Megküzdeni az ismeretlennel –

2. rész: Üzleti forgatókönyvek készítése a vállalatirányításhoz

Gulyás Attila

A jövő mindannyiunkat érdekel, hiszen döntéseket kell hoznunk. A bizonytalanságot viszont nem bírja az emberi természet elviselni. A rossz hír, hogy nem létezik olyan csoda módszer, amivel a jövő biztosan megmondható. A jó hír viszont, hogy léteznek olyan eszközök, amelyekkel a kockázatok átgondolhatók és amelyek felhasználhatók pénzügyi tervezéshez, döntéshozáshoz. Cikksorozatunk második része arról szól, hogy bizonyos esetekben nem érdemes előrejelzést készíteni, helyette a lehetséges kimenetelek megismerése a reális és jó cél. A szcenáriómodellezésről, a döntéshozás iránytűjéről lesz szó.

1. Fogadjuk el, hogy vannak jól és nem jól előrejelezhető dolgok!

Gyerekkorunk óta tudjuk és ünnepek környékén gyakran felidézzük magunkban, hogy csodák márpedig léteznek. Nemcsak a mesékben, hanem a társadalmi-gazdasági jelenségek között is akadnak bőven. Mérő László matematikus szerint háromféle világban élünk egyszerre. Ezek megismerése azért fontos, mert ebben a három világban a csodák és azok gyakoriságának előfordulása teljesen eltérő. Ez a három világ Átlagisztán, Extremisztán és a Félvad világ.

Átlagisztán világa azokat a jelenségeket foglalja magában, ahol nincsenek meglepetések, ez egy szelíd világ. Ebben a világban az átlagostól nagy eltérések nem fordulnak elő. Például vannak nagyon magas emberek, de nincsenek 5 méteres óriások, akik a tipikus eltérés 40-szeresével különböznének az átlagtól (az átlagos felnőtt férfi 175 cm és a tipikus eltérés az átlagostól +/- 8 cm).

Ezzel szemben Extremisztán vad világ, mert ebbe a világába olyan jelenségek tartoznak, ahol hatalmas eltérések is előfordulnak az átlagoshoz képest. Gondoljunk csak az 1929-ben kezdődő tőzsdei krachra, amikor a Down Jones részvényindex árfolyama 89%-os esést produkált 1932-re (~1/9-re csökkent). Egy másik szemléletes példa az Apple tőkéje (2.066 milliárd USD a cikk írásakor a companiesmarketcap.com szerint), amely nemhogy 40-szerese, hanem több, mint 400-szorosa egy átlagos óriáscég mondjuk 5 milliárd dolláros tőkéjének. Az Apple tőkéje kétszerese a Google-énak vagy pl. az Amazonénak (pedig azok sem kicsi cégek), és közel 280-szorosa a magyar OTP-nek (7,45 milliárd USD). Ezt matematikai szemszögből indokoltan tekinthetjük még inkább hihetetlen csodának, mint egy ötméteres embert.

1. ábra: A vadság szintjei. Mérő László alapján saját szerkesztés.

A mindennapi biológiai életünk és a mindennapi munkánk jellemzően Átlagisztánban zajlik, viszont a gazdasági élet sokszor Extremisztánban.

Átlagisztán kiszámítható, azaz olyan eseményeket foglal magában, amelyek jól előrejelezhetők. Jellemző rá a sokszínűség és a stabilitás. Ennek oka, hogy ezeket a jelenségeket olyan rendszer írja le, amelyet sok komponens határoz meg (nincs domináló köztük), illetve a komponensek nem függenek nagyon szorosan össze egymással (nem következik néhányukból az összes többi értéke).

Extremisztánban viszont rendszeresen előfordulnak az átlagostól való hatalmas eltérések. Emiatt az ilyen jelenségek nem előrejelezhetők és nincs is tipikus értékük. Ebben a világban történnek az ún. fekete hattyú események (pl. a berlini fal leomlása, a tőzsde nagy összeomlásai). A fekete hattyú eseményekben közös, hogy utólag, amikor már bekövetkeztek és láthatók, teljesen evidensnek tűnik, hogy elő kellett fordulniuk. Viszont mindaddig nem láthatók és nem jelezhetők előre, emiatt meglepetésszerűek (csodák).

Átlagisztán és Extremisztán között szerepel egy ún. Félvad világ, ahol még nem érvényesülnek teljes egészében Extremisztán szélsőségei, így még van remény ezek valamilyen szintű előrejelzésére. Egyéni vizsgálat tárgya, hogy egy adott jelenséget melyik matematikai világ szabálya írja le és hogy az mennyire előrejelezhető.

2. Előrejelezhetőség alapján válasszunk megközelítést!

A fentiek tükrében érdemes megvizsgálnia valamennyi vállalatnak, hogy az üzleti döntésekhez szükséges információk közül mi és mennyire jól jelezhető előre. Nagyon sok tervezési, előrejelzési erőforrás megtakarítható annak beazonosításával, hogy egyáltalán minek az előrejelzésével érdemes próbálkozni és mivel nem. Az előrejelezhetőség az előretekintő időtávval csökken. Például egy adott termék értékesítését sokkal pontosabban lehet megmondani a következő hónapra, mint a következő 1 évre vonatkozóan.

