大家好，在前面的系列文章当中，我们对诊断产品开发的一些相关背景知识进行了阐述，从这篇文章开始，我们将进入到正式的产品开发环节，产品开发的第一阶段，研究新的市场机会。
大多数商业实体的目标很简单：盈利。
盈利实体的目标也很简单：更多的盈利。
公司内部的大多数问题都可以与它们对盈利能力的影响有关，正如以下问题所说明的那样：
哪些项目的组合应该得到资助，以及在什么水平上？
一个新项目到底应不应该得到资助？
是否应该增加一个新的产品功能，推迟产品上市？
一项新技术会成功吗？
新产品是否足够好，可以推出？
本文考虑了如何在决策分析框架内，利用财务模型来解决这些和其他问题。非营利性组织（如非营利性医院）也必须了解财务模型，因为非营利性组织如果不能收回成本，就会被迫削减服务。
在开始之前，我们先来问一个问题：「科学家和工程师需要了解金融模型？」
答案是肯定的。
新项目需要资源，而很少有足够的资源来支持所有的新建议和现有项目。
因此，在一个项目上工作的机会可能取决于科学家或工程师向管理层推销该项目的优点的能力。
一个宣传产品的新功能或其质量改进的请求资源的介绍，不会像一个展示有吸引力的现金流净现值（Net Present Value，NPV）分析的介绍那样被接受。
关于改善质量的介绍会被礼貌地听取，而预测改善盈利能力的介绍则会引起兴奋。
金钱是高级管理层的语言，而财务模型是高级管理层的语法，所以科学家和工程师必须学习这种语言。
实际上，他们已经具备了这样做的条件，因为财务建模和分析中使用的技术在原理上往往与诊断产品开发和评估中使用的技术相似。
人们获得关于具有不确定性的参数的输入，根据一个模型分析数据，并预测关于未来事件的结果。金融分析的一个主要区别是，输入数据的不确定性是关于未来事件的，而不是过去事件。
01
决策分析的背景和术语
财务模型中使用的现代决策分析是基于Raifa以及Matheson和Howard的工作。后两者组成的战略决策集团（SDG）是该领域最知名的咨询公司之一。
决策分析和财务建模中使用的术语包括以下内容。
➤ 10-50-90：一种征求不确定事件的概率的手段。在这个方案中，「10」代表参数值可能低至某一数额的1/10机会，「90」代表该项目可能高至某一数额的1/10机会，而「50」是参数的最可能值。关于如何在净现值计算中使用。
➤ 现金流：现金流是公司手头用于支付账单的现金。有利可图的公司如果现金流为负数，就会倒闭，这就是为什么财务建模中使用的指标是现金流而不是盈利能力。
➤ 条件：影响产出的变量或因素。例如，一个产品的推出日期几乎总是影响，或「条件」，净现值。
➤ 贴现率：未来借款的假设利率。
➤ 预期净现值：净现值分布的概率加权平均值。
➤ 框架：一个机会的背景。一个框架的例子是，任何使用全血作为样本的体外诊断检测。
➤ NPV：净现值。以今天的现金表示的未来现金流的价值。决策分析要求在对一系列机会进行模型分析之前，必须具备一定的基础设施。所需的任务包括以下内容：
选择决策分析软件；
建立一个决策分析小组；
编制影响图；
界定所需的投入；
根据所需的投入，建立金融方程式。
一旦完成这些步骤，就可以对一系列类似的项目进行实际的决策分析模型，其中包括以下内容：
➤ 征集输入数据；
➤ 进行分析；
➤ 报告结果。
02
选择决策分析软件
决策分析软件应该容易被所有参与财务建模的人理解。理想情况下，该软件应该是电子表格的插件，或者至少与电子表格兼容。
03
创建决策分析小组
在传统的财务建模中，通常没有专门的多学科团队来进行净现值分析，因为财务部门执行所有的建模，并从拥有模型所需信息的人那里征求个人意见。
在团队方法中，要求这个人提供意见，这样团队中的任何人都可以对其进行评论。通过这样的过程，可以进行检查和平衡，以获得更高质量的投入。
04
准备一个影响图
图1是一个典型的试验的简化影响图。
图1|影响图
在这个图中，指向顶层事件，现金流净值的线条，来自于影响它的因素。
影响图的目的是显示需要数据输入的区域之间的关系，以及所需的详细程度。
因此，影响图设定了数据所需的细化程度。
例如，大多数新项目的管理成本将只是一个固定的百分比，不需要更多的细节。
另一方面，对于一个涉及新的制造技术的项目，制造成本可能需要相当的细节，所以影响图的这一部分将被扩大。
选择详细程度是很重要的，因为太少的细节会导致一个糟糕的模型，而太多的细节会因为过于复杂和昂贵而延缓进程。
给定一个影响图，下一步是准备一个决策树，决策树列出了所有需要的输入。
影响图的实际准备，特别是决策树的准备，通常是通过软件进行的。
作为输入所需数据的一个例子，考虑一下上市日期，这几乎总是一个有争议的参数。
对许多从事产品开发的人来说，有一个单一的发布日期，官方发布日期，无论它被改变多少次，都被当作一个常数。
然而，通常在决策分析中，发布日期被视为一个不确定的事件，并且经常根据10-50-90规则要求三个发布日期的值。图2显示了一个决策树的片段，是关于上市日期的例子。
图2|决策树的一部分
乐观的「10」情况对应于可能最快20个月的上市日期（例如，这个事件对应于10分之1的机会）。
