Este é o primeiro de uma série de artigos do Boston Consulting Group e Daimler Mobility discutindo o conceito de direção financeira prospectiva. Aqui, apresentamos o conceito e explicamos como as empresas podem usá -lo. Os artigos subsequentes abordarão os desafios de implementação relacionados a pessoas e tecnologia. Os insights são derivados da implantação bem-sucedida da Daimler Mobility, com o apoio da BCG, de direção prospectiva em suas operações globais. Esse método dificulta as empresas com os níveis cada vez maiores de incerteza no ambiente de negócios de hoje. Para se manter em velocidade, as empresas precisam de uma abordagem da direção financeira que permita correções rápidas e eficazes de cursos em antecipação a futuros desenvolvimentos. As empresas devem gastar muito menos tempo desenvolvendo planos detalhados e muito mais tempo tomando medidas para combater ameaças e capturar oportunidades.
People don’t steer their cars solely on the basis of what they see in the rearview mirror, yet that is essentially how most business leaders steer their companies: they look backward to decide how to move forward. This method makes it hard for companies to cope with the ever-increasing levels of uncertainty in today’s business environment. To keep up to speed, companies need an approach to financial steering that permits rapid and effective course corrections in anticipation of future developments. Companies should spend far less time developing detailed plans and far more time taking action to counter threats and capture opportunities.
Para que isso aconteça, o paradigma para a direção deve mudar completamente seu foco do para trás, procurando olhar para o futuro. A direção de aparência atrasada implica analisar os desvios entre metas de plano e desempenho real. A direção prospectiva implica comparar metas com as previsões de como os KPIs evoluirão em horizontes de tempo específicos. Para adotar verdadeiramente a direção prospectiva (conforme descrito neste artigo), uma empresa deve usar previsões derivadas de algoritmicamente.
Embora seja comum as empresas produzirem previsões manualmente, poucas empresas usam algoritmos. As previsões derivadas de algoritmicamente permitem que o foco mude de relatórios periodicamente de resultados para prever com precisão o desenvolvimento de KPIs - mais e com menos esforço. Armado com a previsão de como as condições mudarão, as empresas podem tomar medidas para antecipar resultados desfavoráveis e promover vantagem competitiva.
Armed with foresight into how conditions will change, companies can preempt unfavorable outcomes and promote competitive advantage.
Adotar a direção de algoritmo e a seguir, não é fácil, no entanto. Uma empresa deve enriquecer seus processos manuais tradicionais com uma abordagem automatizada e orientada a dados para gerar previsões e relatórios de desempenho. Entre os muitos desafios estão a montagem de uma equipe que possui recursos estatísticos, estabelecendo uma nova infraestrutura técnica e construindo a confiança das pessoas em tecnologia. "Isso inclui não apenas métodos analíticos avançados, novas tecnologias e a experiência certa, mas também uma abordagem envolvente para mudar o gerenciamento".
“To master the digital transformation, a company must take a comprehensive approach to algorithm-based forward-looking steering,” says Stephan Unger, Daimler Mobility’s Chief Financial Officer (CFO). “This includes not only advanced analytical methods, new technologies, and the right expertise, but also an engaging approach to change management.”
O que há de errado com a direção para trás?
BCG’s CFO Excellence Index, a benchmarking survey of more than 200 companies, found that “excellence in forecasting” is a key differentiator of top-performing finance functions. The survey also found that forecasting capabilities are an important factor in promoting both efficiency in the finance function and satisfaction with the function across the broader organization.
Yet despite these recognized benefits, most finance functions have not adopted a state-of-the-art forecasting approach to their steering processes. At the same time, the processes that they use in preparing their annual budget and in reviewing their midterm plan tend to be long and cumbersome. (See “The Steering Process at BackwardCo.”) For half a year, organizations devote significant resources to collecting numbers. In many instances, the derived targets are already outdated by the time a company completes the process.
