Planificación Basada en Datos:Examinando el detalle

En esta serie de blogs queremos mostrar la Planificación Basada en Datos (Data Driven Planning) y los siete modelos que toda organización necesita para gestionas el rendimiento corporativo. En el último blog Planificación Basada en Datos: controlando los procesos explicamos los dos primeros modelos: modelo de actividades operativas/productivas (OAM - Operating Activity Model) y el Cash / Funding Model - Modelo de Caja / Financiación (CFM). En este blog vamos a fijarnos en los dos siguientes Detailed History Model (DHM) - Modelo Histórico Detallado y Detailed Forecast Models (DFM) - Modelos de pronóstico detallado

Puede descargar el documento completo que explica detalladamente la Planificación Basada en Datos (Data Driven Planning).

Detailed History Model (DHM) - Modelo Histórico Detallado

El papel del Detailed History Model (DHM) - Modelo Histórico Detallado es respaldar la OAM cuando se comparan los resultados reales con el presupuesto. El DHM tiene un nivel mayor de detalle que el OAM y ayuda a investigar resultados anteriores. Este incluirá por supuesto ingresos y recursos, que estarán compuestos por los datos guardados a nivel de transacciones realizadas en la contabilidad general. Algunas de las medidas de la carga de trabajo y el resultado también pueden tener más detalles, que pueden utilizarse para analizar la actividad de procesos de negocio.

Es probable que exista más de un DHM, cada uno centrándose en un área específica de desempeño tales como costes de producción o ingresos. Sin embargo, no es conveniente crear DHMs para cada medida, porque esto desvía la gestión de lo que es importante. En cambio, debe crearse DHMs para esas medidas cuyos valores desempeñan un papel significativo en la dotación de recursos o supervisar un proceso de negocio.

Al definir un DHM, la pregunta que debería ser respondida es, '¿Qué información necesito para comprender los resultados reales que se presentan en el OAM?' La respuesta determina el nivel de detalle, los análisis necesarios y el tipo de modelo de historia que satisfaga esas necesidades.

Los DHM pueden ser de diferentes tipos modelos que incluyen:

Conjunto de datos de transacción. Estas son las tablas de datos que pueden ser consultados y resumidos. Un ejemplo de este tipo podría contener las transacciones de Plan de Cuentas con cada código de cuenta. Estos se cargarán desde la Contabilidad general (GL) regularmente y podría consistir en fecha, departamento, código de cuenta, proveedor y cantidad. Las Capacidades en el DHM podrían resumir estos datos por departamento, mes y código de cuenta que luego se alimentan en el lugar adecuado dentro de la OAM.

El DHM entonces podría ser utilizado para las consultas de gastos. Por ejemplo, de una variación en el presupuesto de viajes, un usuario sería capaz de profundizar en el DHM de soporte para ver las transacciones que componen el resultado real. Entonces podrían realizar otra consulta que extrae las transacciones durante un mes antes para ver si los gastos se habían producido y por lo tanto, habían causado la varianza de este mes.

Como con los otros tipos de DHM, la facilidad de uso y capacidades que proporcionan a un usuario final dependerá de la solución tecnológica que se utiliza. Como mínimo, este tipo de DHM debería soportar los siguientes ejemplos:

• Filtros. p.e., Lista de todas las transacciones que componen un código de cuenta en particular.
• Resúmenes. p.e., total de todas las transacciones de un código de cuenta, en particular y durante un periodo seleccionado.
• Ordenación y clasificación. p.e., Mostrar el top 10 de departamentos según el ranquin por los gastos de viaje.

Modelo multidimensional. Este tipo de DHM permite a los usuarios producir (cross-tabular) análisis tabular-transversal. Los datos son almacenados y referenciados por sus dimensiones de negocio. Entonces, los usuarios tienen acceso libre a la manera en que se presentaron los datos, que puede incorporar gráficos, cálculos adicionales y codificación semafórica por excepciones Ejemplos de este tipo de modelo de análisis de ventas que podrían incluir los tipos de clientes, productos vendidos, descuentos realizados, devoluciones y gastos de envío.

A diferencia del conjunto de datos de transacciones, un modelo multidimensional es capaz de proporcionar lo siguiente:

• Múltiples vistas de los datos. Por ejemplo se muestran los ingresos por ventas por devoluciones de producto y el cliente, la rentabilidad del cliente, por producto y ubicación.
• Tendencias. Por ejemplo, calcular el promedio de los 12 meses y mostrar esto por mes para el presente año versus el año pasado.
• Excepciones. Por ejemplo Mostrar todos los clientes cuyo crecimiento año tras año ha sido negativo.

Modelo de datos no estructurados. Este último tipo de modelo proporciona soporte para datos no numéricos, como notas, informe de noticias, las discusiones de los medios sociales y videos de productos de competidores. Vinculando estos a la OAM, la información cualitativa puede ser proporcionada y puede proporcionar una diferencia sustancial en la manera en que se perciben los resultados

Para todos los tipos de DHM mostrados anteriormente, se requiere un sistema de seguridad que filtra automáticamente los datos que el usuario no puede ver.

