Las previsiones son parte sustancial de cualquier “Business Plan”.
En el proceso de innovación o en una empresa emergente o ‘startup’, se hace preciso en algún momento, realizar y presentar un “Business Plan” (Plan de negocio). Es necesario para asegurar el soporte a los proyectos o para buscar financiación, sea interna o externa.
Las previsiones son parte sustancial de cualquier “Business Plan”. Al realizarlas pueden aflorar de forma más explícita, los riesgos y oportunidades que nos sirven para evitar posteriores explicaciones imprevistas.
No existe una plan de negocio estándar, pero en muchos casos los mismos grupos de “Capital riesgo” o “Business angels” pueden proveernos de un modelo ’proforma’.
En general deben ser relativamente concisos, pero deberán contener estimaciones financieras y por tanto previsiones, con planes de contingencia previstos.
Las previsiones tienen mala prensa. “En nuestro caso es muy difícil…”
Muchos de estos planes tienen serias deficiencias en los aspectos de marketing y finanzas. En ambos casos son pobres estimaciones sobre los ingresos previstos, o falta de claridad en las premisas en las que se basan, falta de profundidad en análisis de competidores potenciales y vulnerabilidad en las alternativas a posibles riesgos.
Las previsiones de innovación se realizan en condiciones de incertidumbre bastante mayores que las previsiones operativas normales y por ello es conveniente establecer márgenes y alternativas por los efectos posibles de los riesgos
Para realizar las previsiones debemos partir de la perspectiva correcta en función de varios conceptos y dinámicas que es necesario entender y gestionar:
- ¿En qué tipo de innovación estamos?: Incremental, radical o de cambio de paradigma.
- Características propias de cada proyecto: en su concepción, desarrollo y lanzamiento.
- Como se aplica la innovación: planes de adopción y difusión. La adopción de una innovación y su difusión han sido analizadas intensivamente y existen muchos modelos.
Los objetivos del proceso de innovación pueden resumirse en tres y deben tenerse en cuenta tanto al realizar previsiones como en el ‘plan de negocio’:
- Lanzar al mercado la mejor solución posible. Es decir, asegurar la calidad de la solución y su alineamiento con las necesidades reales de los clientes.
- Hacerlo en el menor espacio de tiempo posible (time-to-market)
- Utilizando los mínimos recursos posibles.
La consecución de estos objetivos, dependerá en gran medida de los riesgos asociados al proyecto y del modo en como sean gestionados. En un entorno de cambio acelerado, también debemos contemplar que la aceleración del cambio produce un aumento de la incertidumbre.
Metodologías para previsiones en los proyectos de innovación
Es conveniente realizar una selección entre los métodos a utilizar y afinar en la selección de las herramientas que vamos a usar, haciendo participar equipos amplios y preparados para ello.
La diferencia entre previsiones para proyectos de innovación y las que realizamos habitualmente en los presupuestos, nos obliga a adaptar también métodos diferentes o a usar algunos de los habituales con modificaciones.
Agrupamos las metodologías en 5 diferentes tipos:
- Cualitativos y exploratorios.
- Series temporales y proyecciones. Métodos estadísticos
- Causales
- Analogías i simulaciones
- Consenso
1) Cualitativos y exploratorios
a) Proyecciones del área de ventas o recopilación de información de los más cercanos al cliente o mercado.
Es de escaso uso en la innovación. La información suele ser filtrada en términos de productos o servicios existentes y sesgada por los niveles de venta actuales más que en potenciales de desarrollo futuros para nuevos proyectos.
b) “Brainstorming” y otros análisis internos.
La generación estructurada de ideas se utiliza para buscar soluciones a problemas complejos o específicos o para identificar potenciales productos o servicios nuevos. Se pueden organizar en sesiones dirigidas con un grupo de expertos y se recogen todas las ideas. La idea es identificar, sin evaluar, cuantas más oportunidades y soluciones posible para evaluarlas y clasificarlas después.
c) El “Design Thinking”.
