El valor de la digitalización en el proceso de planificación

A través de su aplicación, control de gestión va a disponer de un mayor volumen de información y va a poder aplicar un tratamiento más sofisticado con el que obtener insights de mayor valor. Si a eso unimos la automatización cada vez más avanzada del proceso de reporting, el perfil de la función cambia de forma significativa. De una función centrada en la preparación de información de gestión (un 40% de las compañías dedican poco o muy poco tiempo al análisis de información) y fundada en un modelo de planificación de corte estático, poco ágil y basado en el juicio humano, pasamos a una función orientada al análisis de la información bajo criterios de negocio (solo un 15% alcanzan este estadio) y con una metodología de planificación dinámica, automatizada y basada en datos.

No obstante, para lograr esta transformación es necesario algo más que tecnología. La digitalización, que es lo que en el fondo significa esta transformación, precisa de una serie de elementos adicionales para su aplicación efectiva y la obtención de todo su valor inherente. Hay que adaptar la organización para facilitar el nivel de especialización que requiere la gestión de estas tecnologías, es necesario adoptar nuevas formas de trabajo e incorporar talento diferente al que ha constituido la base de la función.

1. Driver & Event Based Planning. De los modelos contables basados en partidas presupuestarias, se ha ido avanzando hacia modelos basados en drivers de tipo «P x Q» con los que lograr una mayor orientación a negocio y ganar en trazabilidad sobre las causas (volúmenes de actividad y niveles de precio) de las proyecciones financieras. En cierto modo, se puede considerar hoy el modelo de referencia. La evolución del concepto está en identificar los drivers claves por su impacto en los resultados y en revisar la planificación en función de la variación que estos experimenten. Es decir, focalizarse en lo relevante para actualizar la planificación cuando se detecta un cambio de tendencia que lo justifique. Al logro de esta mayor eficiencia y eficacia en la planificación, ayudan técnicas analíticas como identificación de drivers por su significatividad, fijación de umbrales para los triggers, anticipación de cambios en variables clave en función de la confirmación de su tendencia de evolución…

2. Predictive Planning. En un modelo driver based, el reto es lograr la derivación directa de los valores para la P y la Q de cada uno de los drivers seleccionados a través de una modelización lo más ajustada posible. Este no es un enfoque novedoso, pero si hay diferencias: mayor volumen de datos disponible, mayores posibilidades de procesamiento y el nivel de inteligencia del propio modelo. Todas, relacionadas con las tecnologías digitales y con foco especial en la analítica avanzada aplicando Machine Learning e inteligencia artificial. Además, el 90% de las compañías identifican estas capacidades como la clave de la evolución del proceso de planificación.

3. Collaborative Planning. Se evoluciona hacia entornos de trabajo colaborativo en los que aumenta la calidad de la información al garantizar la unicidad del dato, se tiene visibilidad precisa sobre la situación del proceso y se acelera la elaboración al habilitarse canales de interacción directa entre los intervinientes y automatizarse los flujos de trabajo. A través de arquitecturas single source of truth que se apoyan en el cloud y funcionalidad que facilita la colaboración entre las diferentes áreas, este tipo de enfoques es cada día más factible.

4. Integrated Planning. El nivel de integración de los modelos de planificación es cada vez mayor desde dos vertientes:

• Por su proceso de elaboración. La tendencia es integrar los modelos de planificación operativa con el de proyecciones financieras. Es en cierto modo una extensión del concepto de planificación colaborativa, que se sustenta a la vez en la adopción de un modelo de planificación basado en drivers.
• Por el modelo financiero en sí mismo. La planificación financiera tradicional se focaliza en la cuenta de resultados pero la paulatina relevancia de la liquidez (Cash is king) lleva a incorporar la visión de balance. Esto conduce a una mayor complejidad del modelo para asegurar la coherencia entre los tres estados financieros, (P&L, Balance y Cash Flow) y para articular un cash flow forecasting de calidad, que vaya más allá de la aplicación de las medias del DSO (periodo medio de cobros) y DPO (periodo medio de pagos).

5. Rolling Forecast. Junto a la carga de trabajo, otra crítica generalizada al proceso de planificación es su naturaleza estática. El presupuesto sigue siendo el principal ejercicio de proyección a corto/medio plazo de la compañía. Una vez realizado, las actualizaciones suelen ser menores y con un enfoque de estimación a cierre. En entornos de negocio estables y predecibles, un ciclo de planificación de corte estático puede ser suficiente. Pero en entornos VUCA como el actual, y obviando el «cisne negro», se precisan modelos con mayor actualización y con un horizonte temporal más allá del cierre actual para obtener una imagen precisa de la evolución a futuro del negocio y adoptar las medidas correctoras cuando la tendencia no es la esperada. También, para aprovechar oportunidades de inversión si se prevén resultados superiores a los objetivos fijados.

El reto para lograrlo es doble. Evitar generar cargas adicionales de trabajo que impacten en el desarrollo y calidad de la actividad e intentar que la proyección tenga la mayor precisión posible. La palanca para lograr ambos objetivos es, de nuevo, analytics y los componentes digitales que lo integran.

