Az emberi tényező szerepe az előrejelzésben – Van értelme egyáltalán a forecastok készítésének?

Timár András
2016. június 29.

 

Több európai országra kiterjedő nemzetközi kutatás szerint átlagosan 20 százalékkal tér el az év végét megelőző utolsó vállalati forecastban szereplő EBIT érték a pénzügyi évet záró hivatalos kimutatás szerinti értéktől.Ha ekkora az eltérés az utolsó forecast és a tényértékek között, akkor vajon van-e értelme a controllerek munkájának az időt és energiát nem kímélő előrejelzés-készítésben?

A Harvard Business Review (HBR) májusi számában jelent meg a Superforecasting: How to Upgrade Your Company”s Judgment2 című publikáció, amelynek célja a cikk alapjául szolgáló – többek között szerzők egyike által is jegyzett -, tavaly megjelent hasonlóan hangzatos című könyv3 tanulságainak üzleti szempontú összefoglalása volt. Annak ellenére, hogy az említett könyvet például a The Economist is a 2015-ös év legkiemelkedőbb kiadványai között tartotta számon4, inkább olvasmányosság és könnyű befogadhatóság jellemzi. A Harvard Business Reviewban publikált, továbbgondolt összefoglaló – eltekintve a menedzsmentirodalomban  szinte kötelezőnek tekinthető marketingelemektől – azonban számos olyan jól szintetizált elvet, illetve tanulságot fogalmazott meg, amelyek – kiegészítve a hazai üzleti tapasztalatokkal – segítséget nyújthatnak abban, hogy a vállalati controllerek és szakterületi munkatársak hatékonyabban tudják  felhasználni képességeiket az előrejelzések, várhatók készítése során.

Elsőként érdemes néhány mondat erejéig kitérni az elemzések hátterét jelentő, több éven átnyúló kutatás, a The Good Judgment Project (GJP) bemutatására5,6. A kutatás külön érdekessége, hogy az amerikai nemzeti hírszerzési igazgatóság egyik tagszervezetének (IARPA)kiemelt támogatásával zajlott le. 2011 és 2015 között egy innovatív előrejelzési verseny keretében tapasztalt elemzők, egyetemi kutatócsoportok és több mint 25 ezer önkéntes mérhette össze elemzési és előrejelzési képességeit több mint 500 különböző geopolitikai és gazdasági kérdésben. Az öt fő – saját elemzési módszertanukat szabadon megválasztó – szakmai csapat egyike volt a Good Judgment Project (a jelenleg is aktív témakörök megtalálhatóak a kutatás honlapján).

Az előrejelzők személyére, képességeik fejlődésére, az előrejelzés folyamatára és formájára vonatkozó adatok elemzése, illetve az ezekhez kapcsolható pontosságok összevetése során a cikkíró Schoemaker és Tetlock által levont következtetések jelentős része az üzleti életben és a controlling területen is kamatoztatható, ezért jelen írásban többször fogunk hivatkozni a szerzők által számszerűsített adatokra is.

Hol jut érdemben szerep az embernek a forecast készítésekor?

Controlling szempontból elsőként komoly és alapos átgondolást igényel, hogy a felmerülő előrejelzési kérdésben milyen szerep jusson az emberi és gépi „eszközök” felhasználásának, egyáltalán megéri-e energiát fektetni az adott forecast elkészítésébe, hiszen ennek relevanciája vagy felhasználhatósága függhet iparágtól, vállalati funkciótól, menedzsment elvárásoktól stb.

Három, egymástól nem mindig egyértelműen elkülöníthető csoport alakítható ki. Az elsőbe azok a témák és kérdések tartoznak, amelyek esetében nagy mennyiségű és elemezhető adat áll rendelkezésre, így megfelelő módszertanok felhasználásával ezek relatív könnyen előrejelezhetőek – klasszikusan ilyen terület a termelés vagy bizonyos esetekben a sales. Annak ellenére, hogy a magyar vállalati gyakorlatban jellemzően nem tekinthető igazán elterjedtnek a statisztikai szempontú megközelítés, az ilyen jellegű adatok feldolgozására és előrejelzésére már mélységét, elérhetőségét (és árát) tekintve komoly módszertanok és eszköztámogatás áll rendelkezésre (az Ms Excelben ingyenesen elérhető statisztikai bővítmény lineáris regressziójától kezdve olyan advanced analytics célszoftverekig, amelyek segítséget nyújtanak az adatokhoz leginkább illeszkedő komplex statisztikai modellek kiválasztásában is). Bár a hazai vállalati gyakorlatban nehezen fogadható el – különösen controllingos fejjel -, de ezekben az esetekben jellemzően egyáltalán nincs jelentős hozzáadott értéke az emberi tudásnak; a trendek, a várható csúcsok és ingadozások sokkal pontosabban megjósolhatók szoftveres segítséggel.

