Davenport and Harris (2007, p. 59) noemen future value analysis als een van de toepassingsgebieden van big data bij investeringsbeslissingen. Big data-toepassingen kunnen volgens hen worden ingezet om de input voor de financiële prognoses te bepalen.

De kwaliteit van input is allereerst afhankelijk van de volledigheid. In traditionele financiële modellen worden alleen de variabelen opgenomen waar betrokkenen aan denken. Mogelijk kennen zij niet alle variabelen die invloed uitoefenen op de investering. Door middel van data mining kunnen nieuwe en belangrijke patronen worden ontdekt in de historische data. Op basis van deze patronen kan het financiële model worden uitgebreid met extra inputvariabelen waardoor de volledigheid van de input van de financiële prognose toeneemt.

Een tweede aspect is de juistheid van de input. Big data kan hier op twee manieren aan bijdragen. Allereerst kan door middel van big data-toepassingen de voorspelling worden gemaakt. Mogelijke toepassingen hierbij zijn visualisatie, waarbij historische patronen inzichtelijk worden gemaakt en kunnen worden omgezet in een voorspelling, en data mining waarbij nieuwe patronen aan het licht komen die, al dan niet geautomatiseerd, worden vertaald in voorspellingen. Daarnaast kunnen big data-toepassingen worden gebruikt om de voorspelling te valideren.

Het derde en laatste aspect met betrekking tot de input is dat ze objectief tot stand komt. De voorspellingen mogen niet worden gekleurd door het belang van de betrokkenen die ze vaststellen. Visualisatie kan hierbij een rol spelen. Door historische patronen van data te visualiseren en de voorspelde waarden daarbij te presenteren kan door de besluitvormers relatief eenvoudig worden bepaald of de voorspelling sterk afwijkt van het verleden waarna een discussie kan worden gevoerd of dit terecht is. Ook data mining kan bijdragen aan objectievere inputvariabelen door onbekende patronen aan het licht te brengen waar men – bewust of onbewust – nog niet aan had gedacht.

In het voorafgaande werd geconcludeerd dat de eisen aan het analyseren van het financiële model voornamelijk betrekking hebben op de risico’s die voorspellingen in business cases met zich meebrengen. Als antwoord op deze risico’s werd in paragraaf 3 de big data-toepassing simulation and risk genoemd, bestaande uit sensitivity- en probability-analyses. Davenport and Harris (2007, p. 59) noemen voor het uitvoeren van probability-analyses de term Monte Carlo-simulatie: “computerized technique used to assess the probability of certain outcomes or risks by mathematically modeling a hypothetical event over multiple trials and comparing the outcomes with predefined probability distributions”. Dergelijke simulaties kunnen worden ingezet bij de analyse van financiële modellen in business cases. Naast probability-analyses zijn Monte Carlo-simulaties ook bruikbaar voor sensitivity-analyses (Ibrahim and Koch 2008).

Op het gebied van scenarioanalyses werden ook what-if-analyses genoemd. Aangezien zowel sensitivity- als probability-analyses worden uitgevoerd met behulp van scenarioanalyses zou what-if-analyse als big data-toepassing ook geschikt zijn. What-if-analyses wijken af van Monte Carlo-simulatie doordat bij what-if scenario’s specifieke scenario’s vooraf gespecificeerd worden om vervolgens te worden doorgerekend. Bij Monte Carlo-simulaties worden de inputvariabelen gemodelleerd waarna met een druk op de knop vele duizenden scenario’s worden doorgerekend. Hierdoor kost het substantieel minder tijd om een statistisch verantwoorde analyse uit te voeren met Monte Carlo-simulaties dan met traditionele what-if-analyses.

De kwaliteit Monte Carlo-simulaties hangt sterk af van de kwaliteit van de vooraf gemodelleerde inputvariabelen. Voor iedere variabele wordt een kansverdeling oftewel distributie bepaald (Ibrahim and Koch 2008, p. 39). Dit kan handmatig worden ingesteld, wat dezelfde kwaliteitsrisico’s met zich meebrengt als de aspecten die in paragraaf 3 zijn beschreven voor het bepalen van inputvariabelen. Zo kan men onvoldoende inzicht hebben in de bandbreedte of verdeling van variabelen, of kan de objectiviteit onder druk komen te staan wanneer men belangen heeft bij een bepaalde uitkomst. Het inzetten van visualisatie- en data mining-technieken kan hierbij helpen.

