Les previsions són part substancial de qualsevol “Business Plan”.
En el procés d’innovació o en una empresa emergent o ‘startup’, es fa precís en algun moment, realitzar i presentar un “Business Plan” (Pla de negoci). És necessari per assegurar el suport als projectes o per buscar finançament, sigui intern o extern.
Les previsions són part substancial de qualsevol “Business Plan”. Al realitzar-la poden aflorar de forma més explícita, els riscos i oportunitats que ens serveixin per evitar posteriors explicacions imprevistes.
No hi ha un pla de negoci estàndard, però en molts casos els mateixos grups de “Capital risc” o “Business angels” poden proveir-nos d’un model ‘proforma’.
En general han de ser relativament concisos, però han de contenir estimacions financeres i per tant previsions, amb plans de contingència previstos.
Les previsions tenen mala premsa. “En el nostre cas és molt difícil …”
Molts d’aquests plans tenen serioses deficiències en els aspectes de màrqueting i finances. En tots dos casos són pobres estimacions sobre els ingressos previstos, o manca de claredat en les premisses en què es basen, manca de profunditat en anàlisi de competidors potencials i vulnerabilitat en les alternatives a possibles riscos.
Les previsions d’innovació es realitzen en condicions d’incertesa bastant més grans que les previsions operatives normals i per això és convenient establir marges i alternatives pels efectes dels possibles riscos
Per realitzar les previsions hem de partir d’una perspectiva correcta en funció de diversos conceptes i dinàmiques en la innovació que cal entendre i gestionar:
- Quin tipus d’innovació estem fent ?: Incremental, radical o de canvi de paradigma.
- Característiques pròpies de cada projecte: en la seva concepció, desenvolupament i llançament.
- Com s’aplica la innovació: plans d’adopció i difusió. L’adopció d’una innovació i la seva difusió han estat analitzades intensivament i hi ha molts models. Ara no hi entrarem.
Els objectius del procés d’innovació els podem resumir en tres i s’han de tenir en compte tant al realitzar les previsions com en el ‘pla de negoci’:
- Llançar al mercat la millor solució possible. És a dir, assegurar la qualitat de la solució i el seu alineament amb les necessitats reals dels clients.
- Fer-ho en el menor espai de temps possible (time-to-market)
- Utilitzant els mínims recursos possibles.
La consecució d’aquests objectius, dependrà en gran mesura dels riscos associats al projecte i de la manera en com siguin gestionats. En un entorn de canvi accelerat, també hem de contemplar que l’acceleració del canvi produeix un augment de la incertesa.
Metodologies per a previsions en els projectes d’innovació
És convenient fer una selecció entre els mètodes a utilitzar i afinar en la selecció de les eines que farem servir, fent participar a equips amplis i preparats per a això.
La diferència entre previsions per a projectes d’innovació i les previsions operatives que realitzem habitualment en els pressupostos, ens obliga a adaptar també mètodes diferents o a usar alguns dels habituals amb modificacions.
Agrupem les metodologies en 5 diferents tipus:
- Qualitatius i exploratoris
- Sèries temporals i projeccions. Mètodes estadístics
- Causals
- Simulacions
- Consens
1) Qualitatius i exploratoris
a) Projeccions de l’àrea de vendes o recopilació d’informació dels més propers al client o mercat.
És d’escàs ús en la innovació. La informació sol ser filtrada en termes de productes o serveis existents i esbiaixada pels nivells de venda actuals més que en potencials de desenvolupament futurs per a nous projectes.
b) “Brainstorming” i altres anàlisis interns.