O processo de direção em Rackwardco
The Steering Process at BackwardCo
To understand the shortcomings of the traditional paradigm for steering, consider a company we call BackwardCo. It spends nearly a year creating a very detailed plan that documents its stakeholders’ agreement on the expected results for the upcoming fiscal year or years. Then it uses this plan during the ensuing year as a reference to assess performance. Here is how this approach plays out for 2020:
- detalhando as metas através de um processo elaborado de fundo-UP. Ele revisa o plano de médio prazo ao longo de 2019, para alcançar o alinhamento em toda a organização de baixo para cima e fazer ajustes para refletir as mudanças no mercado ou a maior ambição do Conselho para o EBIT. Freqüentemente, no entanto, faz alterações de última hora através de ajustes de amplo AVC nos alvos de nível superior. Essa abordagem interrompe o alinhamento entre os alvos de nível superior e os planos detalhados. O conselho aprova o plano de médio prazo de 2020, apesar de suas falhas, no final de novembro de 2019. Planning for 2020 begins in February 2019, when BackwardCo makes its first revisions to the existing long-term plan. It revises the midterm plan over the course of 2019, to achieve alignment across the organization from the bottom up and to make adjustments to reflect market changes or the board’s higher ambition for EBIT. Often, however, it makes last-minute changes through broad-stroke adjustments to the top-level targets. This approach disrupts the alignment between the top-level targets and detailed plans. The board approves the 2020 midterm plan, despite its flaws, in late November 2019.
- Steering on the Basis of Plan-to-Actual Comparisons. Starting in January 2020, BackwardCo assesses monthly performance by comparing its monthly actuals with the corresponding proportional values from its midterm plan. The company uses plan-to-actual comparisons to verify whether the company is on track and to provide quarterly guidance to capital markets. But it remains unclear whether deviations have occurred because the market evolved in unexpected ways or because the company’s actual performance is better or worse than its expected performance, as reflected in the plan’s proportional values. Just twice a year (in April and September), BackwardCo verifies whether approved targets will be reached or require adjustment.
- Alcance a realidade. Embora isso possa parecer desejável, a empresa pode ter perdido boas oportunidades de investimento que poderia ter perseguido se tivesse reconhecido mais cedo quão forte seria seu desempenho em 2020. Se o desempenho real ficar aquém dos valores proporcionais, o Ratherwardco deve considerar como salvar seu desempenho no futuro. Mas como as tentativas de vergonha apenas duas vezes por ano para verificar se atingirão suas metas anuais, as contramedidas necessárias podem chegar tarde demais para ser eficaz. Como as metas anunciadas estabelecem as expectativas dos investidores, a Ratherwardco precisará atualizar ou rebaixar suas orientações trimestrais para os investidores. Um plano desenvolvido através desse processo reflete os vieses pessoais dos indivíduos e fica obsoleto assim que a tinta estiver seca. (Consulte “O processo de direção na Forwardco”.) Ele fornece orientações antecipadas sobre o provável desenvolvimento de KPIs em diferentes cenários e sobre o impacto correspondente nos resultados futuros. Os tomadores de decisão podem usar essa previsão para avaliar a atratividade de caminhos alternativos que a empresa pode seguir. Isso lhes permite tomar decisões para explorar oportunidades e evitar desenvolvimentos adversos muito mais rápido do que seus concorrentes. O modelo permite que os líderes abordem vários tipos de atividades de direção. (Consulte o Anexo 1.) If actual performance exceeds the expectations reflected in the plan, BackwardCo has higher-than-expected EBIT. Although this may seem desirable, the company may have missed good investment opportunities that it could have pursued if it had recognized sooner how strong its 2020 performance would be. If actual performance falls short of the proportional values, BackwardCo must consider how to salvage its performance going forward. But because BackwardCo attempts only twice a year to verify whether it will achieve its annual targets, the countermeasures it takes may come too late to be effective.
If quarterly performance does not meet capital market expectations—on either the upside or the downside—capital market investors will be unpleasantly surprised. Because the announced targets establish investors’ expectations, BackwardCo will need to upgrade or downgrade its quarterly guidance to investors.
