Esta frase no me pertenece, ni tampoco es de mi rubro. El autor fue George E. P. Box, un estadista británico, que quería hacer énfasis en que los modelos estadísticos buscan llegar a un nivel de precisión exacto sobre el comportamiento humano que es (hoy en día) imposible de alcanzar. Sin embargo, haciendo alusión a la segunda parte de la frase, Box dice que, aunque estos modelos no son exactos, pueden ser bastante útiles para predecir comportamientos generales del estudio en cuestión.
Siguiendo otro análisis parecido sobre los modelos, Milton Friedman, premio Nobel de Economía en 1976, en sus «Ensayos sobre la Economía Positiva», nos dice que lo más importante de un modelo económico no es su contenido o su estructura lógica, sino la capacidad predictiva del mismo, y que los mejores modelos son los que predicen con mayor efectividad, sin fijarse tanto en sus componentes.
¿Cómo podemos llevar esto al mundo del Investment Banking?
En el mundo corporativo solemos usar diferentes modelos sobre los diferentes rubros y sectores que existen. El modelo de una agencia de Marketing Digital no será ni en lo más parecido al de una constructora, y el de esta última tampoco será parecido al de una empresa de consumo masivo.
Cada modelo tendrá un objetivo distinto, pero en general, se los utiliza para entender el pasado y poder predecir la dinámica (muy importante esto último ya que son modelos que transcurren en el tiempo) del negocio en cuestión y como puede dar distintos resultados antes variaciones o shocks internos o externos.
Ahora, ¿Qué tan relevante es el detalle en un modelo financiero?
Cuando hacemos una valoración utilizando el DCF (Discounted Cash Flow, el estilo de valuación con mayor consenso en el mundo), lo que nos importa es la generación de caja, para después descontarla al presente y saber cuánto puede valer la empresa que estamos analizando.
Es fundamental que uno entienda que no puede hacer un modelo demasiado simplista donde proyecta sin mucho esfuerzo los ingresos, los gastos, el working capital y capex para encontrarse con un número que le guste más o menos. Es importante ponerles mucha atención a las líneas con mayor relevancia en el negocio y en la valuación.
A su vez, puede ser hasta contraproducente tener modelado hasta el más mínimo detalle. En un principio suena fantástico tener absolutamente todo controlado, pero suele requiere mucho tiempo y es probable que uno no lo tenga debido a circunstancias de donde uno trabaja. Por ejemplo, «necesito la valoración para dentro de un mes ya que tenemos una oferta por nuestro cliente». En una situación así uno no puede desaprovechar el tiempo. Además, es claramente más difícil de manejar, en el caso de un shock que afecta completamente los planes del negocio (podemos tomar de referencia la nueva política arancelaria de los Estados Unidos). Muchas empresas seguro que deben tomar decisiones al respecto y un modelo demasiado complejo puede no servirles para entender los efectos del shock debido a como está estructurado y lo tedioso que puede ser cambiar todas las variables nuevamente. En conclusión, terminan armando uno nuevo porque les resulta más fácil que cambiar el que ya tienen.
Con todo esto no quiero decir que hay que simplificar todo al máximo ni mucho menos, yo en lo personal soy bastante fan de manejar muchas variables en simultáneo, pero conozco sus limitaciones. Al fin y al cabo, el objetivo de los modelos es predecir para así tomar las mejores decisiones. Entonces, lo conveniente no es tener ni un modelo demasiado simplificado ni uno demasiado detallado. Lo ideal es tener un modelo (en este caso financiero) que refleje los flujos más relevantes del negocio, que sea moldeable a cambios futuros (tanto externos como internos) y que prediga con efectividad.
Me gusta siempre quedarme con un concepto que aprendí en estadística llamado «Principio de Parsimonia», que nos dice que ante dos modelos que predigan con la misma exactitud, uno debe quedarse con el más simple.
