Praktyczne zastosowanie metod statystycznych w prognozowaniu finansowym na przykładzie Grupy Kapitałowej Cyfrowy Polsat S.A.

Transkrypt

1 Praktyczne zastosowanie metod statystycznych w prognozowaniu finansowym na przykładzie Grupy Kapitałowej Cyfrowy Polsat S.A.

2 Niepewność w procesie prognozowania Przygotowanie budżetu lub okresowej prognozy finansowej obaczone jest niepewnością co do kształtowania się w przyszłości określonych wielkości lub zdarzeń gospodarczych Ponieważ przyszłość nie jest znana, konieczne jest zaprognozowanie przyszłych zdarzeń, które wydają się najbardziej prawdopodobne Menedżerowie odpowiedzialni za planowanie oraz zespół controllingu finansowego mają do dyspozycji wiele metod planowania, przy czym trudno jest wskazać tę jedną najlepszą Praktyka podpowiada, iż należy wybrać metodę planowania, która w danych okolicznościach wydaje się najbardziej odpowiednia i uwzględnia m.in.: - czynniki wewnętrzne, na które menedżerowie mają wpływ i mogą je kształtować - czynniki zewnętrzne, na które menedżerowie nie mają wpływu, lub jest on ograniczony - dostępność oraz jakość informacji i danych historycznych - czasochłonność oraz koszty przygotowania prognozy - wpływ jaki ewentualny błąd prognozy będzie miał na sytuację biznesową i finansową przedsiębiorstwa Niezależnie od wybranej metody, rzeczywistość zawsze okaże się inna niż pierwotnie zakładano. Niemiej jednak przygotowując dokładną(rzetelnie) prognozę może się okazać, iż błąd w planowaniu jest niewielki 2

3 Cel prezentacji Celem prezentacji jest przedstawienie praktycznego wykorzystania jednej z technik planowania finansowego: metody statystycznej analizy szeregów czasowych W celu prezentacji techniki planowania, konsultant MDDP zbudował model regresji w oparciu o rzeczywiste dane operacyjno finansowe opublikowane przez Grupę Kapitałową Cyfrowy Polsat S.A. Analiza, wnioski oraz komentarze zawarte w niniejszej prezentacji przedstawiają wyłącznie opinię konsultanta MDDP 3

4 Wybór metody prognozowania - scenariusz biznesowy* (1/3) Grupa Kapitałowa Cyfrowy Polsat S.A.( Grupa ) jest wiodącą grupą medialną w Polsce W skład Grupy wchodzi m.in. Cyfrowy Polsat największa w Polsce i czwarta do wielkości w Europie platforma satelitarna, posiadająca ok. 3,57 miliona Jednymi z kluczowych miar wykorzystywanych przez menedżerów Grupy, a także analityków i inwestorów do oceny wyników operacyjnych i finansowych Grupy są: - baza płatnej telewizji cyfrowej, oraz - średni przychód na abonenta( ARPU ) Grupie może zależeć na jednoczesnym osiągnięciu dwóch celów tj.: - przynajmniej stabilnego, a optymalnie- rosnącego, poziomu bazy usług płatnej telewizji cyfrowej, oraz - rosnącego trendu ARPU - dzięki czemu przychody, EBITDA oraz przepływy gotówkowe z działalności operacyjnej (przy innych zmiennych na poziomie stałym) będą rosły Można więc założyć, iż dwa wspomniane powyżej KPI są jednymi z najważniejszych założeń budżetowych, a do ich planowania Grupa wykorzystuje zaawansowane techniki planistyczne * Informacje dotyczące danych operacyjnych i finansowych Grupy pochodzą ze strony internetowej: 4

5 Wybór metody prognozowania - scenariusz biznesowy* (2/3) Menedżerowie mogą wykonać szereg analiz w celu dokładnego zrozumienia zachowań oraz opracowania polityki cenowej i produktowej, tak aby wiarygodnie zaplanować wielkości bazy abonenckiej i ARPU w przyszłości Po przeprowadzeniu analiz, każdemu z poniżej opisanych parametrów mogą zostać przypisane wartości składające się finalnie na założenia modelu budżetowego Grupy Baza abonencka Segmentacja bazy abonenckiej Długość okresów minimalnych Polityka utrzymaniowa sezonowość Wskaźnik odejść - sezonowość Rekrutacja nowych sezonowość Oferta konkurencji inne platformy cyfrowe, operatorzy kablowi Oferta programowa Grupy ARPU Segmentacja bazy abonenckiej Podwyżka cen dla określonych grup Dosprzedaż nowych usług Migracja do wyższych pakietów, np. premium Migracja pomiędzy platformami Oferta konkurencji inne platformy cyfrowe, operatorzy kablowi Oferta programowa Grupy Alternatywą dla szczegółowej, czasochłonnej analizy oraz budowy kompleksowego modelu budżetowego może być zastosowanie statystycznych metod prognozowania analizy szeregów czasowych, które wykorzystują dane historyczne w celu prognozowania przyszłych wartości * Informacje dotyczące danych operacyjnych i finansowych Grupy pochodzą ze strony internetowej: 5

