En esta época de cambios rapidísimos, el rol de la contabilidad de gestión para la toma de decisiones también está evolucionando. La función tradicional de contabilidad de gestión implicaba la toma de decisiones financieras, el control presupuestario y el análisis de la rentabilidad. Sin embargo, hoy en día, la función implica la gestión del desempeño empresarial, contribuyendo a impulsar la rentabilidad, en lugar de solo analizarla.

Una parte importante de la contabilidad de gestión ahora también involucra Business Analytics, y el uso de terabytes de datos disponibles, para realizar análisis descriptivo y análisis predictivo.

Durante años, los contables de gestión han utilizado el sistema de información empresarial para la elaboración de informes; sin embargo, ahora necesitan aprovecharlos para un uso más orientado a la analítica del negocio.

¿Cómo pueden los contables de gestión utilizar Business Analytics?

Las funciones de la Contabilidad de Gestión se pueden dividir en tres grandes titulares:

  1. Contabilidad de costes (Cost Accounting)
  2. Medición del desempeño (Performance Measurement)
  3. Planificación y toma de decisiones (Planning and Decision Making)

La contabilidad de costes hace uso de datos internos. La medición del desempeño también utiliza datos que están disponibles internamente. Solo se utilizarán datos externos para la evaluación comparativa del desempeño (benchmarking). Por último, la planificación y la toma de decisiones involucran datos de contabilidad de costes y medición del desempeño, así como datos externos que también son “no financieros” y están disponibles de una manera aleatoria.

La buena noticia es que Business Analytics se puede utilizar para las tres funciones. El análisis descriptivo y el análisis diagnóstico es útil para la contabilidad de costes, tanto las herramientas descriptivas como las predictivas pueden aplicarse a la medición del desempeño, y las tres herramientas, descriptiva, predictiva y prescriptiva pueden usarse para la planificación y toma de decisiones. Veamos cómo:

Análisis descriptivo: ¿qué ocurrió?

El análisis descriptivo ofrece una respuesta a “¿qué ocurrió?”. Este análisis proporciona una solución de una manera predeterminada. Por ejemplo, informar sobre los ingresos de los clientes proporcionaron el año anterior, o realizar una ratio financiera para comparar el ROI en el rendimiento histórico mediante herramientas de visualización y minería de textos.

Análisis diagnóstico: ¿cómo ocurrió?

El análisis diagnóstico ofrece una respuesta a “¿cómo ocurrió?”. Esto implica realizar un análisis de la raíz de la causa, y utilizar datos para probar una hipótesis. Por ejemplo, si tenemos un número reducido de pedidos de un cliente particular en el año anterior, con el análisis de diagnóstico podremos determinar cómo y por qué sucedió. No solo esto, sino que también nos permitirá poner en práctica soluciones para detener tales eventos.

Análisis predictivo: ¿qué ocurrira en el futuro y cuándo?

El análisis predictivo responde a la cuestión “¿qué sucederá en el futuro y cuándo?”. Esto implica trabajar el arte de la previsión. Para predecir la ocurrencia futura de un evento en particular, el analista necesita construir un modelo o algoritmo para identificar los diversos componentes necesarios. Por ejemplo, un fabricante de automóviles puede recopilar terabytes de datos sobre el rendimiento de sus componentes internos, y construir un modelo para predecir la posibilidad de fallo de los componentes, y así planificar su trabajo de mantenimiento por adelantado. Las herramientas utilizadas para el análisis predictivo son algoritmos genéticos, regresión de registros, regresión de series temporales y simulaciones de Monte Carlo.

Análisis prescriptivo: ¿cómo podemos hacer que ocurra?

El análisis prescriptivo responde a la pregunta “¿cómo podemos hacer que suceda?”. El diagnóstico y la predicción son inútiles sin recomendaciones o sugerencias sobre cómo lograr una mejora. Claro, podría requerir algo de experimentación, pero esto nos ayudará a comprender mejor el curso de acción más apropiado. Herramientas como Machine Learning pueden ayudar a encontrar la solución óptima a los problemas en función del tiempo, la calidad y los ingresos en función del coste.

Conclusión: el análisis de datos constituye una base para la toma racional de decisiones

Esta es una era de la revolución acelerada de la información digital. Si la aplicación de la contabilidad de gestión para la toma de decisiones no logra mantenerse al día con los cambios, puede suponer poner en riesgo el desempeño operativo de su empresa. Y, también, puede provocar la pérdida de su ventaja competitiva.

La función de contabilidad de gestión para la toma de decisiones debe evitar su incomodidad con los datos, y adoptar un modelo que se adapte a la cultura y la demanda del estilo de trabajo de su organización. La estrategia también debe ser congruente con el Sistema de Información de Gestión de la empresa. No tiene que ser tan complejo como siempre se teme.

La aplicación de Business Analytics ayuda a la función de contabilidad de gestión a tomar una decisión imparcial, impulsada por los datos objetivos. Esto ayuda a una toma de decisiones menos subjetiva, menos fundamentada en opiniones personales, prejuicios e irracionalidad. Las decisiones deben basarse en hechos y análisis diligentes dirigidos a maximizar el valor de todos los grupos de interés.