Budgettering og prognose er en væsentlig funktion for en virksomhed. Fra en lille iværksætters mave-instinkt til de komplekse modeller af en stor multinational, hver virksomhed har et skøn over, hvor meget den vil sælge, og hvor meget den vil koste.
Problemet er, at budgetter ofte bliver forældede tidligt på året, på trods af nogle gange enorme kræfter, der bruges på at udarbejde dem. De får derefter mølpose, enten på grund af deres ineffektivitet eller fordi de er en kilde til forlegenhed. En KPMG-undersøgelse blandt finansprofessionelle viste, at 56 % af de adspurgte var enige i, at "på et tidspunkt i løbet af året holdt budgettet op med at være relevant." Den samme undersøgelse viste også, at 46 % af de adspurgte "mener, at det nuværende budget producerer et politisk aftalt antal, der ikke er tilpasset de reelle forretningsudsigter."
Budgettering er ofte en bottoms-up affære, hvor hver afdeling får udleveret en skabelon, hvor de indsætter gæt om fremtiden på et kvalitativt grundlag, nogle gange med toplinjemål fastsat af ledelsen. De mennesker, der laver prognoser, er ofte meget erfarne i at sælge, levere, drive eller ansætte, men har dog ingen formel uddannelse i prognoser. Den skiftende og usikre natur af prognoser er en kendsgerning, men ofte påvirker disse skævheder budgettets nøjagtighed. Dette citat opsummerer det i en nøddeskal:
"Budgetter kan være bønner, pakket ind i modstridende motiver, pakket ind i et bånd af håb"
I denne artikel vil jeg dække den bedste praksis-tilgang til at kombinere kvalitative og kvantitative begreber til budgetteringsprocessen, hvilket kan hjælpe med at mindske virkningen af bias. Dette vil give en struktur til dyrlægeantagelser og testscenarier, ofte uden for kodificerede områder.
Før vi begynder at tilføje et nyt system, lad os gennemgå nogle af de grundlæggende principper for mål og anvendelser af et budget.
Før vi kommer ind på et eksempel på tilføjelse af en kvantitativ metode, vil jeg gennemgå nogle bedste praksisser for budgettering generelt. Selvom det bestemt ikke er udtømmende, har jeg fundet ud af, at disse trin vil spare tid og ressourcer ved at reducere budgetgentagelser og forbedre afdelingskoordineringen.
Prognosemetoder kan omfatte bottoms-up, top-down, crowd-sourced og nul-baserede metoder, for at nævne nogle få. Metoder for hver kan opdeles i, om de er kvalitative eller kvantitative. Kvalitativ er præget af budgetejerens dømmekraft, mens kvantitativ er mere matematisk baseret. Derfor har både kvalitative og kvantitative prognosemetoder hver deres respektive styrker og svagheder.
Bias kan i væsentlig grad påvirke nytten af budgetteknikker, så det er vigtigt at overveje de politiske aspekter af en metode. Uanset om det er en sælgers behov for at "spille systemet" for at øge oddsene for at nå bonussen, eller seniorledelsen skal nå mål for at formilde investorerne, vil bias ofte belaste budgetteringsprocessen.
Simple kvantitative metoder har også deres svagheder. Med en nylig af mine kunder brugte den i løbet af sit budget det foregående års gennemsnitlige månedlige procentvise vækst til at forudsige produktsalg. Selvom dette er en meget rimelig tilgang, påpegede jeg, at væksten i procent faldt i løbet af året. Brug af dette helårsgennemsnit kan føre til en systematisk aggressiv prognose, hvis tendensen skulle fortsætte eller endda plane ud.
Efter min mening er kvantitative processer det overlegne valg til at kombinere med kvalitative processer, da de er med til at fejltjekke antagelser baseret på problemerne ovenfor. Jeg anbefaler et kvantitativt grundlag, da det er hurtigt og relativt upartisk. Den udforsker også virksomhedens "funktionsdefinerende" forhold mellem udgifter og indtægter samt væksttendenser. Sådanne metoder er også mere anvendelige til scenarieplanlægning og kan være et godt grundlag for benchmarking og rullende prognoser.
Brug af blot én ekstra budgetteknik kan udvide relevansen af din prognose ved at fungere som en kontrol på den anden. Jeg mener også, det er vigtigt at vælge en metode, der kan udfordre den anden og kompensere for dens blinde vinkler. Jeg har fundet ud af, at det er yderst værdifuldt at bruge en kvantitativ prognoseteknik, når man skal evaluere en kvalitativ prognose, især i et iterativt miljø.