Subsequent performance reviews look backward, making proportional comparisons of static financial KPIs for the month, quarter, half-year, or year with the midterm plan. A plan that is developed through this process reflects individuals’ personal biases and becomes obsolete as soon as the ink is dry.
How Forward-Looking Steering Creates Value
Forward-looking steering entails analyzing algorithmically derived forecasts and defining and deciding on course corrections. (See “The Steering Process at ForwardCo.”) It provides early guidance on the likely development of KPIs under different scenarios and on the corresponding impact on future results. Decision makers can use this foresight to assess the attractiveness of alternative pathways that the company might take. This enables them to make decisions to exploit opportunities and to avoid adverse developments much faster than their competitors can. The model allows leaders to address several types of steering activities. (See Exhibit 1.)
O processo de direção no Forwardco
O processo de direção no Forwardco
Each month, a company we call ForwardCo produces an algorithmically derived forecast for the next 18 months. Here is how the company uses those monthly forecasts to derive a midterm plan for 2020 and to conduct forward-looking steering throughout the year:
- Configurando metas de alto nível. Reconciliações. Também se compara a cada previsão mensal com as metas de plano de alto nível para o final do ano 2020. A comparação mensal verifica se as metas trimestrais e anuais serão alcançadas ou se tornaram irrealistas. A previsão algorítmica fornece uma linha de base imparcial. A Forwardco incentiva seus funcionários a usar a previsão sem ajustes, mas eles podem adaptá-lo para incorporar informações objetivamente verificáveis (como mudanças regulatórias) que os dados alimentados no algoritmo não capturaram. Se a previsão melhorar, a Forwardco decide sobre a melhor maneira de investir os fundos adicionais que ficarão disponíveis no futuro. Se a previsão se deteriorar, a Companhia conduzirá simulações para identificar quais ações provavelmente serão mais eficazes para impedir que a previsão se materialize e decida quais ações seguir. Também pode decidir em tempo hábil se deve manter, atualizar ou fazer o downgrade de suas orientações para os investidores. Padrão sazonal de cada KPI. Os usuários podem enriquecer esses insumos com dados de mercado, indicadores macroeconômicos ou qualquer outra série métrica que se correlaciona com o KPI que está sendo previsto. A incerteza diminui ao longo do tempo à medida que os reais mais mensais surgem e entram no modelo. Se as previsões subsequentes apontarem em uma direção semelhante, a organização ganha confiança nos resultados trimestrais e de final de ano projetados. In September 2019, ForwardCo uses the current monthly forecast to develop its high-level midterm plan for 2020. This plan provides a sufficient basis for subsequent discussions and reconciliations.
- Steering on the Basis of Comparison of Forecasts with Prior Forecasts and High-Level Plan Targets. Throughout 2020, ForwardCo compares each monthly forecast with the forecast generated in the prior month and reviews the trajectory to find the root causes of changes. It also compares each monthly forecast with the high-level plan targets for year-end 2020. The monthly comparison verifies whether the quarterly and annual targets will be achieved or have become unrealistic. The algorithmic forecast provides an unbiased baseline. ForwardCo encourages its employees to use the forecast without adjustments, but they may adapt it to incorporate objectively verifiable information (such as regulatory changes) that the data fed into the algorithm did not capture.
- Conducting Future-Oriented Discussions. ForwardCo’s executive management team receives timely information for steering, and it benefits from the greater accuracy of the forecasts over time. If the forecast improves, ForwardCo decides on the best way to invest the additional funds that will become available going forward. If the forecast deteriorates, the company conducts simulations to identify which actions are likely to be most effective in preventing the forecast from materializing and decides which actions to pursue. It can also decide in a timely manner whether to maintain, upgrade, or downgrade its guidance for investors.
The initial inputs to the forward-looking model are the company’s historical actuals, which accurately reflect the level, trend, and seasonal pattern of each KPI. Users can enrich these inputs with market data, macroeconomic indicators, or any other metric series that correlates to the KPI being forecast. Uncertainty decreases over time as more monthly actuals arise and go into the model. If subsequent forecasts point in a similar direction, the organization gains confidence in the projected quarterly and year-end results.
