Hlavní navigace

Ovládněte svou firemní hotovost

15. 5. 2023
Doba čtení: 6 minut

Sdílet

 Autor: Michal Dostál
Předvídání vývoje cashflow na bázi umělé inteligence pomůže s řešením problémů s nedostatkem likvidity, říká Michal Dostál, managing consultant ve společnosti Sophia Solutions.

K čemu je dobré ve firmě používat řízení cashflow?

Řízení cashflow je proces potřebný prakticky pro každou firmu. Jeho důležitost je daná v první řadě tím, že nedostatek hotovosti může ohrozit fungování podniku i v případech, kdy je firma v zisku. K problémům s likviditou mohou vést relativně běžné jevy jako rychlý růst, který s sebou nese zvýšenou potřebu provozního kapitálu, nebo naopak krátkodobý výkyv v podobě snížení objemu objednávek.

Hotovost může chybět v situaci, kdy jsou prostředky podniku vázané v zásobách, v rozpracované výrobě nebo v pohledávkách. Efektivní finanční řízení zahrnuje řízení cashflow a řeší ho tak, aby výkyvy likvidity neohrožovaly podnikání jako celek. Firma se chce typicky vyhnout nákladům na krátkodobé půjčky a zároveň nechce mít nadměrné množství prostředků vázaných v hotovosti, které zpravidla přinášejí nižší zisk než prostředky investované do výroby zboží a poskytování služeb zákazníkům.

Jaké výhody mají společnosti z využívání predikce cashflow?

Zkusím to ilustrovat na naší firmě Sophia Solutions, kde jsme řešení tohoto typu nasadili.

Jsme projektově orientovaná firma, většina projektů, které dodáváme, v podstatné míře obsahuje implementaci a konfiguraci dodávaného řešení u konkrétního zákazníka v kontextu jeho systémů a procesů. Dodávka vyžaduje velkou míru koordinace včetně součinnosti zákazníka a v mnoha případech je během úkolu nutné reagovat na nové okolnosti a pružně přizpůsobit projektový plán.

Řízení cashflow u nás v zásadě rutinně pracovalo na jedné straně s celkem dobře předvídatelnými náklady. Na straně výnosů pak vycházelo především z plánu fakturace, který se odvíjí od projektových záměrů a fakturačních milníků. Dlouhodobě jsme se potýkali s tím, že plán fakturace v delším horizontu nebyl zcela spolehlivý kvůli častým změnám v projektových návrzích.

Bylo nepříjemné, že jakákoliv událost, která donutila realizační tým revidovat projektový plán, způsobila pozdější fakturaci a v konečném důsledku jsme měli méně hotovosti, než jsme původně předpokládali. To se v praxi stávalo navzdory tomu, že projekt z hlediska ziskovosti dopadl dobře, zákazník byl spokojený a případné vícepráce z důvodů nových požadavků byly pokryté změnovým požadavkem a uhrazeny.

Problémy spojené s nepřesnou prognózou cashflow pro nás byly nákladné především proto, že zaměstnávaly pozornost vedení firmy a čas strávený jejich řešením nemohl být efektivně využit jinde.

Problém nepřesného plánu cashflow jsme si uvědomovali několik let a zároveň jsme pozorovali, že nepřesnosti se neobjevují zcela náhodně, ale souvisejí s některými měřitelnými a známými vlastnostmi projektů jako třeba velikost projektu, druh dodávané služby, zda jde o nového zákazníka nebo o klienta, kde pracujeme mnoho let, jestli bylo opakovaně posunuto už i datum začátku projektu. Žádná z těchto okolností nefungovala sama o sobě stoprocentně jako jednoznačný spouštěč zpoždění fakturace, ale korelace existovala.

Takže jste si vyvinuli vlastní prediktivní řešení pro řízení toku hotovosti?

Ano, poskytujeme totiž řešení v oblasti prediktivní analytiky, a tak nám dávalo smysl vyvinout v první řadě pro sebe řešení, které řízení cashflow zlepší. To se povedlo a řízení cashflow nyní zabírá méně času a vyvolává menší stres. Určitě můžeme být spokojení s tím, že i když poslední roky přinesly hodně výkyvů v našem podnikání, nebyli jsme z důvodů krátkodobých fluktuací cashflow nucení dělat překotná opatření pro zlepšení cashflow v krátkodobém horizontu, což se nám dříve tu a tam stávalo.

V jak dlouhém horizontu dovedou tato řešení předpovídat cashflow a jak v časové závislosti klesá jejich spolehlivost?

U nás se jako nejužitečnější horizont ukazuje do šesti měsíců, to souvisí s délkou našeho obchodního a produkčního cyklu. Hotovostní pozice na horizontu například jednoho roku je už v podstatné míře ovlivněna budoucím byznysem, událostmi, které nejen že teprve nastanou, ale navíc ještě ani faktory, které tyto události ovlivňují, neměly šanci zanechat nějakou stopu v našich datech.

Délka časového horizontu spolehlivé predikce bude pochopitelně různá v jednotlivých druzích podnikání, s rozdílnou délkou obchodního a produkčního cyklu a s různými daty, která jsou pro predikci k dispozici.