La generació estructurada d’idees s’utilitza per buscar solucions a problemes complexos o específics, o per identificar potencials productes o serveis nous. Es poden organitzar en sessions dirigides per un grup d’experts i es recullen totes les idees. L’objectiu és identificar, sense avaluar, com més oportunitats i solucions possibles per avaluar-les i classificar-les després.
c) El “Design Thinking”
És una metodologia que també s’utilitza en la resolució de problemes, especialment adequada per a solucions a problemes complexos o mal definits, que se centra en com resoldre’ls, enfocada a les possibilitats i orientada a les hipòtesis. És un model de pensament que combina l’empatia amb els usuaris i la immersió en el context d’un problema, la creativitat en la generació d’idees i solucions i un enfocament experimental basat en dades per avaluar la qualitat de les solucions.[1] i [2]
d) Grups o panells de ‘entesos’ o ‘experts’. Debat o procés d’acord entre experts.
Preguntar al “expert” generalment proporciona la informació per al pronòstic. Se suposa que la base d’experiència i educació dels experts és suficient, en una àrea determinada, per predir o pronosticar els vectors d’expansió o avaluar les grans línies d’un mercat o segment.
En realitat, els tres mètodes anteriors no produeixen una previsió, però si obtenen idees o solucions que poden donar ‘inputs’ per ser aplicats a les previsions.
e) Mètode Delphi. Grup experts en procés d’iteració amb moderador.
És un dels més usats, i és útil quan hi ha graus d’incertesa elevats o horitzons temporals de previsió molt llargs.
La metodologia és molt coneguda i hi ha àmplia informació al respecte.
El mètode busca eliminar els desavantatges del treball dels experts ‘cara a cara’, per les influències mútues.
La qualitat de les previsions depèn en gran mesura de la selecció d’experts, de l’adequació de la seva experiència i la qualitat de les preguntes o qüestionaris així com dels ‘feedback’ i iteracions.
El consens en els resultats finals sol ser important, però convé no oblidar les dissensions radicals que poden tenir raons convenientment fonamentades i donar lloc a alternatives o a aflorar riscos no contemplats.
És una tècnica emprada àmpliament en els governs i administracions públiques.
f) Estudis de mercat o a consumidors.
Es recopilen dades mitjançant diferents mètodes, qüestionaris, entrevistes, enquestes, etc.
En els mercats de consum, l’ús en la innovació és problemàtic per les limitacions dels consumidors en expressar les seves necessitats futures. És difícil que els clients puguin articular els seus requeriments futurs en productes o serveis que no coneixen bé.
Sol ser més útil en mercats industrials o “Business to Business”, on el client sol estar en millors condicions per comunicar la seva visió i previsions futures. En aquests casos les innovacions freqüentment són fruit de col·laboracions amb clients.
A més, poden ser útils metodologies amb qüestions no directes sinó interpretatives, com “la Veu del Client”, l’aplicació de QFD o del model de Kano
g) Previsió intuïtiva: Es basa en la visió de futur personal o d’un grup reduït.
És més popular i freqüent del que pot semblar. Moltes vegades es basa en la intuïció del propi emprenedor o la visió explicitada del responsable màxim d’una empresa. Cas Steve Jobs en Apple amb diversos dels seus productes, i de bastants casos més, especialment en les que avui són grans empreses en el camp de les noves tecnologies, Microsoft, Facebook etc.
Té a veure bastant en el que anomenem “Push” a la innovació tecnològica.[3]
h) Analogia històrica, de producte o servei similar.
Es lliga el producte o servei a una sèrie de dades històriques d’un article similar. Pot adaptar-se a models de regressió o d’algoritmes especials.
2) Sèries temporals i projeccions. Mètodes estadístics
En quasi tots aquests mètodes es parteix de sèries temporals amb dades històriques i s’extreuen tendències, correlacions, estacionalitats, identificació de patrons etc. Se solen efectuar ajustos de diferent tipus per eliminar distorsions, esdeveniments no repetitius, campanyes, etc. A partir d’aquí es realitzen projeccions mitjançant diferents tècniques, entre elles:
- Mitjanes simples. Es calcula la projecció a partir de les mitjanes simples de sèries de períodes.
- Mitjanes ponderades. Valors històrics amb diferent pes.