A empresa conta com uma série de análises de perfuração para entender os principais fatores responsáveis pelas flutuações de previsão e identificar suas causas radiculares. Uma organização pode usar o conhecimento comercial local para confirmar a validade dos motoristas. Ao automatizar e digitalizar o processo, as empresas podem gerar rapidamente informações sobre o desenvolvimento futuro dos KPIs mais importantes. Possui recursos de simulação para avaliar cursos de ação alternativos. eles.
The forward-looking model enriches the backward-looking model in the following ways:
- It provides a view of future KPI development, including their probabilities.
- It pairs with graphical tools to enable in-depth analyses, and it has simulation capabilities for assessing alternative courses of action.
- All relevant stakeholders (including representatives of markets, regions, and functions, as well as data scientists) participate in its creation, which maximizes buy-in.
- It is highly automated and generates information in real time, so the workforce can focus on analyzing numbers rather than on collecting them.
- Ele fornece informações específicas do usuário para tomar decisões e agir. No caso de desenvolvimentos adversos, isso significa derivar e tomar medidas corretivas para antecipar a realização de uma previsão desfavorável. Além disso, um algoritmo prevê KPIs em níveis específicos de probabilidade - não com certeza absoluta. Por esses motivos, a decisão comercial sobre o caminho certo deve permanecer com a liderança. Eles então o implantam na organização sem mudar a filosofia do modelo de direção, construir as capacidades organizacionais necessárias ou levar as pessoas na jornada. Confiar apenas nas ferramentas geralmente resulta em falha. Para evitar essa armadilha, a Daimler Mobility adotou uma abordagem abrangente para a direção prospectiva que inclui cinco elementos: filosofia de direção, habilidades e colaboração, algoritmos e dados, visualizações e serviços em nuvem e processo e transformação de direção. (Consulte Anexo 2.)
The company uses the insights to determine the most attractive options available to it. In case of adverse developments, this means deriving and taking corrective action to preempt the realization of an unfavorable forecast.
It is important to note, however, that the quality of the insights generated depends on the quality of the source data. Moreover, an algorithm forecasts KPIs at specific levels of probability—not with absolute certainty. For these reasons, the business decision on the right path forward should remain with the leadership.
Daimler Mobility’s Comprehensive Approach to Implementation
In their efforts to modernize steering processes, companies all too often fall into the trap of buying or developing a new digital tool without suitable support. They then deploy it in the organization without changing the philosophy of the steering model, building the necessary organizational capabilities, or taking people along on the journey. Relying solely on tools usually results in failure. To avoid this trap, Daimler Mobility has taken a comprehensive approach to forward-looking steering that includes five elements: steering philosophy, skills and collaboration, algorithms and data, visualizations and cloud services, and steering process and transformation. (See Exhibit 2.)
Diretora de fios de orientação. Esses princípios orientadores assumem vários compromissos críticos: Daimler Mobility has laid out the central philosophy of its enhanced steering model in a set of guiding principles, which it communicates to the broader organization. These guiding principles make several critical commitments:
- A direção estará à frente. Será baseado no desenvolvimento futuro dos KPIs financeiros e lições aprendidas com o desempenho real. Para obter informações não incluídas nos dados e para melhorar a aceitação de previsões. O Central Pillar de transformar a abordagem de direção na Daimler Mobility envolveu a construção de uma equipe de análise com capacidades para desenvolver, executar e manter os algoritmos. Como a maioria dos cientistas de dados não possui antecedentes financeiros, a empresa precisava de uma maneira de transferir o conhecimento financeiro de maneira rápida e eficiente. Uma abordagem inovadora usada foi realizar uma série de sessões semanais de perguntas e respostas. Em cada sessão, que durou duas a três horas, um especialista elaborou um tópico de negócios específico, como um modelo de negócios e seus respectivos fluxos de dados. Os controladores ajudam os cientistas de dados a obter experiência prática em operações financeiras diárias e estabelecem canais de comunicação que permitem aos cientistas orientar os negócios. Os cientistas de dados ajudam os controladores a entender como as previsões algorítmicas apóiam seu trabalho diário, incentivando -os a ver as previsões como ferramentas eficazes, e não como uma ameaça à sua influência na organização.
