A veces, las tareas más simples pueden convertirse en problemáticas debido a los obstáculos más oscuros. Esto es particularmente cierto en el caso de la administración de datos.

Imagine que un administrador de bases de datos se encarga de ordenar un rango de textos históricos por fecha de publicación estimada. Imaginemos que estos textos tienen fechas de publicación estimadas que van desde principios de los años 18^la siglo hasta mediados de los 20^la, y que toda la información de los titulares (incluidas las fechas) de estos textos se almacena en Excel. Al principio, podría suponer que esto simplemente requeriría seleccionar la columna que contiene las fechas y ordenarla por hora.

Sin embargo, en Excel el mundo comenzó en el 1^st enero de 1900 y está previsto que finalice el 31^st Diciembre de 9999. Tras investigar cómo solucionar este problema, el administrador de bases de datos ha instalado un práctico complemento que captura las fechas anteriores a 1900. Entonces se presenta el siguiente obstáculo: los once «días perdidos» entre el 2 y el 14 de septiembre de 1752. (Que surgió del cambio del calendario juliano al gregoriano). A estas alturas, la «tarea simple» ha demostrado tener muchos más pasos de lo que se había estimado originalmente.

El valor de los datos

Un buen conjunto de datos es un conjunto de datos grande. Sin embargo, los grandes conjuntos de datos conllevan una complejidad cada vez mayor. Como vimos en el ejemplo anterior, incluso los conjuntos de datos bastante simples pueden plantear dificultades. Cuanto mayor sea el volumen de datos, más difícil será resolver estos problemas. Sin embargo, el principal problema con los grandes conjuntos de datos es la mayor probabilidad de que se produzcan anomalías.

En resumen, cuanto más grande es el conjunto de datos, más difícil resulta trabajar con él. Este callejón sin salida ha llevado a un aumento de la inversión en el campo de limpieza de datos. Una tarea que es necesaria antes de cualquier minería de datos las actividades, que es donde se encuentra el verdadero valor agregado, pueden tener lugar.

Los conjuntos de datos que se utilizan en un proceso de previsión de efectivo no son diferentes. Al igual que todas las demás formas de análisis de datos, las previsiones de tesorería sufren la misma disminución de la calidad de los resultados si la integridad de los datos se ve comprometida.

Fuentes clave de datos de flujo de caja

En el campo de la previsión de tesorería, disponer de un conjunto limpio de datos históricos es enormemente poderoso, ya que constituye una base de referencia a partir de la cual se pueden hacer previsiones precisas. Las fuentes de datos que alimentan un proceso de previsión de efectivo pueden dividirse ampliamente en dos categorías, fuentes de verdadero datos y fuentes de pronóstico datos.

En la mayoría de los casos, el verdadero Los datos de flujo de caja provienen de:

• Planificación de recursos empresariales (ERP) /sistemas de cuentas
• Descargas de archivos bancarios (archivos BAI2 o MT940)

Considerando pronóstico Los datos de flujo de caja suelen proceder de:

• Sistemas ERP
• Sistemas de gestión de tesorería (TMS)
• Software de modelado de datos
• Personas (unidades de negocio individuales)

La extracción de estos datos puede automatizarse mediante el uso de herramientas especializadas herramientas de previsión de flujo de caja, o se puede dibujar manualmente. Debido a la variedad de fuentes de datos que se introducen en el proceso, es importante que los datos estén estandarizados en un formato común antes de usarlos. Una causa común de defectos en los datos es que se ha introducido información incorrecta, posiblemente debido a un error humano (si el proceso es manual).

Como se indicó anteriormente, este paso de estandarización puede ser una parte automatizada del proceso, pero es importante que alguien con la experiencia adecuada mapee cuidadosamente las fuentes de entrada para garantizar que se capturan los campos correctos.

Qué tener en cuenta

En última instancia, el objetivo de limpiar un conjunto histórico de datos de flujo de caja es crear una visión representativa de lo que ha sucedido en el pasado, lo que a su vez proporciona una base fiable para crear una visión del futuro. La clave de este ejercicio es eliminar las partidas y los flujos de caja puntuales que no se repetirán en el futuro, ya que, en última instancia, contaminarán la producción prevista según el modelo.

Las cosas a tener en cuenta al limpiar una fuente de datos de flujo de caja incluyen:

Diarios contables

Cualquier información exportada desde un ERP o un sistema de contabilidad podría contener diarios contables, como reversiones o ajustes cambiarios, que afectarían a la calidad de los datos subyacentes que se utilizarán para la previsión. Estos diarios no representan la actividad empresarial subyacente y será necesario eliminarlos.

Adquisiciones y desinversiones

Es probable que las adquisiciones sean el mayor flujo de salida de efectivo, o serie de flujos de efectivo, que abandone una empresa a lo largo del año. Es muy poco probable que la cantidad gastada y el calendario de una adquisición se repitan en el futuro y, por lo tanto, será necesario eliminar estos flujos de caja antes de utilizar el conjunto de datos con fines de previsión. Lo mismo ocurre con las desinversiones.

Gastos de capital de inversión

Además de las adquisiciones, los gastos de capital de inversión, especialmente los que se gastan en grandes proyectos únicos, pueden ser los flujos de salida de efectivo más abundantes durante un período de tiempo. Incluso si se espera que los niveles de gastos de capital se mantengan consistentes con los de períodos anteriores, es probable que la cantidad y el calendario de estos gastos sean muy diferentes a los de períodos anteriores. Lo que, a su vez, justifica su eliminación del conjunto de datos.