- Ajust exponencial. Els valors recents tenen més valor que els antics.
- Regressió lineal o d’un altre tipus. Ajustem una recta o línia simple a un conjunt de dades.
- Ajust exponencial corregit per tendència. A partir de l’ajust s’afegeixen factors de tendència o estacionalitat. TAM, PMA.
- Algorismes especials o complexos.
La dificultat principal per a ser usats en projectes d’innovació resideix en la inexistència de dades del passat. No obstant això, les anàlisis de regressió es poden usar identificant els factors clau que impulsen la demanda o “demand drivers”, per a un producte concret, i formular estimacions de la demanda futura establint dades d’aquests impulsors subjacents.
Per exemple, una anàlisi de regressió ens pot facilitar la demanda estimada per a una nova generació d’automòbils (ex. Elèctrics) en cas que els impulsors siguin, el creixement econòmic, el preu relatiu dels sistemes competidors, el desenvolupament de mercats energètics, el grau de conscienciació i adaptació d’energies netes en consumidors etc.
L’avantatge d’aquests models és que es basen en la relació causa efecte.
No obstant això servirà de poc si no podem conèixer els futurs valors dels principals “demand drivers”, o impulsors subjacents, com els indicats.
Els algoritmes especials desenvolupats a partir de simulacions també es fan servir especialment en casos de tecnologies o productes substitutius, fins i tot per a nous ‘nínxols’ de mercat, però seran d’escàs valor en innovacions radicals o canvis de paradigma.
i) Aplicació de models estadístics.
Un model estadístic es basa en una sèrie d’observacions d’un fenomen i delinear el patró d’associació entre els diversos factors (o variables) del fenomen que són d’interès. Els models descriptius utilitzats en les previsions, sovint són quantitatius, però també s’utilitzen els qualitatius. Molts esdeveniments, com un fenomen descriptiu, són esdeveniments d’un sol ocasió i, com a tals, són difícils de modelar.
Per tant, l’aplicació d’un model estadístic requereix una anàlisi i esforç de comprensió profunda, allargant el temps de procés per disposar de resultats en les projeccions.
Els models estadístics que es refereixen principalment a l’anàlisi de dades històriques, seleccionen alguns atributs, com per exemple, vendes, paràmetres tècnics, rendiments econòmics, etc., i es representen en funció del temps. Com generalment se suposa que el progrés és evolutiu i que el progrés tecnològic no és aleatori, és possible generar corbes o patrons característics a partir de les dades i d’aquests patrons es poden fer pronòstics amb diversos graus de certesa. No obstant això, no s’ha de descartar la influència i l’impacte de nous factors o imprevistos. exemples:
- Corbes “S”
- Cicles
- Extrapolació de tendències
- Substitucions tecnològiques. Etc.
j) Modelització estructural
El modelatge estructural és un intent de desenvolupar un model matemàtic o analític d’un procés de generació d’una nova tecnologia. Igual que amb els models matemàtics de qualsevol procés, el propòsit del model és identificar certs elements clau, identificar els aspectes funcionals d’aquests elements i expressar aquests aspectes funcionals simbòlica o matemàticament. Els models estructurals tendeixen a ser abstractes i reduccionistes en el seu enfocament, perquè s’elimina el que es nega o el que siguin funcions no essencials.
k) Extrapolació de tendències
L’extrapolació de tendències, [4] és un mètode per enllaçar evolucions de diferents productes, serveis o tecnologies successius que realitzen funcions similars per poder veure l’allargament en la inflexió de la corba “S”. (Quan la corba canvia el pendent i s’aplana). La tendència extrapolada eventualment arribarà a un límit i perd la validesa a mesura que la tendència s’acosti a aquest límit.
3) Causals
Un model causal és similar a un model estadístic, ja que també descriu (a través de la investigació) la previsió de desenvolupament d’un procés. La diferència és que també proporciona els agents causants del procés que es va a predir.