Detailed Forecast Model (DFM) - Modelo de Pronóstico detallado

Detailed Forecast Models (DFM) - Modelos de pronóstico detallado se suelen utilizar en conjunción con la OAM para recoger las previsiones que los gerentes operacionales creen que lograrán en el corto plazo. Esto puede incluir una gama de medidas, incluyendo la carga de trabajo, los resultados y recursos. 

Aunque la OAM puede recoger las previsiones a nivel resumido, hay medidas que necesitan tener un nivel más detallado. Por ejemplo, los ingresos para un fabricante pueden provenir de una gama de clientes y productos, cada uno de los cuales tiene su perfil de rentabilidad individual. En consecuencia, el mix de productos puede tener consecuencias enormes en los ingresos totales y los costos. Por lo tanto predecir la rentabilidad con algún grado de exactitud requiere el conocimiento detallado de lo que se vende, su volumen y a quién.

Asimismo, las ventas de artículos de alto valor o aquellos que se refieren a un proyecto son a menudo dependientes del tiempo. En estos casos el proceso de ventas puede ser largo y para cuando el negocio se ha generado, el impacto resultante en los costes e ingresos en un período de tiempo determinado puede ser significativo. Sin el conocimiento de los detalles, es fácil llegar a la conclusión de que un excesivo o deficiente rendimiento es excepcional sobre lo esperado. Por esta razón, recogiendo información relativa a la generación del pedido de venta y su uso para distribuir los pronósticos de ventas no sólo mejora la precisión, sino que también proporciona una visión si se produjera cualquier variación.

Como el DHM, diversas medidas pueden tener una amplia gama de detalle de soporte y así que es posible tener varios modelos de pronóstico donde cada uno tiene un enfoque en una determinada medida. Otra vez, no cada medida garantiza su propio modelo de previsión. Idealmente, se crean solamente donde el mix de medidas subyacente de las transacciones detalladas puede tener un gran impacto en los resultados comparados con el plan.

Los DFMs tendrán sólo una versión del pronóstico de datos, ya que los resultados reales se guardarán en el modelo de historial detallado. (Recuerde, estamos utilizando el modelo en un sentido lógico; en la implementación real pueden combinarse en un modelo físico). Para algunas de las medidas, pueden existir datos en otro sistema (por ejemplo, muchas empresas usan SalesForce.com para recoger información de ventas). Si esto es así, entonces el DFM puede ser simplemente un lugar donde se almacenan los datos más recientes que se vacía y recarga en cada período. Alternativamente, el DFM puede ser un sistema en sí mismo que se utiliza para grabar y seguir las previsiones.

El DFM puede contener un rango de datos, donde no todo es numérico. Por ejemplo, los pronósticos de ventas pueden incluir los siguientes campos: 

• Fecha en que entró en la previsión de ventas 
• Productos que se venden 
• Región responsable de la venta y donde todos los ingresos serán asignados 
• Valor del pedido - orden de compra 
• Ejecutivo de ventas involucrado 
• Compañía a la que se vende. 
• Fecha de Contrato que debe a ser firmado y los ingresos reconocidos en el resumen de P&G 
• Tipo de las ventas (por ejemplo, si la venta es a un cliente existente o una nuevo prospecto) 
• Porcentaje de la oportunidad para seguir adelante 
• Notas para describir la situación actual.

Como en el DHM, los datos dentro del DFM pueden ser ordenados, resumidos y reportados. Por ejemplo, mostrar todas las ventas posibles de los próximos tres meses clasificado según el porcentaje de probabilidad de ser firmado. Esto permite la dirección ver en detalle una previsión para que puedan formar su propia opinión en cuanto a lo que podría suceder y para tomar las medidas correctivas si caen por debajo de lo esperado. 

Como una opción, el DFM podría aplicar a unas ventas el % de probabilidad de la oportunidad y medir el valor de cada situación de las ventas para producir un valor de pronóstico modificado dentro de la OAM y la OAM podría contener dos medidas — un valor grabado que asume que todas las oportunidades de ventas se materialice como se han grabado y el otro usando el % de la oportunidad. Esto proporciona un rango de valores que podrían utilizarse para evaluar el rendimiento futuro. 

También es interesante guardar las versiones anteriores de las previsiones para que con el tiempo, poder construir un informe sobre la fiabilidad de las previsiones. Por ejemplo, ¿qué personas de ventas son capaces de prever con una precisión de un 5 % con tres meses de antelación? ¿Qué medidas producen la mayor variabilidad vistas con seis meses de antelación? 

Sabiendo cómo de confiable es una previsión puede ayudar a determinar qué medidas necesitan una inspección periódica y el nivel de precaución necesario al tomar decisiones basadas en ellas. Además, si los directores son conscientes de que las previsiones están siendo monitoreadas muy de cerca, entonces son más propensos a prestar atención a los valores que envían, que a su vez son más propensos a ser fiables.

En el siguiente Blog  explicaremos los tres modelos restantes del marco de planificación.

Puede descargar todos estos blog como un documento en el siguiente enlace.