2020.04.02.
A behavioural economics területén dolgozó kutatók és szakértők részéről nagy egyetértés látszik arra vonatkozóan, hogy a szervezeti cash-flow és a management kapcsolatát leginkább jellemző viselkedés a túlzott optimizmus, vagy túlzott elbizakodottság.
Annak idején az egyik kedvenc pénzügy tanárom felhívta a figyelmemet, hogy nagyon figyeljünk oda a cash-flow-ra, mert a nem megfelelő kezelése az egyik leggyakoribb ok a cégek bukásánál.
Látva azóta több példát az életből, azt gondolom, hogy a kettő között valóban lehet némi összefüggés…
Egészen az előző hónapig, sokan arra fókuszáltak, hogy miként tudnák kihasználni a gazdasági bővülést, és ezek mentén kezelni a bővülésből adódó “szétfeszített” cash-flow-t.
Mostanság viszont már az a kérdés, hogy a naponta változó, és egyre borúsabb kilátásoknál, hogyan lehet finanszírozni majd a működést.
Akár felfele megy a gazdaság, akár lefele, a cash-flow kezelésnek vitathatatlan szerepe van.
Ezek mentén különösen érdekes azt látni, hogy míg a technológiai fejlődés életünk minden területét gyökeresen megváltoztatta, változtatja napról-napra, addig a cash-flow kezelésben ez alig jelenik meg.
Az első cash-flow tábláimat Excelben állítottam össze, majd kiegészítettem Visual Basic kódokkal. A legtöbbször azt látom, hogy a cégek még mindig ezekkel az eszközökkel dolgoznak, mintha mi sem változott volna az elmúlt 25 évben, csak már laptopon és másik Excel verzióban.
A nagy tech vendorok számos jó lehetőséget kínálnak, hogy a legjobb Machine Learning modellekre építsük a megoldásainkat – fillérekért:
Microsoft
Az Excel vitathatatlanul mindent visz ezen a területen. Ugyanakkor az MS is felismerte, hogy tovább kell lépnie, ha versenyben akar maradni. Ezekre a továbblépésekre az egyik példa:
PowerBI
a Microsoft trendi riportoló eszköze számos előrejelző szolgáltatással rendelkezik, aminek a nagy része nem fejlesztőknek, hanem üzleti szakembereknek készült. Néhány példa az alábbiakban: https://powerbi.microsoft.com/en-us/blog/tag/forecasting/
SAP
Egy másik nagy tech vállalat, az ERP világvezetője szintén kínál nagyon jó megoldásokat az üzleti felhasználóknak, amelyekkel a gyakorlati életben tudják használni a Machine Learning lehetőségeit. Egy konkrét példa az alábbiakban található: https://blogs.sap.com/2019/10/07/time-series-forecasting-in-sap-analytics-cloud-in-detail/
Ha ilyen jó eszközök vannak, ennyire olcsón, akkor miért használják olyan kevesen, és miért maradunk a 25 éves megközelítéseknél, miközben más pontokon gyorsan alkalmazkodunk a technológiai változásokhoz?
Azt gondolom, hogy alapvetően két ok húzódik meg a kérdés mögött:
- A rendelkezésre álló adatok (és azok minősége)
- Az adatokkal kapcsolatos projektek során jelentkező emberi tényezők
Ahhoz, hogy ezek az előrejelző modellek jól működjenek két dolgot mindenképpen meg kell tennünk az adatainkkal:
1. Meg kell értenünk őket
Tudnunk kell, hogy a cash-flow bevételi és kiadási oldala milyen viselkedésbeli eltérést takar. Például lehet, hogy az egyik oldalra felesleg algoritmust alkalmaznunk, mert ott a számok nem változnak – vagy csak nagyon kis mértékben (ez legtöbbször a kiadási oldalt jellemzi). A másik oldalon viszont vannak jól elkülöníthető viselkedési modellek, melyekre más szabályok alkalmazhatók (ilyen lehet például a különböző termékcsoportokhoz köthető bevételi modellek) Ezenkívül ott vannak még a kiugró értékek, amikkel kell kezdenünk valamit, mert szintén elvihetik a modellt rossz irányba.
2. Meg kell tisztítanunk őket
A bevezetőben említett túlzott elbizakodottság, vagy túlzott optimizmus ennél a területnél is megfigyelhető. Leginkább azon keresztül, hogy a projektekben nem nagyon allokálnak megfelelő időt erre a részre. Márpedig a tapasztalatok szerint ez az egyik leginkább időigényes feladat, amin legtöbbször elhasalnak a projektek. A leggyakoribb kifogás, hogy miért nem kell rá több idő: “Nálunk teljesen tiszták az adatok”
A cash-flow projektek kudarcainál az egyik tipikus emberi tényező a szakmai munkatársak bevonásának módja és idő allokációja.
Legtöbbször az történik, hogy a napi szinten a cash-flow területén dolgozó kolléga úgy kapja meg ezt a feladatot, hogy a meglévő feladatai mellett szálljon be ebbe a projektbe is.
Ez azt eredményezi, hogy az elején még próbálja tartani határidőket, aztán ahogy halad előre az idő, egyre inkább visszacsúszik az operatív feladatokba és a projektnél jelentkezik a tipikus “elfáradási tünet”. Mivel azonban a kolléga nélkül nem tud a projekt előre haladni, így legtöbbször először csak lelassul, majd megáll határozatlan időre, vagy valami olyan megoldás kerül leszállításra, ami nehezen használható a valós életben.
Nagyon jó példát láttam erre az egyik projektben, ahol rögtön a projekt elején bevontak gyakornokot a szakmai munkatárs mellé, hogy átvegyen több manuális feladatot, ezzel felszabadítva az időt a projektre.
Adatok, és belső szakmai közreműködés nélkül ezek a projektek nem lehetnek sikeresek.
Van egy másik jelenség, amit már nagyon régen megfigyeltek a pénzügyi piacokon: az embereket a kapzsiság és a félelem mozgatja. A fent említett kutatók ezt a jelenséget is vizsgálták, és azt tapasztalták, hogy ha számszerűsíteni kellene ezeknek a hatását, akkor a félelem kétszer olyan erős motiváló tényezőt jelent, mint a kapzsiság.
Talán ez húzódhat meg azon jelenség mögött is, hogy borús gazdasági környezetben – amikor a félelem dominál – sokkal nagyobb kitartással hajtják végre azokat a lépéseket az egyének-szervezetek, melyek mentén például a cash-flow előrejelzés hatékonyabbá válik.
Nehéz időkben a kitartásunk is sokkal nagyobb. El kell fogadnunk, ilyenek vagyunk mi emberek. Legtöbben (és talán legtöbbet) akkor fejlődünk, ha az élet rákényszerít.
