Utrzymywanie prostoty
Wiele napisano o wykorzystaniu wymyślnych technologii, takich jak sztuczna inteligencja, uczenie maszynowe i analityka predykcyjna w miejscu pracy, do wszystkiego, od identyfikacji najbardziej efektywnych kierowników projektów po rekomendacje w serwisie Netflix. Zbyt często czytelnik odnosi wrażenie, że technologia ta jest dostępna tylko w zaawansowanych, trudnych do wdrożenia systemach typu black box, dostępnych tylko dla firm, które chcą zatrudnić niewielką armię bardzo wyspecjalizowanych naukowców zajmujących się danymi.
Pomyślałem, że spróbuję obalić ten mit, przedstawiając studium przypadku dotyczące prognozowania przychodów za pomocą analityki predykcyjnej. Opowiem o tym, jak stworzyliśmy dowód koncepcji przy użyciu niczego bardziej wyszukanego niż Excel i jak ten początkowy prototyp można rozszerzyć na prawdziwie dynamiczny model prognozowania przychodów oparty na analizie predykcyjnej.
Radzenie sobie z trudnymi rzeczami
Kilka tygodni temu rozmawiałem ze starym znajomym, który zaczynał dużo pracować ze sztuczną inteligencją, uczeniem maszynowym i analityką predykcyjną. Wspomniał on, że technologia ta jest w rzeczywistości jednym z łatwiejszych elementów układanki.
Najtrudniejszymi aspektami było upewnienie się, że zadajemy właściwe pytania w pierwszej kolejności, wymyślenie, jak przygotować dane do modeli analitycznych i interpretacja wyników na koniec dnia. Te trudniejsze aspekty wymagają nie tylko wyizolowanego zrozumienia technik analitycznych, ale także solidnej wiedzy na temat danego problemu biznesowego.
W tym duchu skupię się tutaj bardziej na koncepcjach związanych z problemem biznesowym, który próbowaliśmy rozwiązać, niż na mechanice analizy. Działa to szczególnie dobrze, ponieważ wymagane umiejętności ilościowe związane z prognozowaniem przychodów w tym przypadku nie wykraczają poza to, czego świeżo upieczony student może nauczyć się w Statistics 101.
Zrozumienie problemu biznesowego
OK, przechodząc do sedna sprawy: nasza firma, BigTime, tworzy oprogramowanie do automatyzacji usług profesjonalnych, wykorzystywane przez firmy konsultingowe, agencje marketingu cyfrowego i firmy wdrażające technologie do prowadzenia działalności.
Tego typu firmy odnoszą sukcesy lub ponoszą porażki w oparciu o to, jak skutecznie są w stanie zapewnić swoim klientom wysokiej klasy, opartą na wiedzy siłę roboczą. W związku z tym wkładają one wiele wysiłku w prognozowanie swoich potrzeb w zakresie siły roboczej i zasobów w przyszłości oraz przekładanie tych potrzeb kadrowych na strategiczne plany zatrudnienia, programy rozwoju zawodowego i strategie w zakresie zasobów ludzkich.
Te profesjonalne firmy usługowe przekładają również swoje potrzeby w zakresie siły roboczej i zasobów na przyszłe prognozy przychodów, które pomagają organizacji zrozumieć, czy mogą wesprzeć koszty dodatkowego zatrudnienia lub rozwoju zawodowego przewidywanymi przychodami. Te prognozy przychodów są również stale oceniane, aby sprawdzić, jak dokładnie przedstawiają przyszłość, gdy prognozowane okresy już miną.
Gromadzenie danych
Jeśli chodzi o sposób prognozowania przychodów, naszym pierwszym krokiem w budowaniu modelu opartego na analizie predykcyjnej było zebranie dużej ilości danych na temat bieżących wyników organizacji. Zaczęliśmy od podsumowania aktualnej prognozy przychodów na kolejne sześć miesięcy w przyszłości.
W ciągu następnych sześciu miesięcy odświeżaliśmy te dane co tydzień, gdy prognozy były dopracowywane i aktualizowane. Wreszcie, w miarę upływu każdego z prognozowanych okresów, mierzyliśmy rzeczywiste przychody.
Dało nam to obraz prognozowanych przychodów, rzeczywistych przychodów, tego, jak bardzo prognozy zmieniały się średnio w różnych horyzontach planowania i jak duża zmienność istniała w prognozach. (Nie jest to ważne dla narracji tutaj, ale w rzeczywistości nie jest konieczne czekanie na przeprowadzenie badania w ciągu ośmiu fizycznych miesięcy, jeśli posiadane systemy mogą zapewnić historyczną perspektywę tego, jakie były prognozy po fakcie). To faktyczna technika, której użyliśmy, ale koncepcja jest taka sama w obu przypadkach).
Analiza danych liczbowych
Po zebraniu wszystkich danych byliśmy w stanie "znormalizować" dane, tworząc wiele instancji rzeczywistych przychodów wygenerowanych w danym okresie w porównaniu z prognozowanymi przychodami na ten okres z miesięcznym wyprzedzeniem, dwumiesięcznym wyprzedzeniem itd. Mając wystarczającą ilość danych zebranych do następnego kroku w prognozowaniu przychodów, mogliśmy następnie obliczyć średni stosunek prognozowanych do rzeczywistych przychodów dla każdego z horyzontów planowania. Stanowiło to średnią wariancję przewidywanych przychodów.
