对大多数公司而言，财务规划与分析（FP&A）面临的最大挑战，无疑是预测未来的收入和现金流——这一挑战在新冠疫情期间变得日益严峻。过往业绩和旧有假设可能不足以支撑预测，需要将新的市场因素考虑在内。那么，我们该如何针对不同的情景做好准备？
预测性分析的目标是改进预测、提升快速纠错能力。与你所看到和所阅读到的内容相反，预测性分析无需过于复杂，也无需依赖数据科学家或价格昂贵的软件，至少起步阶段如此。本文将分享五种方法，任何公司都能运用此基本的预测性分析来降低不确定性、改进预测。本文改编自IMA管理会计师协会近期发布的《管理会计公告》（SMA）之《克服财务规划与分析的最大挑战：预测未来》（Overcoming FP&A’s Biggest Challenge: Predicting the Future），有所编辑删减。（见“预测未来的指南”）
何为预测性分析？
SAS（一家软件公司）将预测性分析定义为“使用数据、统计算法和机器学习技术，基于历史数据来识别未来发生某事的可能性”，注意：这么做的目的是不仅要知道发生了什么，还要降低未来的不确定性和相关风险（见“Predictive Analytics: What it is and why it matters”，SAS Insights，bit.ly/2R4kkEu）。我们可通过预测性分析让未来变得清晰，其最简单的形式是运用历史数据预测未来的结果，这是一门科学（还有一点艺术性）。
请记住，预测的最终目标，是通过降低不确定性及相关风险来为未来发展做好准备。未来的发展可能包括剔除了过高或过低的异常值后的新产品或服务；风险包括没有足够的产能来满足需求、完全错失市场机会、过度投资于人员与设备等新资产，等等。综上，任何可能有助于降低不确定性的信息都可为预测模型所用。
运用预测性分析的五种方法
有效的预测性分析需要数据、工具、模型构建及相关技能。上述公告提出了促进有效预测性分析的九种方法，本文将简要介绍其中五种。
1.扩展可用的数据
有效的预测性分析需要广泛的数据支持，因此，管理会计师不仅要能够扩展财务部门可用的信息，可能还需要拓展自身视野，判断哪些数据对预测非常重要，甚至可能需要识别并收集此类数据。可以协助建立一个“数据湖”，以本机格式保存大量数据，直至因管理需要而调用这些数据。“数据湖”应该支持各类分析，表1列出了组织内部各种数据的获取来源。
预测者常犯的错误是仅仅考虑组织内部的各类因素与数据，但组织外部的因素也须予以考虑。世界是互联互通的，在中国发生的事情有可能会影响在美国马里兰州巴尔的摩发生的事情。
但这会令预测变得更加困难。我们该如何解释这些因素？如果忽略了一些因素，怎么判断哪些信息是重要的呢？战略规划非常关键。在做任何预测之前，战略规划流程应对外部因素进行评估并为应对外部情况制定规划。如此，预测模型应该能够获取此类外部因素中最重要的信息。
2.工具：从小的模型开始，后续再补充
你可能会认为，预测模型要庞大才能获取组织中所有的关键驱动因素，确实许多模型是这样的。你可能还会想起你已经建立的巨型Excel工作簿，一想到要添加更多类型的数据以及不同的驱动因素之间的关联，你都不想再继续工作了。
好消息是，预测模型应该从小模型开始，仅包括最重要的变量和变量之间的关系。建立了一个令你满意的、包括所有主要变量的基础模型后，就可以开始添加其他变量来提高模型的准确性。当模型变得非常复杂、使得更新关键假设变得麻烦时，可能是时候从众多可用的FP&A软件解决方案中挑选一个了。
不要试图创建一个包括公司所有信息的模型。这是不现实的，也不值得这样做。建模的关键在于考虑长期的准确性而不是短期的精确度。预测模型的设计初衷是为了减少未来的不确定性，而正因为未来是不确定的，不值得对影响力相对较低的驱动因素进行准确建模。
3.运用情景规划
情景规划（又称情景分析）不只是罗列几个可能出现的情景，事实上，我们不可能列出所有可能的情景，更不用说对其进行预测。相反，情景规划是围绕一个或两个关键焦点问题、驱动因素或关键不确定因素，识别可能发生的情景。这些情景可能包括会给组织造成最大风险的问题（如网络威胁或客户流失），也可能是成功的关键驱动因素（如6月1日的油价、5月份在线流量或新冠疫情防控放松）。
例如，度假村、集市和海滨小镇一直饱受不确定性影响，这种不确定性与疫情防控措施及人们的旅行意愿相关。烟花表演经营者不得不向客户做出保证，如果因新冠疫情防控而不得不取消活动，即使在最后一刻也会返还客户钱款。但这给烟花表演经营者带来了一些重大的不确定性。准备一场盛大的演出需要一年的时间，取消频率是高还是低？如果烟花表演如期举行，上座率是高还是低，可否作为未来举办活动数量的领先指标？情景规划可以基于可能出现的最关键的未知变量来创建不同的情景，然后评估不同情景发生的可能性。在本例中，烟花表演经营者可以运用2×2矩阵设想四种情景，如图1所示。
规划团队要为每种情景命名，并加以详细描述，仿佛这些情景已经发生。这有助于阐明和估计每种情景发生的概率，而后再放入模型中。
4.消除“知行差距”
