Modelli di Previsione Finanziaria: Guida Completa
Se un investitore ti chiede cosa prevedi di guadagnare nel prossimo anno fiscale e non hai una risposta informata, sei spacciato in partenza.
Raggiungere il successo nell'ambiente aziendale moderno, complesso e competitivo, richiede una strategia orientata al futuro. Basandosi sulle performance storiche, sulle ricerche di mercato e sulle tendenze attuali, i modelli di previsione guidati dai dati possono aiutare le aziende a ottenere un vantaggio competitivo.
Esistono molti modelli di previsione tra cui scegliere e ancora più soluzioni software per implementarli.
Want more from The CFO Club?
Create a free account to finish this piece and join a community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
In questa guida, analizzerò alcuni modelli di previsione utili—e spiegherò come puoi utilizzarli per ottenere un vantaggio nel tuo settore.
Cos'è un modello di previsione?
I modelli di previsione sono strumenti utilizzati per predire le performance future sulla base dei dati storici e attuali. Nel mondo aziendale e finanziario, il termine previsione quasi sempre si riferisce alla previsione finanziaria.
Un modello di previsione utilizza una metodologia statistica, oppure formule e ipotesi, per prevedere le performance future, inclusi ricavi, domanda dei clienti e tassi di abbandono.
Più nello specifico, questi modelli sono utilizzati per determinare come cambiamenti in determinate variabili e parametri potrebbero influenzare le performance (a differenza dei budget, che ti aiutano a pianificare il flusso di cassa). Per esempio, una catena di ristoranti potrebbe utilizzare un modello per determinare come i cambiamenti all’orario di apertura di un negozio o alle stagionalità influenzeranno i ricavi delle vendite.
Esistono tutti i tipi di modelli di previsione (di cui parlerò più avanti in dettaglio) ma hanno tutti lo stesso obiettivo: utilizzare dati storici, ipotesi e tendenze attuali per prevedere le performance future.
Questi strumenti possono essere applicati a un’infinità di scenari potenziali e sono fondamentali per i team di finanza, marketing e direzione. Per il resto di questa guida, tralascerò il resto e mi concentrerò esplicitamente sui modelli di previsione finanziaria.
Metodi di previsione
Scegliere il giusto tipo di tecnica di modellazione (e il modello di previsione specifico) è molto importante. Prima però devi avere alcune informazioni di base su questi modelli e su come funzionano.
Esistono due grandi categorie di modelli di previsione: quantitativi e qualitativi.
Metodi di previsione qualitativa
La previsione qualitativa si basa su opinioni ed esperienze di esperti. Sono:
- Soggettive per natura
- Non basate su dati o tendenze passate
- Utilizzate per analizzare dati non numerici
I metodi qualitativi sono utilizzati quando l’oggetto dell’analisi non può essere misurato o contato. Ad esempio, se un’azienda vuole capire le motivazioni e le credenze che guidano il comportamento dei consumatori e influenzano le loro decisioni di acquisto, nessun dato quantitativo può rivelare tali elementi. La previsione qualitativa si basa su opinioni individuali, ricerche e studi.
Metodi di previsione quantitativa
La previsione quantitativa utilizza modelli numerici basati sui dati storici per prevedere le performance future. I modelli quantitativi:
- Sono più oggettivi
- Si basano su dati storici (ad es. ricavi da vendite, organico, ecc.)
- Analizzano dati numerici
All’interno della categoria quantitativa, esistono due ulteriori sottocategorie:
Serie storiche
I modelli a serie storiche si concentrano sui pattern e sulle loro variazioni, basandosi sui dati storici.
Per esempio, un’azienda che si prepara a lanciare l’attività in un nuovo Paese potrebbe utilizzare i dati del precedente lancio (inclusi dati sulle vendite, trend della forza lavoro, ecc.) per preparare un budget per la nuova apertura.
Associativi/Causali
I modelli associativi, noti anche come causali, sono più avanzati e si concentrano su molteplici fonti di informazioni raffinate e specifiche. Utilizzano i dati passati ed eccellono nel mettere in relazione dati apparentemente scollegati con lo scopo della previsione.
Possono anche essere utilizzati per creare relazioni associative tra le metriche finanziarie di un'azienda e variabili esterne. Ad esempio, un produttore di elettrodomestici potrebbe costruire un modello che prevede le vendite di elettrodomestici in base al numero di nuove concessioni edilizie in una determinata area.
