Финмодели прекрасны — ведь они содержат всю информацию, основанную на нюансах вашей бизнес-модели, благодаря чему довольно точно описывают различные сценарии развития.
(финансовую часть шаблона бизнес-модели А.Остервальдера выделил зеленым фоном на рисунке ниже)
✓ Но есть одно маленькое «но», о котором мало кто знает в принципе, и которое может перевернуть ваше представление о финансовом результате на 180°
Это «но» такое: "отнимите хотя бы 15% от негативного сценария, чтобы попасть в реальный, если вы не использовали Монте-Карло".
Вспомнился анекдот «Спили мушку, Билли ...»
Давайте прямо сейчас разберёмся в том, как и почему это может быть.
Почему можно выкинуть финмодель, если в ней нет хотя бы анализа чувствительности?
Финмодель — так же хороший инструмент, чтобы спрогнозировать денежные потоки инвестпроектов, и выбрать оптимальный (или отказаться от всех). Он основывается на 5 показателях, главным из которых при прочих равных является NPV.
Вкратце просто перечислю эти 5 показателей:
- NPV - приведенная к сегодняшнему дню стоимость денежных потоков с учетом суммы инвестиций
- IRR - ставка доходности. Показывает при каком значении WACC NPV проекта будет равен нулю. Косвенно говорит о запасе финансовой прочности.
- WACC - стоимость капитала.
- PP - срок окупаемости
- PI - индекс рентабельности
И вроде бы, на первый взгляд может показаться, что анализ по этим 5 параметрам выглядит достаточно точным, полным и достоверным. И в какой-то (да даже в большой) степени это действительно так.
Но почему тогда я слышу, как прямо сейчас где-то тихо шкребут кошки?
Этот неочевидный нюанс запросто может стать причиной сокрушительного провала
Дело в том, что по моему опыту (не утверждаю, что он покрывает все 100% случаев) значения выручки и прибыли в таких финмоделях почти всегда оказываются выше фактических.
Даже если финмодель включает в себя три классических сценария:
- оптимистичный
- пессимистичный
- и базовый
О том, как это получается, я расскажу ближе к концу этой статьи.
Это серьезная проблема — промахнуться в расчете денежных потоков никто не хочет. Все знают, какими неприятностями грозят такие промахи.
Как с этим справиться?
Первыми приходят на ум анализ чувствительности и его разновидность - сценарное планирование.
Почему анализ чувствительности — это хорошо, но не стоит ему доверять полностью
- одновременно меняется только 1 параметр, тогда как в реальной жизни за срок реализации могут поменяться значения всех драйверов (факторов, влияющих на конечный результат). Но это не главный минус.
- Основное заключается в том, что вы действительно получаете расклад по разным сценариям, но при этом никак не учитывается вероятность реализации каждого из них.
то есть мы видим несколько сценариев, условно "позитивный", "реальный" и "негативный", но не знаем с какой вероятностью наступит каждый из них. И, что важно — насколько позитивный сценарий вероятнее негативного. Видел расчеты, при которых их отделяло менее 5% вероятности. То есть негативный и позитивный сценарии были практически равновероятны. При этом позитивный NPV был очень привлекателен для одобрения проекта.
Но с учетом того, что успех от неудачи отделяло всего несколько процентов вероятности, лично я бы его отклонил. Я не смог бы принять это верное решение, если бы ограничился только типовым инструментарием: финмоделью и анализу чувствительности.
Ок, если не связка «финмодель + чувствительность», то что тогда?
Некоторые продвинутые в теме читатели могут мне подсказать
"Михаил, ну есть же еще сценарное планирование. Это как раз кейс, когда в одном сценарии меняется сразу несколько показателей."
Да, всё так. Но и сценарный анализ не решает корневой проблемы - мы по-прежнему не знаем, с какой вероятностью наступит тот или иной рассчитанный исход. Применительно к инвестициям - мы уже можем оценить комплексное влияние на финансовый результат, но всё ещё не понимаем с какой вероятностью инвестор получит оптимистичный или пессимистичный денежный поток. И это критично.
Решением видится некий метод, который считал бы не только NPV денежных потоков при разных уровнях количества чеков, среднего чека, LT, retention и так далее, но и делал бы это:
- по всем этим параметрам одновременно
- с учётом вероятности комбинаций этих параметров
И тут предвижу 2 вопроса:
- да как же можно рассчитать эту самую вероятность комбинаций, если никто не знает вероятность изменения даже одного параметра на какую-то фиксированную величину
- насколько можно доверять этим расчетам, исходя из п.1.?