A másik végletként fogalmazhatóak meg azok a kérdések vagy problémák, amelyek túlságosan összetettek, véletlenszerűek és esetlegesek, vagy nem számszerűsíthetőek kellő mértékben. Ilyenkor sem a technikai segédeszközök, sem az emberi tudás nem elégséges a megbízható pontosság eléréséhez. Leegyszerűsítve:  mérlegelve a befektetett energiát és a várható eredményeket – nem éri meg ezek előrejelzésével foglalkozni, sokkal hasznosabb lehet különböző szcenáriók, tartalék- vagy vészforgatókönyvek átgondolása.

A controlling forecasting tevékenység igazi tartalma ezen két véglet között helyezkedik el: amikor rendelkezésre állnak elemezhető adatok, azonban az iparági, vállalati vagy személyes szakmai tudás is valós szerepet kap. A projekttapasztalatok alapján a jövőben is várhatóan ezen a területen fog nőni a controllerek szerepe, tehát az ehhez szükséges kompetenciák fejlesztésére érdemes törekedni. Az emberi tudás / tapasztalat szerepének változására szemléletes analógia a sakk példája. Mindenki hallott már a híres ember vs. számítógép sakkmérkőzésekről8 – például Garry Kasparov és a Deep Blue számítógép összecsapásáról -, melyek után már sokan a „gépek uralmát” vizionálták. Ugyanakkor a történet kevésbé ismert oldalága, hogy szintén Garry Kasparov sakk nagymester nevéhez fűződik az „Advanced Chess” (magyarul talán haladó sakknak fordítható) sportág megszületése, amelyet szokás szemléletesen csak „kentaur sakknak” is nevezni. Ebben az esetben nem ember versenyez géppel, hanem ember és számítógép alkotta párosok mérik össze erejüket, amely során a játékosok széles körű számítógépes elemzések felhasználásával hozhatják meg döntéseiket, lehetővé téve komplex stratégiák összevetését is (ennek egy alfaja a „freestyle” sakk, ahol tanácsadói csapat segítsége is igénybe vehető a számítógép mellett) 9.

Mi az egyén szerepe?

A The Good Judgment Project érdekessége, hogy a kutatóknak lehetőségük volt különböző szempontok szerint is összevetni az ismétlődő különböző előrejelzések pontosságát az egyén-csoport, a specialisták-generalisták, a különböző előképzettséggel rendelkező heterogén és homogén csoportok között, illetve ezek alakulását az eltelt évek alatt (érdekes adalék, hogy az első évben a GJP csoport 60%-kal, a másodikban 70%-kal múlta felül a kontrollcsoport teljesítményét).

Az eredményesség idő mentén történő nyomon követése ráirányította a figyelmet arra is, hogy a gyakorlás önmagában nem feltétlenül jár együtt a teljesítmény javulásával, ehhez meg kell ismerni nemcsak az elkövetett (és később elkerülendő) hibákat, de folyamatosan elemezni kell az önmaguk vagy mások által használt best practice-eket is, és ezek közül szükséges kiválasztani a leginkább illeszkedőt.

A szerzők vizsgálati tapasztalatai alapján már a legelnagyoltabb és leegyszerűsített módszertani tájékoztatók hatása is érzékelhető volt az eredményekben: ezek nagyságrendileg 10 százalékkal, az egy-egy órás képzések mintegy 14 százalékkal növelték az előrejelzési pontosságot. Hasonlóan fontos szerepet játszik az alapvető módszertani ismeretek megszerzése, amelyek segítenek kézzelfoghatóvá tenni és lefordítani az adott problémát, legyen az akár üzleti, gazdasági vagy politikai jellegű. Ez a viszonylag egyszerűen megszerezhető tudás segíthet a döntéselőkészítés és előrejelzés természetes velejárójának tekinthető (a Kahneman – Tversky párostól gyakran idézett) kognitív korlátok és heurisztikák tudatosításában és kezelésében is.  Az előrejelzések fejlesztésének következő lépcsőfoka az iparág vagy vállalati funkció szerinti specifikus referenciaértékek megismerése, amelyek segítenek kontextusba helyezni az elemzett kérdéskört, illetve igazodási pontot jelenthetnek az előrejelzési érték validálásában.