Di seguito illustrerò le basi di alcuni dei modelli di previsione più comuni utilizzati oggi dalle aziende.
Modelli quantitativi di previsione più comuni
I modelli quantitativi di previsione si basano su dati storici per formulare previsioni sul futuro.
Ad esempio, un rivenditore potrebbe esaminare i dati di vendita del quarto trimestre degli ultimi tre anni per prevedere il volume delle vendite natalizie durante la stagione di shopping di punta.
Se non disponi di dati interni (per esempio, se sei un rivenditore appena nato), potresti comunque potenzialmente sfruttare la previsione quantitativa: ti basterebbe avere accesso a dati comparabili del tuo settore.
Nell'ambito della previsione quantitativa, esistono diversi modelli popolari da utilizzare—li spiegherò qui di seguito.
Serie storiche
I modelli di serie storiche sono utilizzati quando sono disponibili dati di diversi anni. Sono più utili quando le relazioni tra i dati (come il prezzo medio e il volume di vendita) sono relativamente stabili e le tendenze risultano facilmente identificabili.
Ad esempio, un'azienda potrebbe scegliere di impiegare modelli di serie storiche per proiettare la crescita di una linea di prodotto già esistente.
Supponiamo che la linea di prodotti in questione sia stata lanciata quattro anni fa e abbia registrato una crescita costante da allora. L'azienda potrebbe utilizzare quei dati e applicare un modello di serie storiche per prevedere quale potrebbe essere il volume di vendita l'anno prossimo (o negli anni successivi).
Linea retta
Il modello a linea retta è una tecnica semplice che fornisce stime dei ricavi futuri o di altre metriche finanziarie considerando i valori passati e ipotizzando che tali tendenze continueranno.
Ad esempio, se un'azienda ha registrato una crescita delle vendite del 3,6% annua negli ultimi quattro anni e si aspetta che le tendenze attuali proseguano, può utilizzare un modello a linea retta per prevedere l'ammontare dei ricavi che probabilmente genererà in futuro.
Come suggerisce il nome, il modello a linea retta presuppone un cambiamento costante e prevedibile. È semplice, ma può comunque rappresentare un buon punto di partenza per prevedere una gamma di metriche e scenari finanziari.
Qual è la differenza tra la previsione con serie storiche e la linea retta?
I modelli di serie storiche sono tipicamente usati per comprendere cicli di tendenza, fluttuazioni cicliche e stagionalità, mentre la previsione a linea retta è di solito utilizzata per prevedere una crescita (o declino) stabile.
Pensa alle previsioni a serie storiche come a un cerchio o una spirale auto-contenuta; pensa alla linea retta, come suggerisce il nome, come una linea dritta!
Media mobile
Il modello della media mobile è in qualche modo simile al modello a linea retta descritto sopra, ma lavora con insiemi di dati più piccoli e si concentra su intervalli di tempo a breve e medio termine.
Le aziende possono utilizzare i modelli di previsione a media mobile per prevedere, ad esempio, la domanda durante le festività. L'azienda potrebbe quindi analizzare le cifre della media mobile dei ricavi di vendita dal Q4 del 2019, 2020, 2021 e 2022, rispettivamente.
Potrebbero applicare una semplice formula per ottenere la media mobile:
(A1 + A2 + A3 + A4) / N
dove
A = Media per uno specifico periodo
e
N = Numero totale di periodi
L'azienda può quindi usare questa media mobile per creare una previsione dei dati attesi per le vendite durante le prossime festività.
Questa formula necessita di un buon insieme di dati con cui lavorare; nell'esempio sopra, si utilizzano quattro anni di dati. Ma è fondamentale che ignori i dati di vendita non relativi al Q4, i quali sono in larga parte irrilevanti quando si prevede solo l'andamento delle vendite per le festività.
Livellamento esponenziale
I modelli di livellamento esponenziale sono simili ai modelli della media mobile, ma applicano una metodologia di ponderazione che dà maggiore rilievo ai dati più recenti.
Ad esempio, considera lo stesso esempio citato sopra. L'azienda ha quattro anni di dati storici sulle vendite durante le festività, ma in quel periodo ha registrato una crescita costante.