✓ Решение
И тут мы вспоминаем и достаем из пыльного угла учебник статистики, раздел «Моделирование случайных величин для вычисления характеристик их распределения», метод Монте-Карло.
Что, всё так серьёзно?
И да и нет. Принцип действия метода довольно прост: он многократно проводит сценарное планирование для вашего проекта и для каждого варианта выдает сумму NPV. А затем вы можете подсчитать, какое значение NPV оказалось максимальным, минимальным и наиболее часто встречающимся - то есть наиболее вероятным.
Метод Монте-Карло в целом, и в оценке рисков в частности
Метод Монте-Карло помогает оценить эти риски, создавая модели, которые учитывают различные возможные сценарии. Он генерирует множество (от 10 до 100 тыс.) случайных исходов, перебирая разные комбинации факторов с учетом вероятности их реализации.
По умолчанию метод предполагает нормальное распределение вероятностей. Это когда, например, вероятность как повышения, так и понижения закупочных цен на оборудование, товары, и сырье считается одинаковой. 50/50
Но мы то с вами знаем, что на самом деле вероятность роста цен примерно равны 99%, а вероятность их снижения будет крутиться вокруг 1%. То есть нормальное распределение тут не работает. Ну или работает не слишком точно. То же самое касается стоимости привлечения лидов - с большей вероятностью стоимость будет высокой.
На этот случай есть возможность задать другие типы распределения вероятностей. Но это уже тонкие настройки, сейчас мы не будем это рассматривать, поговорим о самом принципе действия метода.
Тем более, что даже если оценить все параметры через нормальное распределение - это уже будет гигантский скачок к получению максимально приближенных к жизни цифр по сравнению и с анализом чувствительности и со сценарным планированием.
«Зачем нужен метод Монте-Карло, если я и сам могу прикинуть вероятность разных сценариев?»
В том то и дело, что когда речь идёт о "я сам" применительно к вероятностям, то лучше вообще ничего не делать. Серьезно. И вот почему: психика человека так устроена, что вы подсознательно будете выбирать те значения параметров, которые вы хотите увидеть, и игнорировать те расклады, которые вам видеть неприятно.
Другими словами:
без Монте-Карло вы будете подгонять финансовый результат под свои хотелки. То есть вы будете подгонять жизнь под модель, вместо того, чтобы с помощью модели описать жизнь (в нашем случае экономические процессы инвестпроекта)
Монте-Карло избавит ваши расчеты от этих когнитивных искажений - только сухая статистика и ничего более.
Для наглядности посмотрим на пару табличек
Вот как это выглядит на Python с помощью pandas и npf (пример)↓↓
В этой таблице (см выше) каждая строка представляет собой результат одной из 10'000 симуляций метода Монте-Карло для расчета NPV. Каждое значение в столбце "NPV" представляет собой NPV для соответствующей симуляции 4-[ параметров с отклонениями в заданном диапазоне.
Я выбрал 4 параметра, влияющих на NPV, которые могли колебаться от 10 до 20%. Эти 10 и 20% - единственное что я, как эксперт, задал в этой модели вручную. Но, думаю, это допустимо, поскольку ни одна даже самая прекрасная софтинка не знает лучше вас (или какого-то отраслевого эксперта) как оно бывает в жизни (вашем бизнесе).
И исходя из этих данных алгоритм любезно рассчитал итоги 10 000 комбинаций (ок - симуляций) по этим 4 параметрам, результаты вы видите на скрине выше. Далее я попросил представить это в виде таблицы, из которой было бы видно вероятность для каждого диапазона NPV
я использовал эти диапазоны с шагом $10'000 для демонстрации принципа работы. Но при желании для большей точности можно было и уменьшить шаг до $1'000 например.
Как видно из этих расчетов, пессимистический сценарий с NPV = 60K наиболее вероятен. Хотя максимально возможный NPV в два раза выше — 130К.
Вот почему я всегда рекомендую
отнимите 15% от негативного сценария, чтобы попасть в реальный, если вы не использовали Монте-Карло в своей финмодели.
Михаил Морозов
•••••
→ → «Инвестиционный комитет» в Телеграм
•••••
