Jika descriptive analytics berfokus pada masa lalu, predictive analytics digunakan untuk menjawab pertanyaan:“Apa yang mungkin terjadi selanjutnya?” Predictive analytics memanfaatkan data historis, pola, hubungan antarvariabel, serta model statistik atau machine learning untuk memperkirakan kemungkinan hasil pada masa depan.
Dalam accounting dan finance, predictive analytics dapat digunakan untuk memperkirakan arus kas, pendapatan, biaya, kebutuhan modal kerja, risiko gagal bayar pelanggan, kemungkinan keterlambatan pembayaran, serta kebutuhan pencadangan. Predictive analytics juga dapat membantu financial planning and analysis dalam menyusun rolling forecast dan memperbarui proyeksi berdasarkan informasi terbaru.
Sebagai contoh, perusahaan dapat menggabungkan data invoice, tanggal jatuh tempo, riwayat pembayaran, saldo piutang, jumlah keterlambatan, dan pola transaksi pelanggan untuk memperkirakan invoice yang berpotensi terlambat dibayar. Hasil analisis tersebut dapat membantu tim accounts receivable memprioritaskan proses penagihan dan membantu tim accounting mengevaluasi kecukupan allowance for doubtful accounts atau cadangan kerugian piutang.
Contoh lainnya adalah cash-flow forecasting. Data historis mengenai penerimaan pelanggan, pembayaran pemasok, payroll, pajak, belanja modal, dan cicilan pinjaman dapat digunakan untuk memperkirakan posisi kas selama beberapa minggu atau bulan mendatang. Prediksi tersebut memberi manajemen kesempatan untuk mengidentifikasi potensi kekurangan kas lebih awal dan mempersiapkan strategi pendanaan.
Namun, hasil predictive analytics bukanlah suatu kepastian. Model prediksi dibangun berdasarkan data dan asumsi tertentu sehingga hasilnya dapat berubah ketika pola bisnis, kondisi ekonomi, perilaku pelanggan, atau kebijakan perusahaan mengalami perubahan. Model juga tidak selalu dapat menangkap kejadian acak atau informasi baru yang belum tercermin dalam data historis.
Oleh karena itu, profesi accounting tetap perlu menggunakan pertimbangan profesional. Hasil prediksi harus diperiksa dari sisi kewajaran, kelengkapan sumber data, relevansi periode, perubahan kebijakan akuntansi, transaksi non-recurring, serta kemungkinan adanya outlier. Forecast yang secara matematis terlihat baik belum tentu relevan apabila data historisnya mengandung duplikasi, salah klasifikasi akun, atau transaksi yang belum melalui proses rekonsiliasi.
Referensi:
