I dati: L’arma segreta del CFO per le previsioni di cassa

Il passato può essere un prologo per le previsioni di cassa? Se si utilizzano la modellazione statistica e l’apprendimento automatico, sì. I CFO e i tesorieri hanno a disposizione più dati storici che mai. Se usati correttamente, le previsioni possono diventare più accurate e attuabili.

Migliorare la precisione delle previsioni di cassa

In passato, le aziende utilizzavano semplici modelli storici per prevedere le loro future esigenze di flusso di cassa. Ciò significava esaminare gli schemi dei flussi di cassa passati ed estrapolarli nel futuro con mezzi algebrici di base (il gioco di parole è del tutto voluto). Tuttavia, questo metodo non è più del tutto fattibile nell’attuale panorama aziendale in rapida evoluzione, in quanto le aziende devono adattarsi rapidamente e sfruttare grandi serie di dati per prendere decisioni finanziarie fondamentali.

Le aziende si rivolgono ora a modelli statistici avanzati e all’intelligenza artificiale per prevedere le loro esigenze di flusso di cassa. Questo approccio offre una maggiore precisione e fornisce alle aziende la flessibilità necessaria per adattarsi ai cambiamenti del loro ambiente.

Nel mercato odierno, il flusso di cassa è davvero la linfa vitale dell’azienda. Per alcuni è diventato difficile adempiere agli obblighi a breve termine, come le buste paga e le liquidazioni delle controparti, in quanto la liquidità è ridotta. La leva del credito e i prestiti a breve termine sono sempre più costosi, dato che i tassi di interesse continuano a crescere.

Le sfide della previsione di cassa

Indipendentemente dal livello di sofisticazione di una previsione, le organizzazioni devono innanzitutto avere chiarezza sui dati storici effettivi per poter avere una presa sicura sui flussi di cassa futuri. I dati storici possono essere ingenti e complicati da gestire quando si utilizzano sistemi costruiti internamente o fogli di calcolo. La capacità di queste soluzioni di contenere quantità massicce di dati di cassa di un’azienda non è realistica. In genere i dati gestiti da queste piattaforme sono molto sintetici e mancano dei dettagli granulari necessari per eseguire correttamente i vari algoritmi.

Inoltre, le aziende di oggi sono in continua evoluzione e cambiamento. Ciò significa che le esigenze di flusso di cassa dell’azienda di oggi saranno diverse da quelle del passato.

Regressione quantile nella previsione di cassa

I metodi statistici, come la regressione quantile, consentono alle organizzazioni di stimare l’effetto delle “variabili esplicative” (storia) sulla distribuzione degli incassi e dei saldi di cassa complessivi (previsioni). Queste variabili esplicative possono includere le valute dei contanti storici che entrano nei conti dell’azienda; le date degli incassi, compreso il periodo della settimana e del mese; i tipi di attività di cassa e gli importi in un determinato orizzonte temporale. Possiamo utilizzare la regressione quantilica per stimare l’effetto dei dati storici effettivi sul 50° percentile (mediana) della distribuzione, sul 75° percentile (quartile superiore), sul 90° percentile (decile superiore), ecc.

A differenza della maggior parte dei modelli di previsione che si basano su calcoli semplicistici della mediana e della media, la regressione quantile può essere utilizzata per stimare gli effetti degli effettivi storici sull’intera distribuzione della liquidità prevista. Questo è importante perché la distribuzione delle previsioni può essere molto diversa dalla media o dalla mediana.

Ad esempio, utilizzando la media e la mediana dei saldi di cassa dell’azienda si potrebbero proiettare i livelli di cassa di domani a 6 milioni di dollari, ma la distribuzione dei saldi di cassa storici è molto distorta a causa della ciclicità dei saldi; diversi giorni nella storia potrebbero avere saldi al di sotto della media e della mediana e un piccolo numero di giorni potrebbe avere buffer di saldi di cassa più elevati al di sopra della media e della mediana verso la fine del periodo precedente. Rispetto ad altri metodi standard di previsione, la regressione quantile stima meglio gli effetti delle variabili che non sono linearmente correlate alla variabile di risposta sottostante, rendendola meno sensibile agli outlier.

Implementazione della regressione quantile

Questo è un argomento spesso discusso al giorno d’oggi quando si parla di previsioni, poiché non esiste un approccio unico per tutti. Inoltre, gli elementi della previsione complessiva possono essere ricavati utilizzando metodi e modalità di calcolo diversi.

L’unico inconveniente dell’utilizzo di calcoli avanzati come la regressione quantilica nel processo di previsione è che può essere molto impegnativo dal punto di vista computazionale. Per essere efficace nella sua accuratezza di previsione, si basa su una grande quantità di dati e parametri. Grandi quantità di dati storici, calcolati su più variabili (date, valute, categorie di cassa, aree geografiche, ecc.) rendono questo metodo fuori dalla portata dei comuni strumenti di previsione come i fogli di calcolo. Raramente un’organizzazione ha le risorse umane disponibili nei dipartimenti IT e finanziario per sviluppare organicamente questi modelli al proprio interno.

Le organizzazioni devono innanzitutto valutare come accedere ai dati necessari per eseguire i calcoli. Questi possono risiedere nell’ERP, nel libro mastro, nei data lake interni o nel sistema di gestione della tesoreria. Per essere efficaci, in genere è necessario un insieme più ampio di dati storici. Non è sufficiente basare le previsioni su 30 giorni di storia, soprattutto se si considerano le moderne volatilità che influenzano i flussi di cassa aziendali.

Le tecnologie disponibili possono fornire ai team finanziari non solo l’accesso ai dati storici e attuali sulla liquidità, indispensabili per il processo decisionale, ma anche algoritmi integrati che fanno riferimento a questo ricco storico per eseguire calcoli avanzati come le regressioni quantili a supporto della pianificazione.

Infine, collaborate con il team finanziario e di tesoreria per identificare le variabili esplicative a cui dare priorità nel modello, eliminando anche variabili specifiche dai modelli.

Dare un vantaggio alla finanza

Per navigare nell’attuale turbolenza del mercato, i team di tesoreria dovrebbero guardare alle moderne tecnologie per una migliore pianificazione e gestione della liquidità, garantendo il rispetto degli obblighi e l’ottimizzazione del capitale circolante.

Includendo altre fonti di dati e input nel processo di pianificazione e implementando metodi di calcolo statistico avanzati, la finanza guadagna un vantaggio nella previsione critica della liquidità a breve termine. Nel complesso, la regressione quantile è uno strumento potente che può essere utilizzato per migliorare l’accuratezza delle previsioni di cassa.