Es una metodología que se utiliza también en la resolución de problemas, especialmente adecuada para investigar soluciones a problemas, complejos o mal definidos, que se centra en cómo resolverlos, enfocada en las posibilidades y orientada a las hipótesis. Es un modelo de pensamiento que combina la empatía con los usuarios y la inmersión en el contexto de un problema, la creatividad en la generación de ideas y soluciones y un enfoque experimental basado en datos para evaluar la calidad de las soluciones.[1] y[2]
d) Grupos o paneles de ‘entendidos’ o ‘expertos’ Debate o proceso de acuerdo entre expertos.
Preguntar al “experto” generalmente proporciona la información para el pronóstico. Se supone que la base de experiencia y educación de los expertos es suficiente, en un campo particular, para predecir o pronosticar los vectores de expansión o evaluar las grandes líneas de un mercado o segmento.
En realidad, los tres métodos anteriores no producen una previsión, pero si obtienen ideas o soluciones que pueden dar ‘inputs’ para ser aplicados a las previsiones.
e) Método Delphi. Grupo expertos en proceso de iteración con moderador.
Es quizás el más usado estructuradamente. Y es útil cuando hay grados de incertidumbre elevados u horizontes temporales de previsión muy largos.
La metodología es muy conocida y hay amplia información al respecto.
El método busca eliminar las desventajas del trabajo de los expertos ‘cara a cara’, por las influencias mutuas.
La calidad de las previsiones depende en gran medida de la selección de expertos, de la adecuación de su experiencia y la calidad de las preguntas o cuestionarios así como de los ‘feedback’ e iteraciones.
El consenso en los resultados finales suele ser importante, pero conviene no olvidar las disensiones radicales que pueden tener razones convenientemente fundamentadas y dar lugar a alternativas o a aflorar a riesgos no contemplados.
Es una técnica empleada ampliamente en los gobiernos y administraciones públicas.
f) Estudios de mercado o a consumidores. Se recopilan datos mediante diferentes métodos, cuestionarios, entrevistas, encuestas, etc.
En los mercados de consumo, el uso en la innovación es problemático por las limitaciones de los consumidores al expresar sus necesidades futuras. Es difícil que los clientes puedan articular sus requerimientos futuros en productos o servicios que no conocen bien.
Suele ser más útil en mercados industriales o “Business to Business”, donde el cliente suele estar en mejores condiciones para comunicar su visión y previsiones futuras.
En estos casos las innovaciones frecuentemente son fruto de colaboraciones con clientes
Además, pueden ser útiles metodologías con cuestiones no directas sino interpretativas, como “la voz del cliente”, la aplicación de QFD o del modelo de Kano
g) Pronóstico intuitivo: Se basa en la visión de futuro personal o de un grupo reducido.
Es más popular y frecuente de lo que puede parecer. Muchas veces se basa en la intuición del propio emprendedor o la visión explicitada del responsable máximo de una empresa. Caso Steve Jobs en Apple con varios de sus productos, y de bastantes casos más, especialmente en las que hoy son grandes empresas en el campo de las nuevas tecnologías, como Microsoft, Facebook, etc.
Tiene que ver bastante en lo que llamamos “Push” en la innovación tecnológica.[3]
h) Analogía histórica, de producto o servicio similar.
Se liga el producto o servicio a una serie de datos históricos de un artículo similar. Puede adaptarse a modelos de regresión o de algoritmos especiales.
2) Series temporales y proyecciones. Métodos estadísticos
En todos estos métodos se parte de series temporales con datos históricos y se extraen tendencias, correlaciones, estacionalidades, identificar patrones etc. Se suelen efectuar ajustes de diferente tipo para eliminar distorsiones, eventos no repetitivos, campañas, etc. A partir de ahí se realizan proyecciones mediante distintas técnicas, entre ellas:
- Medias simples. Se calcula la proyección a partir de las medias simples de series de períodos.
