Модернизация BPF (budgeting, planning and forecasting) – магистральный тренд

Логотип компании
Модернизация BPF (budgeting, planning and forecasting) – магистральный тренд
О влиянии глобальных трендов на российский рынок бизнес-аналитики, и о том, по какому пути пойдет его развитие в ближайшие годы – в материале Максима Астахова.

Несмотря на значимость бизнес-аналитики (business analytics, BA) для бизнеса, российский рынок ПО этого класса нечасто становится предметом отдельных исследований. К счастью, мир стал настолько открытым, что в текущей экономической ситуации вполне уместно примерять мировые тренды в бизнес-аналитике к российскому рынку.

Магистральным направлением для систем бизнес-аналитики становится модернизация управленческих задач, объединенных под общей категорией BPF (budgeting, planning and forecasting – планирование, бюджетирование и прогнозирование). Этот вывод подтверждают как результаты общеотраслевых и специализированных исследований, так и опросы сотрудников финансовых служб – непосредственных потребителей систем BA (рис. 1):

  • Функциональность для подготовки бюджетов и прогнозов второй год подряд занимает первое место среди наиболее востребованных компонент CPM-систем (Corporate Performance Management – управление корпоративной эффективностью). Как следует из ежегодного опроса BPM Pulse Survey, в 2021 году доля пользователей, «проголосовавших» за эту функциональность, выросла на 2% – до 78%.

  • Финансовые организации – одни из наиболее активных заказчиков систем BA. Как показал опрос Syntellis, первое место в списке проектов, направленных на улучшение функции финансового планирования и анализа (financial planning and analyses, FP&A), заняла подготовка оперативных бюджетов и прогнозов, второе – моделирование сценариев «что, если».

  • Планирование, бюджетирование и прогнозирование неизменно находятся в фокусе внимания финансовых служб – целевой аудитории этих систем. Причем за последние три года внимание к этой задаче только усиливается: по данным APQC, в 2021 году 83% финансистов поставили ее на первое место (для сравнения: в 2020 году – 73%).


Модернизация BPF (budgeting, planning and forecasting) – магистральный тренд. Рис. 1

Рис. 1 Результаты исследований, подтверждающих востребованность модернизации BPF

Применительно к российскому рынку можно сказать, что процессы по подготовке планов, бюджетов и прогнозов также нуждаются в модернизации и адаптации к новым условиям – повышенной неопределенности и волатильности рынка. Как свидетельствуют данные открытых источников, накануне пандемии приоритетом № 1 стала автоматизация планирования с фокусом на поддержку прогнозной аналитики. В 2019 году доля таких проектов превысила 30%, а в первой половине 2020 года запрос на них вырос до 57%.

Пандемия внесла свои коррективы на первое место вышли проекты регуляторной направленности. По итогам первого ковидного года их доля составила 38%, а в первой половине текущего – уже 44%. Однако, учитывая, что для эффективной реализации требований регуляторов особую роль приобретает прогнозная функция, следует ожидать роста числа проектов «под зонтиком BPF-автоматизации».

Технологии для модернизации BPF

Модернизация BPF-процессов возможна с использованием технологий скользящего прогнозирования и сценарного планирования. Как показывает исследование FSN Publishing Limited:

  • 70% компаний, использующих скользящие прогнозы, могут пересчитать прогноз прибыли в течение недели, а 49% прогнозируют ее с 5-процентной точностью.

  • 71% компаний, применяющих сценарное планирование, может внести изменения в бюджет или модель прогнозирования (например, добавить новую продуктовую линию) за полдня, а треть (31%) уверена в точности годового прогноза.

Эти технологии не являются чем-то принципиально новым, однако их успешная реализация с помощью электронных таблиц не представляется возможной. Например, по данным FSN Publishing Limited, 96% компаний не могут выделить достаточно времени для сценарного моделирования.

Компании, которые используют специализированные инструменты для скользящего прогнозирования и сценарного планирования, могут не только быстро выполнять расчеты с требуемой точностью, но и вносить изменения в свои системы и процессы.

Место для прорывных технологий в процессах FP&A

Прорывные технологии, такие как методы машинного обучения (ML) и искусственного интеллекта (AI), роботизированная автоматизация процессов (Robotic Process Automation) и пр., только прощупывают почву для применения в FP&A-процессах. Лишь 7% финансовых учреждений, участников опроса McKinsey, заявили об использовании методов ИИ в стратегическом и финансовом управлении. Экспресс-анализ отечественных открытых источников свидетельствует о схожей картине и в российских банках.

Процесс прогнозирования, как и другие задачи FP&A, индивидуален для каждой организации: он отличается от одного бизнеса к другому в зависимости от отраслевых факторов, скорости обновления данных и того, как используется прогноз. Так, производитель товаров народного потребления, который ежеквартально выпускает новые продукты, будет использовать прогноз для отслеживания запасов, а добывающая компания, планирующая открытие нового завода, может применять прогноз для калькуляции производственных мощностей и цен. В банковском секторе прогнозирование состояния портфелей договоров может использоваться при подготовке финансовых планов, для мониторинга достижения поставленных целей, соблюдения регуляторных требований и пр.

Несмотря на несхожесть прогнозных процессов в различных бизнесах, все они – отличные кандидаты для внедрения алгоритмов ML и AI. Как свидетельствуют результаты опроса европейских компаний, среди задач в зоне ответственности финансовой службы наиболее предпочтительными для применения интеллектуальных технологий являются именно планирование и прогнозирование (рис. 2).

Модернизация BPF (budgeting, planning and forecasting) – магистральный тренд. Рис. 2

Рис. 2 Использование методов ML в задачах финансовой службы

В свете этой тенденции можно ожидать усиления спроса на автоматизацию прогнозной функции с применением методов ML и AI в таких датаемких отраслях, как финансовый сектор, телекоммуникации, розничная торговля и пр. Например, в банковском секторе методы машинного обучения уже используются для предсказания поведения клиентов и контрагентов. Это основа для адаптации персональных клиентских предложений и создания новых банковских продуктов, оценки будущего состояния портфелей и прогнозирования таких показателей деятельности банка, как ликвидность, прибыльность и рентабельность капитала, подготовки регуляторной риск-отчетности и пр.

Максим АСТАХОВ,

руководитель коммерческой службы Intersoft Lab

Опубликовано 01.01.2022

Похожие статьи