与这个输入相关的是早期上市的效果，在这种情况下是30%的市场份额。
对于悲观的「90」情况，有10分之1的机会，产品可能在60个月前才推出，这将导致15%的市场份额。最有可能的推出日期是30个月，结果是25%的市场份额。
其他变量的输入也将被提供，以便准备一个完整的所需变量清单。
请注意，在这个过程中，如果要开发一个财务模型的数学模型，其中一部分隐含在图2中（尽管是一个过度简化的版本，因为其他因素也会影响市场份额）。
也就是说，这是一个基本的方程式：利润等于收入减去成本，将在决策树的基础上被扩展。
对于实际的完整财务模型，虽然原则上很简单，但可能有数百个变量，这个时候，采用树形格式，也是表达许多「如果-那么」分支的理想方式。
05
征求无偏见数据的技术
与任何建模活动一样，输出的质量部分取决于输入的质量。团队方法被用来帮助确保通过共识的高质量输入。
在这个过程中，一个关键的成功因素是管理输入会议的协调人，对协调人技术的详细讨论超出了本文的范围。
许多公司都有协调人，他们不需要是技术领域的专家。他们的职能是确保投入是平衡和适当的。
例如，一个对某一参数没有真正了解的主导者可能会试图说服小组相信这个参数具备价值，但实际上它并不具备，所以，协调人的作用是鼓励有专业知识的人参与进来。
另一个例子是，一个营销经理可能会建议，一个提议的新机会将在第一年获得60%的市场份额。
然而，如果该公司的类似产品在第一年就取得了10%的市场份额，那么建议的60%的份额就需要更多的理由。
理想情况下，所有的投入都有某种类型的理由支持，通常使用历史数据，但请注意，这一点同样重要，那就是这种理由要以书面形式记录下来。
这些模型不是孤立的、一次性的事件；它们在项目的整个生命周期中不断地被更新。
新的信息可以改变参数的值，一个好的做法是保留所有的模型版本（结果、输入数据、理由），而不是用新版本覆盖旧版本。
06
进行分析，获得结果
6.1、基准案例
一般来说，要完成一个决策分析模型，并且进行若干分析。
基准案例的结果是在所有参数都保持最可能的值的情况下，通过运行分析实现的。这种分析提供的报告包括在特定时期内的总净现值，如10年和逐年的图表，以及收入、市场份额和成本等变量的表格。
6.2、灵敏度分析
灵敏度分析是为了评估风险而进行的。
单向灵敏度分析的工作方式是计算一个参数的每个值的净现值，同时将所有其他参数固定在它们最可能的（基础）值，在这个过程中，对所有参数都是持续的。
结果按参数的高低值之间显示最大净现值范围的参数进行排序，图3是一个排序结果的例子，显示在一个叫做蝴蝶图的图表中。
图3|蝴蝶图举例
在这个例子中，最上面的一条「上市日期」对盈利能力的风险最大。如果迟来的上市日期而不是早来的上市日期得以实现，盈利能力将减少850万元。
其他每个参数都是按照对盈利能力的风险递减顺序排列的。在图的底部（没有显示所有参数），「销售成本」对盈利能力的风险要低得多。灵敏度分析有助于管理层关注高风险问题。在目前的例子中，决策者可以将更多的资源分配给确保上市日期的实现，而不是降低销售成本。
但请注意，对盈利能力的风险与对盈利能力的影响是不一样的。
因此，一个上市日期可能对盈利能力的风险最高，而平均售价对盈利能力的风险可以忽略不计，只是因为平均售价范围可能非常小。然而，销售价格将始终是盈利能力的一个影响因素。
基于非决策分析的财务模型也可以包含一个灵敏度分析。问题是，这种分析通常是在不使用任何概率的情况下进行的。
人们只是简单地将基本情况下的变量加上或减去一个百分比（通常是10%或20%）。
灵敏度分析就像上述决策分析案例一样进行，不使用概率的问题可以通过再次使用上市日期的例子来说明。
如果使用30个月的上市日期，而且过于乐观，它可能相当于25%的可能性（记住，在一个非决策型模型中，每个参数都有一个单一的值，没有概率）。
从这个30个月的上市日期中取±20%，可以得出24和36个月的日期，在这个假设的例子中，可能与5%和50%的概率有关。这种5~50%的覆盖率将低估上市日期变量的真实风险。
6.3、分布分析
在分布分析中，灵敏度分析中的前三到五个参数被用来计算这些变量的所有可能组合的净现值。
例如，如果选择了四个参数，每个参数有三个级别，那么将计算出81个NPVs，图4是一个分布分析图的例子。
图4|分布分析
NPV的分布与诊断检测参数的分布不同，如病人样本的偏倚。
例如，可以计算许多样品中每个样品的参考偏差，并将结果显示在类似于图4的图表中。该图将显示实际发生的事件，即使像图4这样的图上某个特定点的具体位置是无法预测的，这意味着未来的结果将包含在一个类似的图中。
对于净现值，情况是不同的。
NPVs的分布是基于对未来事件的假设。当实际的净现值事件发生时，它将是一个单一的点，甚至可能不在分布分析中的净现值范围内。
好了，以上就是今天分享的全部内容，如果大家有什么疑问，欢迎在后台给我们留言，或者加入我们一起讨论，若觉得文章不错，也请关注我们，以免错过后续更新~
来源：诊断科学
声明：本平台注明来源的稿件均为转载，仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！