2. ábra: Előrejelezhetőség kategorizálása

Ami jól előrejelezhető, arra használjunk forecasting módszereket, ami nem jól előrejelezhető, ott gondolkodjunk forgatókönyvekben, szcenáriókban.

A forecastingtól eltérően a szcenáriómodellezés célja nem a várható értékek pontos előrejelzése, hanem egyáltalán a lehetséges jövőbeli értékek és kockázatok azonosítása. Ezért joggal mondhatjuk, hogy a szcenáriómodellezés a döntéshozás iránytűje. Mivel rövid távra tipikusan jobb előrejelzést lehet készíteni, mint hosszú távra, a két módszertan eltérő vezetői szinten ad értéket. A forecasting általában operatív döntésekhez alkalmazható jól (pl. „mennyit fogok eladni a következő hónapban és mennyit kell emiatt termelnem” típusú döntésekhez). Ezzel szemben a szcenáriómodellezés taktikai vagy stratégiai döntési szinten vethető be legjobban (pl. bővül-e a cég annyira, hogy felvegyek új embereket).

3. ábra: Forecasting versus szcenáriómodellezés

A szcenáriómodellezésnek jellemzően két fő célja szokott lenni. Az egyik fő alkalmazási terület a célkijelölés, ami top-down tervezésnél jól alkalmazható. Másik gyakori alkalmazási terület a kockázatok (általában pénzügyi, de lehet működési vagy stratégiai is) értékelése, folyamatos nyomon követése. Pénzügyi szférában gyakori az ún. „stress testing” megoldás, ahol azt vizsgálják, hogy szélsőséges üzleti körülmények között hogyan alakul a vállalat működési teljesítménye (pl. portfólión elért eredmény). A „stress testing” előnye, hogy segít felkészülni a jövőbeli váratlan eseményekre, segíti az alkalmazkodást a kritikus pontok, sérülékenységek azonosításával.

3. Komplex problémákhoz valószínűségi alapon modellezzünk!

Szcenáriómodellezést alapvetőn kétféle megközelítéssel lehet végezni: determinisztikus vagy valószínűségi módon. Az, hogy mikor melyiket érdemes alkalmazni, függ az adott probléma komplexitásától.

Egy üzleti modell a valóság egyszerűsített mása, ami leír egy rendszert. A modell megfelelő mélységű, ha az kizárólag az adott probléma szempontjából lényeges dolgokra összpontosít és a lényegteleneket figyelmen kívül hagyja. Például 1 éves pénzügyi eredmény modellezésénél az utolsó csavar figyelembevétele nem cél, sőt, kerülendő, mert elviszi a fókuszt a lényegesről.

A determinisztikusság azt jelenti, hogy kockázat nem létezik a modellben. Ez célszerű megközelítés például, ha a kockázat nagy mértékben kontrollált (pl. vállalaton belüli szolgáltatások esetén). A valószínűségi szemléletű modell ezzel szemben megjeleníti az input és output változókban rejlő kockázatokat is (pl. nem ismert, mennyi lesz az EUR-árfolyam). Extremisztáni eseményeknél a valószínűségek nagyon alacsonyak, mégis alkalmas ez a módszer arra, hogy tisztába jöjjünk a fekete hattyúk felbukkanásának puszta lehetőségével és felkészüljünk arra, hogyan reagáljunk majd, ha előbb-utóbb felbukkannak.

Szimuláció segítségével lehet azt megnézni, hogy viselkedik egy modell különböző feltételek mellett. Ehhez szcenáriókat kell alkotni. Egy determinisztikus modell általában 3-5 szcenárióval készül. Ezzel szemben egy valószínűségi modell jellemzően 10.000 vagy akár 100.000 szcenárióval készül (ami tartalmazza a determinisztikus 3-5 szcenárióját is), így egy-egy érték helyett egy eloszlás az output. A determinisztikus modell hátránya, hogy sok esetben egy szcenárióból indul ki és azt korrigálja felfelé-lefelé, azzal az implicit feltevéssel élve, hogy a jövőbeli helyzet a jelen kivetítése lesz. A valószínűségi modell előnye, hogy a várható kimenetek mellett azok valószínűségéről is ad információt, míg egy determinisztikus modell esetén minden kimenetelre azonos valószínűséget feltételez.

4. ábra: Valószínűségi szcenáriómodell-eredmény példa

A két megközelítés között eltérés, hogy a valószínűségi modell alkalmas dinamikus problémák kezelésére is. A statikus modellek egy rendszert egy adott pillanatnyi állapotában képesek leírni, míg a dinamikus modellekkel időben változó rendszereket lehet leírni. Problémafüggő, hogy mikor mire van szükség.