Forskellige metoder har forskellige omkostninger og tidskrav. Alligevel ser vi i dag og tidsalder datavidenskab spille en stigende rolle i opbygningen og vedligeholdelsen af forudsigelsesværktøjer, der hjælper med at reducere den tid, der kræves til at analysere scenarier.
Inkorporering af en kvantitativ metode, såsom trend eller økonometrisk analyse, er en måde at fjerne bias fra fremskrivninger. Disse metoder kan identificere, hvad der er spekulativt i en prognose og give scenarier uden for gruppetænkeområder. De kan tilbyde en guideline og hjælpe med at starte en diskussion om, hvad der skal ændres for at nå prognosemålet. Statistiske metoder er afhængige af kvaliteten af de underliggende data og kan suppleres med solid objektiv tænkning.
De kan dog være sofistikerede og lidt "black boxy", hvis du ikke er bekendt med, hvordan de fungerer. Ujusteret klarer de heller ikke store forskydninger i den underliggende forretning. Vær opmærksom på stikprøvestørrelsen og datakvaliteten, kompromiser med begge vil implicere slutkvaliteten af indsigt og kvalitet.
I dette afsnit vil jeg demonstrere en proces med at sammenligne et bottoms-up budget med en kvantitativ proces. Dette vil forklare, hvordan man undersøger grundlaget for budgettet.
Til dette eksempel skal vi bruge lineær regression. I sin enkleste definition søger lineær regression at finde en linje gennem data, der minimerer afstanden fra den linje til alle punkterne. Dette indikerer tendensen i dataene. Selvom det nogle gange ikke er teoretisk rent afhængigt af stikprøvestørrelsen og arten af dataene, finder jeg det stadig et meget nyttigt værktøj. Der er også andre regressionsmetoder, der ofte bruges, såsom ARIMA, som kan specialisere sig i tidsserier, ikke-linearitet eller sæsonbestemt, men du kan erstatte enhver metodologi i de overordnede trin, vi vil gennemgå for at vurdere et budget.
For disse eksempler starter vi med et divisionelt P&L-budget, vi netop har modtaget. Budgettet består her af omsætning frem til EBITDA.
Den første brug af en lineær regression kan bruges til denne tidsserieanalyse. Dette er især nyttigt for dele af P&L, hvor ledelsen ikke har direkte kontrol, såsom indtægter og i mindre grad COGS (gennem leverandørpriser). Ved at bruge de sidste to års faktiske forhold viser et hurtigt fornuftstjek, at budgettet forventer en stor overlinjeacceleration kombineret med lavere marginer.
Det næste trin er at bruge den kvantitative metode til at replikere en trendmodel af P&L. Vi starter med den første indtægtslinje i budgettet, tilbagevendende indtægter. Jeg forsøger ofte at bruge mindst 24 måneders data, hvis du har det, men hvis du har mindre, kan det stadig gælde.
Til denne øvelse skal vi bruge Excel, som har en række måder at gøre dette på. Den første måde er via Data Analysis add-in på Data Menu. Først skal du tage dataene og flytte dem til et eget ark og orientere dataene i kolonner. Tilføj derefter en kolonne for at repræsentere de involverede tidsperioder. Vælg derefter Data Analysis-pakken og vælg derefter Regression .
På siden for regressionsanalyse skal du vælge de data, som du vil regressere (i dette tilfælde tilbagevendende omsætning) i Input Y Range og punkterne i Input X Range . Du vil vælge Labels hvis du har nogen titler over dataene. I outputsektionen sætter jeg normalt outputtet på det ark, jeg bruger til analyse, men det er personlig præference.
Tryk nu på OK og du vil generere output fra regressionen.
Regressionsoutputtet vil give os den information, vi har brug for til at beregne trenden. Det vil også give os nogle nyttige statistikker om virksomhedens underliggende funktion. Dette vil omfatte den marginale stigning i data over tid, evnen til at se på scenarier og hvor godt den lineære model passer til dataene.