- Predictions will be available very quickly and will be offered to everyone at the same time—with very little human effort and intervention.
- Forecasts will be updated as soon as new data is available, to ensure that decision making is based on the most recent information.
- Forecasts will consider local knowledge, to account for information not included in the data and to improve acceptance of predictions.
- Dashboards with drill-down capabilities will enable leaders to identify root causes and conduct ad hoc analyses.
- Simulations will enable business leaders at different levels to assess different scenarios and then commit to a course of action.
Skills and Collaboration. A central pillar of transforming the steering approach at Daimler Mobility has involved the building of an analytics team with capabilities to develop, run, and maintain the algorithms. Because most data scientists do not have a financial background, the company needed a way to transfer financial knowledge quickly and efficiently. One innovative approach it used was to conduct a series of weekly question-and-answer sessions. In each session, which lasted two to three hours, an expert elaborated on a specific business topic, such as a business model and its respective data flows.
Daimler Mobility has strongly encouraged collaboration between teams of business controllers, IT experts, and data scientists. Controllers help data scientists gain hands-on experience in daily financial operations, and they establish channels of communication that enable the scientists to guide the business. Data scientists help controllers understand how algorithmic forecasts support their daily work, encouraging them to view the forecasts as effective tools rather than as a threat to their influence in the organization.
Algoritmos e dados. O mecanismo de cálculo da Daimler Mobility (chamado "Merlin", após o lendário assistente) incorpora uma infinidade de algoritmos e decide por si só que usar - seja um algoritmo ou uma combinação de algoritmos. O mecanismo aplica o aprendizado de máquina para gerar uma previsão imparcial e totalmente orientada a dados que apresenta as melhores previsões possíveis. Sempre que novos dados mensais estão disponíveis, Merlin produz milhões de previsões para KPIs selecionados e valida automaticamente as previsões, comparando -as com o desempenho passado. Com base nessa comparação, ele seleciona o melhor algoritmo ou combinação de algoritmos para um KPI específico. Para garantir a calibração contínua, Merlin repete esse processo a cada mês e sempre que a empresa introduzir um novo KPI. Many algorithms for forecasting KPIs are available, but choosing which algorithms to use can be a daunting task because the information available to feed into them evolves over time. Daimler Mobility’s calculation engine (named “Merlin,” after the legendary wizard) incorporates a multitude of algorithms and decides on its own which to use—whether one algorithm or a combination of algorithms. The engine applies machine learning to generate a fully data-driven, unbiased forecast that presents the best possible predictions. Whenever new monthly data is available, Merlin produces millions of forecasts for selected KPIs and automatically validates the forecasts by comparing them with past performance. On the basis of this comparison, it selects the best algorithm or combination of algorithms for a particular KPI. To ensure continuous calibration, Merlin repeats this process each month and whenever the company introduces a new KPI.
Choosing which KPI-forecasting algorithms to use can be a daunting task because the information available to feed into them evolves over time.
Como regra geral, a preparação de dados compreende até 80% do tempo de desenvolvimento de um algoritmo. Os dados de origem geralmente incluem outliers - pontos de dados em uma série temporal que possui valores extremamente altos ou baixos. Os outliers são especialmente problemáticos porque podem distorcer significativamente os resultados da previsão. A Daimler Mobility desenvolveu um modelo que detecta outliers e automaticamente faz ajustes de valor apropriados para evitar distorções.
