Kas ir Intelligent Forecasting un kā to var izmantot uzņēmumi?

Nav nekāds noslēpums, ka efektīvas un inovatīvas plānošanas sasniegšana ne vienmēr padodas viegli. Uzņēmumiem ir svarīgi zināt, vai to budžeti un prognozes ir objektīvas un cik akurāti ir pašreizējie plāni. Uzņēmumi mēdz mēnešiem ilgi gatavot prognozes, un brīdī, kad tās ir beidzot izstrādātas, saprot, ka tās jau ir novecojušas. Vai arī pārāk detalizēti koncentrējas uz visaptverošo plānošanu (bottom-up approach), kurā parasti ir iesaistīti daudz atšķirīgi viedokļi, veidojot apstākļus, kuros grūti sasniegt objektīvus rezultātus. Pastāv vairāki ārēji faktori (pazīstami arī kā signāli), kas ietekmē uzņēmuma darbību. Rodas jautājumi - kurus signālus izmantot konkrētajam uzņēmumam un kā izvirzīt finanšu mērķus, kuru pamatā ir dati? Prognozēšanas iespējas pastāv it visur mums apkārt – gan laikapstākļos, gan klientu pieprasījumā, gan sarunbotos, gan pirkstu nospiedumu noņemšanā, gan medicīniskajā diagnostikā, gan iepirkšanās pieredzē, gan GPS un navigācijas sistēmās. Intelligent Forecasting ievieš prognozēšanas iespējas uzņēmumu budžeta un darbības plānošanā.

Intelligent Forecasting ir katram uzņēmumam un organizācijai pielāgojama pieeja, kuras pamatā ir kompānijas iekšējie dati un ārējie signāli. Tā iekļauj advancētas prognozēšanas metodes, piemēram, vairāku veidu laikrindas un mašīnmācīšanās (ML) metodes, kas tiek testētas, lai palīdzētu izveidot konkrētas prognozes par jebkādām datu kopām, kas sevī ietver laika komponenti. Lai prognozes būtu precīzākas, mēs iekļaujam paplašinātus ārējos datus un signālus no KPMG Signals Repository (aktīvas klausīšanās platforma, kas nepārtraukti apkopo dažādus datus no publiskiem un privātiem avotiem), kā arī, protams, iekšējos finanšu vai darbības faktorus. Ārējie signāli var būt laikapstākļi, piemēram, temperatūra, nokrišņi, vai finanšu tirgi, piemēram, valūtas maiņas kursi, akciju indeksi vai jebkas cits, kas varētu būtiski ietekmēt prognozi. Iekšējo datu piemēri ir vidējā pārdošanas cena, ražošanas apjomi, produktu pieprasījums vai informācija par patērētāju nozari.

Intelligent Forecasting notiek vairākos posmos: pilotprojekts, ieviešana un izplešanās. Sākumā tiek izveidots pilotprojekts, kura ietvaros izstrādā, apstiprina un pārbauda prognozēšanas modeli. Tam seko ieviešanas posms, kurā tiek izvēlēta atbilstoša platforma, dati un lietotāja saskarne, tiek uzlaboti modeļi un var tikt mainīta modeļa pārvaldība. Tiklīdz ir izvēlēti atbilstoši dati, tie tiek “izlaisti cauri” vairākām iepriekš izveidotām pārbūves transformācijām. Prognozes tiek sagatavotas, izmantojot datu kopas kombinācijā ar advancētu statistikas un mašīnmācīšanās (ML) pieeju. Pēc tam prognozes tiek ievadītas sistēmās un rīkos, piemēram, Power BI un Power Apps, lai nodrošinātu, ka dažādi lietotāji vai uzņēmuma nodaļas var izmantot šīs prognozes interaktīvā un sev ērtā veidā. Noslēdzošais posms ir izplešanās, kurā izstrādāto rīku piedāvājam izmantot papildus biznesa darbības jomās.

Vēl viens aspekts, kāpēc Intelligent Forecasting ir noderīgs plānošanas rīks, ir iespēja plānot dažādus scenārijus. Ko tas nozīmē? Scenāriju plānošanu var uzskatīt par atbildi uz jautājumiem kā būtu, ja būtu? Piemēram, “Kā mainītos prognoze, ja dzelzs cena nākamajos 3 vai 6 mēnešos pieaugtu par 20%?”. Izmantojot Intelligent Forecasting scenāriju plānošanu, atbildes uz šādiem jautājumiem tiek iegūtas uzreiz, kā arī tiek vizualizētas tai pašā informācijas panelī bez jebkādas cilvēciskas neobjektivitātes vai cilvēciskas kļūdas.

Kādos gadījumos to var izmantot?

·         Stratēģiskā plānošana un scenāriju analīze – par pamatu un ievaddatiem stratēģiskajai plānošanai, pārdošanai un EBIT.

·         Pieņēmumu un lēmumu pamatošana – modeļus un to nodrošināto precizitāti var izmantot, lai pamatotu un apliecinātu pieņēmumus, uz kuru pamata tiek balstīti lēmumi.

·         Noteikt sakarības starp dažādiem peļņas vai zaudējumu aprēķina posteņiem un to ietekmi uz EBIT gan īstermiņā, gan ilgtermiņā, kā arī identificēt svarīgākos posteņus un paredzēt optimizācijas iespējas.

·         Pieprasījuma un piedāvājuma prognozēšana, lai optimizētu piegādes ķēdes un krājumus.

·         Regulāra scenāriju īstenošana – jaunu biznesa modeļu, komponentu, tirgu un komercdarbības testēšanai.

·         Manuālai prognozēšanai un datu ieguvei patērēto stundu samazināšana, tādā veidā atbrīvojot pieejamos cilvēku resursus citu darbu veikšanai.

·         Izmantot kā ievaddatus investīciju pamatošanai un lielāku investīciju lēmumu pieņemšanā, kā arī samazināt riskus, kas saistīti ar investīcijām nerentablos gadījumos.