Movimientos de deuda

La reducción, el reembolso y la refinanciación de la deuda pueden tener un enorme impacto en los movimientos totales de efectivo durante un período de tiempo. Por lo general, estos movimientos no son representativos de la actividad empresarial diaria y deben eliminarse cuando se utiliza el conjunto de datos para modelar la actividad futura.

Empresa vinculada

En la mayoría de las empresas medianas y grandes, los flujos de caja interempresariales entre las unidades de negocio a veces pueden igualar los flujos de caja externos en volumen total durante un período de tiempo. Por supuesto, las empresas interempresariales no deberían tener un impacto en la liquidez neta, pero al analizar una unidad de negocio o un segmento de negocio en particular, es importante eliminar los movimientos interempresariales no comerciales que probablemente no se repitan en el futuro.

Valores atípicos generales

En el curso normal de los negocios, se producirán movimientos de efectivo inusualmente grandes, ya sean pagos o recibos, por varias razones. La adquisición de una nueva cuenta de cliente de gran tamaño podría conllevar, por ejemplo, la obtención de una gran cantidad de efectivo, o el pago anticipado de materias primas para obtener un descuento podría conllevar un pago único y cuantioso. La eliminación de este tipo de movimientos de efectivo puede requerir un poco más de criterio que para las partidas anteriores, pero, en algunos casos, los datos mejoran cuando se eliminan.

Limpieza de datos: un proceso continuo

Debido a las anomalías enumeradas anteriormente, los conjuntos de datos suelen someterse a un ejercicio de «limpieza» antes de realizar cualquier análisis en profundidad. Sin embargo, como se ha indicado, hay que tener cuidado de no confundir las anomalías de los datos con los defectos de los datos. Si bien no hace falta decir que eliminar los defectos de los datos mejora la calidad de los datos, eliminar todas las anomalías de forma despiadada puede significar eliminar algunas señales importantes de los datos.

En la previsión de efectivo, la limpieza de datos es un proceso continuo. Las diversas medidas que debe tomar una organización grande, como las enumeradas anteriormente, significan que regularmente hay factores que causan distorsiones considerables en estos conjuntos de datos.

Mantenimiento simplificado

El software especializado simplifica el proceso continuo de limpieza de datos, junto con todos los demás elementos del proceso de previsión de efectivo. Como se mencionó en la sección anterior sobre fuentes de datos, la automatización del proceso acelera la limpieza de los datos. Elementos como los flujos de caja interempresariales siempre deben ser netos a cero. Sin embargo, con un proceso manual, esta tarea de equilibrio puede llevar mucho tiempo y ser imprecisa. Un software especializado, con una herramienta interempresarial específica dirigida por la contraparte, simplifica esta tarea con solo tocar un botón.

Esta simplificación permite a la persona que analiza los datos revisar y modificar rápidamente los resultados y, por lo tanto, tener en cuenta las anomalías correctas.

Contar con el personal adecuado en la etapa correcta del proceso

Es importante contar con personas con las habilidades adecuadas en las etapas correctas del proceso. Si bien no es un requisito absoluto, algunas empresas pueden optar por contratar a un Administrador de bases de datos (DBA) para garantizar que todos los datos tengan el formato y la estructura adecuados a medida que entran en el modelo.

En cualquier caso, la persona encargada de administrar la base de datos debe estar familiarizada con el trabajo con grandes conjuntos de datos y tener un buen conocimiento de la teoría y el diseño de bases de datos. Esta experiencia ayudará a identificar y rectificar los defectos en los datos, así como a gestionar la integridad y la seguridad de los datos en su conjunto.

Progresión a través de la iteración

Una vez que se hayan realizado todas las comprobaciones, se hayan tomado las medidas adecuadas y todos estén seguros de que los datos tienen la calidad e integridad suficientes, se pueden cargar en el modelo de previsión. La atención se centra ahora en los resultados del proceso, es decir, en la elaboración de informes, las previsiones y los análisis. En este caso, la calidad se mejora mediante un proceso de medición y ajuste cuidadosos. Un proceso gradual, pero que se vuelve cada vez más valioso para la empresa a medida que se realizan estas mejoras.

Ayuda para tesoreros corporativos

Volviendo a nuestro hipotético administrador de bases de datos, que se esfuerza por ordenar las fechas históricas en Excel, su mejor opción es volver a formatear la base de datos. Deberán ordenar las fechas en columnas independientes; una contendrá el año, otra el mes y otra el día. Luego filtra con una clasificación en cascada, teniendo en cuenta las tres columnas.

Sin embargo, para los tesoreros corporativos, podemos ser de mucha más ayuda. Ofrecemos servicios dedicados software de previsión de flujo de caja a grandes organizaciones multinacionales y tienen una amplia experiencia ayudando a clientes de una variedad de industrias.

Además, para ayudar a quienes estén considerando actualizar sus procesos anteriores, hemos redactado un documento técnico que describe los pasos necesarios para establecer un proceso de previsión de efectivo. Si tiene alguna pregunta al respecto o desea ver una demostración de nuestro software en acción, no dude en contacta con nosotros.

‍