In mijn jaren als consultant ben ik tal van vragen en vereisten tegengekomen op het gebied van Business Intelligence. Overal in de organisatie van de klant, op elk niveau en in elke discipline, van operationele managers tot vertegenwoordigers of backofficemedewerkers, heb ik vragen ontvangen voor slimme rapporten, KPI’s, waarschuwingen, uitzonderingen en noem maar op. Deze vragen variëren zowel in diversiteit als in complexiteit. Het meest onschuldig uitziende verzoek zou een puzzel kunnen zijn waar een ogenschijnlijk onmogelijk verzoek kan worden opgelost in enkele minuten. Eén vraag blijft echter bij veel van mijn klanten weer opduiken. Het lijkt een beetje op de kristallen bol of de heilige graal van Business Intelligence. De vraag: geef me betrouwbare en gedetailleerde informatie over de cashflow of het werkkapitaal van mijn organisatie, en voorspel dit voor de toekomst. Zo krijgt een organisatie van tevoren inzicht in wanneer ze cashflow-problemen kunnen verwachten, zodat ze zich hier tijdig op in kunnen spelen.
Tot dusverre is dit verzoek gerealiseerd bij een aantal klanten, maar meestal slechts gedeeltelijk. Wanneer de bronsystemen eenvoudigweg niet de data verschaffen of de volatiliteit en onzekerheid te groot en divers zijn, is het niet haalbaar om een zinvol inzicht te creëren dat waarde toevoegt aan de voorspelling van de financiële gezondheid van een bedrijf. De complexiteit kan verder toenemen wanneer de gegevens verschillende bronnen hebben. In dit artikel heb ik twee werkelijk gerealiseerde delen uiteengezet en ik sluit af met het opheffen van de sluier over wat op dit moment nog haalbaar zou kunnen worden. Tot slot tonen we met een demodataset hoe dit in Tableau kan worden gevisualiseerd.
Een belangrijke component op het gebied van cashflow voorspellen is het betaalgedrag van klanten. De volgende variabelen zijn verder van invloed:
Op basis van deze variabelen kan men een tijdlijn in de toekomst creëren die laat zien wanneer inkomsten kunnen worden verwacht, op basis van de verwachte datum van facturering en de verwachte datum van betaling. Op basis van de regio- of betalingsgeschiedenis van een klant kan een zekerheid of betrouwbaarheidsfactor aan de cashflow worden toegevoegd. Indien geaggregeerd op een hoger niveau, kan het zekerheidspercentage van elke klant worden gewogen. Dit inzicht staat ook wel bekend als headroom.
Een vaker voorkomende variant is de Credit Check, die laat zien hoeveel een klant nog te besteden heeft binnen zijn/haar kredietlimiet. Dit kan een statisch rapport zijn (kredietlimiet – openstaande bedragen), maar met dezelfde betalingsvoorwaarden en geschiedenis zou dit kunnen worden doorgetrokken naar een voorspelling voor de toekomst.
Een soortgelijk inzicht kan worden gecreëerd voor de andere kant van de keten. De volgende variabelen kunnen worden gebruikt:
Wat als we deze twee combineren, een vooruitblik van het banksaldo toevoegen (wat natuurlijk een directe afgeleide is van de cashflow) en alles in één dashboard plaatsen?
Wat als we algoritmes voor machine learning toepassen om de voorspelling veel geavanceerder te maken dan met lineaire regressies?
Wat als we dan al deze voorspellingen opslaan als momentopnamen door de tijd, zodat we onze prognose kunnen vergelijken met de werkelijke geschiedenis van onze cashflow om het voorspellend model te verbeteren?
Onlangs hebben we een demo voor het voorspellen van cashflow ontwikkeld in Tableau. Deze demo is gebaseerd op levensechte data, gegenereerd in R. In het workbook van Tableau zijn twee soorten dashboards gebouwd; er zijn dashboards die basisrapporten bieden over de cashflow, zoals instroom / uitstroomdiagrammen en enkele verkoopanalyses, en er zijn dashboards die what-if-scenario’s weergeven. Het laatste type laat zien hoe veranderingen in verkopen, verkoopprijzen en salarissen in de toekomst de cashflow van uw bedrijf kunnen beïnvloeden. Dit soort analyse valt toe te passen op verschillende variabelen. Voor deze variabelen kunt u denken aan BTW-veranderingen, het promoten van andere producten en het overgaan op andere leveranciers. Na het toepassen van deze variabelen bieden de dashboards een voorspelling op het banksaldo om inzicht te geven op het effect van de wijzigingen. Bovendien vat het de resulterende winst of verliezen samen.
Als Senior BI Consultant bij Cadran Analytics, is Rick expert op het gebied van Tableau.
Puck is Junior Analytics Consultant bij Cadran. Ze besteedt haar tijd aan het maken van analyses in Tableau.
