针对动荡的宏观经济和商业环境的高级 FP & A 实践

战略与公司财务实践针对动荡的宏观经济和商业环境 的高级FP&A实践 优秀的模型可以帮助领导者理解复杂性并在不确定性中导航。六个实际步骤可以更好地进行财务规划和分析（FP＆A）至关重要。 作者：John Kelleher和Marla Capozzi与Dean Di Giorgio 有10%的机会发生），并且来自不同业务单位的对应方可能在其合并现金流模型中使用了P90（一个有90%机会发生的计划），而两者都没有说明他们使用的概率值。这些不一致，在业务中成倍增加，可能导致高度缺陷的结果。 这并不容易预测未来两到三年，宏观经济条件和商业动态将极其复杂。然而，随着技术竞争的到来— —一个主要的(但绝不是唯一的) 颠覆的驱动因素— —许多公司继续用他们多年来使用的同样有缺陷的方法来构建模型。即使他们的预测确实接近靶心，关键数据点和假设也不清楚、不一致或完全缺失。 另一方面，明确概率值具有二阶收益。例如，确定60％的概率有助于理解实现更高的概率所需的条件（例如，如果不确定性取决于供应约束，则通过使供应商多样化）。 此外，当一个业务单元负责人通过使用概率值和置信水平来呈现结果时，我们倾向于看到其他业务单元负责人感到被迫做同样的事情。这允许FP & A负责人和首席财务官在整个业务中培养更好的一致性。事实上，有效的财务领导者认识到，关于核心假设的讨论本身就是一个导致更好决策的过程。这会影响到另一个相关的最佳实践：模型的所有者应该始终只有一个，最好是FP＆A的负责人。当模型缺乏一个可识别的所有者，该所有者专门检查概率值时，这些值（即使它们在模型中被指示）可能不像它们看起来那么稳健。 一个伟大的模型的标志是它不是一个oracle。相反，一流的预测通过透明、一致和 不断改善。预测需要灵活且快速适应。在本文中，我们确定了财务规划和分析（FP＆A）团队的六个实际步骤，以提供更准确的预测-尤其是在不确定性下。 对所有主要假设和模型整体使用明确的概率值 正如我们多年来注意到的，概率加权的、基于情景的预测产生了最可靠的结果。然而，在许多FP & A模型中，概率水平被随意地应用或根本不应用，这可能导致非常糟糕的决策。 考虑选择在未来三年内将相同数量的资本分配为90％的机会为1亿美元的净现值（NPV），而同期为50％的机会为1.5亿美元的NPV（即预期的NPVof $90 million versus $75 million). Framed that way, thechoice seems obvious - or, at least, lends itself to moreinformed debate. But too often, probabilities aren notstated. At an recent North American conference, about 15percent of 列出真正的势头案例-然后在此基础上展示管理举措 一个伟大的预测始于一个无所作为的动力案例，它展示了如果管理者不采取其他举措，公司的业务可能会根据当前趋势表现。这听起来很明显，但实际上很少有企业以这种方式模拟基本情况。相反，即使在a base case is showed to be declining - let more when it ispresented as plateauing or increasing - it usually builds inplanned management initiatives. Strip those out. Amodulation case is your bestrock; when you can 't show itstarkly, every subsequalu 高级管理人员分享说，他们从未见过现金流预测中的概率值。 If an FP & A department is not using explicitly stated andaligned upon probability values in its prediction, the results willlikely variety. For example, in building a cash flow mode, acolleague from one business unit may have used a P10 拼出“熊案” 错误，如重复计算，过于乐观（或悲观）的假设，以及基于非经常性损益的数字。 前冠军重量级拳击手迈克·泰森曾经观察到，“每个人都有一个计划，直到 一旦列出了真正的动量案例，该模型就应该确定管理计划，并在各层（展示）中展示其潜在结果。 他们被打在嘴上。“毕竟，很少有事情能完全按计划进行，而且至少有可能预测(即使是做出合理的假设，分解关键输入，明确分层管理计划，并分配适当的概率水平的预测)会远远达不到最好的情况— —甚至是一个好的情况。毕竟，如果 Forecasting this way allows for greater accountability — andcredit — based on how the initiative actually fare. It alsoallows companies to set high but really stretch goals. Forexample, a plan could show that if a company were tointroduct 预测有70%的机会发生，这意味着它有30%的机会发生没有发生。 具有高潜力的新产品，在12个月内进入市场，并在两年内达到15％的市场份额，营业利润将增加7个百分点。如果要以指定的金额超过这些目标，该计划应该显示出通过P & L的百分点差异。这种清晰的水平不仅允许首席财务官，还允许首席执行官和其他高级领导人特别关注实现变革性结果所需的东西。 