Investeringsbeslissingen worden vaak gebaseerd op een business case waarin investeringsalternatieven met elkaar worden vergeleken. Prognoses van de financiële impact van de investeringsalternatieven spelen hierin een belangrijke rol. De gebruikte historische data op basis waarvan financiële prognoses tot stand komen en de wijze waarop deze data worden gebruikt bij het bepalen van verwachte inkomsten en uitgaven bepalen in hoge mate de betrouwbaarheid van de prognoses. Big data en moderne analysetechnieken hebben de potentie om de betrouwbaarheid van financiële prognoses te vergroten. Het empirische bewijs van de werkelijke toegevoegde waarde van big data op dit vlak is echter schaars. In dit artikel wordt beschreven welke big data-toepassingen kunnen bijdragen aan betere financiële prognoses in business cases. Daarnaast wordt een casestudie gepresenteerd waarin big data-toepassingen daadwerkelijk tot betere financiële prognoses in business cases zouden hebben geleid.
De explosieve toename van de hoeveelheid en variëteit aan data en de geavanceerde analysemogelijkheden die bedrijven tot hun beschikking hebben, bieden kansen voor het bepalen van financiële prognoses van investeringsalternatieven.
Een business case is een instrument ter ondersteuning van besluitvorming en planning om een probleem op te lossen of een kans te verzilveren. Om besluitvorming te ondersteunen bevat een business case voorspellingen van toekomstige effecten van het te nemen besluit: financiële resultaten en andere consequenties (
In de literatuur worden diverse risico’s met betrekking tot de kwaliteit van financiële prognoses in business cases onderkend. Allereerst worden prognoses vaak gebaseerd op input van personen in de organisatie die een belang hebben bij de investering. Hierdoor ontstaat het risico van
Een andere valkuil is dat prognoses vaak worden gebaseerd op het meest waarschijnlijke toekomstscenario. Op basis van dit scenario wordt dan een verwacht rendement op de investering berekend. Een goede investeringsbeslissing kan echter niet alleen worden genomen op basis van het meest waarschijnlijke scenario, de kansverdeling van mogelijke uitgaven en inkomsten speelt ook een rol. Zo moeten de consequenties van de investeringsvoorstellen binnen de risicobereidheid van de organisatie vallen (
Technieken in het veld van big data en moderne analysetechnieken bieden mogelijkheden om de genoemde risico’s te beperken en tot betere prognoses te komen. De hoeveelheid data en de variëteit aan bronnen die deze data herbergen neemt explosief toe en moderne analysetechnieken maken het mogelijk om die data te transformeren tot nauwkeuriger voorspellingen. Dit is mogelijk door de objectiviteit van de feitelijke informatie (input) te verhogen en daarmee tegenwicht te geven aan de
Van drie business cases van Port of Amsterdam die in het verleden hebben geleid tot positieve investeringsbeslissingen wordt bepaald of de toepassing van big data en moderne analysetechnieken tot nauwkeuriger en daarmee betere financiële prognoses zou hebben geleid.
Het artikel is als volgt opgebouwd. In paragraaf 2 wordt de theoretische achtergrond geschetst van aspecten die van belang zijn voor de kwaliteit van financiële prognoses in business cases. In paragraaf 3 worden big data-technieken besproken en in paragraaf 4 wordt de relatie gelegd tussen deze big data-technieken en de aspecten die van belang zijn voor de kwaliteit van financiële prognoses. In de volgende paragrafen worden de onderzoeksmethode en de toepassing van de big data-technieken op drie business cases van Port of Amsterdam besproken en geanalyseerd. Het artikel wordt afgesloten met conclusies en beperkingen van het onderzoek.
Het kloppend hart van een business case wordt gevormd door een financieel model (
In het kader van
Naast objectieve input is van belang op welke wijze de input wordt vertaald in prognoses.
Tot slot wordt in de literatuur gesproken over de wijze waarop de analyseresultaten worden gepresenteerd. “
In deze paragraaf zijn aspecten in kaart gebracht die van belang zijn voor de kwaliteit van financiële prognoses in business cases. Deze aspecten hebben betrekking op de kwaliteit van de input en de methodiek die voor de analyse wordt gehanteerd. In Tabel
Aspecten met betrekking tot de kwaliteit van financiële prognoses in business cases.