Pertanto, i dati degli anni più vecchi sono meno rilevanti rispetto ai dati più recenti degli ultimi due anni.
I modelli di livellamento esponenziale attribuiscono un peso maggiore ai dati più recenti. Questo è utile perché consente alle aziende di adattare le proprie previsioni per riflettere le tendenze dei dati più attuali.
Per quanto possa essere allettante servirsi di dati più datati se presentano un quadro più ottimistico (le valutazioni del 2021 rispetto a quelle del 2022, per esempio), è fondamentale utilizzare i dati più rilevanti per avere una visione realistica di ciò che accadrà.
Proiezione delle Tendenze
La proiezione delle tendenze adatta una linea di tendenza a un'equazione matematica e poi usa l'equazione per proiettare quella linea di tendenza nel futuro.
Un modello di proiezione delle tendenze analizza i dati passati—come i numeri di vendita dei fine settimana, dei giorni feriali o di specifiche stagioni, per esempio—per fare previsioni sulla domanda futura in quei periodi.
Può essere applicato in modo simile alla modellizzazione lineare semplice, a seconda dei set di dati con cui si lavora. Esistono diverse sottocategorie nelle proiezioni di tendenza, tra cui i logaritmi, i polinomi e il metodo delle caratteristiche della pendenza.
Modelli Associativi
I modelli associativi, chiamati anche modelli causali, collegano una certa metrica aziendale (come il fatturato) a una variabile indipendente distinta (come la crescita della popolazione in una città).
I modelli causali sono utili per collegare le aspettative future delle operazioni aziendali a variabili specifiche, sia interne che esterne all'azienda.
Ad esempio, il titolare di un food truck potrebbe usare un modello per prevedere la domanda durante una fiera estiva basandosi sulle previsioni meteorologiche del fine settimana. In alternativa, una società di sviluppo immobiliare potrebbe utilizzare la modellizzazione causale per prevedere la domanda futura di nuove abitazioni in una comunità, basandosi sulla crescita prevista della popolazione nell'area.
Detto ciò, i modelli associativi possono anche essere utilizzati per prevedere una certa variabile in base alla sua connessione con altre variabili correlate. Ad esempio, un'azienda potrebbe utilizzare la modellizzazione causale per prevedere il margine di profitto stimato che deriverebbe da un aumento delle spese pubblicitarie.
Per definizione, i modelli associativi sono più complessi dei modelli di serie temporali.
I modelli associativi possono essere utilizzati per incorporare dati esterni e cercare di stabilire una relazione tra una metrica aziendale relativamente standard (ad esempio il fatturato) e una metrica che molte aziende potrebbero non considerare nemmeno (ad esempio il reddito annuo medio per nucleo familiare in una città).
Sebbene siano più complessi, i modelli causali possono essere estremamente utili per costruire previsioni più accurate—e rimanere un passo avanti rispetto ai concorrenti.
Regressione Lineare Semplice
La regressione lineare semplice aiuta le aziende a esaminare come una variabile dipendente (come il fatturato delle vendite) si correla a una variabile indipendente (come l'importo speso in pubblicità).
Oppure, usando l'esempio dei dati esterni, la regressione lineare semplice potrebbe essere utilizzata anche per determinare come una variabile dipendente (come il fatturato per punto vendita) si correla a una variabile indipendente (come il reddito familiare in una determinata provincia).
La regressione lineare semplice può essere visualizzata tracciando un grafico a linee con una metrica sull'asse Y e un'altra sull'asse X. Ma, come suggerisce il nome, bisogna mantenerla semplice; questi modelli possono supportare solo confronti tra due variabili.
Regressione Lineare Multipla
Come si può intuire, la regressione lineare multipla si basa sulla regressione lineare semplice aggiungendo più variabili aziendali all'equazione.
Esiste ancora una singola variabile dipendente (ad esempio il fatturato), ma possono esserci più variabili indipendenti che possono provenire da fonti di dati interne, esterne o da entrambe.
La regressione lineare multipla è complessa e tipicamente richiede un software di analisi statistica per essere eseguita. Inoltre, la precisione della formula di regressione risultante dipende dai dati utilizzati (numero di elementi, periodo di tempo analizzato, decisioni prese durante le fasi di pulizia dei dati).
