Cambiar comportamientos arraigados es uno de los trabajos más difíciles para los líderes. ¿Y qué hay de tratar de traer tecnologías innovadoras y enfoques novedosos para realizar tareas vinculadas a esos comportamientos arraigados? Bueno, eso es muy parecido a sacar dientes. Pero esos cambios valen la pena, porque posicionan a la organización para alcanzar niveles más altos de valor.

Esta publicación de blog presenta aprendizaje automático para la planificación de la demanda al observar cómo la seguridad del automóvil se relaciona con la planificación de la demanda y explorar los obstáculos que las organizaciones pueden experimentar con la adopción y cómo superarlos.

Cómo se relaciona la seguridad del automóvil con la planificación de la demanda

Al pensar en la seguridad del automóvil, la mayoría de las personas probablemente imaginan una o más de las siguientes imágenes:

Lo primero que viene a la mente es Volvo. Y, de hecho, Volvo presionó para estandarizar la Cinturón de seguridad de 3 puntos en la industria automovilística, por lo que la empresa puede enorgullecerse de haber salvado millones de vidas [ 1 ] desde la década de 1970. Pero la adopción no fue fácil. ¿Por qué no? Bueno, es sencillo. Los cinturones de seguridad supusieron un cambio radical en los hábitos de las personas con un dilema difícil: perder comodidad por seguridad ante un supuesto accidente improbable [ 2 ]. El uso de cinturones de seguridad significó un cambio de paradigma conductual tanto para los conductores como para los pasajeros que aún hoy enfrenta la resistencia de algunos automovilistas. Y para hacer posible un verdadero cambio en toda la industria, Volvo tuvo que abrir la patente de los cinturones de seguridad a los competidores para acelerar la adopción.

De manera similar, al igual que los conductores y pasajeros con la introducción del cinturón de seguridad, los planificadores de la demanda están pasando por un cambio de paradigma conductual con la introducción del aprendizaje automático (ML). ¿Por qué? ¡Porque los viejos hábitos son difíciles de morir! Sumerjámonos en ello.

El trabajo de planificación de la demanda suele ser una actividad manual basada en una línea de base generada por el sistema de baja precisión. Para obtener la precisión correcta, varias entradas de fuentes externas e internas enriquecen y ajustan esta línea de base varias veces. Las disputas de hojas de cálculo, la reconciliación y el error son consecuencias inevitables de este enfoque. Sin embargo, muchos planificadores lo prefieren. ¿Por qué? Porque se sienten cómodos con él. Eso también significa que se abstienen de aprender nuevas tecnologías y métodos a pesar de, como es el caso de ML, los beneficios que cambian el juego. El uso del aprendizaje automático para la planificación de la demanda mejora drásticamente la precisión y aumenta exponencialmente la cantidad de pronósticos ejecutados.

Afortunadamente, no todas las organizaciones se resisten a cambiar el status quo. Algunas empresas son pioneras en la adopción del aprendizaje automático para mejorar la precisión de los pronósticos en la planificación de la demanda. Una de esas empresas es Autoliv, un proveedor automotriz de nivel 1 de componentes de seguridad para los principales fabricantes de automóviles del mundo.

Una mejor planificación de la demanda impulsa la rentabilidad

Las relaciones con los proveedores en la industria automotriz se basan en un sistema de extracción que brinda a los fabricantes de automóviles una fuerte influencia en la fijación de precios. En consecuencia, los márgenes pueden ser muy reducidos para los proveedores y el riesgo de caer en pérdidas es alto. Este axioma también es válido en otras industrias, incluido el transporte, el comercio minorista, el comercio mayorista, los productos de consumo y más.

Si bien los márgenes se pueden mejorar de muchas maneras, se necesita un enfoque sólido para comprender mejor y planificar la demanda de manera efectiva. ¿Por qué? Porque una organización que aprecia los impulsores comerciales que dan forma a la demanda futura puede dibujar mejor las proyecciones de ventas. Además, la organización puede ajustar mejor los niveles de inventario, evitando desabastecimientos e incumplimientos de los niveles de servicio.

Autoliv ofrece un buen ejemplo del mundo real de cómo poner en práctica este sólido enfoque. ¿Cómo? La empresa se embarcó con éxito en un viaje de transformación para tener una visión única de la rentabilidad en Ventas, la Cadena de Valor y Finanzas. Autoliv también sabe que, en la industria automotriz, comprender la demanda es clave para proteger y aumentar los márgenes de beneficio. En consecuencia, la compañía está explorando el uso de Sensible Machine Learning para mejorar la planificación de la demanda. Puedes leer el caso de éxito de Autoliv esta página.