Het laatste aspect met betrekking tot de methodiek die voor de analyse van het financiële model wordt gehanteerd is dat de analyse objectief plaatsvindt en dat interpretatieverschillen tijdens en naar aanleiding van de analyse zo veel mogelijk worden voorkomen. Aangezien Monte Carlo-simulaties de mogelijkheid bieden om alle mogelijke uitkomsten door te rekenen, ook de uitkomsten die intuïtief niet als mogelijkheid werden gezien, is er sprake van een rationele en objectieve analyse (Ibrahim and Koch 2008). De objectiviteit valt of staat echter met de objectiviteit waarmee de inputvariabelen in het simulatiemodel worden gemodelleerd. Visualisatie kan hierbij een rol spelen. Door historische patronen van data te visualiseren, en de voorspelde waarden daarbij te presenteren, kan door de besluitvormers gemakkelijker worden bepaald of de voorspelling sterk afwijkt van het verleden waarna een discussie kan worden gevoerd of dit terecht is. Ook data mining kan bijdragen aan objectieve modellering van variabelen door onbekende patronen aan het licht te brengen waar men daarvoor – bewust of onbewust – nog niet aan had gedacht.

In Tabel 2 worden de mogelijke toepassingsgebieden van big data om de kwaliteit van financiële prognoses te verbeteren ten behoeve van business cases schematisch weergegeven.

Op basis van de literatuur zijn twee big data-toepassingen benoemd die een bijdrage kunnen leveren aan het vaststellen van de input voor de financiële prognoses: visualisatie en data mining. In de casestudie zijn beide technieken toegepast.

Visualisatie bleek een goed hulpmiddel om historische prijsontwikkelingen van inkomende kasstromen inzichtelijk te maken en zo te valideren of de prijs die men in de initiële business cases gebruikte – en dus door de betrokkenen als meest waarschijnlijk werd gezien – plausibel was. Figuur 1 toont een dergelijke (vereenvoudigde) visualisatie waaruit blijkt dat de historische prijsontwikkeling (de blauwe doorgetrokken lijn) flink lager ligt dan het gehanteerde prijsniveau waar in de initiële financiële berekening vanaf 2015 mee werd gerekend: het eerste jaar van de business case-berekening. De oranje stippellijn toont aan dat de sprong die moet worden gemaakt van de realisatie in 2014 naar het geschatte prijsniveau in 2015 niet realistisch lijkt. Door middel van visualisatie werd inzichtelijk dat de gehanteerde prijs in dit voorbeeld te hoog is en naar beneden moest worden bijgesteld. Visualisatie droeg in dit voorbeeld bij aan validatie van de input waarop de prijs in neerwaartse richting is bijgesteld.

In de initiële financiële prognoses werd voor alle inkomstenstromen een en hetzelfde indexatiepercentage gehanteerd. Door middel van visualisatie (Figuur 2) – waarin iedere lijn het indexatiepercentage van een afzonderlijke inkomstenstroom representeert – werd inzichtelijk dat de historische ontwikkeling van de verschillende percentages sterk fluctueerde en van elkaar afweek. Om die reden is het niet terecht om voor alle inkomstenstromen van één indexatiepercentage uit te gaan.

In de nieuwe berekeningen is daarom allereerst niet meer uitgegaan van een en hetzelfde indexatiepercentage voor alle inkomstenstromen, maar zijn de indexaties per inkomstenstroom gesplitst. Daarnaast zijn door middel van eenvoudige statistische technieken op basis van historische indexatiepercentages gemiddelden en standaarddeviaties bepaald die in de nieuwe berekeningen zijn opgenomen.

Ook bij het bepalen van toekomstige onderhoudsuitgaven bleek data mining toepasbaar. Omdat de beschikbaarheid en bruikbaarheid van onderhoudsdata een beperkende factor bleek is slechts gebruik gemaakt van eenvoudige statistische technieken. Toch hebben deze analyses geleid tot aanpassingen van de verwachte onderhoudsuitgaven.

Samenvattend zijn zowel visualisatie als data mining-technieken toegepast om de juistheid van de inputvariabelen te vergroten. De visualisaties hebben bijgedragen aan de validatie van de onderliggende aannames van de oorspronkelijke financiële berekening. Eenvoudige statistische technieken zijn toegepast om patronen in data te analyseren en zo de input te bepalen.