6 Wybór metody prognozowania - scenariusz biznesowy* (3/3) Załóżmy, że w 3 kwartałach 2013 roku tj. 1Q 13, 2Q 13 oraz 3Q 13 Grupa chce zaprognozować: - wielkość średniej liczby (ilość) - wartość średniego miesięcznego przychodu na abonenta(pln) - łączny kwartalny przychód z tytułu opłat abonamentowych DTH(tys. PLN) Załóżmy, że w procesie budżetowania Grupa wykorzysta model statystyczny, opierający się na 16 historycznych obserwacjach Nr Kwartał Średnia liczba ** Średnie ARPU*** Średnia liczba Średnie ARPU 41,0 1 Q1' ,9 2 Q2' ,3 3 Q3' ,3 4 Q4' ,7 5 Q1' ,1 6 Q2' ,6 7 Q3' ,5 8 Q4' ,0 9 Q1' ,8 10 Q2' ,3 11 Q3' ,8 12 Q4' ,3 13 Q1' ,5 14 Q2' ,8 15 Q3' ,5 16 Q4' , Q1'09 Q2'09 Q3'09 Q4'09 Q1'10 Q2'10 Q3'10 Q4'10 Q1'11 Q2'11 Q3'11 Q4'11 Q1'12 Q2'12 Q3'12 Q4'12 Średnia liczba ** Średnie ARPU*** 40,0 39,0 38,0 37,0 36,0 35,0 34,0 33,0 32,0 31,0 * Informacje dotyczące danych operacyjnych i finansowych Grupy pochodzą ze strony internetowej: ** liczona jako suma średniej liczby w każdym miesiącu okresu podzielona przez liczbę miesięcy w okresie; średnia liczba w miesiącu wyznaczana jest według formuły[(liczba na koniec miesiąca + liczba na początek miesiąca)/2] *** liczony poprzez podzielenie przychodów z tytułu opłat abonamentowych DTH rozpoznanych zgodnie z MSSF w danym okresie przez średnią liczbę w danym okresie i przez liczbę miesięcy w danym okresie 6

7 Metoda statystyczna - wstęp! Kolejne slajdy prezentacji przedstawiają w sposób ogólny wykorzystanie metod statystycznych w prognozowaniu. Ze względu na przyjęte uproszczenia, dalszą analizę należy traktować jedynie jako materiał poglądowy nie zawierajacy wielu istotnych kryteriów służących do budowy oraz do oceny jakości modelu regresji. Decydując się na statystyczną metodę prognozowania należy pamiętać, iż: - estymując wielkości, metoda ta opiera się wyłącznie na danych historycznych np. serii czasowych miesięcznych, kwartalnych, charakteryzujących się pewnym schematem powtarzalności - w prognozie badany jest związek (zależność) pomiędzy wielkościami danych, jednakże nie jest implikowana żadna zależność przyczynowo skutkowa - w istocie metoda ta pomija wpływ różnych czynników wewnętrznych i zewnętrznych na prognozowane wartości Metoda statystyczna pozwala na zbudowanie modelu regresji tj. funkcji opisującej zależność zmiennej objaśnianej od zmiennej objaśniającej; dla określonego zbioru informacji model regresji znajduje więc linię najlepszego dopasowania W analizowanym scenariuszu biznesowym: - zmienną objaśniającą jest okres tj. kwartał - zmienną objaśnianą są odpowiednio: średnia liczba oraz średnie ARPU - wykres przedstawiony na slajdzie nr. 5 sugeruje liniowy stopień zależności dla średniego ARPU oraz wykładniczy stopień zależności dla średniej liczby 7

8 Metoda statystyczna Analysis ToolPak Do budowy modelu regresji liniowej można wykorzystać standardową funkcjonalność tzw. Analysis ToolPak, jaką oferuje MS Excel. Jest ona dostępna po uruchomieniu Opcje programu Excel, Dodatki, a następnie Analysis ToolPak Analiza regresji pozwala na natychmiastowe stworzenie modelu regresji liniowej o następujących parametrach Średnia liczba Średnie ARPU Średnia liczba Średnie ARPU Statystyki regresji Równanie liniowe: y = a * x + b Wielokrotność R 0,93 0,96 R kwadrat 0,86 0,91 a ,4 Dopasowany R kwadrat 0,85 0,91 Błąd standardowy ,6 b ,7 Obserwacje