- Medias ponderadas. Valores históricos con diferente peso.
- Ajuste exponencial. Los valores recientes tienen más valor que los antiguos.
- Regresión lineal o de otro tipo. Ajustamos una recta o línea simple a un conjunto de datos.
- Ajuste exponencial corregido por tendencia. A partir del ajuste se añaden factores de tendencia o estacionalidad. TAM, PMA.
- Algoritmos especiales o complejos.
La dificultad principal para ser usados en proyectos de innovación reside en la inexistencia de datos del pasado. Sin embargo, los análisis de regresión se pueden usar identificando los factores clave que impulsan la demanda, “demand drivers”, para un producto concreto y formular de estimaciones de la demanda futura estableciendo datos de estos los impulsores subyacentes.
Por ejemplo, un análisis de regresión nos puede facilitar la demanda estimada para una nueva generación de automóviles (ej. Eléctricos) en caso de que los impulsores sean, el crecimiento económico, el precio relativo a sistemas competidores, el desarrollo de mercados energéticos, el grado de concienciación y adaptación de energías limpias en consumidores etc.
La ventaja de estos modelos radica en que se basan en la relación causa efecto.
Sin embargo servirá de poco si no podemos conocer los futuros valores de los principales “demand drivers”, o impulsores subyacentes, como los indicados.
Los algoritmos especiales desarrollados a partir de simulaciones también se usan especialmente en casos de tecnologías o productos sustitutivos, incluso para nuevos ‘nichos’ de mercado, pero serán de escaso valor en innovaciones radicales o cambios de paradigma.
i) Aplicación de modelos estadísticos.
Un modelo estadístico se basa en una serie de observaciones de un fenómeno y delinea el patrón de asociación entre los diversos factores (o variables) del fenómeno que son de interés. Los modelos descriptivos utilizados en las previsiones, a menudo son cuantitativos, pero también se utilizan los cualitativos. Muchos eventos, como un fenómeno descriptivo, son eventos de una sola ocasión y, como tales, son difíciles de modelar.
Por lo tanto, la aplicación de un modelo estadístico requiere un análisis y esfuerzo de comprensión profunda, alargando el tiempo de proceso para disponer de resultados en las proyecciones.
Los modelos estadísticos que se refieren principalmente al análisis de datos históricos, seleccionan algunos atributos, como por ejemplo, ventas, parámetros técnicos, rendimientos económicos, etc., y se representan en función del tiempo. Como generalmente se supone que el progreso es evolutivo y que el progreso tecnológico no es aleatorio, es posible generar curvas o patrones característicos a partir de los datos y de estos patrones se pueden hacer pronósticos con diversos grados de certeza. Sin embargo, no se debe descartar la influencia y el impacto de nuevos factores o imprevistos. Ejemplos:
- Curvas «S»
- Ciclos
- Extrapolación de tendencias
- Sustituciones tecnológicas. Etc.
j) Modelado estructural
El modelado estructural es un intento de desarrollar un modelo matemático o analítico de un proceso de generación de una nueva tecnología. Al igual que con los modelos matemáticos de cualquier proceso, el propósito del modelo es identificar ciertos elementos clave, identificar los aspectos funcionales de esos elementos y expresar estos aspectos funcionales simbólica o matemáticamente. Los modelos estructurales tienden a ser abstractos y reduccionistas en su enfoque, porque se elimina lo que se niega o lo que sean funciones no esenciales.
k) Extrapolación de tendencias [4]
La extrapolación de tendencias es un método para enlazar evoluciones de distintos productos, servicios o tecnologías sucesivos que realizan funciones similares para poder ver el alargamiento en la inflexión de la curva «S». (Cuándo la curva cambia la pendiente y se aplana). La tendencia extrapolada eventualmente alcanzará un límite y perderá su validez a medida que la tendencia se acerque a este límite.