5. ábra: Szcenáriómodellezési megközelítések

Determinisztikus modellek esetén a szcenáriókat a szakértő adja meg. Gyakran „what if” megközelítéssel, 1-1 input értékének változtatásával. Mivel egy embernek korlátozott az ideje és a befogadóképessége, ez az oka annak, hogy néhány szcenárióra fókuszál. Ezzel szemben valószínűségi modell esetén a szcenáriókat számítógép generálja véletlen számok segítségével. Ekkor sokkal átfogóbb képet lehet kapni, de sokkal számításintenzívebb is a módszertan, mint a determinisztikus esetben. Fontos kiemelni, hogy önmagában a valószínűségi megközelítés nem eredményez jobb modellt. Sok múlik például azon, hogy az inputok (amelyeket szakértőnek kell megadnia) milyenek.

Ha egyszerű vagy komplikált, de nem komplex összefüggéseket akarunk modellezni, akkor célszerű determinisztikus módon elvégezni a feladatot (ez a könnyebb). Viszont ha komplex módon akarunk modellezni, akkor érdemes a valószínűségi megközelítést alkalmazni. Komplikáltnak azokat a modelleket hívjuk, amelyek sok részből állnak, de valamilyen rendezőelv mentén azok jól elválaszthatók egymástól, megismerhetők. Komplexnek azokat a modelleket hívjuk, amelyek esetén az egyes részek egymással annyira összefüggenek, hogy nem vizsgálhatók külön-külön, csak együtt. Általában a komplikált problémákra készített megoldások nem alkalmazhatók jól komplex esetekben.

Egy tipikus alkalmazási példa a valószínűségi megközelítésre a pénzügyi területen a Cash-Flow at Risk (CF@R) modell, ami összekapcsolja a vállalati pénzáramlásokat (működési, beruházási és finanszírozási), ezért a CFaR a stratégiai beruházási és finanszírozási döntéseket is támogatja. További előnye, hogy a vállalati likviditáskezeléshez feltárja a potenciális likviditáshiányt, amelyet így még kellő időben lehet kezelni (pl. hitelfelvétellel, kifizetési szabályok módosításával stb.).

4. Üzleti forgatókönyv logisztikai költség alakulására – egy gyakorlati példa

Egy valószínűségi szcenáriómodell kiindulópontja mindig egy üzletileg értelmezhető narratíva. Ez valamilyen üzletileg releváns, részben összefüggő és részben független eseményhalmazt, szituációt ír le, amire a következő időben számítunk (pl. események bekövetkezése az alábbi kérdésekben: békekötés Ukrajnában, az infláció alakulása, a tengerentúli szállítási költségek alakulása, árfolyam alakulása). Ezután a narratívát le kell fordítani kockázati tényezőkre (pl. árfolyam, szállítási idő, költség, ellátásbiztonság, kereslet stb.). A kockázati tényezők hatását a vállalat teljesítményére az üzleti logikát leképező modell (driver tree) mentén lehet szimulálni.

A szimuláció megmutatja, hogy milyen esetekben van szükség beavatkozásra, illetve megválaszolható az is, hogy a lehetséges beavatkozások milyen hatást generálnak (mennyire vagyunk képesek akciókkal ellensúlyozni a kedvezőtlen hatásokat, vagy erősíteni a kedvező hatásokat).

Egy gyakorlati példa annak stressztesztje, hogy miként érinti a vállalat ellátási láncát egy világjárvány alakulása. Tegyük fel, hogy ez a vállalat Kínából rendeli a legfontosabb alapanyagot a gyártásához és a célunk a teljes logisztikai költség alakulásának szimulálása. Ebben az esetben a kockázati tényező például a konténer-fuvarköltség díja USD-ben (container shipping cost), az ellátásbiztonság, illetve az USD árfolyam alakulása. A módszer előnye, hogy a kockázati faktorokat nem szimplán „additívan” (egymásra épülően) veszi figyelembe, hanem „multiplikatívan”, azaz a szcenáriók között lesznek nagy valószínűséggel bekövetkező kombinációk is, de lesznek nagyon ritkán előforduló extrém kombinációk is (ezt hívják tail-events-nek, mivel a valószínűségi eloszlás szélén helyezkednek el, de nem 0 a valószínűségük). A számítógép 10.000 (vagy akár több) szcenáriót készít a kockázati faktorok együttes eloszlására, így tudunk 10.000 lehetséges logisztikai költség-alakulást számolni. A 10.000 lehetséges értékből pedig kapunk egy eloszlást, ami megmondja, hogy a szimulált esetek hány százalékában (~milyen valószínűséggel) lesz bizonyos tartományban a logisztikai költség. A szimuláció eredményét minden esetben érdemes összevetni a tervezett értékkel, hogy megfelelő akciókkal csökkenthető legyen a kockázat (tervhez képesti maximum nem várt eltérés). Végezetül a konkrét példára visszatérve: ha valaki látva a növekvő szállítási költségeket elvégezte ezt a gyakorlatot 2020 szeptemberében, az felkészülten fogadta a 2021 szeptemberére négyszereződő (tail-event) szállítási költségeket (global container freight index) és esélyt adott magának, hogy üzleti akciókkal (pl. indexált árazásba vagy kereskedelmi feltételekbe beépítve) időben ellensúlyozza ezt az extrém hatást.

 

A szerző vezető tanácsadó.