Az előrejelzés készítésekor mindig felmerül a kérdés: a forecast készítése egyéni vagy csoportos feladat-e inkább, hiszenmindegyik mellett és ellen is érvek sokasága szól. Ugyanezzel a problémával szembesültek a projekt kutatói is, azonban az első év végére a kérdés teljesen elvesztette relevanciáját a válasz egyértelműsége miatt: a csoportok átlagban 23 százalékkal pontosabbnak bizonyultak az egyéneknél. Szintén továbbgondolásra lehet érdemes a vizsgálat egy másik következtetése. Azok az első évben szakmai-módszertani képzésben részesülő és erre fogékony egyének, akik a következő évben már egy hasonló, magasabb kompetenciájú csoportba kerültek, további 50 százalékkal javítani tudták az egyéni pontosságukat. Mi következik ebből üzleti szemmel nézve? Az egyéni módszertani fejlesztésen és a csoportmunkán kívül kritikus fontosságú a megfelelő előrejelzési csapat összeállítása. A kutatás megerősítette azt a gyakran hangoztatott véleményt, amely a munkacsoportok heterogenitását támogatta: meglepő módon a verseny alatt a speciális képzettséggel nem rendelkező „civilek” előrejelzésének pontossága sok esetben felülmúlta a titkosított adatokhoz is hozzáférő professzionális hírszerzési elemzők eredményeit. Mindezt teljesen alátámasztják a controlling tanácsadói tapasztalatok is: a legpontosabb forecastokat jellemzően olyan kooperatív vállalati munkacsoportok képesek elérni, amelyekbe a controlling osztályon kívül bevonásra kerülnek más felelős szakterületek (például értékesítés és/vagy termelés és/vagy további hozzáadott információval rendelkező funkcionális terület) is.

Sokkal kevésbé kedvelt, de a hosszú távú hatékonyság és eredményesség növelésének talán legfontosabb eszköze az előrejelzések teljesülésének visszamérése. Mivel a legnagyobb humán hozzáadott érték a forecastok azon részén érvényesül, ahol a rendelkezésre álló adatok szoftverrel támogatott elemzése mellett szerepet kap a szakmai tapasztalat és az intuíció, jellegénél fogva sohasem zárható ki a szubjektivitás okozta tévedések hatása. Ezt természetesen érdemes mindig figyelembe venni az elvárások megfogalmazásakor, ugyanakkor a számszerűsített visszamérés (akár a szerzők által javasolt Brier score, akár a controllingban gyakrabban használt MAPE-mutató* használata), illetve az előrejelzés folyamatának utólagos áttekintése mindig lehetőséget nyújt a további fejlődésre / fejlesztésre.

Üzleti szemmel nézve nagyon érdekes időszakot él meg jelenleg a hazai vállalati controlling: sok esetben a controllerek megmaradtak a bázisalapon történő manuális tervezésnél, más vállalatoknál  azonban már adott a lehetőség komplex és automatizált forecasting elvégzésére, amelyek
történhetnek a vállalati terület igényei alapján havi, heti, napi vagy akár valós időben is. Egy jelenlegi controller szemszögéből tekintve nyugodtan elmondható, hogy mind egyéni, mind vállalati szinten akkor lehet a legnagyobb hasznossága, ha legalább alap felhasználói szinten tudja igénybe venni az előrejelzést segítő eszközöket, ha rendelkezik egy alapvető definíciós és fogalmi-módszertani kerettel, amellyel kezelhetővé tudja alakítani a felmerülő üzleti kérdéseket és ha megtalálja azokat az üzleti területeket, ahol a személyes szakmai tudás és tapasztalat a legjobban ki tudja egészíteni a szakterületi tapasztalatokat és a különböző forrásrendszerek biztosította kiinduló előrejelzési adatokat.

Ahogy lassan közeledik a következő vállalati tervezési időszak, érdemes lehet átgondolni, hogyan lehet a tervezés-előrejelzés folyamatát mind egyéni, mind vállalati szinten tudatosabban, hatékonyabban és eredményesebben elvégezni annak érdekében, hogy a forecastingban ne kelljen olyan kevésbé szofisztikált módszerekhez visszanyúlni, mint – a labdarúgó tornák aktualitását felhasználva – a 2010-es Labdarúgó- világbajnokság szakértőjének számító Paul polip10 előrejelzései vagy a jelenlegi Európa-bajnokság alatt sokkal kevésbé sikeres karriert magáénak tudó koala, Oobi-Oobi11,12 szakértői becslései.
*MAPE-mutató: Mean Average Percentage – átlagos előrejelzési hiba (Harangozó Tamás: Az előrejelzési (forecast) pontosság mérése; bővebben itt


Ha szeretne még többet megtudni a forecastingról, jöjjön el a Controlling Akadémia 4. lépcsőjére!  

Felhasznált legfontosabb források, hivatkozások

1Horváth & Partners: CFO-Study 2014

2 Superforecasting: How to Upgrade Your Company”s Judgment, Paul J. H. Schoemaker; Philip E. Tetlock, Harvard Business  Review; May 2016 Issue

3Superforecasting: The Art and Science of Prediction, Philip E. Tetlock, Dan Gardner (2015)
Felhasznált kiegészítő források, hivatkozások:

4The Economist: Books of the year 2015 – Shelf life

5Could you be a „super-forecaster”?, Tara Isabella Burtun (BBC Future)

6Good Judgment® Open 

7Intelligence Advanced Research Projects Activity (Office of the Director of National Intelligence)

8Human-computer chess matches

9Advanced Chess

10Paul (polip)

11Oobi-Oobi”s future as football oracle in question

12Kirúgták a eredményjós lipcsei koalát