Esquivando obstáculos en el camino

Muchas organizaciones utilizan la inteligencia artificial (AI) o el aprendizaje automático (ML) en el negocio de una forma u otra. Uno de los enfoques más utilizados es construir un lago de datos y aplicar algoritmos de ML. Sin embargo, este enfoque no siempre funciona bien para planificar casos de uso. Cuando se trata de ML para la planificación de la demanda, las organizaciones pueden encontrar los siguientes desafíos que dificultan la adopción:

1. Alta complejidad, baja generalización.. Muchas aplicaciones especialmente diseñadas en el mercado son complejas. A menudo requieren habilidades de programación adicionales y la transferencia de datos confidenciales fuera del módulo. Por el contrario, las aplicaciones internas están altamente personalizadas para atender solo un caso de uso específico. Como resultado, cuando las condiciones comerciales cambian (¡y cambian mucho!), las aplicaciones internas deben reprogramarse.
2. Falta de talento, falta de enfoque.. Los científicos de datos tienen uno de los conjuntos de habilidades más buscados en el mercado laboral, en cualquier industria. Por lo tanto, no solo son perfiles costosos, sino también difíciles de encontrar y retener. A menudo, los científicos de datos residentes trabajan en una amplia variedad de casos de uso. El problema con tales puestos es que los científicos de datos carecen del contexto comercial necesario para crear soluciones, sin la tediosa interacción con los roles funcionales.
3. El recuadro negro efecto. Los planificadores de demanda a menudo perciben las soluciones de planificación de ML como una caja negra. Los planificadores obtienen los resultados del algoritmo, pero saben poco sobre cómo la solución maneja los datos; perciben una falta de transparencia que, en última instancia, disminuye la confianza en los resultados.

Sin mencionar que la resistencia al cambio puede ser alta, y solo El 13% de los proyectos de ML estándar llegan a producción. ¿Cuál es el punto de producir un pronóstico de ML que nadie usa? [ 3 ] Por suerte, Hay una manera para hacer frente a los obstáculos en el camino.

Manteniendo los ojos en el camino

Tener claros los beneficios esperados desde el principio es clave cuando se considera el aprendizaje automático para la planificación de la demanda. ¿Necesita subrayar nuevos patrones? ¿Debe abordar la variabilidad? ¿Puede producir un gran volumen de pronósticos a gran velocidad? La última prueba de fuego es que la solución ofrece una mayor precisión en los pronósticos y los planificadores confían en ella.

Muchas organizaciones tienen una gran cantidad de datos, pero están guardados en diferentes sistemas y bases de datos. Cuando se dedica mucho esfuerzo a preparar los datos para el motor de ML, las organizaciones pueden perder de vista lo que es importante. Por lo tanto, una solución que pueda ingerir volúmenes y conjuntos de datos dispares es clave para los casos de uso de planificación de la demanda. Por esa razón, se deben considerar los siguientes atributos clave al buscar una solución de ML para la planificación de la demanda:

• Configuración automatizada. Calidad de datos, la ingesta y la preparación deben ser fáciles, por lo que las laboriosas tareas realizadas por los científicos de datos se reducen o eliminan.
• Sensible a las tendencias del mercado. La solución debe poder ajustarse rápidamente a las señales de oferta y demanda.
• Mayor precisión. La implementación piloto inicial de Sensible ML para Autoliv mejoró la precisión del pronóstico en un 7 % en comparación con los pronósticos ajustados manualmente por los controladores.
• Adopción del usuario. Los usuarios obtienen total transparencia sobre cómo la solución produce los resultados y pueden utilizar estos resultados rápidamente para realizar análisis y obtener información.
• Sensible a las tendencias del mercado. La solución tuvo que ajustarse rápidamente a las señales de oferta y demanda.
• Escalabilidad. La solución puede producir cientos, si no miles, de pronósticos con rapidez y a una fracción del costo, lo que aumenta las capacidades de los controladores.

Más allá de considerar la necesidad de los atributos anteriores, las organizaciones también deben mantenerse enfocadas en los resultados comerciales que esperan.

