Datos: El arma secreta del CFO para una precisión en el pronóstico de efectivo

Puede el pasado ser un prólogo para el pronóstico de efectivo? Cuando se utiliza modelado estadístico y aprendizaje automático, sí. Los CFOs y tesoreros tienen a su disposición más datos históricos que nunca. Si se utilizan correctamente, los pronósticos pueden ser más precisos y prácticos.

Mejorando la precisión en el pronóstico de efectivo

En el pasado, las empresas solían utilizar modelos históricos simples para predecir sus necesidades futuras de flujo de efectivo. Esto implicaba observar los patrones de flujo de efectivo pasados y extrapolarlos al futuro mediante medios algebraicos básicos. Sin embargo, este método ya no es completamente factible en el entorno empresarial actual, que cambia rápidamente, ya que las empresas necesitan adaptarse rápidamente y aprovechar grandes conjuntos de datos para tomar decisiones financieras clave.

Las empresas ahora recurren al modelado estadístico avanzado e inteligencia artificial para pronosticar sus necesidades de flujo de efectivo. Este enfoque ofrece una mayor precisión y proporciona a las empresas la flexibilidad para adaptarse a los cambios en su entorno.

En el mercado actual, el flujo de efectivo realmente es la vida de la empresa. Cumplir con las obligaciones a corto plazo, como la nómina y los pagos a terceros, se ha vuelto desafiante para algunos, ya que la liquidez está limitada. El aprovechamiento del crédito y los préstamos a corto plazo cada vez es más costoso a medida que las tasas de interés continúan aumentando.

Desafíos en el Pronóstico de Efectivo

Independientemente del nivel de sofisticación aplicado a un pronóstico, las organizaciones primero necesitan tener claridad sobre sus datos históricos reales para tener un firme control sobre los flujos de efectivo futuros. Los datos históricos pueden ser voluminosos y difíciles de gestionar cuando se utilizan sistemas internos o hojas de cálculo. La capacidad de estas soluciones para almacenar grandes cantidades de datos de efectivo de una empresa es irrealista. Por lo general, los datos administrados en estas plataformas están muy resumidos y carecen de los detalles granulares necesarios para ejecutar adecuadamente diversos algoritmos.

Además, las empresas actuales están en constante evolución y cambio. Esto significa que las necesidades de flujo de efectivo de la empresa hoy serán diferentes a las del pasado.

Modelos de regresión en el Pronóstico de Efectivo

Los métodos estadísticos, como la regresión cuantílica, brindan a las organizaciones la capacidad de estimar el efecto de «variables explicativas» (historia) en la distribución de las entradas de efectivo y los saldos generales de efectivo (pronósticos). Estas variables explicativas pueden incluir las divisas de los flujos de efectivo históricos que ingresan a las cuentas de la empresa; las fechas de las entradas, incluyendo la hora de la semana y el mes; los tipos de actividades de efectivo; y los montos en el horizonte temporal dado. Podemos utilizar la regresión cuantílica para estimar el efecto de los datos históricos reales en el percentil 50 (mediana) de la distribución, el percentil 75 (cuartil superior), el percentil 90 (decil superior), etc.

A diferencia de la mayoría de los modelos de pronóstico que se basan en cálculos simples de la mediana y el promedio, la regresión cuantílica se puede utilizar para estimar los efectos de los datos históricos reales en toda la distribución del efectivo proyectado. Esto es importante porque la distribución de los pronósticos proyectados puede ser muy diferente al promedio o la mediana.

Por ejemplo, utilizando los saldos promedio y mediano de efectivo de la empresa, podríamos proyectar los niveles de efectivo de mañana en $6 millones, pero la distribución de los saldos de efectivo históricos es muy sesgada debido a la ciclicidad de los saldos; varios días en la historia podrían tener saldos por debajo del promedio y la mediana, y un pequeño número de días podrían tener reservas de saldo de efectivo más altas por encima del promedio y la mediana hacia el final del período anterior. En comparación con otros métodos estándar de pronóstico, la regresión cuantílica estima mejor los efectos de las variables que no están linealmente relacionadas con la variable de respuesta subyacente, lo que la hace menos sensible a los valores atípicos.

Implementando la Regresión Cuantílica

Este es un tema que se discute mucho en la actualidad cuando se trata de pronósticos, ya que no existe un enfoque «universal» que funcione para todo. Además, los elementos del pronóstico en general pueden derivarse mediante diferentes métodos y modos de cálculo.

La única desventaja de aprovechar cálculos avanzados como la regresión cuantílica en el proceso de pronóstico es que puede ser intensivo en cuanto a recursos computacionales. Depende de una gran cantidad de datos y parámetros para ser efectivo en su precisión de predicción. Grandes cantidades de datos históricos, calculados en múltiples variables (fechas, divisas, categorías de efectivo, geografías, etc.), hacen que este método esté fuera del alcance de herramientas de pronóstico comunes como las hojas de cálculo. Rara vez una organización cuenta con los recursos humanos disponibles en los departamentos de TI y finanzas para desarrollar estos modelos internamente.

Las organizaciones deben primero analizar cómo acceder a los datos necesarios para realizar los cálculos. Estos datos pueden estar en su ERP, en su registro contable, en depósitos internos de datos o en su sistema de gestión de tesorería. Para ser efectivo, generalmente se requiere un conjunto de datos históricos más amplio. Basar las predicciones simplemente en 30 días de historial, especialmente teniendo en cuenta las volatilidades de la actualidad que impactan en los flujos de efectivo empresariales, no será suficiente.

Las tecnologías disponibles en el mercado pueden brindar a los equipos financieros no solo acceso a datos de liquidez actuales e históricos fundamentales para la toma de decisiones críticas, sino también algoritmos incorporados para hacer referencia a este rico historial y realizar cálculos avanzados como regresiones cuantílicas para fines de planificación

Por último, trabaje con su equipo financiero y de tesorería para identificar las variables explicativas que se deben priorizar en el modelo, al tiempo que se eliminan variables específicas de los modelos.

Dando una Ventaja a las Finanzas

Para navegar la actual turbulencia del mercado, los equipos de tesorería deben recurrir a tecnologías modernas para una mejor planificación y gestión de la liquidez, asegurando que se cumplan las obligaciones y se pueda optimizar el capital de trabajo.

Al incluir otras fuentes de datos y aportes en el proceso de planificación e implementar métodos de cálculo estadístico avanzados, las finanzas obtienen una ventaja en el pronóstico crítico de la liquidez a corto plazo. En general, la regresión cuantílica es una herramienta poderosa que se puede utilizar para mejorar la precisión en el pronóstico de efectivo.