Aspecten met betrekking tot de kwaliteit van de input van de financiële prognose: |
Aspecten met betrekking tot de methodiek die voor de analyse van het financiële model wordt gehanteerd: |
Big data is een verzamelnaam voor de methoden en technieken waarmee organisaties proberen om concurrentievoordeel te behalen uit de data die ze tot hun beschikking hebben (
Moderne analysetechnieken maken het voor organisaties mogelijk om op basis van deze data toekomstige ontwikkelingen te voorspellen en besluitvorming te ondersteunen (
Descriptive analytics: het vinden van patronen en relaties in historische data. Technieken in deze categorie zijn visualisatie en data mining. Visualisatie is volgens Evans and Lindner (2012, p. 3) de meest bruikbare component van big data waarmee verrassende patronen en relaties inzichtelijk kunnen worden gemaakt en data effectief kan worden gecommuniceerd binnen organisaties. Data mining wordt ingezet om op basis van historische data nieuwe en belangrijke patronen te ontdekken. Hierbij worden statistische methoden gebruikt (Chen et al. 2012; Kohavi et al. 2002).
Predictive analytics: het voorspellen van toekomstige waarschijnlijkheden en trends, met name door het extrapoleren van trends en patronen die worden waargenomen in historische data. Dit werkt zo lang de toekomst lijkt op het verleden. Een bekende techniek in deze categorie is what-if-simulatie waarbij inzichtelijk wordt gemaakt wat het effect is indien de variabelen in een model zich anders gedragen dan vooraf verwacht (Haas et al. 2011, p. 1). Een geavanceerdere techniek is simulation & risk waarbij niet alleen de impact wordt onderzocht, maar de (on-)zekerheid van het gehele model wordt bepaald. Hierbij worden wiskundige, statistische modellen ingezet om grote hoeveelheden scenario’s door te rekenen en zo te komen tot een kansverdeling – en daarmee waarschijnlijkheid – van mogelijke uitkomsten van het totale model (Davenport and Harris 2007; Katal et al. 2013; Stratton 2004). Ook gevoeligheidsanalyses, waarbij modellen meermaals worden doorgerekend om de gevoeligheid van het model voor de afzonderlijke variabelen te bepalen, vallen onder deze toepassing (Ibrahim and Koch 2008).
Prescriptive analytics: in onzekere omgevingen volstaan de patronen die in het verleden zijn waargenomen niet meer. Bij deze vorm van analytics worden die inzichten gecombineerd met modellen die rekening houden met de onzekerheid in de data en zelf in staat zijn om voorspellingen aan te passen op basis van nieuwe inzichten. Machine learning is een vorm van artificial intelligence waarbij algoritmen worden ontwikkeld waarmee systemen gedrag ontwikkelen dat volledig wordt gebaseerd op data. Uiteindelijk kunnen, doordat het systeem zichzelf verbetert en zo leert, geautomatiseerd intelligente besluiten worden genomen door het systeem zonder dat bij dat bewuste besluit menselijk handelen komt kijken (Chen et al. 2012).
In deze paragraaf worden verbanden gelegd tussen de aspecten die van belang zijn voor kwalitatief goede financiële prognoses in business cases en hoe de hiervoor behandelde big data-toepassingen daaraan kunnen bijdragen.
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
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
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
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
Op het gebied van scenarioanalyses werden ook
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 (
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 (
In Tabel
Mogelijke toepassing van big data bij de totstandkoming van financiële prognoses in business cases.
Visualisatie | Data mining | What-if | Simulation and risk | Machine learning | ||
Input | Volledigheid | ✔ | ||||
Juistheid | ✔ | ✔ | ||||
Objectiviteit | ✔ | ✔ | ||||
Analyse | Sensitivity analysis | ✔ | ✔ | ✔ | ✔ | |
Probability analysis | ✔ | ✔ | ✔ | ✔ | ||
Objectiviteit | ✔ | ✔ | ✔ |
Voor de casestudie zijn drie business cases geselecteerd die in het verleden bij Port of Amsterdam tot een positieve investeringsbeslissing hebben geleid. In alle drie de gevallen betreft het investeringen in haveninfrastructuur zoals steigers, kades en afmeerpalen met investeringsvolumes van €0,5 mln., €1 mln. en €26 mln. De investeringen hebben betrekking op verschillende toepassingsgebieden, variërend van de overslag van olie tot afmeerfaciliteiten voor cruiseschepen. De looptijd van de berekeningen is tussen de twintig en 25 jaar.
In de casestudie zijn de financiële prognoses van de business cases opnieuw berekend, maar nu door middel van de toepassing van big data-technieken. Bij de nieuwe prognoses is enkel gebruik gemaakt van data die op het moment van de oorspronkelijke berekening beschikbaar was.