Regressionsoutputtet konstruerer følgende analyse:
Vores hovedinteresse er i Marginal og Fixed Revenue output. Vi kan finde disse i den gule skraverede sektion med skæringspunktet som konstanten og perioden som hældningen (den lineære modelformel i Excel ville være =Intercept + Period * future periods . Dette vil give os grundlaget for fremskrivningen af tilbagevendende indtægter ved at bruge disse input i vores formel og erstatte de større perioder. Når vi har en trendfremskrivning for tilbagevendende omsætning, vil vi have mulighed for objektivt at sammenligne det med det indsendte budget. Derudover vil vi drage fordel af konfidensintervallet til at se variationen i tendensen.
At plotte denne tendens mod det eksisterende budget gør det muligt for os at passe på.
Vi gentager formlerne ved at bruge de grønne skraverede input til høje og lave trendestimater. Dette vil give os matematisk strenge grænser for undersøgelse, vist med det grå område på skemaet til højre.
Fra de tidligere diagrammer kan vi se, at budgettet er et godt stykke over trenden og dens varians. Hvis vi beregner den gennemsnitlige månedlige stigning i budgettet, er den næsten 3 gange så stor som den seneste tendens ($99,1 til $33,5). Igen bruger vi en enkelt tidsramme med data og en univariat lineær model til dette eksempel.
Dette bør danne grundlag for diskussion med teamet eller budgetejeren om, hvad der driver outperformancen. Jeg finder dette vigtigt for enten at finde de kvantificerbare handlinger eller begivenheder, der driver outperformancen, eller for at give et grundlag for re-evaluering af antagelserne eller udfordre de mål, der resulterede i dette budget. Dette kan omfatte antagelser om organisk vækst, nye forretningssandsynligheder og de underliggende udgifter, der er nødvendige for at opnå dette resultat.
Nu hvor vi har set, hvordan man bruger en regression til at undersøge tidsseriebudgetter, vil vi bruge den til at undersøge relationer inden for virksomheden. Ved budgettering bruger jeg ofte tidsseriestrukturen til poster, der for det meste er uden for virksomhedens kontrol, hvilket primært er omsætning. For relationsbrug leder jeg efter, hvad der skal til på marginalomkostningsbasis for at understøtte vækstniveauet. I dette eksempel vil vi se på, hvordan driftsomkostninger relaterer sig til omsætning.
I dette budget har vi en driftsudgift, der ser ud til at følge omsætningen tæt. Vi kan undersøge forholdet mellem de to ved at bruge et punktplot. Dette vil give os en idé om det marginale forhold mellem de to, ud over hvor godt tilpasset de er, ved at se variationen omkring regression.
Vi kan replikere regressionen fra Timeseries-eksemplet ved at gøre Operations Expense til den afhængige variabel og gøre Total Revenue til den uafhængige variabel. Scatterplotten, der viser korrelationen til de to, blev afledt af følgende output.
I dette tilfælde angiver det marginale beløb størrelsen af driftsomkostningsstigningen pr. dollar af indtægter. I løbet af de sidste to år er driftsomkostningerne steget med $0,72 for hver indtægtskrone. Dette tyder på, at driftsomkostningerne i procent af omsætningen har været stigende i løbet af de sidste to år, hvilket de faktisk har gjort. R² (bestemmelseskoefficient) på 83,5 % indikerer også en stærk grad af korrelation (og dermed sammenhæng) mellem de to variabelsæt
Med resultaterne af regressionen kan vi nu bygge en trendmodel. Men da det er en relationsmodel, har vi to måder at gøre det på. Vi kan bygge modellen baseret på de budgetterede indtægtsbeløb, ud over omsætningstrendresultaterne fra vores tidligere regression.
Lad os først se på omsætningen med modellen baseret på den budgetterede omsætning. Denne tilgang giver os mulighed for at se på marginale antagelser indlejret i budgettet. Som før konstruerer vi både trendlinjen og variabiliteten.
Da budgettet er tæt på trend og et godt stykke inden for variabilitetsområdet, ser budgettet ud til at være rimeligt. Analysen rejser dog nogle spørgsmål for budgetejeren.
Vi kan se, at budgettet følger udviklingen for første halvår og derefter begynder at halte bagud. Dette tyder på, at budgetejeren forventer en vis grad af effektivitet fra tidligere operationer. Faktisk er budgettet i december 10 % lavere end trenden. Diskussionen kunne fokusere på, hvad der driver effektiviteten i den senere del af året.