预测性分析、竞争战略和经营活动之间应该有紧密的联系。你可能想用复杂的建模技术预测客户需求，但这些预测应该按照公司为增加销售额而规划的战略行动来评估和理解。这些规划的战略行动包括：进行研发投资，以推出引人注目的新产品；对特定产品生命周期的最后阶段进行管理；重新确定产品组合中某些产品的优先级及相应的营销投资；将销售人员数量翻倍。应设置与规划的战略行动相关联的绩效指标，并将其纳入预测性分析模型中。预测性分析能够而且应该假设规划的行动将会得到执行。
公司做了什么或未做什么都会对业务产生影响，这或许能真正解释为何预测模型“出现失误”。事实上，如果未来并不像预测那般发生，一个常见原因是计划未得到执行。不要忽视这一点，因为这可能是组织出现预测偏差的关键。如果不考虑这种可能性，其带来的结果是组织一味追逐华而不实的结果，或只对模型进行微调，效果同样令人失望。
简言之，“知行差距”是我们宣称要做的与实际所做的之间的差距。你如何知道“知行差距”正在削弱你的能力，使你无法提供有价值的预测模型？一个强烈的信号是你的组织始终未能实现自身目标。最好的解决办法是经过一番深思熟虑之后，将预测性分析与业务知识、公司的经营计划结合起来。此外，还要监控这些计划的推进情况。
5.建模：考虑因果关系
要创建可靠的预测性分析模型，需要考虑因果关系。因果关系体现为一个经营函数，包含资源、流程和作业。可靠的预测性分析模型应基于资源、流程、客户、关键绩效指标、外部市场因素及其他领先或滞后指标之间的实际或预期的因果关系。请记住，首先从最关键的具有因果关系的因素入手，一旦通过验证，再视需要添加变量来提升预测价值。
开发基于因果关系的模型类似于开发平衡计分卡。模型应包含一系列因果关系、领先和滞后指标，并最终指向预期的财务结果。事实上，开发平衡计分卡的公司也基本上设计出了一个预测模型，如果设计得当，该模型应该能体现公司的想法，即需要做好哪些作业才能最终取得成功。表2列举了一些领先和滞后指标，可用于公司的销售预测模型。
确定关键驱动因素的方法之一是提出一些直截了当的问题，这些问题事关组织的资源和流程在各需求情景下是如何运转的。以旅游业和度假胜地面临的不确定性为例，一家海滩酒店可能会提出这样的问题：“根据游客数量，我们应该至少配备多少救生员？”或“客房管理成本如何随着游客数量增长而增加？”我们期待听到以下解释，“海滩开放之初，我们至少配备了3名救生员；客房入住率达到50%时，会增加1名救生员；达到75%时，再增加1名救生员；达到100%时，还会增加1名救生员”，以及“我们至少有2名管家按8小时工作制轮班；当客房入住率达到50%左右时，每增加2间客房就增加1个小时的客房服务”。当然，为了能够提出合适的问题并理解对方做出的解释，我们必须了解其商业模式、目标客户是谁以及来自哪里、公司为他们提供了什么价值、谁负责什么工作，等等。如果你还不了解这些情况，那么就不断提问，直到有所了解为止。
一个完整模型需要的其他变量包括那些与外部因素有关的变量，竞争对手在做什么？客户在做什么？全球环境正在发生什么变化？尽管这些因素基本上超出了公司的控制范围，但如果它们会显著影公司业务，就必须以某种方式将其纳入模型。
在新冠疫情之前，我们会就此提出很多问题；疫情之后，针对市场的不确定性，我们或许需要提出全新的问题。商业模式可能已经发生改变，取得成功所需的数据也可能有所不同。新的问题可能包括：新冠疫情防控措施将如何影响公司销量？社交媒体和贸易摩擦对我们又有哪些影响？我们可以从客服中心数据中洞悉哪些信息？
一旦对各种关系有了合乎逻辑的解释和合理的假设，就可以着手构建（或完善）模型了。需要关注的一个风险是“模型蠕变”，即模型（或附带的电子表格）变得过于复杂而难以理解和维护。模型构建者倾向于构建复杂而非简单的模型，必要的准确度取决于所提问题的复杂性，但如果一个公式得出的结果与其他多个公式相似，则使用这个公式即可。记住，预测的目标是长期的准确性（和可理解性），而不是短期的精确度。
实施预测
每家公司的预测工作都有改进空间，尤其是在当前动荡的市场和经济环境下。上述公告还讨论了促进有效预测性分析的其他四种方法：
■打造数据收集系统；
■改进假设与估计；
■监督分析结果，快速识别差异背后的业务原因；
■提高分析技能。
如果你或你的财务团队缺乏改进预测所需的时间和技能，也不必为此丧气。找出你最薄弱的环节，然后以此着手改进，可以尝试采用本文或上述公告介绍这些步骤。
预测未来是一项艰难但很重要的工作。无论预测看起来多么合理，那些逻辑上无法预见的因素往往会让结果与预测有所不同。以合理规划为支撑的有效预测可以成为一个重要工具，帮助组织快速适应假设、市场以及经营方面的变化。
是时候改进你的预测了！
Kip Krumwiede，博士、CMA、CSCA、CPA，IMA前研究部总监，IMA里士满分会成员。联系方式：（804）316-7149 或kip@krumwiedeconsulting.com。
Lawrence Serven，全球公认的企业绩效管理专家。联系方式：（203）977-3856 或lawrenceserven@gmail.com。
Robert Liou（刘玉声），CMA、CPA，IMA前中国区研究经理。联系方式：（86）18613828292或robliou01@gmail.com。
蔡菲 译，郭强 校
