Memprediksi Pendapatan untuk Perusahaan Scaleup

EQT Motherbrain bersemangat untuk membagikan pendekatan baru yang telah dikembangkannya untuk memprediksi pendapatan perusahaan skala besar. Itu dipresentasikan baru-baru ini di Konferensi Internasional ACM ke-31 tentang Manajemen Informasi dan Pengetahuan (CIKM 2022) oleh Lele Cao, Sonja Horn, Vilhelm von Ehrenheim, Richard Anselmo Stahl, dan Henrik Landgren.

Masalah mendasar

Memprediksi masa depan keuangan perusahaan adalah tugas yang kompleks namun perlu, tugas yang sangat penting untuk pengambilan keputusan bisnis. Pada dasarnya, ini adalah tebakan berdasarkan informasi yang bergantung pada pemeriksaan data kinerja historis. Namun, seperti yang telah kita lihat, karena elemen acak yang tidak dapat dimasukkan ke dalam model, peramalan dapat dengan mudah rusak.

Investor mengandalkan prakiraan keuangan saat menentukan penilaian bisnis. Apakah mengandalkan arus kas masa depan yang didiskontokan atau menentukan penilaian berdasarkan beberapa EBITDA masa depan, prakiraan dapat membuat atau menghancurkan investasi. Untuk bisnis yang matang dengan rekam jejak yang panjang dan arus kas yang tangguh, penyimpangan antara prediksi dan hasil aktual mungkin tidak signifikan. Tetapi untuk bisnis dengan data historis yang tidak mencukupi dan prospek masa depan yang tidak pasti, seperti startup dan peningkatan, ini terlihat berbeda.

Start-up bergerak ke wilayah peningkatan ketika menunjukkan skalabilitas dan kelayakan model bisnisnya dan mengalami siklus pertumbuhan pendapatan yang dipercepat. Peningkatan modal luar biasanya menyertai transisi ini.

Dibandingkan dengan kebanyakan perusahaan dewasa, peningkatan skala seringkali tidak menguntungkan. Konsekuensinya, pendapatan menjadi salah satu metrik terpenting saat mengevaluasi peningkatan skala, dan penilaian biasanya ditentukan berdasarkan beberapa pendapatan di masa depan, dari mana profesional investasi mengekstrapolasi pendapatan perusahaan di masa depan.

Peramalan pendapatan biasanya dilakukan secara manual dan empiris, meninggalkan kualitas yang sangat bergantung pada pengalaman para profesional investasi. Faktor-faktor seperti model bisnis, lanskap pesaing, tren pasar, dan ekonomi unit dipertimbangkan. Tugas ini penting untuk mengevaluasi daya tarik suatu investasi, karena menginformasikan perubahan penilaian selama periode kepemilikan. Namun, tingkat otomatisasi, objektivitas, konsistensi, dan kemampuan beradaptasi dari pendekatan ini masih jauh dari optimal.

Metode kuantitatif seperti pendekatan statistik tradisional atau metodologi berbasis AI yang baru dikembangkan semakin diadopsi dalam peramalan bisnis tradisional dan matang. Tapi mengapa ini belum menyebar ke dunia start-up dan peningkatan?

Jawabannya terletak pada data, yang untuk bisnis yang belum matang seringkali merupakan hak milik dan mahal untuk diperoleh. Namun, hal ini sedang berubah — keberadaan digitalisasi berarti bahwa data berkualitas tinggi dalam jumlah besar pada perusahaan swasta semakin dapat diakses oleh publik.

Memperkenalkan SiRE

Kami menyebut jawaban untuk tantangan ini SiRE, model ekstrapolasi pendapatan berdasarkan informasi simulasi.

SiRE didasarkan pada Filter Kalman, sebuah metodologi yang biasanya digunakan untuk navigasi dan kontrol pesawat terbang dan pesawat luar angkasa. Ini adalah sektor-agnostik, memungkinkan investor untuk menerapkannya di berbagai industri. Ini hanya membutuhkan kumpulan data kecil dari beberapa ratus perusahaan skala untuk pelatihan, dan ekstrapolasi dapat dimulai dari deret waktu pendapatan singkat yang memungkinkan prediksi pendapatan bahkan tanpa data historis granular. Ini dapat menghasilkan prediksi terperinci selama beberapa tahun, mengakomodasi periode investasi tipikal 5 tahun dan lebih lama. Setiap prediksi pendapatan dilengkapi dengan perkiraan kepercayaan, memberikan panduan kepada investor tentang kepastian hasil. Model ini mudah diimplementasikan, dan prediksinya dapat dijelaskan, mempromosikan transparansi untuk membangun kepercayaan dan menangkap umpan balik.

SiRE dirancang berdasarkan asumsi utama bahwa perkembangan pendapatan cenderung mengulangi pola historis untuk perusahaan serupa pada tahap serupa. Setiap poin pendapatan di masa depan awalnya diperoleh dengan mengambil sampel dari negara bagian pendapatan yang sebanding, kemudian disesuaikan dengan Filter Kalman yang mempertimbangkan poin pendapatan historis dan prediksi. Keyakinan prediksi diperkirakan dengan mengekstrapolasi beberapa kali.

Mendemonstrasikan cara kami menggunakan SiRE dalam EQT

Jadi, bagaimana kita menggunakannya dalam EQT? Dilatih dengan kumpulan data milik lintasan pendapatan dari perusahaan portofolio kami dan data lain yang telah kami kumpulkan selama hampir tiga dekade berinvestasi, SiRe dapat digunakan dalam dua cara:

1. Saat menilai investasi prospektif, kami dapat dengan cepat mengevaluasi potensi pendapatan. Ini memberi kami indikasi sederhana tentang kemungkinan potensi breakout berdasarkan data yang diberikan perusahaan kepada kami.
2. Saat menerima prediksi pendapatan dari manajemen dan menilai kemungkinan kinerja perusahaan sesuai rencana

Untuk mempelajari lebih lanjut tentang SiRE dan cara kerjanya, temukan penjelasan tentang metode tersebut di makalah kami dan kode sumbernya di sini