En muchas organizaciones, el forecast de caja se ha convertido en una práctica habitual. Se actualiza semanalmente, se presenta en reuniones de seguimiento y forma parte de los reportes financieros recurrentes. Sin embargo, existe una pregunta que rara vez recibe la misma atención: ¿qué tan preciso es realmente?
La omisión no es menor. Un forecast puede estar perfectamente estructurado, incluir múltiples escenarios y contener un alto nivel de detalle. Aun así, si sistemáticamente se aleja de la realidad, su utilidad para la toma de decisiones será limitada. Por esa razón, la calidad de una proyección no debería medirse por cómo se construye, sino por qué tan bien anticipa el comportamiento futuro de la caja.
Un error frecuente consiste en asumir que toda desviación representa una falla. La realidad es más compleja. Ningún forecast será exacto. Los clientes adelantan pagos, los proveedores modifican condiciones, aparecen gastos no previstos y las decisiones del negocio evolucionan constantemente. La pregunta relevante no es si existe error, sino si ese error se encuentra dentro de rangos razonables y, sobre todo, si la organización comprende qué lo está generando.
Supongamos que una empresa proyecta terminar el mes con S/ 1.2 millones en caja y finalmente cierra con S/ 1 millón. La diferencia es de S/ 200 mil. Aislada, la cifra dice poco. Lo importante es entender si esa desviación representa un comportamiento excepcional o si forma parte de un patrón recurrente. Si durante varios meses consecutivos las proyecciones muestran el mismo sesgo, probablemente el problema no esté en la operación, sino en los supuestos utilizados para construir el forecast.
Por esta razón, las organizaciones más maduras no se limitan a proyectar. También comparan sistemáticamente lo proyectado contra lo realizado. Ese ejercicio permite identificar tendencias, corregir hipótesis y mejorar progresivamente la calidad de las estimaciones.
Una de las métricas más utilizadas para este propósito es el MAPE (Mean Absolute Percentage Error), que mide el error porcentual promedio entre los valores proyectados y los reales. Sin embargo, más allá de la métrica específica, el concepto importante es otro: la precisión debe monitorearse de forma consistente y comparable en el tiempo.
Por ejemplo, una empresa podría definir que sus proyecciones semanales deben mantenerse dentro de un rango de error inferior al 10%. Si el indicador comienza a deteriorarse, la conversación deja de centrarse únicamente en la caja futura y pasa a enfocarse en la confiabilidad de la herramienta que se está utilizando para gestionarla.
Ahora bien, medir precisión no consiste únicamente en calcular indicadores. También implica analizar la naturaleza de los errores. Existe una diferencia importante entre un forecast que ocasionalmente sobreestima y otro que sistemáticamente proyecta una posición de caja más favorable de la que realmente ocurre.
El primer caso suele reflejar incertidumbre normal del negocio. El segundo suele indicar la presencia de sesgos. En nuestra experiencia, este fenómeno aparece con frecuencia cuando los cobros se proyectan utilizando fechas teóricas en lugar de comportamientos históricos reales. El forecast termina reflejando cómo debería comportarse la operación y no cómo efectivamente se comporta.
Un forecast consistentemente optimista suele ser más peligroso que uno moderadamente conservador, porque genera una falsa sensación de seguridad. Cuando la organización confía en ingresos que finalmente no se materializan, las decisiones financieras comienzan a apoyarse en liquidez que todavía no existe.
Una observación interesante es que muchas empresas dedican un esfuerzo considerable a perfeccionar sus modelos, pero muy poco a revisar sus resultados. En consecuencia, el forecast se convierte en un documento que se actualiza periódicamente, pero que rara vez genera aprendizaje. Con el tiempo, la organización pierde la oportunidad de entender qué variables explican realmente sus desviaciones y cómo podría mejorar sus proyecciones futuras.
Por ello, la discusión más valiosa no suele ser si el forecast tuvo un error de cinco o diez por ciento. La discusión verdaderamente útil es qué aprendió la empresa de esa diferencia y cómo utilizará ese aprendizaje para mejorar la siguiente proyección.
Al final, la precisión de un forecast no es únicamente un indicador técnico. También es una medida de la capacidad de una organización para comprender su propio negocio. Cuanto mejor entiende sus patrones de cobro, pago y generación de caja, mayor será su capacidad para anticipar el futuro con un nivel razonable de confianza.
¿Tu empresa mide la precisión de sus proyecciones o únicamente las actualiza?
En KADA Consulting ayudamos a las empresas a fortalecer sus procesos de proyección de caja, identificar fuentes recurrentes de error y construir herramientas de planeamiento financiero que apoyen decisiones más oportunas y confiables.