Predictive Business Analytics

Plaats uw business analytics team in direct contact met de afdeling die het beste zicht heeft op de meest relevante, invloedrijke en onafhankelijke variabelen, zo adviseert specialist Gary Cokins.

 img

De meest recente Controllersdag van het Belgian Institute of Management Accountants and Controllers (BIMAC) had als onderwerp ‘Forecasting’.

Gary Cokins, een internationaal erkend expert, trad toen op als een van de keynote speakers. Voor een groot publiek bracht hij zijn visie over enterprise en corporate performance-management (EPM/CPM), statistische forecasting, business analytics en de noodzakelijke voorspellende rol van de CFO.

 

Onafhankelijke variabelen

De auteur van het recente boek Predictive Business Analytics wijst op een aantal voordelen, en het meest voor de hand liggende is wel het optimaliseren van de aangeboden productmix en van de organisatie. “Hieraan gekoppeld is het dan vaak de bedoeling om de winst te maximaliseren, rekening houdend met het grote aantal gerelateerde interacties. In onze huidige competitieve markt kan elk bedrijf een voordeel halen uit betere prognoses”, aldus Gary Cokins.

Specifiek voor forecasting wijst Gary Cokins erop dat elk bedrijf eerst de meest relevante en onafhankelijke variabelen moet bepalen. Vaak is dat de vraag van klanten, op basis van volume, prijs en kwaliteit. Bedrijven moeten dus de geschiedenis van hun vraag, aanbod en alle daaraan verbonden kosten en relaties meten en registreren. Met die onafhankelijke variabelen krijgen bedrijven een basis om dat verder te vertalen naar de benodigde productiecapaciteit en mogelijke hendels, de zogenaamde afhankelijke variabelen. “De beste positie van de verantwoordelijke voor het voorspellen ligt volgens mij zo dicht mogelijk bij de klanten en prospecten”, zegt Gary Cokins. Dat betreft meestal de marketing- en salesmedewerkers.

Focus op waarde

Bij big data gaat het dus altijd om een enorme hoeveelheid ruwe brongegevens, die doorgaans worden verzameld op transactieniveau. In dat verband heeft men het meestal over de vier V’s: volume, velocity, variety & value. Gary Cokins: “Globalisering heeft de eerste drie V’s volatiel gemaakt en eenvoudig te kopiëren door concurrenten. Speciale businessmodellen of specifieke organisatiestrategieën zijn tegenwoordig geen waarborg meer voor het verkrijgen of behouden van een concurrentievoordeel.”

“Bedrijven moeten zich bij big data dus richten op de laatste V: het extraheren van meer waarde (value) uit hun enorme stapel van gegevens, en die omzetten in bruikbare en betrouwbare informatie.” Ze moeten eerst alle ‘ruis’ en ‘storingen’ verwijderen. Enkel de overblijvende kern is dan verder bruikbaar in forecastingprocessen en -modellen. “We moeten de toenemende kloof tussen big data en big value overbruggen”, concludeert Gary Cokins.

Nauwkeurige voorspellingen

De nauwkeurigheid van om het even welke prognose daalt onmiddellijk na de projectie ervan, omdat de werkelijke resultaten snel zullen afwijken van de berekende schattingen. Daarom is het beter om vaker een prognose te projecteren, met kortere tussenpozen (bijvoorbeeld van elk kwartaal naar maandelijks of zelfs wekelijks). De forecastinginformatie die daaruit voortvloeit, zal een pak betrouwbaarder zijn. Frequent verfriste prognoses zorgen immers voor een snellere opname van de nieuwste realisaties binnen de eerstvolgende prognose-iteratie. Om dat te kunnen realiseren moeten bedrijven wel een robuust en geïntegreerd softwaresysteem gebruiken, aldus Gary Cokins.

Gary Cokins stelt dat we hier gewoon aan de slag moeten met klassieke statistische technieken en begrippen, zoals lijnregressie, correlatie, clustering en trendanalyse. Kortom, de transformatie van brongegevens in bruikbare informatie voor analyses van ‘what if’-scenario’s. Voor de nauwkeurigheid van de prognoses geldt: hoe meer brongegevens, hetzij in volume, frequentie of beide, hoe beter de uiteindelijke prognoses.

Forecasting, does it matter?