3) Causales
Un modelo causal es similar a un modelo estadístico, ya que también describe (a través de la investigación) la previsión de desarrollo de un proceso. La diferencia es que también proporciona los agentes causantes del proceso que se va a predecir.
Un modelo causal normalmente se basa en datos estadísticos relacionados con una población. Una limitación del modelo causal es la necesidad de asumir que la relación causa efecto no va a variar en función del tiempo.
Un famoso ejemplo de un gran modelo causal fue fabricado por el Club de Roma y publicado en 1972, (Limits to Growth). Consiste en docenas de variables, que incluyen población mundial, tasa de natalidad, producción industrial y agrícola, recursos no renovables y contaminación.
Otros ejemplos:
l) Regresión con múltiples variables y correlación.
Tiene en cuenta correlación de varias variables y ajusta. Algunos métodos vistos en análisis de regresión en series temporales son también causales.
m) Modelos de Consumo/ Producto.
Se realiza la previsión por una relación con cliente y con tendencias.
n) Indicadores anticipados.
Uso de series estadísticas de otros productos que se han utilizado o anticipados. Hemos visto algo similar en la extrapolación de tendencias.
4) Analogías y simulaciones
o) Desarrollo de escenarios.
Son descripciones consistentes de posibles futuros alternativos, basados en unas premisas e interpretaciones de las fuerzas motoras de cambio.
Los inputs son datos cuantitativos de las que se consideran fuerzas motoras relevantes, como series de ventas de determinados sectores, PIB de áreas concretas, series demográficas, tecnológicas, de inversiones públicas o privadas en un campo concreto, etc. También de datos cualitativos como factores políticos, sociales, ambientales etc.
El desarrollo de escenarios no produce estrictamente unas previsiones, sino que toma en cuenta las incertidumbres y las tendencias corrientes en el área concreta y asume que el futuro puede variar entre cambios incrementales o revolucionarios, lo que permita elaborar previsiones en una gama de valores entre límites altos y bajos. Es importante resaltar que es un buen método para incorporar eventos críticos que pueden suceder y marcar un cambio en las premisas iniciales, lo que puede usarse para corregir las previsiones.
Puede aplicar muchas técnicas de previsión incluyendo programas informáticos de simulación, uso del ‘big data’ e inteligencia artificial, identificación de indicadores críticos, técnicas de regresión etc.
Se usa especialmente en la planificación a largo plazo en sectores caracterizados por fuertes inversiones, largos plazos de entrega o incertidumbre medioambiental, como sectores energéticos, aeroespacial y de telecomunicaciones.
p) Combinación de métodos y modelos con la práctica.
Simulaciones ‘what if’, con una combinación de métodos. Puede dar lugar a generar nuevos algoritmos.
Se suele utilizar en proyectos de innovación radicales y se pueden combinar métodos de: segmentación, prototipaje, paneles de expertos en el sector y ensayos en mercado reducido o piloto.
Para proyectos de innovación no radicales o incrementales se combinan: colaboración con clientes, extrapolación de tendencias de productos o servicios similares y la segmentación.
q) Métodos de analogía
Este método utiliza analogías entre el producto o servicio a pronosticar y alguna serie temporal, proceso físico o biológico conocido. En la medida en que la analogía sea válida (y todas las analogías se vuelven inválidas en cierto punto), el proceso inicial puede usarse para realizar una previsión sobre desarrollos futuros de una tecnología, un producto o servicio.
Es necesario utilizar el método de analogía de manera detallada, examinando la situación del modelo y la situación a prever con considerable detalle para determinar hasta qué punto la analogía es válida.
Un ejemplo de este enfoque es de un tipo de iluminación reemplazado por otra tecnología. En este caso el resultado es una continuidad de las curvas “S”.
5) Consenso
Las previsiones por consenso suelen ser el final de la práctica de algunos procesos con varias metodologías y resultados diferentes
Es un método colaborativo. Se establece un intercambio de resultados según diferentes métodos y se consensúa. Es un trabajo colectivo de equipo con una actitud de apertura hacia cualquiera que tenga algo interesante que aportar.
