vše, co potřebujete vědět o scénářích What-If

jednoduše řečeno, analýza scénářů what-if je způsob, jak pochopit, jak změny v jedné věci ovlivňují druhou.

abychom vysvětlili, co to znamená, pojďme rovnou k příkladu.

řekněme, že prodáváte chléb na trhu. Účtujete 2 dolary za bochník chleba a prodáváte 100 bochníků denně. Příkladem toho, co-kdyby analýza by se zeptat: co by se stalo s mými příjmy, kdybych účtoval více za každý bochník chleba?

v jednoduchém případě, kdy objem prodaného chleba nezávisí na ceně chleba, je analýza velmi snadná. Zvýšení ceny za bochník o X% povede k nárůstu prodeje o X%.

ale představme si, že situace je trochu složitější a že množství chleba, který prodáváte, závisí na ceně, kterou účtujete. Možná se pokusíte změnit své cenové hladiny na různé body a všimnete si, že se objeví vzor:

možná jste matematicky nakloněný prodejce chleba, a uvědomíte si, že do svých datových bodů můžete docela pěkně zapadnout rovnici:

výše uvedené nám dává způsob, jak pochopit, jak se objem prodaného chleba vztahuje k ceně za bochník. Nyní, když máme toto porozumění, můžeme se vrátit k naší původní otázce a odpovědět, jak se příjmy mění v závislosti na ceně, kterou účtujete.

můžeme si vybrat několik různých cenových hladin a vypracovat odhad toho, jaké by byly vaše příjmy v každém z těchto různých cenových bodů:

některé z těchto cenových bodů mohou být ty, které jste již testovali, ale krása této analýzy spočívá v tom, že nám také umožňuje odpovědět na otázky týkající se cenových bodů, které jsme netestovali.

a tady to máte. Právě jste provedli základní what-if analýzu, která zkoumá, jak změny v jedné věci (cena chleba) ovlivňují druhou (vaše příjmy).

pokud jste již viděli příklady analýz what-if, mohou vypadat mnohem komplexněji než toto. Ve skutečnosti však, co-pokud všechny analýzy dodržují stejný základní postup:

1. zeptejte se na otázku, jak by změna v A ovlivnila B
2. pochopte, jak A A B souvisejí; obvykle se to provádí vytvořením rovnice, která se týká obou.
3. Vypočítejte nebo vizualizujte hodnoty b pro všechny různé hodnoty A, které Vás zajímají.

jaké jsou výhody analýzy scénářů What-If?

výhody analýzy what-if sahají daleko za výrobu chleba. What-if analýza pomáhá odpovědět na otázky týkající se všech druhů obchodních rozhodnutí:

• mám otevřít nový předpoklad?
• mám změnit svou cenovou strukturu?
• mám spustit marketingovou kampaň?

Všimněte si, že výše uvedené otázky pocházejí z široké škály různých oblastí podnikání. Pokud se podílíte na obchodních rozhodnutích, bez ohledu na vaše zaměření, můžete těžit z budování analýz scénářů what-if.

Jak Sestavujete Scénáře What-If?

podívejme se, jak vytvořit analýzu scénářů what-if ve dvou různých nástrojích; Excel a kauzální.

vytváření analýzy scénářů what-if v aplikaci Excel

Excel obsahuje část nástrojů “what-if”, která uživatelům pomáhá porozumět otázkám, jako jsou otázky uvedené ve výše uvedených sekcích.

nejčastěji používané mezi těmito nástroji je to, co Excel volá Správce scénářů.