In principe zijn er momenteel ruwweg drie forecastingmanieren. De eerste en vaakst gebruikte is de enige beste gok of ‘single point’-schatting. Voor een verwachte toekomstige waarde berekenen we welgeteld één verwachte waarde. Die ‘single point’-schattingen worden vervolgens gebruikt en samengevoegd in het forecastingproces.

De tweede manier voegt daar probabiliteiten aan toe, vaak door middel van een worstcase-, basislijn- en bestcase-scenario. Elke ‘single point’-schatting wordt nu herberekend naar een reeks van mogelijke discrete uitkomsten. Sommige bedrijven zullen bovendien de gevoeligheid van de variabelen testen, door ze afzonderlijk of tegelijkertijd te verhogen of te verlagen.

De derde forecastingmanier wordt gebruikt door de meest geavanceerde organisaties: de uitbreiding van dat beperkte aantal scenario’s naar een volledig scala van mogelijkheden. Zij schatten de waarschijnlijkheidsverdeling van elke afzonderlijke variabele en evolueren van de drie ‘single point’-schattingen naar een verdelingscurve van tientallen, honderden of zelfs duizenden resultaten. De variabelen worden opgevat als drivers van de resultaten, waarbij het ​​niveau van elke variabele proactief kan worden beheerd op basis van de voorziene gebeurtenis. De breedte en de granulariteit van de distributiecurve nemen toe naarmate de probabiliteit voor elke variabele wordt gesegmenteerd of het aantal variabelen stijgt.

De toekomst van het voorspellen?

Potentieel een machtig instrument dus, maar forecasting als zodanig genereert geen concurrentievoordeel, zo relativeert Gary Cokins. Ten eerste moeten werknemers vaardigheden en competenties ontwikkelen bij de toepassing van business analytics. Vervolgens zijn geldige procedures en effectieve commerciële softwaretools een conditio sine qua non. Ten slotte moet de onderneming een omgeving definiëren die handelen op forecastingresultaten mogelijk maakt en tolereert. “Forecasting is slechts een onderdeel van business analytics, naast het segmenteren of analyseren van historische gegevens.”

Maar Cokins ziet een mooie toekomst voor prognoses, op twee gerelateerde manieren: “Ten eerste zullen de prognoses steeds nauwkeuriger worden door verdere automatisering, inclusief de verwerking van meer gegevens. Het verkrijgen van realtime-resultaten is nog wat te vroeg op dit moment, maar we komen wel steeds dichter bij het ​​verkrijgen en analyseren van gegevens dag + 1-operaties. Ten tweede – en nog belangrijker – is het toenemende zelflerende en zelfcorrigerende vermogen van de algoritmes en forecastingmethodes van softwaretools. Simulatie en ‘what if’-scenario’s worden stilaan standaard aangeboden als functionaliteiten: wat was de kwaliteit van mijn laatste prognose? En waarom? Wat als …? Zelflerende algoritmes analyseren vroegere prognoses en simuleren hoe andere modellen het gedaan zouden hebben. Als de nauwkeurigheid van een superieur model wordt gevonden, dan stapt de software daar automatisch naar over. Zie het als een systeem voor spraakherkenning”, aldus Gary Cokins. “Na een paar pogingen zal het systeem je accent, uitspraak en verwoording begrijpen, en zich dus automatisch aanpassen voor alle toekomstige gevallen.”

Gary Cokins is een expert op het vlak van performance-management en geavanceerde costmanagementsystemen. Hij begon zijn carrière als financial controller bij het chemiebedrijf FMC. Nadien werkte hij vijftien jaar als consultant voor Deloitte, KPMG en EDS. Van 1997 tot 2012 was hij principal consultant bij SAS. Zijn laatste boek met coauteur Lawrence S. Maisel verscheen in 2014, met als titel Predictive Business Analytics: Forward-Looking Capabilities to Improve Business Performance.

Advertisements

“Mooi weer, mooie cijfers” bij Orangina Schweppes Belgium

bouteilles
Prognoses zijn belangrijk voor Orangina Schweppes Belgium. Maar zonder goed systeem en onderliggende processen kun je met die vooruitzichten weinig aanvangen, zo betoogt Patrick Hennuy.