9 Metoda statystyczna trend średniej liczby (1/2) Statystyka regresji liniowej dla średniej liczby pokazuje, iż duża część zmienności rzeczywistych danych od ich średniej wartości jest wyjaśniana przez model regresji liniowej Obliczenia przedstawione w poniższej tabeli oraz graficzna prezentacja rezultatów sugerują jednak nie liniową, lecz np. wykładniczą zależność danych dane historyczne model regresji: y = * x Nr Kwartał Średnia liczba Trend - równanie liniowe liczba % A B C = B - A C / A 1 Q1' ,9% 2 Q2' ,2% 3 Q3' ,0% 4 Q4' ,4% 5 Q1' ,6% 6 Q2' ,3% 7 Q3' ,6% 8 Q4' ,6% 9 Q1' ,3% 10 Q2' ,9% 11 Q3' ,0% 12 Q4' ,3% 13 Q1' ,6% 14 Q2' ,4% 15 Q3' ,1% 16 Q4' ,8% Średnia liczba Q1'09 Q2'09 Q3'09 Q4'09 Q1'10 Q2'10 Q3'10 Q4'10 Q1'11 Q2'11 Q3'11 Q4'11 Q1'12 Q2'12 Q3'12 Q4'12 Średnia liczba Prognoza - równanie liniowe 9

10 Metoda statystyczna trend średniej liczby (2/2) Zbudowanie modelu regresji wykładniczej dla średniej liczby pokazuje dużo większy poziom dopasowania linii trendu do danych historycznych dane historyczne równanie kwadratowe: y = * x * x Nr Kwartał Średnia liczba Trend - równanie kwadratowe liczba % A B C = B - A C / A 1 Q1' ,0% 2 Q2' ,7% 3 Q3' ,5% 4 Q4' ,6% 5 Q1' ,3% 6 Q2' ,1% 7 Q3' ,2% 8 Q4' ,4% 9 Q1' ,4% 10 Q2' ,3% 11 Q3' ,1% 12 Q4' ,0% 13 Q1' ,5% 14 Q2' ,2% 15 Q3' ,3% 16 Q4' ,1% Średnia liczba Q1'09 Q2'09 Q3'09 Q4'09 Q1'10 Q2'10 Q3'10 Q4'10 Q1'11 Q2'11 Q3'11 Q4'11 Q1'12 Q2'12 Q3'12 Q4'12 Średnia liczba Prognoza - równanie liniowe Prognoza - równanie kwadratowe 10

11 Metoda statystyczna trend średniego ARPU Statystyka regresji liniowej dla średniego ARPU pokazuje, iż większość zmienności rzeczywistych danych od ich średniej wartości jest wyjaśniana przez model regresji liniowej. Linia trendu jest dobrze dopasowana do danych historycznych dane historyczne model regresji: y = 0,4 * x + 32,7 Kwartał Średnie ARPU Korekta ARPU * Skorygowane średnie ARPU Trend - równanie liniowe ARPU % A B C = A / (1+B) D E = D - C E / C Q1'09 34,9 1,5% 34,4 33,2-1,2-3,5% Q2'09 34,3 1,5% 33,8 33,6-0,2-0,6% Q3'09 34,3 1,5% 33,8 34,0 0,2 0,7% Q4'09 34,7 1,5% 34,2 34,4 0,3 0,7% Q1'10 36,1 1,5% 35,6 34,9-0,7-2,0% Q2'10 35,6 1,5% 35,1 35,3 0,2 0,6% Q3'10 35,5 1,5% 35,0 35,7 0,7 2,1% Q4'10 36,0 1,5% 35,5 36,1 0,7 1,9% Q1'11 36,8 1,5% 36,3 36,6 0,3 0,8% Q2'11 36,3 1,5% 35,8 37,0 1,2 3,4% Q3'11 37,8 1,5% 37,2 37,4 0,2 0,4% Q4'11 38,3 1,5% 37,7 37,8 0,1 0,2% Q1'12 38,5 0,0% 38,5 38,2-0,3-0,7% Q2'12 38,8 0,0% 38,8 38,7-0,1-0,3% Q3'12 39,5 0,0% 39,5 39,1-0,4-1,0% Q4'12 40,4 0,0% 40,4 39,5-0,9-2,2% 42,0 41,0 40,0 39,0 38,0 37,0 36,0 35,0 34,0 33,0 32,0 Skorygowane średnie ARPU Q1'09 Q2'09 Q3'09 Q4'09 Q1'10 Q2'10 Q3'10 Q4'10 Q1'11 Q2'11 Q3'11 Q4'11 Q1'12 Q2'12 Q3'12 Q4'12 Skorygowane średnie ARPU Trend - równanie liniowe * W komentarzach do danych operacyjnych Grupa podała następującą informację: Zgodnie z zapisami MSR 18, Grupa od początku 2012 roku rozpoznaje niższe przychody z kar umownych od klientów z tytułu rozwiązania umów na podstawie zmiany szacunków księgowych dotyczących rozpoznawania i odzyskiwalności tych przychodów. Niniejsza zmiana szacunków nie ma istotnego przełożenia na wyniki Grupy, ponieważ równocześnie Grupa zakłada odpowiednio niższy odpis aktualizujący wartość należności, powoduje natomiast niewielki spadek wskaźnika ARPU, zachowując jednak jego stabilny trend wzrostowy. W opinii Zarządu, takie podejście precyzyjniej oddaje stan i kondycję biznesu i jest bardziej transparentne dla otoczenia rynkowego. W związku z powyższym, w celu zachowania porównywalności analizowanych danych do budowy modelu regresji, dokonano subiektywnej korekty ARPU za lata , przyjmując definicję niewielkiego spadku w wysokości 1,5%. 11