Den anden analyse ved hjælp af resultaterne ville være at køre modellen igen ved at bruge trendindtægterne. Dette ville give os mulighed for at sammenligne budgettet med, hvad trendforholdet ville være. Igen tager vi regressionsresultaterne og beregner trenden ved hjælp af trendindtægterne.
Da trendindtægterne er væsentligt under budgetterede indtægter, ligger driftsudgiften også under budgettet. Denne analyse vil give anledning til problemer, hvis udgifter skal forhåndsindlæses, eller er de betingede af de budgetterede indtægter. Denne analyse kan også udløse en risikoanalyse af uforudsete hændelser, hvis omsætningen ikke bliver til noget.
Nu hvor vi har både tidsserierne og relationsværktøjerne, kan vi bygge en kvantitativ model af P&L. Med indtægter beregnet på tidsseriebasis og udgifter baseret på forholdet til omsætning, kan vi fremskrive en Trend P&L. I dette tilfælde bygger vi trenden ved hjælp af excel-funktionerne for =SLOPE() og =INTERCEPT() . Dette kan give os en dynamisk model, der kan opdateres i løbet af året.
Dette kvantitative værktøj kan bruges til ikke kun budgetevaluering, men til grundlag for rullende prognoser, benchmarking eller alternative prognosemetoder. Jeg har fundet dette værktøj til at være utrolig nyttigt. Afvigelse fra tendensen giver yderligere oplysninger om effektiviteten af forretningsinitiativer eller kan give tidlige advarsler, når de faktiske resultater begynder at bevæge sig i den forkerte retning.
At udføre denne øvelse bruger ikke mange ledelsesressourcer. Den underliggende statistik er afledt af virksomhedens faktiske drift og inkluderer ikke agentbias. Dette tillader variationer fra trenden for at give oplysninger om, hvordan virksomheden ændrer sig og med præcis hvor meget. Scenarieanalyse er også mulig:høj og lav kan indstilles til forskellige niveauer eller automatisk indstilles til en vis tærskel for variabilitet.
Vi kan nu sammenligne trendresultaterne med det indsendte budget. Linje for linje kan vi undersøge det indsendte budget og evaluere forudsætningerne, sætte benchmarks og gennemgå, hvordan virksomheden har fungeret tidligere.
Som du kan se, viser trendanalysen, at virksomheden kan have en alt for optimistisk toplinjeprognose. Dets omsætningsfremskrivning kan være et overskridelse, med omkostninger øget for at holde EBITDA-resultaterne på linje. Denne risiko her er, at ledere stiger til budgetterede udgiftsniveauer og forsinkelser i toplinjeresultaterne, hvilket har en negativ indvirkning på avancerne.
Som jeg nævnte tidligere, bestemmer de mennesker, der laver kvalitative budgetter, også fortællingen, og dette kan til tider være i overensstemmelse med deres mikro-agenda inden for virksomheden som helhed.
Vi har nu tilføjet en kvantitativ tilgang til vores kvalitative budget. Selvom budgettet kan forblive det samme i sidste ende, har denne forbedrede tilgang fremhævet risici, givet scenarier, der skal planlægges for, og har givet budgetejere et præstationsbenchmark. Vi har også en model, som vi kan bruge til at forudsige fremadrettede tendenser for at sætte benchmarks til at slå.
Budgetter kan være, lad os sige, urealistiske og gøres mere for at glæde bestyrelsen eller for at sætte en høj bar for at tilskynde til resultater frem for direkte ledelsesformål. Aspirationsbudgettering sætter en positiv mentalitet, men hvis der ikke er nogen metode til det, vil nøjagtigheden være tvivlsom. At have værktøjer som dem, der er beskrevet her, giver en kvantitativ kontrol for at sikre, at du er på rette vej.
Som altid er prognoser og budgetter bedst med en værktøjskassetilgang, og tilføjelse af en anden metode vil hjælpe dig med at se uden for "gruppetænke"-boksen. Brug af en rullende prognose og forskellige prognosemetoder kan forbedre prognoseeffektiviteten. Når jeg forecaster, giver vurderingen af, hvilke værktøjer der fungerer bedst, mig et indblik i virksomhedens funktion. At følge denne mentalitet vil hjælpe dig med at skabe et budget, der holder hele året.
På et senere tidspunkt vil jeg gense dette eksempel for at demonstrere, hvordan man sporer budgetter, justerer dem undervejs og udfører en nyttig post mortem for at bestemme, hvordan virkeligheden foregik i forhold til forventningerne.