Un model causal normalment es basa en dades estadístiques relacionades amb una població. Una limitació del model causal és la necessitat d’assumir que la relació causa-efecte no variarà en funció del temps.
Un famós exemple d’un gran model causal va ser fabricat pel Club de Roma i publicat el 1972, (Limits to Growth). Consisteix en dotzenes de variables, que inclouen població mundial, taxa de natalitat, producció industrial i agrícola, recursos no renovables i contaminació.
Exemples:
l) Regressió amb múltiples variables i correlació.
Té en compte correlació de diverses variables i ajusta. Alguns mètodes vistos en anàlisi de regressió en sèries temporals són també causals.
m) Models de Consum / Producte.
Es realitza la previsió per una relació amb client i amb tendències.
n) Indicadors anticipats.
Ús de sèries estadístiques d’altres productes que s’han utilitzat o anticipats. Hem vist una cosa similar en l’extrapolació de tendències.
4) Simulacions i analogies
o) Desenvolupament d’escenaris.
Són descripcions consistents de possibles futurs alternatius, basats en unes premisses i interpretacions de les forces motores de canvi.
Els inputs són dades quantitatives de les que es consideren forces motores rellevants, com sèries de vendes de determinats sectors, PIB d’àrees concretes, sèries demogràfiques, tecnològiques, d’inversions públiques o privades en un camp concret, etc. També de dades qualitatives com a factors polítics, socials, ambientals etc.
El desenvolupament d’escenaris no produeix estrictament unes previsions, sinó que té en compte les incerteses i les tendències corrents en l’àrea concreta i assumeix que el futur pot variar entre canvis incrementals o revolucionaris, el que permeti elaborar previsions en una gamma de valors entre límits alts i baixos. És important ressaltar que és un bon mètode per incorporar esdeveniments crítics que poden succeir i marcar un canvi en les premisses inicials, el que pot usar-se per corregir les previsions.
Pot aplicar moltes tècniques de previsió incloent programes informàtics de simulació, ús del ‘big data’ i de intel·ligència artificial, identificació d’indicadors crítics, tècniques de regressió etc.
S’usa especialment en la planificació a llarg termini en sectors caracteritzats per fortes inversions, llargs terminis de lliurament o incertesa mediambiental, com sectors energètics, aeroespacial i de telecomunicacions.
p) Combinació de mètodes i models amb la pràctica.
Simulacions ‘what if’, amb una combinació de mètodes. Pot donar lloc a generar nous algoritmes.
Se sol utilitzar en projectes d’innovació radicals i es poden combinar mètodes de: segmentació, prototipatge, panells d’experts en el sector i assajos en mercat reduït o pilot.
Per a projectes d’innovació no radicals o incrementals es combinen: col·laboració amb clients, extrapolació de tendències de productes o serveis similars i la segmentació.
q) Mètodes d’analogia
Aquest mètode utilitza analogies entre el producte o servei a pronosticar i alguna sèrie temporal, procés físic o biològic conegut. En la mesura que l’analogia sigui vàlida (i totes les analogies es tornen invàlides en cert punt), el procés inicial pot usar-se per fer una previsió sobre desenvolupaments futurs d’una tecnologia, un producte o servei.
Cal utilitzar el mètode d’analogia de manera detallada, examinant la situació del model i la situació a preveure amb considerable detall per determinar fins a quin punt l’analogia és vàlida.
Un exemple d’aquest enfocament és d’un tipus d’il·luminació reemplaçat per una altra tecnologia. En aquest cas el resultat és una continuïtat de les corbes “S”.
5) Consens
Les previsions per consens solen ser el final de la pràctica d’alguns processos amb diverses metodologies i resultats diferents
És un mètode de col·laboració. S’estableix un intercanvi de resultats segons diferents mètodes i es consensua. És un treball col·lectiu d’equip amb una actitud d’obertura cap a qualsevol que tingui alguna cosa interessant que aportar.
Es basa en:
- Integració: necessitat d’observar, des d’una perspectiva global, no només des del nostre punt de vista.