Het tweede deel van de casestudie is gericht op de analyse van de financiële berekeningen. Op basis van de literatuur is gesteld dat de toepassingsmogelijkheid van big data hierbij tweeledig is. Allereerst wordt onder de toepassing van big data verstaan het uitvoeren van sensitivity- en probability-analyses door middel van simulation and risk. Door voor iedere onzekere variabele een distributie te definiëren ontstaat een simulatiemodel dat softwarematig kan worden doorgerekend. In de casestudie is gebruik gemaakt van simulatiesoftware van Oracle, genaamd Crystal Ball, waarmee zogenaamde Monte Carlo-simulaties kunnen worden uitgevoerd. De simulatiemodellen zijn uitgevoerd met n = 10.000 wat betekent dat de drie simulatiemodellen ieder 10.000 keer zijn gesimuleerd. Bij iedere simulatie wijst de software voor alle variabelen waar een distributie voor is gedefinieerd at random een waarde toe. Op die manier passeerden voor iedere business case 10.000 mogelijke uitkomsten van de financiële berekening de revue wat leidt tot een kansdistributie van het mogelijke rendement op de investering.

Ten tweede kunnen big data-technieken bijdragen aan de totstandkoming van de simulatiemodellen. In deze modellen wordt voor iedere variabele met een onzekere toekomstverwachting zogenaamde probability distributions of assumpties gedefinieerd: een reeks van mogelijke waarden, inclusief een kansverdeling van optreden van die mogelijke waarden. Afhankelijk van de variabele kan de distributie verschillen. Bij het definiëren van deze distributies wordt verondersteld dat big data-toepassingen visualisatie en data mining een rol kunnen spelen.

In Figuur 3 zijn twee distributies die in de casestudies zijn gebruikt schematisch weergegeven. Wanneer er sprake is van een bekende, meest waarschijnlijke waarde en het waarschijnlijker is dat de onbekende variabele dichter bij dat punt ligt dan verder ervan af (circa 68% ligt binnen één standaarddeviatie van het gemiddelde), dan wordt de normaaldistributie toegepast (Oracle z.d.). In de casestudies is voor een van de prijscomponenten gekozen voor deze distributie. Met behulp van eenvoudige data mining-technieken is op basis van historische data een gemiddelde en standaarddeviatie vastgesteld. Deze waarden hebben als input gediend bij het definiëren van de normaaldistributies. De ja/nee-distributie wordt toegepast bij variabelen waarbij slechts twee waarden mogelijk zijn (ja of nee; kop of munt, etc.; Oracle z.d.). In de casestudie is deze distributie toegepast bij de vraag of er in een specifiek jaar wel of geen onderhoud plaats zou vinden. Door middel van data mining-technieken is op basis van historische data bepaald hoe groot de kans is dat voor specifieke assets onderhoud noodzakelijk is. Op basis van die analyse zijn de ja/nee-distributies geprogrammeerd.

Op basis van de uitkomsten van de berekeningen die in de casestudie zijn gemaakt, de initiële berekeningen en de werkelijke realisatie is een nauwkeurigheidsscore berekend: de forecast accuracy (FA). Bij een score van 100% is de prognose optimaal nauwkeurig: de prognose komt in dat geval volledig overeen met de werkelijke realisatie. Een FA-percentage van 95% betekent dat de prognose 5% lager is dan de werkelijke realisatie. Een FA-percentage van 105% betekent dat de prognose 5% hoger is dan de werkelijke realisatie. In beide gevallen is de prognose 5% minder accuraat dan wanneer de realisatie perfect was voorspeld. Hoe dichter de score bij de 100% ligt, hoe nauwkeuriger – en daarmee beter – de financiële prognose is.

In de tabellen 3 en 4 wordt per business case de forecast accuracy vergeleken tussen de initiële financiële berekening, de berekeningen waarbij de input door middel van big data-technieken opnieuw is bepaald en de berekeningen die door middel van simulatie zijn uitgevoerd. Tabel 3 toont de berekeningen waarbij alleen de periode in de berekening is betrokken die achter ons ligt; Tabel 4 toont de berekeningen waarbij ook de jaren in de business cases die nog niet zijn gepasseerd, worden betrokken in de berekening.

De berekeningen waarvan het rendement het dichtst bij de werkelijke realisatie ligt zijn groen gekleurd, de tweede oranje en de waarde die het minst nauwkeurig is ten opzichte van de werkelijke realisatie rood.

De volgende resultaten vallen op:

Het toepassen van big data-technieken in business cases-berekeningen blijkt bij twee van de drie business cases te hebben geleid tot een nauwkeuriger berekening. Business case 2 toont dusdanig kleine variaties in de forecast accuracy-percentages dat kan worden gesteld dat de toepassing van big data niet heeft geleid tot betere business case-berekeningen.