No es el destino sino el viaje

Cuando una organización tiene claridad sobre los resultados comerciales, ML y otras tecnologías se convierten en un habilitador para lograr esos resultados. Esta claridad en los objetivos ayuda a las organizaciones a decidir entre soluciones de aprendizaje automático costosas y prolongadas y soluciones de planificación líderes en el mercado con servicios de aprendizaje automático integrados. Este último ayudará a romper con los viejos hábitos, permitirá la adopción en toda la empresa y acelerará el tiempo de creación de valor.

Más información

¿Listo para descubrir cómo romper con los viejos hábitos de planificación bajo demanda?

Descubra Sensible ML para la planificación de la demanda de OneStream, la única solución que ayuda a los planificadores de la demanda y los equipos financieros a adoptar el aprendizaje automático con confianza y total transparencia en los datos y los resultados.

Descargar la Solución

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

Los líderes financieros están transformando la función financiera y ampliando el valor que ofrecen a sus organizaciones aprovechando las capacidades convergentes de la tecnología digital para aprovechar el análisis predictivo. Estas capacidades tecnológicas brindan un nuevo acceso a múltiples fuentes de la gran cantidad de datos dentro de las organizaciones, fomentan la capacidad de interpretar esos datos y brindan herramientas que hacen avanzar la transformación financiera.

Al aprovechar estas tecnologías, los líderes de Finanzas están ampliando su esfera de influencia con Ventas, Recursos Humanos y Cadena de suministro. También están fortaleciendo las asociaciones comerciales y la confianza al mismo tiempo que brindan conocimientos operativos profundos y orientación para sus organizaciones. ¿Cómo? Hablando en el idioma del negocio y analizando los impulsores comerciales clave, como la fijación de precios y el abastecimiento, que impulsan el margen de ganancias y el flujo de efectivo.

Muchos líderes financieros navegan con éxito parte de este viaje de Transformación financiera con tres pasos que les permiten emplear análisis predictivos para brindar orientación tanto estratégica como operativa:

1.     Integre datos financieros y operativos
2.    Alinee el análisis predictivo directamente con la clave planificar en costes
3.    Dé rienda suelta al acceso analítico predictivo en toda la organización

Examinemos estos pasos con un poco más de detalle para ver qué es necesario para garantizar el éxito.

Paso 1: Integrar datos financieros y operativos

Para proporcionar información procesable, los líderes financieros deben tener acceso a los datos operativos. Además, deben tener la capacidad de examinar los datos operativos junto con los datos financieros y dentro del contexto de estos (consulte la Figura 1). Las organizaciones sofisticadas generan grandes cantidades de datos, por lo que tanto los líderes de finanzas como de unidades de negocios requieren tecnologías digitales que brinden acceso a estas diversas fuentes de datos. Para una toma de decisiones efectiva, este acceso debe ser eficiente.

Por lo tanto, el acceso no debe requerir que los miembros del equipo pierdan un tiempo valioso moviendo y administrando datos. Además, el acceso debe ser oportuno para que la información actualizada esté fácilmente disponible para decisiones comerciales operativas que tienen un impacto antes de fin de mes.

Las organizaciones que no logran alinear los planes financieros con los planes operativos granulares finalmente tendrán problemas con la precisión de los pronósticos, porque operan en silos. Financieramente, el impacto de eso puede tomar muchas formas e impactar tanto en las ganancias como en la generación de efectivo. Estos son solo algunos ejemplos de impactos:

• Inventario excesivo de la previsión excesiva, que afecta el costo de administrar el inventario (por ejemplo, los costos de mantenimiento de inventario) y el capital de trabajo.
• Pérdida de ventas e ingresos. de la previsión insuficiente. Para satisfacer la demanda de los clientes, los productos deben estar en el lugar correcto en el momento correcto.
• Lucro cesante de envíos urgentes y de previsión insuficiente. Para satisfacer la demanda de los clientes, las empresas pueden acelerar los envíos de productos a un costo más alto de lo planeado.

Paso 2: alinee el análisis predictivo directamente con los procesos de planificación

Independientemente de dónde se encuentre Office of Finance en su proceso de Transformación financiera, el análisis predictivo puede ayudar a centrarse en colaborar con socios comerciales, encontrar nuevas formas de preguntar "por qué" e impulsar el rendimiento. Estos son solo algunos de los principales casos de uso para organizaciones que están pensando en agregar análisis predictivos y aprendizaje automático (ML) a sus procesos de planificación financiera y operativa:

• Ayudar con la fijacion de objetivos para la planificación estratégica, los planes operativos anuales y la previsión móvil
• Crear base escenarios de pronóstico predictivo para compararlos con pronósticos ascendentes de socios financieros u operativos divisionales
• Sembrar automáticamente la totalidad o parte de los nuevos pronósticos con modelos predictivos
• definir los benchmarks y KPIs para la estrategia de crecimiento en Paid Media en TikTok. pronósticos predictivos de referencia con cambios comerciales conocidos, como nuevos clientes o productos, cierres de plantas, adquisiciones, etc.