Na jakých datech se tyto technologie učí?

Použitá data se liší případ od případu.
Pro nás byla logickým východiskem data o fakturaci. Velkou výhodou bylo, že máme dlouhou verzovanou historii fakturace.

Z transakčních dat jsme pro faktury vydané v minulosti napočítali několik desítek prediktorů, tj. proměnných, které každou fakturu charakterizují ze všech možných hledisek: velikost, téma projektu, historie projektu a obchodního případu, historie projektů u zákazníka. Z těchto dat jsme pak natrénovali model, jenž zjistil, jaké okolnosti, které parametry zakázky a jejich kombinace zpravidla vedou ke zpoždění fakturace vůči plánu. Tento model se pak aplikuje na faktury  projektů a umožňuje podstatně přesnější predikci cashflow pozic na několik měsíců dopředu než dosavadní postup.

Jak dlouho trvá, než se takové řešení naučí predikovat cashflow v konkrétní firmě, a co všechno k tomu musí mít?

Podobně jako na jiných analytických zakázkách je pro pracnost a délku projektu rozhodující příprava dat. V našem případě zabral celý projekt zhruba dva měsíce v situaci, kdy jsme měli k dispozici kvalitní a přehlednou datovou základnu v existujících provozních a reportingových systémech.

Když budeme v budoucnu řešit nasazení prediktivní analytiky pro prognózu cashflow pro některého z našich zákazníků, budeme opět vycházet z analýzy toho, jak daný byznys funguje, co určuje jeho cashflow a jaká jsou k dispozici data. Pro firmu, která je projektově orientovaná a sbírá podobná data jako my, bychom mohli použít prediktivní model hodně podobný tomu našemu.

Pro organizaci s jiným byznysem a daty bychom použili buďto prediktivní model pracující s jinými prediktory, nebo modelování časových řad. Každá reálná úloha bude začínat analýzou hlavních byznysových procesů, které cashflow ovlivňují, a dat, jež jsou o těchto procesech k dispozici.

Jak moc se na takové predikce může firma spolehnout?

Výhodou použitých principů prediktivního modelování je možnost ověřit účinnost modelu na minulých datech. Není vůbec nutné nasadit do produkce neověřený systém a teprve následně jej ověřovat.

Podstatné také je, že náš tým má v oblasti prediktivní analytiky zkušenosti zahrnující řadu projektů, které se týkaly detekce fraudu, analýzy sentimentu na sociálních sítích, marketingové analýzy, řešení pro e-shopy, HR analytiky a dalších úloh.

Věříme tedy, že byť šíře přístupů potřebných pro řešení úloh predikce cashflow není malá, pro zkušené konzultanty z oboru prediktivní analytiky jsou tyto úlohy řešitelné a zákazníkovi přinesou výrazné zlepšení klíčového byznysového procesu.

Ptám se kvůli tomu, jak si takové prediktivní modely poradí s nečekanými krizemi, jako byl covid nebo okupace Ukrajiny?

Prediktivní modelování opírající se o techniky strojového učení vychází z nalezení vzorců chování v datech z minulosti. To s sebou přináší pochopitelně jistá omezení: pokud dojde k něčemu, co se zcela vymyká minulým zkušenostem reprezentovaným daty, která máme k dispozici, naše predikce to nezachytí.

Zároveň ale také platí, že na nás i jedinečné jevy, jakými jsou například pandemie nebo válka, často působí nepřímo, například prostřednictvím cen vstupů nebo zákaznického chování, které zpravidla už nějaký precedent v minulých datech mají. Prediktivní model, jenž pracuje s daty o faktorech, které ovlivňují určitý byznys, pak dokáže pomocí těchto zprostředkujících faktorů postihnout i některé důsledky jedinečných událostí.

To se potvrdilo i u nás, když model cashflow vytvořený z dat před pandemií nám dobře sloužil v době, kdy naše činnost byla pandemií ovlivněna, především prostřednictvím chování zákazníků.

Jak se tato prediktivní řešení z krizí poučila do budoucnosti, protože se zdá, že žijeme v době konstantních krizí, které plynule navazují jedna na druhou a vzájemně se překrývají?

soutez_casestudy

Obecně vnímám, že mnoho podniků a organizací nyní věnuje větší pozornost robustnosti své aktivity a řízení rizik. Více se zajímáme o své dodavatelské řetězce nebo o strategické zásoby. Řešení založená na pokročilé a prediktivní analytice nám v první řadě mohou pomoci se zvládáním situací, které na jednu stranu mohou fungování byznysu v nemalé míře zkomplikovat, na druhou stranu jsou pak v porovnání s pandemií, válkou nebo energetickou krizí něčím rutinním.

A zvládnutí tohoto typu situací nám v delším horizontu uvolní ruce a umožní věnovat potřebnou pozornost jak jedinečným krizovým jevům, tak i novým příležitostem, které nám mohou pomoci náš byznys a naše životy zlepšit.

Autor: Sophia Solutions

Byl pro vás článek přínosný?

Autor článku