Chcete – li použít Správce scénářů, musíte nejprve vytvořit model. To není tak obtížné, jak by to mohlo znít, model je prostě sada vstupů, s výstupem, který je funkcí těchto vstupů.

můžeme například vytvořit model se vstupními cenami prodaného chleba a chleba a výstupem jako výnosem:

cena chleba může být cokoli chcete, prodaný chléb by měl být funkcí ceny chleba a příjmy by měly být poslední dvě čísla vynásobená dohromady.

jakmile to uděláte, můžete pokračovat a otevřít Správce scénářů a vytvářet scénáře kliknutím na ‘ Přidat…’

když vytváříte každý ze svých scénářů, budete chtít:

• dejte mu název, který popisuje povahu scénáře.
• Definujte, jaké jsou měnící se buňky, tj. buňky, jejichž hodnoty se mění mezi scénáři.
• Definujte hodnotu(y) vaší měnící se buňky (Y); tj. jakou hodnotu by měly mít v tomto konkrétním scénáři.

jako příklad jsme vytvořili dva scénáře, ve kterých se chléb prodává za různé ceny:

jakmile vytvoříte scénáře, můžete kliknout na “Zobrazit” a zjistit, jak se liší výstup vašeho modelu (příjmy) mezi definovanými scénáři:

Excel nám účinně říká, jak se naše příjmy liší ve dvou různých scénářích cen chleba, na které jsme se podívali, $2 a $ 3 . Vidíme zde, že naše příjmy jsou vyšší ve scénáři $ 2 ,a tento pohled můžeme použít k informování naší cenové strategie.

Správce scénářů aplikace Excel je dobrým nástrojem pro analýzu modelů, které jsou již postaveny v aplikaci Excel, ale má jednu velkou nevýhodu. Pokud vytváříte složité modely a pohybujete buňkami, může to často narušit vaše scénáře. K tomu dochází, protože měnící se buňky Správce scénářů jsou pevné a nebudou reagovat na změny ve vašem modelu.

budování analýzy scénářů v kauzální

pokud se výše uvedené cítilo trochu neohrabané, pak se nebojte, co-pokud jsou scénáře mnohem snazší stavět v kauzální.

začneme budováním našeho modelu. V kauzální, modely jsou postaveny z proměnných. Začněme tím, že vytvoříme proměnnou cenu chleba a dáme jí hodnotu $2:

pak vytvoříme další proměnnou pro množství prodaného chleba. K tomu použijeme libovolnou rovnici, jejíž výstup klesá s cenou chleba:

vybrali jsme rovnici jen proto, aby odpovídala některým datovým bodům dříve v příspěvku a rychle se snižovala, jak jste zvýšili cenu chleba.

pak, abychom dokončili náš model, můžeme vytvořit proměnnou zvanou výnos, která je produktem dvou existujících proměnných:

teď, když máme náš model, můžeme začít vytvářet naši what-if analýzu.

kauzální umožňuje vytvářet scénáře a měnit libovolné proměnné, které chcete v každém scénáři. Jako příklad, jsem vytvořil $ 3 chléb scénář a změnil cenu chleba proměnné v rámci tohoto scénáře na $ 3 .

abychom pochopili rozdíly mezi našimi scénáři, můžeme vytvořit vizualizace, jako jsou tabulky nebo sloupcové grafy, abychom pochopili, jak se náš výstup (výnosy) mění v závislosti na vstupech (cena chleba):

What-If analýza v kauzální vs Excel

podívali jsme se na dvě různé metody výše, takže teď je čas se zeptat: měli byste použít kauzální nebo Excel pro co-pokud analýzy?

zatímco Excel je běžně používaný nástroj ve většině profesí, kauzální má oproti němu řadu výhod:

• kauzální modely jsou nejen snadno sdílet, ale jsou také interaktivní. Lidé, kteří si prohlížejí vaše modely, mohou změnit vaše vstupy a scénáře a zjistit, jak jejich změny ovlivňují model.
• kauzální modely jsou postaveny spíše na proměnných než na řádcích a sloupcích. Přirozeně máme tendenci myslet z hlediska proměnných, díky čemuž se kauzální rychle učí a snadno se používá.
• kauzální může snadno vysvětlit nejistotu. Možná si nejsme zcela jisti, jak jsou prodeje ovlivněny cenou chleba; kauzální to zvládne tím, že vám umožní vytvořit nejistotu do vašich proměnných:

interaktivní demo

máte zájem dát kauzální šanci? Pohrajte si s níže uvedeným demo modelem a poté klikněte na Použít tuto šablonu a podívejte se, jak je postavena.