Às vezes, as tarefas mais simples podem ser tornadas problemáticas pelos obstáculos mais obscuros. Isso é particularmente verdadeiro para a gestão de dados.

Imagine que um Administrador de Banco de Dados é encarregado de classificar uma série de textos históricos pela data de publicação estimada. Vamos imaginar que esses textos têm datas de publicação estimadas que variam do início do século 18 até meados do século 20, e que as informações principais (incluindo datas) desses textos estão todas armazenadas no Excel. A princípio, você poderia supor que isso exigiria apenas selecionar a coluna que contém as datas e ordenar por data.

No entanto, no Excel, o mundo começou no dia 1^º de janeiro de 1900 e está previsto para terminar no dia 31^º de dezembro de 9999. Após pesquisar como superar esse problema, o Administrador de Banco de Dados instalou um plugin útil que captura datas anteriores a 1900. Então, o próximo obstáculo se apresenta, os onze “dias perdidos” entre 2 e 14 de setembro de 1752. (Que surgiram da mudança do calendário Juliano para o Gregoriano.) A essa altura, a “tarefa simples” revelou ter muito mais etapas do que o estimado originalmente.

O valor nos dados

Um bom conjunto de dados é um conjunto de dados grande. Conjuntos de dados grandes, no entanto, vêm com complexidades crescentes. Como vimos no exemplo acima, mesmo conjuntos de dados relativamente simples podem apresentar dificuldades. Quanto maior o volume de dados, mais difícil é desvendar esses problemas. A principal questão com grandes conjuntos de dados, porém, é a maior probabilidade de anomalias.

Em resumo, quanto maior o conjunto de dados se torna, mais difícil se torna trabalhar com ele. Esse dilema levou a um aumento do investimento na área de limpeza de dados. Uma tarefa que é necessária antes que qualquer mineração de dados atividades, onde o verdadeiro valor agregado é encontrado, possa ocorrer.

Os conjuntos de dados utilizados num processo de previsão de caixa não são diferentes. Tal como todas as outras formas de análise de dados, as previsões de caixa sofrem a mesma diminuição na qualidade dos resultados se a integridade dos dados for comprometida.

Principais fontes de dados de fluxo de caixa

No domínio da previsão de caixa, ter um conjunto limpo de dados históricos é extremamente poderoso, pois forma uma base a partir da qual previsões precisas podem ser feitas. As fontes de dados que alimentam um processo de previsão de caixa podem ser divididas em duas categorias principais: fontes de dados reais , e fontes de dados previstos .

Na maioria dos casos, os dados reais de fluxo de caixa são obtidos de:

• Sistemas de Planeamento de Recursos Empresariais (ERP) / Sistemas de Contabilidade
• Transferências de ficheiros bancários (ficheiros BAI2 ou MT940)

Enquanto que os dados previstos de fluxo de caixa são geralmente obtidos de:

• Sistemas ERP
• Sistemas de Gestão de Tesouraria (TMS)
• Software de modelagem de dados
• Pessoas (unidades de negócio individuais)

A extração desses dados pode ser automatizada, através do uso de ferramentas especializadas ferramentas de previsão de fluxo de caixa, ou pode ser extraída manualmente. Devido à variedade de fontes de dados que alimentam o processo, é importante que os dados sejam padronizados para um formato comum antes de serem utilizados. Uma causa comum de defeitos nos dados é a inserção de informações incorretas, possivelmente devido a erro humano (se o processo for manual).

Conforme mencionado anteriormente, esta etapa de padronização pode ser uma parte automatizada do processo, mas é importante que as entradas de dados sejam mapeadas cuidadosamente, por alguém com a experiência apropriada, para garantir que os campos corretos sejam capturados.

O que observar

Em última análise, o objetivo de limpar um conjunto de dados históricos de fluxo de caixa é criar uma visão representativa do que aconteceu no passado, o que, por sua vez, fornece uma base confiável para construir uma visão do futuro. Fundamental para este exercício é a remoção de itens e fluxos de caixa pontuais que não se repetirão no futuro, pois, em última instância, contaminarão o resultado da previsão modelada.

Ao limpar uma fonte de dados de fluxo de caixa, observe o seguinte:

Lançamentos Contábeis

Qualquer informação exportada de um sistema ERP ou contábil pode potencialmente conter lançamentos contábeis, como estornos ou ajustes cambiais, que impactarão a qualidade dos dados subjacentes a serem usados para previsão. Esses lançamentos não representam a atividade comercial subjacente e precisarão ser removidos.

Aquisições e Desinvestimentos

Aquisições provavelmente serão o maior fluxo de saída de caixa, ou série de fluxos de caixa, de uma empresa ao longo do ano. É altamente improvável que o valor gasto e o momento de uma aquisição se repitam no futuro e, portanto, será necessário remover esses fluxos de caixa antes de usar o conjunto de dados para fins de previsão. O mesmo se aplica aos desinvestimentos.