L'utilizzo della previsione tramite regressione lineare richiede di esaminare criticamente i risultati considerando le variabili non incluse nei dati utilizzati nella regressione e se queste variabili mancanti porteranno il modello a sovrastimare o sottostimare l'impatto di una variabile indipendente.
Modelli Qualitativi di Previsione Comuni
I modelli di previsione qualitativa utilizzano dati soggettivi e qualitativi. Sono spesso usati in situazioni in cui non sono disponibili dati quantitativi.
Per esempio, un modello qualitativo potrebbe dipendere dal contributo di un esperto o dai risultati di un sondaggio tra potenziali clienti.
La previsione qualitativa è più soggettiva per sua natura, ma è comunque molto utile—soprattutto in situazioni dove non ci sono dati solidi da cui attingere. PS: Trovo ancora strano che "dati" sia plurale.
Comunque.
Tutti i modelli di previsione qualitativa richiederanno una qualche forma di raccolta dati (interviste agli esperti, panel, sondaggi, ecc.), ma differiscono nel modo in cui tali dati vengono raccolti e poi utilizzati per informare le previsioni. In genere sono meno utili per le previsioni finanziarie, perché si tratta sostanzialmente di tentativi alla cieca; alcuni sono semplicemente più precisi di altri.
Metodo Delphi
Hai mai sentito parlare dell'Oracolo di Delfi? Il suo intero compito era fare previsioni sul futuro - non così diverso dal ruolo di un CFO... giusto?
Sì, puoi iniziare a definirti l'Oracolo della tua azienda. No, non puoi dire che ti ho dato io il permesso.
Il metodo Delphi si basa sulle opinioni degli esperti, generalmente utilizzando un piccolo gruppo di esperti in materia. Ad esempio, un ente privato di istruzione può consultare un gruppo di professori per raccogliere dati sulle abitudini degli studenti.
Nel metodo Delphi, gli esperti vengono intervistati per raccogliere dati. Fondamentale è che ogni esperto venga intervistato in modo indipendente, e solo successivamente i dati vengono aggregati. Questo aiuta a prevenire il pregiudizio di gruppo e consente la massima libertà di espressione.
Il metodo Delphi prevede "round" di raccolta dati. Il primo turno è individuale, ma quelli successivi sono comuni. Le risposte di ciascun esperto vengono condivise con il gruppo allargato, aprendo la strada al confronto. Gli esperti sono liberi di cambiare le loro opinioni o stime nei round successivi.
Poiché il metodo Delphi utilizza di solito piccoli gruppi di esperti, è importante scegliere con attenzione le persone da intervistare, dato che i dati sono affidabili solo quanto lo è la competenza degli esperti.
Ricerca di Mercato
Scommetto che non hai mai sentito parlare di questa tecnica prima d’ora-- ehilà, ti vedo che stai alzando gli occhi al cielo!
La ricerca di mercato è un metodo di previsione molto comune utilizzato dalle aziende per raccogliere le opinioni dei potenziali clienti. Ad esempio, un produttore alimentare che lancia un nuovo gelato a basso contenuto calorico potrebbe chiedere ai clienti, tramite sondaggio online, quali sono i loro obiettivi di perdita peso e le loro scelte alimentari.
La ricerca di mercato è solitamente un gioco di numeri: più risposte riesci a raccogliere dal pubblico, meglio è.
La ricerca di mercato può essere condotta tramite telefono, email, messaggi, interviste di persona e molto altro. Spesso viene svolta con l’aiuto di società specializzate, che si occupano delle interviste e della raccolta dati.
Consenso del Panel
Il consenso del panel utilizza un gruppo di discussione che riunisce opinioni di esperti e dipendenti. Viene spesso svolto coinvolgendo un panel di dipendenti di tutti i livelli aziendali, e non solo i dirigenti.
Particolarità di questa metodologia è che combina—e dà lo stesso peso—alle opinioni sia di veri esperti che di “semi-esperti”. Ad esempio, un team che cerca di prevedere la domanda stagionale per una certa bevanda aromatizzata può includere personale delle vendite, del marketing o persino del punto vendita.
Come suggerisce il nome, il panel deve giungere a una stima condivisa. Il gruppo può discutere e confrontarsi, ma deve arrivare a un consenso.