La modelización avanzada de los drivers de negocio es la que permite incrementar la automatización en la elaboración de las proyecciones y, a su vez, elevar su nivel de certeza. Proyecta el algoritmo no el juicio humano, y lo hace cada vez con un nivel de precisión mayor a través de Machine Learning.

Las soluciones EPM (Enterprise Performance Management) de mercado, integradas en mayor o menor medida con los ERP transaccionales y los sistemas operacionales de negocio, siguen siendo el núcleo central de la arquitectura tecnológica de la función de control de gestión. Pero es necesario incorporar otros elementos que impulsen su evolución. El 40% de las compañías perciben ciertas limitaciones tecnológicas para articular el proceso de planificación y se tiende hacia arquitecturas de corte híbrido. La captura de datos y el cálculo de los modelos, junto con la orquestación del proceso se soporta desde el core EPM, que se ve enriquecido y potenciado por una serie de componentes más alineados con las nuevas capacidades digitales.

Para dotar de inteligencia a los modelos de planificación y al análisis de la información de gestión, se suele habilitar un entorno analítico en el que albergar la información estructurada y no estructurada (data lake), realizar la modelización avanzada y la calibración de los algoritmos de predicción y maximizar la explotación de los datos disponibles. En cuanto a este último aspecto, es importante diferenciar este tipo de análisis frente a lo que implica el mero reporting. Se «explota» el dato con el fin de obtener insights de valor para el negocio, frente a una ordenación estructurada de la información financiera para su consulta.

Para ganar en eficiencia, estas arquitecturas incorporan facilitadores robóticos de primera y segunda generación que automatizan el proceso de elaboración de información de gestión. Los Robotic Process Automation (RPA) de primera generación realizan tareas transaccionales (extracción de información, depuración y validación de datos, preparación de formatos…), mientras que los de segunda generación, a través de capacidades NLP (Natural Language Processing), facilitan la incorporación de comentarios sobre los cuadros de información previamente elaborados. Ir un paso más allá implicaría que el robot propusiera el análisis sobre los datos obtenidos, pero aún queda para alcanzar este punto de madurez tecnológico. El último complemento al core EPM se centra en la presentación y explotación gráfica de la información, con soluciones de visual analytics en las que el componente gráfico tiene más relevancia que el analítico. Hay que entender que no basta con analizar los datos disponibles, también hay que saber presentar sus conclusiones de forma entendible para facilitar la toma de decisiones.

La potencia gráfica de estas soluciones combinada con técnicas de diseño es la clave. No quiere decir que estas soluciones no tengan funcionalidad analítica, pero es cierto que las hay más especializadas en ese ámbito.

Con el ánimo de ilustrar alguno de los conceptos desarrollados, referiré un ejemplo de planificación predictiva de cash flow (Cash flow forecasting) para una compañía de consumo en sus aspectos más relevantes.

Un modelo tradicional de planificación de este tipo probablemente aplique algo de inteligencia analítica para la estimación de la demanda y las ventas. Si bien, es bastante frecuente que este tipo de información se base en previsiones facilitadas por las áreas comerciales en base a su experiencia y conocimiento del mercado. A partir de ahí, y de forma sucesiva, se van obteniendo los diferentes epígrafes o bloques de la cuenta de resultados.

A continuación, habría que trabajar en la conversión de la cuenta de resultados en flujos de liquidez, en entradas y salidas de caja. Para ello, se aplicarán periodos medios de cobro y periodos medios de pago a nivel general o por tipología de cliente y proveedor, aunque a veces es una laminación «manual» en el tiempo de la estimación realizada basada en la experiencia. A modo de resumen general, mucho «juicio humano» y manualidad.

Enfoque predictivo

El planteamiento sería netamente diferente en el caso de un enfoque predictivo. La proyección de los diferentes elementos o al menos gran parte de sus partes integrantes se basan en algoritmos de mayor o menor nivel de complejidad. No existe una receta única, es una cuestión de un ajuste en continuo, que depende de las características propias de la variable a estimar y de los datos disponibles. En el ejemplo, la modelización adoptada ha seguido las siguientes directrices:

• En la medida en que se dispone de series temporales y el entorno de negocio está en una situación de razonable estabilidad, las modelizaciones tipo ARIMA son bastante aceptables. En caso de detectarse estacionalidad, habría que evolucionar hacia modelizaciones tipo SARIMA.
• En momentos disruptivos como el actual o con un nivel de datos escaso, las modelizaciones basadas en la inferencia bayesiana o en redes neuronales cobran sentido. Si bien es cierto que representan una aproximación bastante empírica, las capacidades actuales de procesamiento las hacen más factibles.

El planteamiento tiene una orientación data driven. Su cimiento está en la explotación del valor inherente al dato, como base de la modelización de las variables clave. La intervención del juicio humano se convierte en el «calibrador» final del resultado del modelo, la palanca de ajuste fino, lo que a su vez acelera la ejecución del proceso.

Con este enfoque se puede pasar de un modelo de planificación de tipo estático y que gira alrededor del presupuesto, a uno de naturaleza dinámica que tiene al rolling forecast como eje principal.

De un enfoque backward looking a uno forward looking. Una evolución en la que la tecnología juega un rol central, pero en la que se integran otros elementos culturales y organizativos para lograr la materialización plena del concepto data driven.

Publicado en CCA Insight