De berekeningen waarbij gebruik is gemaakt van big data-technieken zijn overwegend nauwkeuriger dan de initiële berekening. Hierbij zijn de simulatiemodellen het meest nauwkeurig, gevolgd door de berekeningen waarbij de input opnieuw is bepaald door middel van visualisatie en data mining. Deze bevindingen komen voort uit business cases 1 en 3.

Om de validiteit van het onderzoek te borgen zijn naast de vergelijking van totaalrendementen tussen de verschillende berekeningen ook analyses gemaakt op de verschillende onderliggende kasstromen van de berekeningen. Onderliggende forecast accuracy-berekeningen van investeringsuitgaven, inkomsten en exploitatie-uitgaven lieten hetzelfde beeld zien als de forecast accuracy van de rendementen. De componenten in de derde berekening zijn overwegend het meest accuraat, gevolgd door de componenten waarvan de input door middel van big data-toepassingen zijn bepaald.

In dit artikel is onderzocht of big data kan bijdragen aan betere financiële prognoses ten behoeve van business cases.

Door middel van literatuurstudie is bepaald welke eisen aan business case-berekeningen worden gesteld om bruikbaar te zijn in de besluitvorming. Daarnaast zijn big data-technieken in kaart gebracht en is bepaald welke van die technieken kunnen bijdragen aan de kwaliteit van financiële prognoses in business cases. Vervolgens is door middel van een casestudie in de praktijk getoetst of die big data-technieken daadwerkelijk leiden tot nauwkeuriger – en daarmee betere – financiële prognoses.

De volgende aspecten zijn van belang voor de kwaliteit van financiële prognoses in business cases:

De casestudie laat zien hoe bij Port of Amsterdam big data een bijdrage zou kunnen hebben geleverd aan de kwaliteit van financiële prognoses. Door middel van visualisatie en data mining zijn onder andere prijsniveaus geobjectiveerd, toekomstige onderhoudsuitgaven bepaald en is er onderscheid gemaakt in indexatie van verschillende soorten uitgaven. Bij de analyse van de resultaten zijn Monte Carlo-simulaties toegepast die inzichtelijk hebben gemaakt hoe waarschijnlijk de resultaten van de berekeningen zijn en welke variabelen het grootste effect hebben op de uitkomsten. Om deze simulaties te kunnen uitvoeren zijn simulatiemodellen gebouwd. Visualisatie en data mining hebben een belangrijke rol gespeeld bij het definiëren van de variabelen in deze modellen.

De resultaten laten zien dat bij twee van de drie business cases de genoemde big data-technieken inderdaad een positief effect hebben op de nauwkeurigheid van de prognoses. De simulatieberekeningen waarbij de inputvariabelen zijn bepaald door middel van en waarbij de analyse van het financiële model heeft plaatsgevonden met behulp van big data-technieken zijn het meest nauwkeurig. De berekeningen waarbij de inputvariabelen door middel van big data zijn bepaald en waarbij de wijze waarop de analyse plaatsvindt onveranderd is, volgen op de tweede plaats.

Dit onderzoek kent een aantal beperkingen. Allereerst is het aantal van drie business cases te klein om significante conclusies te trekken over de bruikbaarheid van big data-toepassingen bij het verbeteren van business case-berekeningen. Het verdient daarom aanbeveling om meer casestudies uit te voeren. Het zou interessant zijn om hierbij andere organisaties en investeringen te betrekken zodat de resultaten breder toepasbaar zijn.

Bij de totstandkoming van de nieuwe business case-berekeningen met behulp van big data-toepassingen is enkel gebruik gemaakt van interne data: data die beschikbaar was binnen Port of Amsterdam. Brancherelevante macro- en micro-economische data heeft enorme potentie om de business case-berekeningen verder te verrijken en nauwkeuriger te maken. Aanbevolen wordt om vervolgonderzoek te richten op de toegevoegde waarde van externe data in business case-berekeningen.

Tot slot is het beperkte aantal jaren met realisatiedata in de casestudie een beperking voor het onderzoek. Idealiter zou de volledige looptijd van de oorspronkelijke business case zijn verstreken waardoor er voor de gehele periode realisatiedata beschikbaar is en nauwkeurigheid van de berekeningen daarmee kan worden vergeleken. Dit was echter bij de drie geselecteerde business case-berekeningen niet het geval. Het verdient aanbeveling om deze analyse nogmaals uit te voeren zodra er business cases beschikbaar zijn waarvan de gehele looptijd is verstreken.