Modelle alleine sind unzuverlässig. Völlig sinnlos. Zu oft, Wir sehen irreführende Entscheidungen, die aus dieser Spitze in einem Excel-Liniendiagramm oder dem absoluten Wert eines Finanzmodells getroffen werden. Modelle sind jedoch nur eine Vereinfachung der Realität. Ein Spiegelbild der Geschichte. Ein Benchmark oder ein Anker für zukünftige Vorhersagen.

Modelle sind leistungsstark, wenn sie in einer Geschichte präsentiert werden - und kontextualisieren die Daten aus der Einführung, Analyse und Empfehlungen. Ich hatte vor kurzem Getränke mit einem Freund, der im Investment Banking arbeitet, wir kamen zu einem vereinfachten (zu stark vereinfacht) Schlussfolgerung, dass Investmentbanker und Berater dasselbe tun. Wir validieren eine Gelegenheit, indem wir ein Modell um den zukünftigen Zustand herum aufbauen. Dies ist die Basisarbeit. Wir schließen den Deal ab, indem wir Brancheneinblicke einbringen, Spielen mit Variablen von Finanz- / Betriebsmodellen, und Ausrichtung der vorgeschlagenen Optionen auf die strategischen Ziele der Organisation. Wie verwandeln Sie ein wunderschön komplexes Modell in eine überzeugende Geschichte??

Wenn Sie das Modell nicht selbst gebaut haben, Es lohnt sich, die Zeit zu investieren, um die Mechanik zu verstehen - d. h. Was sind die Datenquellen und wie werden sie angewendet, um eine Ausgabe zu erzeugen? Im Idealfall, Die meisten Modelle sollten einen Puffer in einem Bereich haben, in dem sich möglicherweise eine Reihe von Optionen befinden. Ein grundlegendes Modellierungsprinzip, das ein gründliches Verständnis der Qualität der Daten erfordert, den Kontext des Geschäfts und wie es sich auf das Gesamtergebnis auswirken könnte. Zum Beispiel, Sie könnten eine anwenden 20% Kontingenzpuffer für eine Opex-Prognose zur Berücksichtigung von Nebenkosten, oder verwenden Sie Branchen-Benchmarks für eine Bewertung, um Worst- und Best-Case-Szenarien um den tatsächlichen Wert herum einzuschließen.

Es gibt eine klare Geschichte hier. Hinzufügen eines Puffers zu einem Modell sagt dieses Modell ist nicht perfekt, aber es gibt eine Wissenschaft, wie wir die Kehrseite der Annahmen oder Variabilität der Daten verwalten.

p> Der Spaß beim Modellieren besteht darin, mit Variablen zu spielen, um verschiedene Szenarien zu erstellen - sei es, wenn sich die Preise ändern, Renditen, Bestandsabweichungen, Arbeitsauslastung oder sogar gescheiterte Projekte. Sie können dies mit ausgefallenen Monte-Carlo-Simulationen tun (was ich nie richtig verstanden habe!), oder ändern Sie die Eingaben eines Modells manuell, um die Auswirkungen auf das Endergebnis zu testen.

Wir erstellen Geschichten durch diese Szenarien. Wie würde sich das Ergebnis unterscheiden, wenn wir ein Projekt in der Mitte seiner Lebensdauer konservieren würden?? Was würde passieren, wenn der Preis für Wolle plötzlich in die Höhe schnellen würde? 80%? Was würde passieren, wenn wir Unternehmen Y anstelle von Unternehmen X oder beides übernehmen würden??

Durch die Schaffung alternativer Welten mit unseren Modellen können wir Entscheidungen über die Risiken treffen, die wir mindern müssen, und über das Ausmaß, in dem wir Variablen abhängig von ihren relativen Auswirkungen steuern möchten.

Ein Modell wird sinnvoll, wenn es zum Handeln anregt. Aktion, die aus einer Entscheidung resultiert. Eine Entscheidung, die sich aus einer Chance ergibt, die in direktem Zusammenhang mit einem geschäftlichen und sozialen Bedürfnis steht.

Ein Modell wird letztendlich verwendet, um Empfehlungen zu einer Reihe von Initiativen abzugeben, sich auf die Vision und die strategische Absicht des Unternehmens stützen. Aber es braucht viel, um zum endgültigen Schnitt zu gelangen. Es erfordert ein tiefes Verständnis der Faktoren, die die Organisation intern stören würden, in der breiteren Branche und wie sich diese Faktoren in einer Problemstellung und einem Aufruf zum Handeln niederschlagen.

Die Empfehlungen selbst müssen eine Geschichte anhand eines soliden Geschäftsmodells erzählen. Es sagt uns:

• Zweck und Notwendigkeit
• Opportunitätskosten (eine Initiative einer anderen zu wählen)
• Risikominderung
• Leistungsmessung

Am Ende des Tages, Das Modell ist wirklich nur ein kleiner Teil einer Tonhöhe. Die Geschichte steckt im Detail, die Annahmen, die Datenquellen und all die kleinen Nuancen, die ihre Existenz kontextualisieren.