12 Metoda statystyczna wyniki prognozy Opisane na poprzednich slajdach modele regresji wykorzystano do zaprognozowania średniej liczby orazśredniegoarpuw3kwartałach2013rokutj.1q 13,2Q 13oraz3Q 13;odpowiedniookres17,18i19 Poniższe tabele przedstawiają porównanie wielkości prognozowanych z wielkościami faktycznie zaraportowanymi przez Grupę Dane rzeczywiste Prognoza - abonenci Prognoza - abonenci Prognoza - ARPU Nr Kwartał Średnia liczba Średnie ARPU Prognoza - równanie liniowe liczba % Prognoza - równanie kwadratowe liczba % Prognoza - równanie liniowe PLN % A B C D = C - A D / A E F = E - A F / A G H = G - B H / B 17 Q1' , ,9% ,9% 39,9-0,4-0,9% 18 Q2' , ,1% ,1% 40,4 0,3 0,6% 19 Q3' , ,2% ,7% 40,8 0,1 0,2% Q1'13 Q2'13 Q3'13 Razem tys. PLN tys. PLN tys. PLN tys. PLN Rzeczywiste przychody * Szacunek przychodów ** odchylenie - tys. PLN odchylenie -% 4,9% 7,8% 9,4% 7,4% Szacunek przychodów *** odchylenie - tys. PLN odchylenie -% -1,8% -1,5% -2,6% -2,0%! Wykorzystując 2 odmienne modele statystyczne (tj. równanie liniowe i kwadratowe) uzyskano błąd w szacunku danych rzeczywistych w wysokości odpowiednio 7,4% oraz (2)% * obliczone jako iloczyn: [średnia liczba * średnie ARPU * 3] / 1000 ** średnia liczba prognozowana przy pomocy równania liniowego *** średnia liczba prognozowana przy pomocy równania kwadratowego 12

13 Metoda statystyczna podsumowanie Metody statystyczne są jednymi z wielu dostępnych technik budżetowania, a budowane w oparciu o nie modele mogą w bardziej lub mniej uproszczony sposób objaśniać skomplikowaną rzeczywistość Wydajesięjednak,iżmodeletepowinnybyćstosowaneprzypełnymzrozumieniuichzaletiograniczeń,wtympo: - wszechstronnej analizie założeń modelu i odpowiednim doborze liczby obserwacji - analizie związków pomiędzy analizowanymi(wybranymi) zmiennymi - uwzględnieniu wahań sezonowych i/lub losowych Niektóre modele regresji wykorzystujące czas (np. kwartał) jako zmienną niezależną, służą do prognozowania danych w przyszłości Należy jednak pamiętać, że linia najlepszego dopasowania pomiędzy określonym zbiorem danych obowiązuje jedynie w zakresie danych, które były wykorzystane do jej określenia - nie ma żadnej pewności, iż trend będzie utrzymany poza pierwotnym zakresem danych 13

14 MDDP Business Consulting kluczowe obszary kompetencji Restrukturyzacja redukcja kosztów Optymalizacja procesów biznesowych Key Performance Indicators (Balance ScoreCard) Projektowanie struktur organizacyjnych Warsztaty strategiczne Planowanie i budżetowanie Raportowanie zarządcze dla Grup Kapitałowych Konsolidacja sprawozdań finansowych Zarządzanie projektami metodologia Outsourcing menedżerów projektów Narzędzia IT wspierające zarządzanie projektami Wsparcie w transakcjach kapitałowych i pozyskiwaniu kapitału (Due Diligence, wyceny wartości) Doradztwo w sporach Audyt wewnętrzny Zarządzanie ryzykiem i SOX POPRAWA EFEKTYWNOŚCI PLANOWANIE, RAPORTOWANIE I KONSOLIDACJA ZARZĄDZANIE PROJEKTAMI DEDYKOWANE ROZWIĄZANIA INFORMATYCZNE DORADZTWO TRANSAKCYJNE I ZARZĄDZANIE RYZYKIEM 14

15 Michał Szczypiński