar EPM y software analítico y las lecciones aprendidas de implementaciones exitosas.

El seminario web también incluyó una entrevista con Alex Lee, Director sénior de FP&A en fibrógeno donde compartió cómo la empresa implementó OneStream para respaldar una planificación y generación de informes más ágiles. Siga leyendo para escuchar los aspectos más destacados del evento o vea la repetición completa del seminario web para conocer los detalles.

Navegando por la nueva normalidad

La Sra. Gopal abrió el evento con una visión de lo que nos sucedió a todos en 2020. “En esencia, ocurrieron 2 años de cambio en muy poco tiempo, donde la transformación digital se aceleró en muchas organizaciones debido a la interrupción causada por la pandemia. . El trabajo remoto se apoyó rápidamente a escala y las organizaciones se adaptaron rápidamente a los nuevos modelos comerciales”.

La Sra. Gopal también destacó que, si bien muchas organizaciones demostraron "resiliencia comercial" al responder rápidamente a la interrupción, la el enfoque ahora debe estar en crear "resiliencia digital" que permitirá a las organizaciones adaptarse rápidamente a futuras interrupcionesy capitalizar las nuevas condiciones. Luego destacó varios ejemplos de industrias que tuvieron que adaptarse rápidamente, incluida la atención médica (visitas de telesalud) y la industria del entretenimiento (nuevos modelos de distribución).

Según la investigación de IDC, las principales áreas de inversión en los últimos 12 meses han incluido automatización de procesos, seguridad, infraestructura digital/nube, colaboración y herramientas de conectividad. Como parte de esto, las inversiones en tecnología de gestión del rendimiento empresarial (EPM) también se aceleraron durante la pandemia y están demostrando ser fundamentales para ayudar a las organizaciones a pasar de la crisis a la recuperación (consulte la figura 1 a continuación).

Esto incluye: asegurando la continuidad del negocio en las primeras etapas de la pandemia, ayudando a controlar los costos, realizando el modelado de escenarios y la planificación de contingencias, luego evaluación de inversiones específicas a medida que comienza la recuperación, y finalmente planificación estratégica a medida que la economía mundial vuelve a la normalidad.

Según la investigación de IDC, Las organizaciones que son "líderes de datos" estaban más preparadas para navegar la interrupción causada por la pandemia.  Los beneficios clave citados por los usuarios de las soluciones de EPM incluyen mejores informes de gestión, mejor visibilidad de los procesos financieros, pronósticos más precisos, mejores eficiencias en los procesos de EPM y otros (consulte la figura 2 a continuación).

Al mismo tiempo, los compradores y usuarios de soluciones EPM destacó algunos de los desafíos que han enfrentado en el despliegue de estos sistemas. Éstas incluyen dependencia de TI para soportar algún software de EPM, inflexibilidad con laplicaciones de egcy y altos costos de propiedad, falta de capacitación adecuada y, como resultado, una baja adopción por parte de los usuarios. En la investigación de IDC se encontró que dado que la función financiera financia el 80 % de las inversiones de EPM, quieren tener poderes administrativos del software de EPM y no depender de TI para administrar estos sistemas.

Entonces, ¿qué lecciones han aprendido los compradores al implementar soluciones de EPM? Quienes respondieron la encuesta de IDC recomendaron lo siguiente:

• Pasar el tiempo comprender realmente los datos y la granularidad que necesita en la aplicación EPM.
• Seleccione socio de implementación que tiene experiencia con empresas de su tamaño y preferiblemente su industria.
• Seleccione una proveedor que tiene el tamaño adecuado para usted hoy y puede satisfacer sus necesidades durante los próximos 3-5 años y tiene referencias en su grupo de pares.

Las recomendaciones finales de la Sra. Gopal incluyeron que las empresas que estén considerando soluciones de EPM deberían Piensa en grande pero comienza en pequeño.  “No intentes hervir el océano, concéntrate en un proyecto que pueda ofrecer un retorno de la inversión y un valor rápidos.  cometer el recursos internos y externos correctos al proyecto Y plan para el futuro – asegúrese de que la solución que está seleccionando pueda satisfacer sus necesidades ahora y dentro de 3 a 5 años en el futuro”.

Mejora de la agilidad en la elaboración de informes y la planificación en Fibrogen

Después de una breve descripción de Plataforma de Finanzas Inteligentes de OneStream y cómo ayudamos a las organizaciones a conquistar la complejidad y liderar a la velocidad, le di la bienvenida a Alex Lee a la conversación para hablar sobre cómo Fibrogen ha aprovechado la plataforma.  fibrógeno es una compañía biofarmacéutica líder basada en la ciencia que descubre y desarrolla una cartera de productos terapéuticos de primera clase.

Como resultado de la transición de una empresa de desarrollo de fármacos a un negocio comercial multicanal global, el equipo de Fibrogen requería una mejor visibilidad de los datos y mejores herramientas para los científicos y los usuarios de la línea de negocio. Esto incluye lo siguiente:

• Necesidad de agilidad en un negocio que cambia rápidamente.
• La capacidad de planificar los ingresos por canal en diferentes niveles de detalle.
• Los usuarios finales necesitan un mejor acceso a los datos.
• Plataforma necesaria para permitir a los científicos ingresar datos y ver resultados rápidamente.
• Planificación integrada de personas.
• Apoyo a la planificación basada en actividades.

Fibrogen seleccionó e implementó OneStream para reemplazar Excel y sus herramientas presupuestarias heredadas y alinear procesos financieros clave que incluyen:  Cierre financiero y consolidación, Planificación y previsión , Informes financieros y Aprovisionamiento de impuestos.

En un proyecto inicial de 4 meses, Fibrogen implementó OneStream para planificación de ingresos por canal, gastos operativos a nivel de actividad, planificación de CapEx, planificación de personas, asignación de proyectos FTE y planificación de viajes.  Según la Sra. Lee, “El proyecto OneStream superó todas las expectativas. ¡Es un sueño hecho realidad!" Como resultado, Fibrogen ha ganado agilidad con un plan integrado que alinea el desarrollo de fármacos para financiar el rendimiento y los requisitos de efectivo al tiempo que permite el liderazgo con una visión unificada de la empresa en tiempo real.

Más información

Si bien ahora parece estar en el horizonte un regreso a la normalidad, a medida que se implementen las vacunas y la pandemia disminuya, seguramente habrá otras perturbaciones económicas en el futuro. Para sobrevivir y prosperar a través de la volatilidad económica, las organizaciones necesitan contar con procesos y sistemas ágiles que les permitan adaptarse rápidamente y minimizar el impacto.

Las modernas tecnologías analíticas y de gestión del rendimiento de hoy en día están demostrando ser invaluables para navegar por la nueva normalidad con la agilidad requerida. Aprender más, ver la repetición del seminario web y comuníquese con OneStream si su organización necesita ayuda para superar la complejidad para que pueda liderar rápidamente.