El acceso a los datos sin procesar no tiene sentido en última instancia sin la capacidad de interpretar esos datos. Finanzas se queda notablemente rezagada con respecto a otras funciones en la adopción de análisis avanzados, según la Encuesta de mercado de ML y ciencia de datos Wisdom of Crowds® 2020 de Dresner Advisory (consulte la Figura 2). Pero las soluciones modernas de gestión del rendimiento corporativo (CPM) ofrecen capacidades que pueden empoderar a los líderes de unidades de negocio y finanzas con herramientas de autoservicio para la previsión analítica predictiva. Con la capacidad de aplicar modelos de pronóstico predictivo a los datos, los equipos financieros pueden aprovechar la gran cantidad de datos de sus organizaciones para guiar la toma de decisiones críticas, y hacerlo a la velocidad del negocio.

Paso 3: implementar análisis predictivos en toda la organización

Con potentes modelos predictivos al alcance de la mano, los equipos financieros pueden aprovechar las capacidades de visualización para colaborar con los socios comerciales. ¿Cómo? Al crear y distribuir tableros con tablas, gráficos e informes fáciles de usar que dan vida a los datos de pronóstico.

Las visualizaciones sofisticadas y modernas también brindan acceso interactivo, lo que permite a los usuarios cambiar las variables para ver los resultados en tiempo real de esas actualizaciones de modelos, planes y pronósticos. Estas visualizaciones y tableros brindan a los líderes de toda la organización no solo la capacidad de acceder a los datos, sino también la capacidad de interpretar esos datos, lo que ayuda a guiar las decisiones críticas e informa los planes organizacionales.

Libere las finanzas con el análisis predictivo incorporado

De OneStream Plataforma de Finanzas Inteligentes empodera a los equipos de finanzas para que lideren rápidamente al unificar el análisis predictivo con los procesos centrales de CPM, como la planificación, la elaboración de presupuestos y la previsión; consolidación financiera; informes; y la calidad de los datos financieros. Y con el análisis predictivo incorporado (consulte la Figura 3), OneStream™ está desencadenando la transformación financiera para llevar los procesos de elaboración de presupuestos, planificación y previsión aún más lejos, lo que permite a los equipos planificar, analizar y predecir con confianza.

Planifique, analice y prediga con confianza

De OneStream Solución de análisis predictivo 123, que se puede descargar desde OneStream MarketPlace ™, automáticamente pasa por varios algoritmos predictivos para determinar el tipo de pronóstico más preciso. Luego, los resultados se muestran gráficamente y se implementan en todos los aspectos del presupuesto, planificar y procesos de previsión.

Finalmente, con OneStream's informes y visualizacionesLos usuarios de finanzas y negocios pueden reunir métricas financieras y operativas clave mediante la combinación de tablas, cuadros, gráficos y otras visualizaciones. Los usuarios no solo pueden convertir los conocimientos en acción con la capacidad de ver los resultados en tiempo real de los cambios en los modelos, planes y pronósticos, sino también compartir conocimientos y colaborar en análisis críticos y toma de decisiones. Con la integración directa a las fuentes de datos, los usuarios pueden profundizar en las causas subyacentes, hasta los detalles transaccionales, para comprender rápidamente las tendencias comerciales.

Más información

Para obtener más información sobre cómo aprovechar el análisis predictivo para la elaboración de presupuestos, la planificación y la previsión, consulte nuestro resumen de la solución interactiva, “Liderando a la velocidad con análisis predictivo 123”.

Bueno, 2020 fue un año que todos no olvidaremos pronto. Si bien fue un año de disrupción para muchos, los equipos de ingeniería de OneStream estaban ocupados entregando un flujo constante de innovaciones a las soluciones de la plataforma OneStream y MarketPlace. Aquí hay un resumen rápido de las nuevas capacidades que se entregaron en 2020 y cómo están ayudando a nuestros clientes a conquistar nuevos desafíos y liderar sus organizaciones a la velocidad de los negocios.