Previsione Visionaria
La previsione visionaria si basa sulle intuizioni e opinioni di un singolo individuo - mi è parso curioso che questa non si chiami metodo Delphi, considerando che è solo una persona... ma d’altronde lei aveva l’aiuto degli dei (e nessuno mi ha chiesto il parere).
Il visionario in questione potresti essere tu, un altro membro del tuo team dirigente, un consulente esterno o un esperto del settore.
Poiché questo modello di previsione si basa su una sola persona, è soggetto a pregiudizi di conferma e funziona meglio se combinato con altri metodi.
Composito della Forza Vendite
Il modello composito della forza vendite si basa sulla raccolta di dati qualitativi dal personale di vendita. Solitamente coinvolge l’opinione di più membri del team; idealmente, di quelli coinvolti nelle vendite legate al prodotto o servizio in questione.
Ad esempio, se un produttore di veicoli sta pensando a un nuovo modello, potrebbe sottoporre un sondaggio al proprio personale di vendita per raccogliere informazioni sull’opinione dei clienti, esigenze, domande frequenti, budget, ecc.
L’idea è che i rappresentanti di vendita abbiano esperienza diretta con i clienti (e sappiano davvero cosa stimola le vendite) e, di conseguenza, dispongano di intuizioni preziose sul comportamento reale e sui desideri dei clienti.
Il modello composito della forza vendite può anche essere utile per identificare tendenze regionali e locali.
Sebbene l’elenco sopra non sia esaustivo, copre molti dei modelli di previsione più utilizzati. Detto questo, alcuni sono certamente più diffusi di altri.
Quali sono i Modelli di Previsione più Comuni?
In generale, la modellizzazione delle serie temporali (in particolare i modelli lineari e la media mobile) tende ad essere quella usata più spesso.
In parte ciò avviene perché questi modelli consentono previsioni più oggettive basate su dati storici. Non si basano sulle opinioni di esperti o sul feedback dei clienti, che possono essere instabili o soggetti a bias. Al contrario, utilizzano dati concreti per costruire modelli affidabili delle metriche di performance future.
Questi modelli sono anche popolari perché sono relativamente semplici da utilizzare e spesso non richiedono alcun software specializzato. Alcuni software che potresti già utilizzare, come il tuo sistema di pianificazione delle risorse d’impresa, probabilmente dispongono di queste funzionalità di modellazione statistica integrate. La modellazione lineare potrebbe persino essere effettuata manualmente in Excel con relativa facilità.
La modellazione associativa (causale) è anch'essa comunemente utilizzata, ma è un po' più complessa e spesso richiede un software o un certo livello di formazione. È particolarmente utile quando si cerca di tracciare le relazioni tra variabili molto distinte, sia con una sola variabile indipendente (regressione lineare semplice) che con più variabili (regressione lineare multipla).
Per quanto riguarda i modelli di previsione qualitativi, la ricerca di mercato tende ad essere la più comune. Molte aziende conducono sondaggi e raccolgono feedback dai clienti e utilizzano questi dati per informare le decisioni strategiche future. Altre scelgono di affidarsi a società esterne di ricerca di mercato per condurre indagini sui clienti più approfondite.
Perché le Previsioni sono Importanti?
Come ho accennato proprio all’inizio di questo articolo, la previsione è la chiave per evitare di:
- Perdere gli investitori, poi
- Essere licenziato
Scherzo. Più o meno.
La previsione è importante perché permette alle aziende di pianificare il futuro. L’intera idea dietro la previsione è quella di raccogliere informazioni da varie fonti e poi utilizzarle per prendere decisioni migliori.
Ad esempio, un’azienda che fornisce beni specializzati ai rivenditori potrebbe utilizzare un modello di previsione per prevedere la domanda durante la frenetica stagione degli acquisti natalizi. I loro sforzi di modellazione potrebbero informare meglio le stime della domanda, permettendo così di aumentare e accumulare i livelli di inventario per soddisfare la domanda stagionale.
Oppure, un’azienda potrebbe scegliere di utilizzare un modello di previsione per analizzare l'impatto finanziario di diversi prezzi o strategie di vendita presi in considerazione per un prossimo lancio di prodotto. Potrebbero abbinare questi sforzi a previsioni della domanda stagionale per trovare non solo la migliore strategia di vendita, ma anche il momento ideale per lanciare promozioni e offerte stagionali.