Visualizações e serviços em nuvem. Por exemplo, ele usa painéis para apresentar previsões, desvios ao longo do tempo e análises de causas raízes para usuários específicos no nível corporativo, regional ou país. (Consulte o Anexo 3.) As previsões em nível de país são exibidas visualmente em um aplicativo chamado MyForecast. O aplicativo também oferece aos controladores suporte analítico básico, como a capacidade de comparar previsões para diferentes períodos de tempo ou sob diferentes regimes de taxa de câmbio. Para promover a aceitação organizacional das previsões estatísticas, cada função permite que os controladores no nível do país ajustem a previsão para refletir suas opiniões sobre como os KPIs evoluirão. O aplicativo também exibe esses ajustes. Um recurso de narrativa no aplicativo de visualização permite que os apresentadores facilitem suas discussões, marcando informações específicas nos painéis; Os apresentadores podem dizer a gerenciamento os aspectos mais importantes de sua história, navegando pela sequência lógica desses favoritos. Os apresentadores podem se desviar facilmente da história e aprofundar -se em detalhes quando as discussões exigem uma aparência mais profunda. Daimler Mobility employs a number of tools to effectively communicate and apply insights. For example, it uses dashboards to present forecasts, deviations over time, and root-cause analyses to specific users at the corporate, regional, or country level. (See Exhibit 3.) The country-level forecasts are visually displayed in an application called MyForecast. The application also gives controllers basic analytical support, such as the ability to compare forecasts for different time periods or under different exchange rate regimes. To promote organizational acceptance of statistical forecasts, each function allows controllers at the country level to adjust the forecast to reflect their views on how KPIs will evolve. The application also displays these adjustments.
The business leadership uses simulated scenarios to discuss possible options and decide on any necessary action. A storytelling feature in the visualization application allows presenters to facilitate their discussions by bookmarking specific information on dashboards; the presenters can then tell management the most important aspects of their story by navigating through the logical sequence of these bookmarks. Presenters can easily deviate from the story and delve into details when discussions demand a deeper look.
The business leadership uses simulated scenarios to discuss possible options and decide on any necessary actions.
A mobilidade Daimler executa algoritmos de previsão e processamento de informações subsequentes para painéis em serviços em nuvem que podem executar muitos cálculos simultaneamente. No quinto dia útil de cada mês, a organização recebe os dados reais do KPI para o mês anterior. No mesmo dia, gera mais de 5.000 previsões. Dois dias depois, deriva implicações e toma decisões. Esse processo inclui a contabilização de eventos únicos que as finanças reais não refletem e que o mecanismo não pode detectar ou aprender. Na etapa final do processo, a equipe executiva se reúne em uma videoconferência para discutir os fatores que determinam os resultados futuros, para considerar os cenários do What-If e identificar os caminhos mais promissores. A equipe executiva toma uma decisão conjunta sobre o caminho a seguir. "As previsões das previsões de rolagem permitem que nossos especialistas se concentrem em tarefas de valor agregado e forneçam uma base rápida e imparcial para a tomada de decisões da equipe executiva".
Steering Process and Transformation. The enhanced steering process that Daimler Mobility implemented is faster than the traditional steering approach, and it involves more stakeholders. On the fifth working day of each month, the organization receives the actual KPI data for the previous month. On the same day, it generates more than 5,000 forecasts. Two days later, it derives implications and makes decisions. This process includes accounting for one-time-only events that the actual financials do not reflect and that the engine cannot detect or learn. In the final step of the process, the executive team meets in a videoconference to discuss the factors that determine future results, to consider what-if scenarios, and to identify the most promising paths forward. The executive team then makes a joint decision regarding the way forward.
“To successfully transform toward the enhanced steering approach, employees must understand its benefits,” says Daimler Mobility’s CFO Stephan Unger. “Predictions from rolling forecasts allow our experts to focus on value-added tasks and provide a quick, unbiased basis for decision-making by the executive team.”