Op basis van het literatuuronderzoek werd gesteld dat big data-technieken op twee onderdelen kunnen bijdragen aan betere financiële prognoses:
bij het bepalen van kwalitatief goede input en zo bijdragen aan de juistheid, volledigheid en objectiviteit;
als methodiek voor het analyseren van financiële prognoses door middel van simulatie (sensitivity- en probability-analyses) en door bij te dragen aan objectieve presentatie van de resultaten.
Beide onderdelen zijn in de casestudie afzonderlijk getoetst door voor ieder onderdeel een afzonderlijke financiële prognose te ontwikkelen. Dit betekent dat voor alle drie de geselecteerde business cases uiteindelijke de volgende financiële prognoses zijn gepresenteerd:
de initiële financiële prognose;
twee nieuwe financiële prognoses die zijn opgesteld door middel van toepassing van big data-technieken:
een prognose waarbij dezelfde statistische methode wordt gebruikt als bij de initiële prognose (deterministisch), maar waarbij de inputvariabelen door middel van big data-technieken zijn bepaald;
een prognose waarbij een andere statistische methode wordt gebruikt (Monte Carlo-simulatie; probabilistisch). Om deze methode te kunnen toepassen wordt voor iedere business case een simulatiemodel gebouwd. Bij het definiëren van de variabelen in deze modellen worden ook big data-technieken toegepast.
De analyses van de kwaliteit van de prognoses heeft plaatsgevonden op basis van de
Na beëindiging van de projecten zou het mogelijk zijn geweest om de prognoses af te zetten tegen de daadwerkelijke realisatiegegevens over de gehele looptijd van het project. Voor alle geselecteerde business cases geldt echter dat de looptijd waar in de initiële financiële prognose vanuit is gegaan nog niet is verstreken. Daarom zijn er twee analyses uitgevoerd. Ten eerste is de
In deze paragraaf wordt eerst stilgestaan bij de totstandkoming van de twee nieuwe financiële prognoses met behulp van big data-toepassingen: allereerst bij het bepalen van input en vervolgens bij het analyseren van het financiële model. Vervolgens worden de analyseresultaten behandeld.
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
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
Vereenvoudigde visualisatie van de historische prijsontwikkeling en de sprong naar het prijsniveau waar in de initiële business case mee werd gerekend vanaf 2015 (de start van de business case).
In de initiële financiële prognoses werd voor alle inkomstenstromen een en hetzelfde indexatiepercentage gehanteerd. Door middel van visualisatie (Figuur
Visualisatie van de historische ontwikkeling van indexatiepercentages van diverse inkomstenstromen.
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
Samenvattend zijn zowel visualisatie als
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
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
In Figuur
Normaaldistributie en ja-nee distributie (Oracle z.d.).
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
In de tabellen
Forecast accuracy vergelijkingen van het rendement op de drie business cases.
Rendement: Alleen realisatie | |||
---|---|---|---|
Initieel | Input d.m.v. big data | Input en analyse d.m.v. big data (simulatie) | |
Business Case 1 | -5% | -24% | 110% |
Business Case 2 | 107% | 106% | 107% |
Business Case 3 | 97% | 98% | 99% |
Forecast accuracy vergelijkingen van het rendement op de drie business cases.
Rendement: Alleen realisatie | |||
---|---|---|---|
Initieel | Input d.m.v. big data | Input en analyse d.m.v. big data (simulatie) | |
Business Case 1 | 77% | 73% | 90% |
Business Case 2 | 80% | 80% | 81% |
Business Case 3 | 518% | 313% | 125% |
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:
In vijf van de zes gevallen is het resultaat van de simulatieberekeningen het meest nauwkeurig met maximaal 25% afwijking van de werkelijke realisatie. Het verschil bij business case 2 waarin de simulatieberekening niet het meest nauwkeurig is, bedraagt slechts 1%.
De rendementen van de simulaties waarbij alleen de jaren zijn gebruikt die achter ons liggen (Tabel 3), zijn nauwkeuriger dan die waarbij de volledige looptijd van de business case is meegenomen door middel van geactualiseerde voorspellingen (Tabel 4).
De verschillen in nauwkeurigheid van de initiële berekeningen en de berekeningen waarbij input met behulp van big data-technieken tot stand is gekomen, zijn beperkt.
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
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
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
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 input moet juist en volledig zijn en objectief tot stand komen;
bij de analyse van het financiële model moet rekening worden gehouden met de onzekerheid van de uitkomsten en moeten resultaten objectief worden gepresenteerd.
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
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.