- Interpretació: es treballa sobre la construcció de suposicions per identificar les premisses i els riscos, i valorar el seu impacte.
- Cada cas és una exploració, s’acumulen experiències que serveixen per validar futures previsions amb més exactitud.
- Iteració quan no s’arriba al consens. Es pot iterar des d’estadis primerencs per saber què és el provoca la falta de consens. En alguns casos convé registrar les diferències.
La tendència al biaix es pot modificar positivament si en la realització de previsions es treballa horitzontalment, és a dir, basant-se equips transversals o multifuncionals, prescindint de les jerarquies.
Els panells d’anàlisi i valoració d’idees formats per elements interns i externs a l’empresa, juntament amb la millora en la realització de projectes, en les anàlisis i valoració de les fases i portes i la iteració en totes les fases, ha de millorar significativament el índex d’èxits en les previsions i la fiabilitat i exactitud de les mateixes.
S’ha de crear un sistema de valoració d’aquesta exactitud i fiabilitat
Els riscos són bàsicament els errors en les premisses i les errades en la metodologia en si.
A continuació es detallen les diferents tipologies de risc més comuns, tot i que cal aclarir que es tracta d’una simplificació, i que en casos específics poden aparèixer altres tipus de risc. També cal tenir en compte, que els diferents riscos, no són independents entre si.
- Risc d’oferta: risc associat a si un producte o servei serà tècnicament viable i si tindrà el funcionament esperat. En empreses tecnològiques, es parlarà de risc tecnològic, encara que aquest tipus de risc serà present, en major o menor mesura, en qualsevol projecte d’innovació.
- Risc de mercat: risc associat a si una solució resol les necessitats d’un segment de clients concret, i a si està ben posicionada respecte a la competència. Es tracta d’evitar llançar al mercat la solució equivocada, independentment que aquesta sigui tècnicament bona.
- Risc financer: aquesta categoria de risc, presenta dues parts, una relacionada amb la solució, i una altra amb el procés.
- Risc associat a si la solució aconseguirà les vendes i / o beneficis esperats i per tant s’haurà creat per l’empresa el suficient valor com per ser considerada un èxit.
- Risc associat a si el procés d’innovació d’una solució podrà ser realitzat amb el pressupost previst.
- Risc de temps:
- Associat a si l’empresa serà capaç de llançar el producte o servei en el termini de temps establert, i les conseqüències que pot tenir el fet de no fer-ho.
- Associat a si el llançament es realitzarà en temps i moment oportú d’acord amb les necessitats o característiques del mercat previst.
Decàleg de les previsions
- Una previsió mai serà exacta
- Les previsions són necessàries per a qualsevol projecte d’innovació o pla de negoci. Per prendre decisions i obtenir suports financers
- La responsabilitat de les previsions resideix últimament en l’equip o comitè d’Innovació
- Una previsió és inexacta perquè les premisses van ser incorrectes
- Preveure necessita aplicar la ‘intel·ligència estratègica’ a l’empresa o organització
- Es aconsegueixen previsions més exactes i fiables amb més experiència i coneixement i amb els mètodes adequats.
- Les previsions són més exactes a nivell agregat que en detall.
- L’experiència de l’organització en les previsions operatives amb mètodes estructurats i perfeccionats, generen coneixement i experiència per als projectes d’innovació.
- És essencial tenir en compte i registrar les premisses i si és possible establir unes relacions amb les previsions altes i baixes.
- Mesurar la inexactitud de les previsions és clau per millorar el procés
[1] Jeanne Liedtka. https://jeanneliedtka.com/
[2] https://www.fguell.com/es/design-thinking-vs-innovacion-tecnologica/
[3] https://www.fguell.com/es/design-thinking-vs-innovacion-tecnologica/
[4] Michael S. Slocum and Catherine O. Lundberg. TRIZ Journal. Tools to Forecast Technology Innovations