Orangina Schweppes Belgium is onderdeel van het Japanse Suntory Holdings Ltd., dat met ruim 34.000 werknemers 23 verschillende merken verdeelt in meer dan 80 landen (onder meer frisdranken als Schweppes, Oasis, Gini, Dr Pepper, Orangina en Canada Dry). Dat gebeurt via twee types distributiekanalen: enerzijds de grootwarenhuisketens, anderzijds de andere distributiekanalen zoals tankstations, boekhandels en uiteraard horecazaken. Samen zorgen ze voor bijna 90 miljoen euro omzet per jaar in België en Luxemburg. Patrick Hennuy, sinds 2009 reporting & controlling manager bij Orangina Schweppes Belgium, vertelt ons dat de business sterk wordt beïnvloed door het weer.

Maandelijkse oefening

Met een business die zo sterk afhangt van het weer in een snel evoluerende markt, moet Orangina Schweppes Belgium het plannings- en vooruitzichtproces goed onder controle hebben, inclusief periodieke updates en uitgewerkte en verklarende variantieanalyses. Aan de basis liggen de maandelijks opgestelde vooruitzichten van de verwachte verkoopvolumes door het verkoopteam.

“Die cijfers worden gebruikt door de andere departementen van het bedrijf: Marketing, Supply Chain en Finance”, verduidelijkt Patrick Hennuy. Een volumeaantal wordt omgezet in een verkoopwaarde, met een analyse van de verwachte kostprijs, om uiteindelijk te komen tot een resultatenrekening door het aftrekken van de verwachte verkoop-, algemene en administratieve kosten en marketinguitgaven. Naast die maandelijkse operationele opvolging worden er jaarlijks ook twee groepforecasts opgesteld en een strategisch plan. Daarnaast is er een volledige budgetronde.

Cognos

Orangina Schweppes Belgium is daarvoor overgestapt naar het Cognossysteem van IBM, want “werken met complexe werkbladen is gevaarlijk en tijdrovend”, aldus Patrick Hennuy. Variantieanalyses moesten vroeger geval per geval opgemaakt worden, waarbij het moeilijk was om de werkelijke oorzaak te identificeren. Bovendien was het onmogelijk om van hogerop in te zoomen op de detailgegevens door de per definitie moeilijk te integreren opzet met tal van werkbladen. Rapportering was ook vrij statisch en multidimensionale analyses waren moeilijk te realiseren.

Het belangrijkste voordeel van het geïntegreerde Cognossysteem zijn dan ook de multidimensionale analyses, met drill-downmogelijkheden, de modulaire flexibiliteit en aanpasbaarheid aan de altijd wijzigende businessomgeving. Daarnaast apprecieert Patrick Hennuy ook de hogere nauwkeurigheid van de modellen en een effectiever planningsproces. “Door een aantal tijdrovende operaties te automatiseren en te integreren in het systeem kunnen we meer tijd spenderen aan analyses en scenarioplanning.”

Competitief voordeel?

“Onze business is sterk gerelateerd aan het weer, waardoor de volatiliteit in cijfers gigantisch kan zijn”, verklaart Patrick Hennuy. “Wie me een model kan leveren met exacte weersvoorspellingen voor de komende zes maanden, die wil ik zeer graag ontmoeten. Als de volumes de hoogte inschieten als gevolg van een onverwachte mooie en warme periode, moet de hele organisatie paraat staan om dat te kunnen opvangen.”

Vooruitzichtmodellen kunnen op zich wel verbeterd worden, meer specifiek door een permanente evaluatie van de opgemerkte varianties. Verklaren om te verklaren heeft weinig zin: de geïdentificeerde oorzaak van dergelijke varianties moet toegevoegd worden aan de volgende maanden, voor zover ze daar ook een rol zou kunnen spelen. Op die manier verbetert het model.

 

Patrick Hennuy laat er geen twijfel over bestaan: “Vooruitzichten op zich zullen nooit een competitief voordeel realiseren. Ze dienen om snellere en betere beslissingen te nemen.” De gebruikte modellen moeten uiteraard goed bedacht zijn en bij voorkeur zelflerend qua opzet. Maar de vooruitzichten zelf zal men altijd moeten ondersteunen en uitbuiten door vlot werkende onderliggende processen met de juiste mensen en een gepast systeem.

Martin van WunnikFD Magazine n°86, 2014

pdf versie: http://www.slideshare.net/MvanWunnik/mooiweermooiecijfers