(Más…)

Como el asesor estratégico "ir a" para las líneas de negocio y las funciones clave, los equipos de Planificación y análisis financiero (FP&A) son una opción natural para liderar el proceso de planificación a largo plazo. ¿Por qué? En pocas palabras, ningún otro equipo, con la excepción del CFO y el CEO, tiene el punto de vista y la capacidad para comprender cómo las métricas y los planes operativos detallados impactan en los planes y pronósticos financieros.

Como modelo estratégico para el crecimiento organizacional, la planificación a largo plazo ayuda a priorizar iniciativas estratégicas como actividades de fusiones y adquisiciones, inversiones en nuevos productos, optimización de la fabricación y obtención de capital, todo lo cual es vital para lograr los objetivos financieros.

(Más…)

Ya sea la pandemia mundial, las guerras comerciales entre EE. UU. y China, el Brexit o las elecciones presidenciales de EE. UU. de 2020, los equipos financieros son muy conscientes de lo que muchos expertos odian admitir; incertidumbre IS el nuevo normal. Y aunque COVID-19 es un evento de cisne negro, navegar a través de la incertidumbre no es nada nuevo para los líderes financieros. Navegar por la incertidumbre es la razón por la que la planificación a largo plazo y la previsión móvil son tan vitales. Pero no solo para pronosticar los números. La planificación a largo plazo y los pronósticos continuos ayudan a facilitar la colaboración en toda la organización y aumentan la agilidad empresarial. ¿Cómo? Compartiendo conocimientos e intercambiando ideas entre funciones sobre riesgos y oportunidades comerciales. Y, por supuesto, aprovechándolos para tomar decisiones más efectivas. ¿Sabes en qué más están de acuerdo los líderes de finanzas corporativas?

Que el análisis predictivo y el aprendizaje automático (ML) pueden llevar esto al siguiente nivel.

(Más…)

Si bien los equipos de FP&A a menudo sirven como "guardianes" de los planes financieros de toda la organización, muchos equipos de finanzas luchan por transformar procesos clave como la elaboración de presupuestos, la planificación y la previsión. ¿Porqué es eso?

Una razón clave es que los equipos de FP&A tienen más por venir que nunca. Ellos, por supuesto, tienen responsabilidades básicas como la elaboración de presupuestos, informes de gestión y planificación estratégica. Aquellos en las apuestas de la mesa. Sin embargo, más allá de lo básico, el libro de jugadas de FP&A está abierto de par en par.

(Más…)

Para muchos equipos de FP&A, no hay nada más emocionante que saltar a las trincheras con socios comerciales. ¿Por qué? Bueno, al igual que nuestros amigos de Ventas, Marketing y Operaciones, a la gente de FP&A también le encanta la acción. Algunos disfrutan ayudando a impulsar iniciativas estratégicas como innovaciones de nuevos productos, adquisiciones y evaluación de decisiones de inversión de capital. A otras personas de FP&A les gustan los procesos de elaboración de presupuestos, planificación y previsión que transforman los objetivos generales en planes tácticos.

¿Cuál es el hilo común? En resumen, la mayoría de los equipos de FP&A no quieren nada más que ayudar a brindar valor a sus organizaciones. Y para ayudarlos a llegar allí, muchos equipos de FP&A aprovecharían la oportunidad de aprovechar el análisis predictivo para ayudar a sus socios comerciales a mejorar la toma de decisiones.

(Más…)

Con todo el alboroto en la industria de la tecnología de la información en torno a la inteligencia artificial (AI) y el aprendizaje automático (ML), uno pensaría que todas las organizaciones estaban usando estas herramientas o planificando cómo las van a usar. Después de todo, la promesa es que AI y ML ayudarán a las organizaciones a aprovechar los volúmenes cada vez mayores de datos que se generan mediante la automatización y el aumento de los procesos analíticos humanos y la toma de decisiones.

(Más…)

¿Trabaja con un equipo de análisis y planificación financiera (FP&A)? Si es así, sabrá que hay emoción en el aire. ¿Por qué? Primero, porque no hay otro grupo dentro de una organización (aparte del CFO y el CEO) con una visión de las operaciones y las finanzas como FP&A. A continuación, a medida que los CFO continúan liberando el verdadero valor de las finanzas, los grupos de FP&A están destinados a expandir sus roles como asesores de confianza para los socios comerciales. Y no olvide que los equipos de FP&A desempeñan un papel fundamental en el impulso de la innovación para la Oficina de Finanzas.

(Más…)