Korzystając z tych samych danych, obliczyliśmy również odchylenia standardowe tego samego wskaźnika, aby zrozumieć zmienność przewidywanych przychodów. Przeprowadzenie tej analizy przy użyciu danych zebranych w końcowym okresie badania zapewnia użyteczny, choć statyczny obraz tego, jak przewidywane przychody różnią się od prognozowanych przychodów.
Budowanie modelu
Gdy zrozumieliśmy, jak średnia wariancja i zmienność zachowywały się w różnych horyzontach planowania, byliśmy w stanie wykorzystać odchylenie standardowe do obliczenia przedziałów ufności na poziomie jednego i dwóchσ wokół przewidywań. Te przedziały ufności wyrażały zakresy, których model oczekiwałby, że zostaną osiągnięte odpowiednio w 66% i 95% przypadków, w oparciu o wyniki historyczne.
Tworzy to stożek bardzo podobny do tego, którego meteorolodzy używają do przewidywania ścieżki burzy. Podobnie jak w przypadku przewidywania toru burzy, strefa niepewności zwykle rozszerza się przy dłuższych horyzontach planowania, ponieważ znacznie łatwiej jest przewidzieć najbliższą przyszłość niż daleką przyszłość.
Zastosowanie modelu
Mając model przewidywanych średnich i przedziałów ufności wyrażonych jako stosunek przewidywanych do prognozowanych przychodów, możemy następnie zastosować te wskaźniki do bieżącej oddolnej prognozy przychodów, która opiera się na znanej, zaangażowanej pracy. Zastosowanie przewidywanych średnich wykorzystuje historyczne wyniki do przełożenia znanych przychodów na przewidywane przychody w oparciu o sposób, w jaki organizacja zidentyfikowała lub wygrała nową działalność w przeszłości.
Zastosowanie pasm jednego i dwóchσ pokazuje, jak pewna może być organizacja z tymi prognozami w oparciu o to, jak dużą zmienność system wykazywał w przeszłości. Te przewidywane wskaźniki można zastosować do najnowszej prognozy przychodów, niezależnie od tego, jak często prognoza jest aktualizowana.
Jak prognozować przychody przy użyciu w pełni dynamicznej analizy predykcyjnej?
Podczas gdy technika migawki w czasie polegająca na obliczaniu wskaźników reprezentujących wariancję i zmienność może zapewnić doskonałą prognozę przychodów opartą na analizie predykcyjnej, niekoniecznie uwzględni ona istotne zmiany w zachowaniu systemu.
Na przykład, jeśli organizacja zbuduje biuro zarządzania zasobami, aby poprawić dokładność prognozowania potrzeb w zakresie zasobów, można oczekiwać, że te ulepszenia będą widoczne jako mniejsza zmienność lub niższe odchylenie standardowe. W pełni dynamiczny system stale monitorowałby zachowanie systemu i aktualizował model o najnowsze dane dotyczące wydajności. Prawdę mówiąc, zwykłe wykonywanie nowych migawek i ponowne obliczanie wariancji i wariancji być może co kwartał, byłoby prawdopodobnie więcej niż wystarczające dla większości organizacji.
Zrozumienie klucza
Jak opisałem, faktyczna analityka i matematyka są naprawdę dość proste i wymagają jedynie podstawowej wiedzy ze statystyki, jeśli chodzi o prognozowanie przychodów. Kluczem do tego całego procesu, który omówiłem nieco powyżej, jest możliwość gromadzenia wiarygodnych, spójnych i czystych danych, które można wprowadzić do analizy.
W przypadku firm świadczących profesjonalne usługi, podstawowym systemem finansowym i operacyjnym, który zapewnia tego rodzaju dane, jest narzędzie do automatyzacji usług profesjonalnych, takie jak BigTime. Zapewnia ono pojedynczy system, który konsekwentnie buduje prognozy przychodów na podstawie prognoz dotyczących zasobów, a także śledzi rzeczywiste przychody generowane na podstawie włożonego wysiłku.
W ten sposób nie tylko zapewnia narzędzia do automatyzacji przyziemnych aspektów prowadzenia działalności w zakresie usług profesjonalnych, ale także pomaga organizacjom przenieść ich wydajność na wyższy poziom, umożliwiając być może bardziej interesujące analizy, takie jak ten model prognozy przychodów oparty na analizie predykcyjnej.
Więcej informacji
Jeśli chcesz dowiedzieć się więcej o oprogramowaniu PSA dla organizacji usługowych, zapoznaj się z naszym e-bookiem, Professional Services Automation: A Quick Primer. Znajdziesz w nim dodatkowe informacje o tym, jak oprogramowanie Professional Services Automation może poprawić wydajność organizacji usługowej. Znajdziesz tam również informacje na temat niektórych punktów decyzyjnych, które musisz podjąć przy wyborze oprogramowania PSA, niektórych trendów, które obserwujemy na rynku PSA i wiele więcej.
.png)
Często zadawane pytania dotyczące prognozowania przychodów
Jakie są etapy prognozowania przychodów?
Kroki, których należy użyć do prognozowania przychodów za pomocą analityki predykcyjnej, obejmują:
1. Wyznaczanie celów
2. Przewidywanie wariancji
3. Zmierz wariancję
4. Zwiększenie zaufania
5. Zastosuj model wariancji
6. Zastosuj wariancję
7. Porównanie z wartością docelową
8. Zwiększ zaufanie
9. Prognozowanie przychodów przy użyciu analizy predykcyjnej