Despesas de Capital de Investimento

Além das aquisições, as despesas de capital de investimento, especialmente para gastos em grandes projetos pontuais, podem ser os fluxos de saída de caixa mais irregulares ao longo de um período. Mesmo que os níveis de despesas de capital devam permanecer consistentes com períodos anteriores, o valor e o momento desses gastos provavelmente serão muito diferentes dos períodos anteriores. O que, por sua vez, justifica sua remoção do conjunto de dados.

Movimentações de Dívida

Saques de dívida, pagamentos e refinanciamentos podem ter um enorme impacto nas movimentações totais de caixa ao longo de um período. Tipicamente, essas movimentações não são representativas da atividade comercial diária e devem ser removidas ao usar o conjunto de dados para modelar atividades futuras.

Interempresarial

Na maioria das empresas de médio a grande porte, os fluxos de caixa interempresariais entre unidades de negócio podem, por vezes, igualar os fluxos de caixa externos em volume total ao longo de um período. É claro que as transações interempresariais não devem ter impacto na liquidez líquida, mas ao analisar uma unidade de negócio ou segmento específico, é importante remover as movimentações interempresariais não comerciais que são improváveis de se repetir no futuro.

Valores Atípicos Gerais

No curso normal dos negócios, movimentações de caixa incomumente grandes, sejam pagamentos ou recebimentos, ocorrerão por diversas razões. A conquista de uma grande nova conta de cliente pode levar a um grande recebimento de caixa pontual, por exemplo, ou o pré-pagamento de matérias-primas para garantir um desconto pode levar a um grande pagamento pontual. A remoção desses tipos de movimentações de caixa pode exigir um pouco mais de julgamento do que os itens anteriores, mas, em alguns casos, os dados são aprimorados quando são removidos.

Limpeza de dados – um processo contínuo

Devido às anomalias listadas acima, os conjuntos de dados frequentemente passam por um exercício de “limpeza” antes que qualquer análise aprofundada seja realizada. No entanto, como observado, deve-se ter cuidado para não confundir anomalias de dados com defeitos de dados. Embora seja óbvio que a remoção de defeitos de dados melhora a qualidade dos dados, remover todas as anomalias de forma indiscriminada pode significar remover alguns sinais importantes dos dados.

Na previsão de caixa, a limpeza de dados é um processo contínuo. As várias medidas que uma grande organização deve tomar, como as listadas acima, significam que existem regularmente fatores que causam distorções consideráveis nesses conjuntos de dados.

Manutenção facilitada

Um software especializado simplifica o processo contínuo de limpeza de dados, juntamente com todos os outros elementos do processo de previsão de caixa. Conforme mencionado na seção sobre fontes de dados acima, a automação do processo agiliza a limpeza de dados. Elementos como fluxos de caixa intercompany devem sempre resultar em zero. No entanto, com um processo manual, essa tarefa de balanceamento pode ser extremamente demorada e imprecisa. Um software especializado, com uma ferramenta intercompany dedicada e orientada por contraparte, simplifica essa tarefa a um exercício de um clique.

Essa simplificação permite que a pessoa que analisa os dados revise e altere rapidamente os resultados e, portanto, leve em consideração as anomalias corretas.

Ter o pessoal certo na fase certa do processo

É importante ter pessoas com as habilidades certas nas fases certas do processo. Embora não seja um requisito absoluto, algumas empresas podem optar por contratar um Administrador de Banco de Dados (DBA) para garantir que todos os dados sejam formatados e estruturados corretamente à medida que são inseridos no modelo.

Em todo caso, a pessoa encarregada de gerenciar o banco de dados deve estar familiarizada com o trabalho com grandes conjuntos de dados e ter um bom conhecimento de teoria e design de banco de dados. Essa expertise ajudará na identificação e retificação de defeitos nos dados, bem como no gerenciamento da integridade e segurança dos dados como um todo.

Progressão por iteração

Uma vez que todas as verificações tenham sido feitas, as ações apropriadas tomadas e todos estejam confiantes de que os dados são de qualidade e integridade suficientes, eles podem ser carregados no modelo de previsão. O foco agora muda para o lado da saída do processo, ou seja, para relatórios, previsões e análises. Aqui, a qualidade é aprimorada por meio de um processo de medição e ajuste cuidadosos. Um processo gradual, mas que se torna cada vez mais valioso para a empresa à medida que essas melhorias são feitas.

Ajuda para Tesoureiros Corporativos

Voltando ao nosso hipotético Administrador de Banco de Dados, que luta para classificar datas históricas no Excel, a melhor opção é reformatar o banco de dados. Eles precisarão classificar suas datas em colunas separadas; uma contendo o ano, outra para o mês, outra para o dia. Em seguida, filtrar com uma classificação em cascata, considerando todas as três colunas.

Para os Tesoureiros Corporativos, no entanto, podemos ser de muito maior ajuda. Nós fornecemos software dedicado de previsão de fluxo de caixa para grandes organizações multinacionais e temos vasta experiência ajudando clientes em diversas indústrias.

Além disso, para auxiliar aqueles que consideram atualizar seus processos antigos, escrevemos um whitepaper que descreve os passos envolvidos na configuração de um processo de previsão de caixa. Se tiver alguma dúvida sobre isso, ou gostaria de ver uma demonstração do nosso software em ação, por favor, não hesite em entrar em contato conosco.

‍