Obchodní předpovědi: Porozumění základům

Není neobvyklé slyšet, jak vedení společnosti hovoří o předpovědích: „Naše tržby nesplnily předpokládaná čísla, “ nebo „cítíme důvěru v předpokládaný ekonomický růst a očekáváme, že překročíme naše cíle.“ Nakonec jsou všechny finanční prognózy, ať už se jedná o specifika podniku, jako je růst tržeb, nebo předpovědi o ekonomice jako celku, informované odhady. V tomto článku se podíváme na některé metody, které stojí za finančními prognózami, a také na proces a na některá rizika, která se objevují, když se snažíme předpovídat budoucnost.

Metody finančního prognózování

Existuje několik různých metod, kterými lze obchodní prognózu provést. Všechny metody spadají do jednoho ze dvou zastřešujících přístupů: kvalitativní a kvantitativní.

Kvalitativní modely

Kvalitativní modely byly obvykle úspěšné s krátkodobými předpovědi, kde byl rozsah prognózy omezený. Kvalitativní předpovědi lze považovat za expertní, protože záleží na tržních věcech nebo na trhu jako celku, který bude vážen informovaným konsensem. Kvalitativní modely mohou být užitečné při předpovídání krátkodobého úspěchu společností, produktů a služeb, ale mají svá omezení, protože se spoléhají na názor na měřitelná data. Kvalitativní modely zahrnují:

• Průzkum trhu Dotazování velkého počtu lidí na konkrétním produktu nebo službě, aby předpovídali, kolik lidí si jej po spuštění koupí nebo použije.
• Delphi metoda: Požádat odborníky v terénu o obecné názory a poté je sestavit do prognózy. (Další informace o kvalitativním modelování naleznete v části „Kvalitativní analýza: Co dělá společnost skvělou?“)

Základy obchodní prognózy

Kvantitativní modely

Kvantitativní modely diskontují expertní faktor a snaží se z analýzy odstranit lidský element. Tyto přístupy se týkají pouze dat a vyhýbají se nestydatosti lidí, z nichž čísla vycházejí. Snaží se také předpovídat, kde proměnné, jako jsou tržby, hrubý domácí produkt, ceny bydlení atd., Budou dlouhodobě měřeny v měsících nebo letech. Kvantitativní modely zahrnují:

• Indikační přístup: Indikační přístup závisí na vztahu mezi určitými ukazateli, například HDP a mírou nezaměstnanosti, přičemž časem zůstává relativně nezměněn. Sledováním vztahů a následných indikátorů, které vedou, můžete odhadnout výkon zaostávajících indikátorů pomocí údajů vedoucích indikátorů.
• Ekonometrické modelování: Toto je matematicky přísnější verze přístupu k indikátorům. Místo předpokladu, že vztahy zůstanou stejné, ekonometrické modelování testuje vnitřní konzistenci datových souborů v průběhu času a význam nebo sílu vztahu mezi datovými soubory. Ekonometrické modelování se někdy používá k vytvoření vlastních indikátorů, které lze použít pro přesnější přístup k indikátorům. Ekonometrické modely se však v akademických oborech častěji používají k hodnocení ekonomických politik. (Základní vysvětlení při použití ekonometrických modelů naleznete v části „Základy regrese pro analýzu podnikání“).
• Metody časové řady: Jedná se o soubor různých metodik, které využívají minulá data k predikci budoucích událostí. Rozdíl mezi metodikami časových řad je obvykle v jemných detailech, jako je tomu, že novějším datům se přisuzuje větší váha nebo diskontuje určité odlehlé body. Sledováním toho, co se stalo v minulosti, předvídatel doufá, že bude schopen poskytnout lepší než průměrnou předpověď o budoucnosti. Jedná se o nejběžnější typ podnikového prognózování, protože je levný a není lepší nebo horší než jiné metody.

Jak funguje předpovědi?

Pokud jde o obchodní prognózy, existuje mnoho variací na praktické úrovni. Na koncepční úrovni však všechny prognózy sledují stejný proces.

1. Je vybrán problém nebo datový bod. Může to být něco jako „koupí lidé špičkový kávovar?“ nebo „jaký bude náš prodej v březnu příštího roku?“
2. Jsou vybrány teoretické proměnné a ideální soubor dat. V tomto případě Forecaster identifikuje relevantní proměnné, které je třeba vzít v úvahu, a rozhodne, jak údaje shromáždit.
3. Čas převzetí. Aby se zkrátil čas a data potřebná k vytvoření prognózy, Forecaster dělá některé explicitní předpoklady pro zjednodušení procesu.
4. Je vybrán model. Forecaster vybere model, který vyhovuje datové sadě, vybraným proměnným a předpokladům.
5. Analýza. Pomocí modelu jsou data analyzována a z analýzy je vytvořena prognóza.
6. Ověření. Forecaster porovnává prognózu s tím, co se stane s vyladěním procesu, identifikuje problémy nebo ve vzácném případě přesné prognózy se poplácí po zádech.

Problémy s předpovědí

Podnikové předpovědi jsou pro podniky velmi užitečné, protože jim umožňují plánovat výrobu, financování atd. Spolehlivost na předpovědi však spočívá ve třech problémech:

1. Data budou vždy stará. Historické údaje jsou vše, co musíme pokračovat, a není zaručeno, že podmínky v minulosti budou pokračovat i v budoucnu.
2. Je nemožné zohlednit jedinečné nebo neočekávané události nebo externality. Předpoklady jsou nebezpečné, jako jsou předpoklady, že banky řádně prověřovaly dlužníky před rozpadem hypotéky. A události černých labutí se staly běžnější, protože naše závislost na předpovědích rostla.
3. Prognózy nemohou integrovat svůj vlastní dopad. Díky předpovědím, přesným nebo nepřesným, jsou akce podniků ovlivňovány faktorem, který nelze zahrnout jako proměnnou. Toto je koncepční uzel. V nejhorším případě se vedení stává spíše otrokem historických dat a trendů, než se starat o to, co podnik nyní dělá.

Sečteno a podtrženo

Prognóza může být nebezpečným uměním, protože prognózy se stávají středem zájmu společností a vlád, čímž mentálně omezují rozsah svých akcí tím, že představují krátkodobou až dlouhodobou budoucnost, jak již bylo určeno. Prognózy se navíc mohou snadno rozebrat kvůli náhodným prvkům, které nelze začlenit do modelu, nebo mohou být od začátku jednoduše špatné.

Negativy stranou, obchodní prognózy nikam nevedou. Prognózy, které jsou vhodně použity, umožňují podnikům naplánovat si své potřeby a zvyšovat tak jejich šanci zůstat zdravým na všech trzích. To je jedna funkce obchodní prognózy, kterou mohou všichni investoři ocenit.