Se basa en:
- Integración: necesidad de observar, desde una perspectiva global, no solo desde nuestro punto de vista.
- Interpretación: se trabaja sobre la construcción de suposiciones para identificar las premisas y los riesgos, y valorar su impacto.
- Cada caso es una nueva exploración, se acumulan experiencias que sirven para validar futuras previsiones con mayor exactitud.
- Iteración cuando no se llega al consenso. Se puede iterar desde estadios tempranos para saber qué es lo provoca la falta de consenso. En algunos casos conviene registrar las diferencias.
La tendencia al sesgo se puede modificar positivamente si en la realización de previsiones se trabaja horizontalmente, es decir, en base a equipos transversales o multifuncionales, prescindiendo de las jerarquías.
Los paneles de análisis y valoración de ideas formados por elementos internos y externos a la empresa, juntamente con la mejora en la realización de proyectos, en los análisis y valoración de las fases y puertas y la iteración en todas las fases, debe mejorar significativamente el índice de éxitos en las previsiones o fiabilidad y exactitud de las mismas.
Se debe crear un sistema de valoración de dicha exactitud y fiabilidad
Los riesgos son básicamente los errores en las premisas y los fallos en la metodología en sí.
A continuación se detallan las diferentes tipologías de riesgo más comunes, aunque hace falta aclarar que se trata de una simplificación, y que en casos específicos pueden aparecer otros tipos de riesgo. También hay que tener en cuenta, que los diferentes riesgos, no son independientes entre sí.
- Riesgo de oferta: riesgo asociado a si un producto o servicio será técnicamente viable y si tendrá el funcionamiento esperado. En empresas tecnológicas, se hablará de riesgo tecnológico, aunque este tipo de riesgo estará presente, en mayor o menor medida, en cualquier proyecto de innovación.
- Riesgo de mercado: riesgo asociado a si una solución resuelve las necesidades de un segmento de clientes concreto, y a si está bien posicionada respecto a la competencia. Se trata de evitar lanzar al mercado la solución equivocada, independientemente de que esta sea técnicamente buena.
- Riesgo financiero: esta categoría de riesgo, presenta dos partes, una relacionada con la solución, y otra con el proceso.
- Riesgo asociado a si la solución logrará las ventas y/o beneficios esperados y por lo tanto habrá creado para la empresa el suficiente valor como para ser considerada un éxito.
- Riesgo asociado a si el proceso de innovación de una solución podrá ser realizado con el presupuesto previsto.
- Riesgo de
tiempo:
- Asociado a si la empresa será capaz de lanzar el producto o servicio en el plazo de tiempo establecido, las consecuencias que puede tener el hecho de no hacerlo.
- Asociado a si el lanzamiento se va a realizar en tiempo y momento oportuno con las necesidades o características del mercado previsto.
Decálogo de las previsiones
- Una previsión nunca será exacta
- Las previsiones son necesarias para cualquier proyecto de innovación o plan de negocio. Para tomar decisiones y obtener soportes financieros
- La responsabilidad de las previsiones reside últimamente en el equipo o comité de Innovación
- Una previsión es inexacta porque las premisas fueron incorrectas
- Prever necesita aplicar la ‘inteligencia estratégica’ en la empresa u organización
- Se consiguen previsiones más exactas y fiables con mayor experiencia y conocimiento y con los métodos adecuados.
- Las previsiones son más exactas a nivel agregado que en detalle.
- La experiencia de la organización en las previsiones operativas con métodos estructurados y perfeccionadas, generan conocimiento y experiencia para los proyectos de innovación.
- Es esencial tener en cuenta y registrar las premisas y si es posible establecer unas relaciones con las previsiones altas y bajas.
- Medir la inexactitud de las previsiones es clave para mejorar el proceso
[1] Jeanne Liedtka
[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