A transição da organização para essa abordagem de direção aprimorada e a mentalidade não tem sido fácil. Um fator de sucesso tem sido uma comunicação frequente com as partes interessadas relevantes sobre como o processo enriquecido difere do processo tradicional. Esse esforço inclui destacar atividades novas ou alteradas e sua sequência, além de observar funções e responsabilidades novas ou alteradas. Outro fator de sucesso envolveu convencer todas as partes interessadas da viabilidade de uma abordagem algorítmica e da precisão das previsões. Para alcançar esse resultado, a empresa comparou retroativamente as previsões aos desenvolvimentos reais. Habilidades estatísticas, a empresa precisa desenvolver seu entendimento de negócios e suas capacidades para adotar novas maneiras de trabalhar. Além disso, para reter talentos a longo prazo, uma empresa precisa estabelecer modelos e caminhos atraentes de carreira, dentro e fora da organização de análise financeira.
What Are the Main Challenges?
Daimler Mobility’s experience highlights several challenges that a company must meet in order to transition to a forward-looking steering model:
- Build capabilities and teams. Although analytics experts have superior statistical skills, the company needs to develop their business understanding and their capabilities to adopt new ways of working. Moreover, to retain talent over the long term, a company needs to establish attractive career models and paths, both within and outside the finance analytics organization.
- Aproveitar dados e infraestrutura técnica. As dificuldades nessa área incluem automatizar a limpeza de dados e a ampliação do poder de computação suficiente. The company needs to establish a flexible, stable, and scalable forecast engine, and it needs to create a readily accessible repository of consistent historical data. Difficulties in this area include automating data cleaning and scaling up sufficient computing power.
- Entenda os benefícios. Ele também precisa tranquilizar os funcionários de que a direção prospectiva cria benefícios para eles. Esses benefícios incluem reduzir o número de tarefas manuais tediosas e permitir que as pessoas se concentrem em atividades de valor agregado. Além disso, a empresa se beneficia de maior velocidade e precisão. Para apreciar completamente a abordagem aprimorada, os funcionários também precisam estar cientes de suas limitações, incluindo aqueles observados anteriormente relacionados à qualidade dos dados de origem e à probabilidade (não à certeza) das previsões. Os líderes devem garantir aos funcionários que suas opiniões serão incluídas nas previsões, se apropriado. Devido a essas limitações, as decisões de negócios continuarão sendo uma prerrogativa humana. The company must ensure that employees develop trust in the accuracy and stability of the algorithm and the related processes. It also needs to reassure employees that forward-looking steering creates benefits for them. These benefits include reducing the number of tedious manual tasks and enabling people to focus on value-add activities. Moreover, the company benefits from greater speed and accuracy. To fully appreciate the enhanced approach, employees also need to be aware of its limitations, including those noted earlier relating to the quality of source data and the probability (not certainty) of forecasts. Leaders should assure employees that their views will be included in the forecasts, if appropriate. Because of these limitations, business decisions will continue to be a human prerogative.
A company needs to establish a flexible, stable, and scalable forecast engine, and create a readily accessible repository of consistent historical data.
Nos próximos artigos desta série, bem como em uma apresentação em vídeo, exploraremos em maior profundidade como a mobilidade da Daimler superou esses desafios, e discutiremos as lições que outras empresas podem aprender com seus negócios de maneira que não é possível, com o mais de um dos negócios, a mais de que o Moborility é o que há mais de um pouco de negócios. Em 70% das previsões, a previsão estatística provou ser a mesma que ou mais precisa do que o julgamento de especialistas - e alcançou esses resultados mais rapidamente e com muito menos esforço do que os especialistas. Esse sucesso vem de um mecanismo de previsão gerenciado pelos cientistas de dados, bem como de uma transformação rigorosamente projetada e executada. O esforço produziu uma recompensa importante: a previsão que permite à empresa moldar o futuro, preendendo resultados negativos e explorando novas oportunidades. Gerhard Unger
Daimler Mobility’s algorithmically generated forecasts predict performance for the next 18 months for more than 50 business entities, each with approximately 100 KPIs. In 70% of the predictions, the statistical forecast has proved to be the same as or more accurate than experts’ judgment—and it achieved these results faster and with far less effort than the experts did. This success comes from a forecasting engine managed by data scientists, as well as from a rigorously designed and executed transformation. The effort has yielded an important reward: foresight that enables the company to shape the future by preempting negative outcomes and exploiting new opportunities.
