Прогнозирование доходов для масштабирующихся компаний

Компания EQT Motherbrain рада поделиться разработанным ею новым подходом к прогнозированию доходов компаний, занимающихся масштабированием. Недавно он был представлен на 31-й Международной конференции ACM по управлению информацией и знаниями (CIKM 2022) Леле Као, Соней Хорн, Вильгельмом фон Эренхаймом, Ричардом Ансельмо Шталем и Хенриком Ландгреном.

Основная проблема

Прогнозирование финансового будущего компании — сложная, но необходимая задача, имеющая решающее значение для принятия бизнес-решений. По сути, это обоснованное предположение, основанное на изучении исторических данных о производительности. Тем не менее, как мы все видели, из-за случайных элементов, которые не могут быть включены в модель, прогнозы могут легко не сработать.

Инвесторы полагаются на финансовые прогнозы при определении стоимости бизнеса. Независимо от того, опираетесь ли вы на дисконтированные будущие денежные потоки или определяете оценку на множественной основе будущей EBITDA, прогнозы могут сделать инвестиции успешными или неудачными. Для зрелых предприятий с большим опытом работы и устойчивыми денежными потоками отклонения между прогнозами и фактическими результатами могут быть незначительными. Но для предприятий с недостаточным количеством исторических данных и изначально неопределенными будущими перспективами, такими как стартапы и масштабные проекты, все выглядит иначе.

Стартап переходит на территорию масштабирования, когда демонстрирует масштабируемость и жизнеспособность своей бизнес-модели и испытывает ускоренный цикл роста доходов. Этот переход обычно сопровождается привлечением внешнего капитала.

По сравнению с большинством зрелых компаний масштабирование часто не приносит прибыли. Следовательно, выручка становится одним из наиболее важных показателей при оценке масштабирования, и оценка обычно определяется на множественной основе будущих доходов, на основе которых специалисты по инвестициям экстраполируют будущие доходы компании.

Прогнозирование доходов обычно делается вручную и эмпирическим путем, поэтому качество в значительной степени зависит от опыта специалистов по инвестициям. Учитываются такие факторы, как бизнес-модель, конкурентная среда, рыночные тенденции и юнит-экономика. Задача важна для оценки привлекательности инвестиций, поскольку она информирует об изменении оценки в течение периода владения. Однако уровень автоматизации, объективности, последовательности и адаптивности этого подхода далек от оптимального.

Количественные методы, такие как традиционные статистические подходы или недавно разработанные методологии на основе ИИ, все чаще используются для прогнозирования традиционных и зрелых предприятий. Но почему это не распространилось на мир стартапов и скейлапов?

Ответ заключается в данных, которые для незрелых предприятий часто являются собственностью и требуют больших затрат. Однако ситуация меняется — повсеместность оцифровки означает, что большие объемы высококачественных данных о частных компаниях становятся все более доступными для общественности.

Представляем SiRE

Мы называем ответом на этот вызов SiRE — модель экстраполяции доходов, основанную на имитационном моделировании.

SiRE основан на фильтре Калмана, методологии, обычно используемой для навигации и управления самолетами и космическими кораблями. Он не зависит от сектора, что позволяет инвесторам применять его в нескольких отраслях. Для обучения ему нужны только небольшие наборы данных нескольких сотен компаний, занимающихся масштабированием, а экстраполяция может начинаться с коротких временных рядов доходов, что позволяет прогнозировать доходы даже без детальных исторических данных. Он может производить детальные прогнозы на несколько лет, учитывая типичные инвестиционные периоды в 5 лет и дольше. Каждый прогноз доходов сопровождается оценкой достоверности, что дает инвесторам рекомендации относительно достоверности результата. Модель проста в реализации, а прогнозы объяснимы, что способствует прозрачности для укрепления доверия и сбора отзывов.

SiRE разработан на основе основного предположения, что динамика доходов, вероятно, будет повторять исторические модели для аналогичных компаний на аналогичном этапе. Каждая точка будущего дохода первоначально получается путем выборки из сопоставимых состояний доходов, а затем корректируется с помощью фильтра Калмана, который учитывает исторические и прогнозируемые точки дохода. Достоверность прогноза оценивается путем многократной экстраполяции.

Демонстрация того, как мы используем SiRE в EQT

Итак, как мы используем его в EQT? Обученный на запатентованном наборе данных о траекториях доходов от наших портфельных компаний и других данных, которые мы собрали за почти три десятилетия инвестирования, SiRe можно использовать двумя способами:

1. При оценке предполагаемых инвестиций мы можем быстро оценить потенциальный доход. Это дает нам простое представление о вероятности потенциальных прорывов на основе данных, предоставленных нам компанией.
2. При получении прогнозов выручки от руководства и оценке вероятности того, что компания выполнит план

Чтобы узнать больше о SiRE и о том, как он работает, найдите объяснение метода в нашей статье и исходный код здесь .