In definitiva, qualunque sia il parametro esaminato, l’idea della previsione è di ottenere un’anticipazione sulle tendenze future o sulle metriche finanziarie per prepararsi a ciò che verrà.
Come Utilizzare i Modelli di Previsione
Ogni modello di previsione viene utilizzato in modo diverso. Ma la strategia generale è la seguente:
- Chiarisci il tuo obiettivo. L'obiettivo è determinare quando hai bisogno di raccogliere il prossimo round di finanziamenti? Allora concentrati su proiezioni di cassa e fai ipotesi conservative.
- Seleziona il modello adeguato da utilizzare. Ho discusso casi d’uso specifici per i modelli di previsione finanziaria elencati sopra. In definitiva, molte aziende scelgono di usarne diversi—ma è utile restringere il campo a uno o due per iniziare.
- Raccogli i dati. I modelli quantitativi utilizzano dati storici (di solito dati finanziari aziendali), mentre i modelli qualitativi si basano su dati soggettivi raccolti da clienti o esperti nel settore.
- Costruisci il modello. Questo processo varia notevolmente a seconda del modello specifico adottato. Molti modelli possono essere impostati in Excel o strumenti altrettanto diffusi. Altri potrebbero richiedere software statistici specializzati o software di previsione.
- Determina il tuo livello di affidabilità. Gli intervalli di confidenza vengono utilizzati per esprimere il livello di incertezza associato a una previsione. Gli intervalli di confidenza più comuni sono 90%, 95% e 99%. Più alto è il livello di confidenza, più affidabile è la previsione. Come prevedibile, più i dati sono oggettivi, più alto tende ad essere il livello di affidabilità.
- Applica il modello. Successivamente, applica il modello seguendo il protocollo raccomandato per quel particolare modello, utilizzando i dati più pertinenti che puoi raccogliere.
- Analizza i risultati. Prendi i risultati ottenuti e confrontali con altre stime o previsioni che potresti già avere. Potresti anche voler eseguire altri modelli sugli stessi dati per rilevare eventuali differenze.
Alcuni modelli di previsione richiedono una formazione specialistica in statistica o previsione finanziaria, mentre altri sono molto più semplici da utilizzare. In definitiva, le complessità e le sfide delle previsioni dipendono dal modello scelto e dalla quantità e qualità dei dati con cui si lavora.
Quali Software si Utilizzano per le Previsioni?
Molti tipi diversi di software possono essere utilizzati per la previsione, dai semplici fogli di calcolo a strumenti basati su apprendimento automatico e intelligenza artificiale.
Sebbene molti modelli finanziari possano essere eseguiti in Microsoft Excel o Google Sheets, molti richiedono software ERP, software EPM o qualche altro software specializzato.
Prima di andare ad acquistare un nuovo software, assicurati di verificare le funzionalità dei tuoi strumenti esistenti. Alcuni software di gestione dell'inventario includono funzionalità di previsione della domanda e altri strumenti per aiutare a pianificare i livelli di inventario. Inoltre, il tuo servizio di gestione stipendi potrebbe offrire funzionalità di previsione della forza lavoro.
Per la previsione qualitativa, non ci sono molte opzioni software che vale la pena considerare, poiché la maggior parte delle aziende si affida a società di ricerca esterne e consulenti specializzati nella conduzione e pubblicazione di ricerche di mercato.
In definitiva, poiché “previsione” è un termine molto ampio, esistono molte soluzioni software diverse che possono essere utilizzate, ma il software di previsione offre vantaggi specifici per la tua azienda.
I Modelli di Previsione Possono Dare un Vantaggio alla Tua Azienda
Sapere quando, dove e come utilizzare la previsione finanziaria può dare alle aziende un vantaggio competitivo.
Con modelli di previsione adeguati e dati di input accurati, le aziende possono preparare budget più precisi, affinare i propri obiettivi e le strategie competitive, ed essere più preparate per il futuro.
Vuoi affinare le tue competenze come CFO o per una posizione simile in ambito finanziario? The CFO Club è una community di leader finanziari SaaS e tech che vogliono eccellere nei rispettivi settori. Iscriviti alla newsletter di The CFO Club per ricevere approfondimenti sul settore e altro contenuto come questo.