值得注意的是，我们发现许多公司更有可能计划真正的左尾事件（即，在正态分布中，发生的时间少于5％的结果） a not - quite - as - bad bear case, which would be much moreprobable. A one - in - three or one - in - four chance is notremarkable, and management should not find itself blind if itoccurs. A great 预测明确列出了一个熊案，显示 Exhibit 麦肯锡公司 GDP或其他宏观经济因素的变化在历史上影响了业务-并在您的预测中包括最重大的变化。 What the likely drivers would be, what the consequenceswould mean for cash flow, and how future investments anddecisions about capital structure could be affected.Understanding a bear case help planners not only manage abad outcome should it case buThat result. Too often, postmortics reveals that companiescould have taken mitigating actions much soon. They fail todo so because they never stricously thought a bear casethrough. 此外，所使用的所有宏观经济假设都应在其特定国家内获得并保持一致。更好的做法是采用一些可靠的独立来源的中位数，使方法透明，或者更好的是，允许模型根据历史准确性对这些来源进行加权。最佳实践是查看假设的模式，并将其与实际结果进行比较，以便领导者可以学习并确保他们的模型也可以学习。 使宏观经济假设清晰一致 分解通货膨胀率-“平均”通货膨胀率可能非常不适用 我们都见过它们：复杂的多输入模型，乍一看似乎是全面的。 根据我们的经验，公司通常包括对其业务最重要的行业特定指标，例如如果他们管理连锁酒店，则每间可用房间的收入，如果他们生产软饮料，则一个国家的碳酸饮料市场的规模以及关键资源的成本。复杂的公司还包括公开的竞争对手数据。 但是再深入一点，你会发现一些最重要的假设是不一致的，没有来源的，或者完全缺失的。对于宏观经济假设尤其如此。 例如，考虑以下项目的投资决策 一个GDP大幅波动的国家。在这种情况下，一个稳健的模型应该清楚地强调该国的GDP假设。事实上，即使对在历史稳定的经济体中运行的成熟行业进行预测，也值得对增长（或成本）是否与宏观经济现实无关进行压力测试。然而，在太多的预测中，GDP增长要么不是投入，要么只是没有投入。 但是，尽管他们了解自己的业务，但在对一个驱动因素进行建模时，他们经常犯一个常见的严重错误-通货膨胀。在太多的预测中，通货膨胀率以单个数字表示，例如消费者物价指数（CPI）。 在一个国家（有时是全球）的每一个业务。但是为什么？在美国， 来源-或在同一国家/地区的业务单位之间有所不同。例如， CPI是一篮子约94, 000种商品和服务。大公司不买篮子。相反，它们在很大程度上取决于某些特定的组成部分，其各个通货膨胀率可能会有很大差异。尽管企业至少间接受到数百甚至数千个这些组成部分的影响，但帕累托原则始终适用：一些商品或服务具有极大的超大效应。这些应该基于分解的通货膨胀率来建模。 一家消费品公司在对一个国家的“产品A ”的销售进行建模时，可能会假设GDP增长增加两个百分点，而在同一国家的“产品B ”的销售中，GDP增长增加五个百分点。这意味着至少 这些预测之一是有缺陷的。可能，它们都是。虽然并非所有行业都高度依赖GDP（高科技和制药公司，例如，受影响比银行或建筑业的公司小得多)，一个好的经验法则是至少要质疑 与宏观经济假设一样，通货膨胀和特定行业的来源应始终明确识别，并可以加权和自动调整。尽管添加起来似乎无关紧要，但分类的通货膨胀率不仅应在同一国家的业务部门之间匹配，而且在收入和成本方面也应匹配。有时，我们会看到单个国家中单个产品的通货膨胀率失败的模型。 差异被高于(或低于)预期的利息支出所抵消。如果公司没有用粒度来衡量结果，他们就无法管理差异。 当团队检查差异时，他们通常可以识别出清晰的模式。例如，在一家总部位于北美的消费品公司中，回测显示，每月的预测销售额被高估了大约五个百分点-这种差异被证明很容易解决，但如果团队每周进行回测，则可以更早地纠正。此外，反向测试使公司能够更聪明地分配用于进行宏观经济假设（例如GDP或通货膨胀的预测）的给定组件的权重，并不断调整模型。重新审视假设一直是最好的做法，即使这个过程很乏味。 对齐-通常是因为模型的一部分默认为更广泛的平均值，而另一部分包含更具体的数字。这意味着有一个错误。幸运的是，它很容易被修复，特别是当来源被清楚地指出时。 持续回溯测试模型并减少差异 如今，反向测试可以显著自动化，并且可以通过使用AI（包括生成AI）来更精确地识别模式。 建立模型是一个过程；关键不仅是要产生准确的数字，而且要产生 a constant, evolving series of output that become even moreaccurate, more rapidly, as the forecasted period plays out. Itshould be obvious that a sophical model cannot be one thatyou "set and forget." 在最简单的时候很难做出准确的