Essa frase não é minha, tampouco pertence à minha área. O autor foi George E. P. Box, um estatístico britânico que queria enfatizar que os modelos estatísticos buscam atingir um nível de precisão sobre o comportamento humano que (ainda) é impossível de alcançar. No entanto, fazendo alusão à segunda parte da citação, Box afirma que, embora esses modelos não sejam exatos, podem ser bastante úteis para prever comportamentos gerais do objeto de estudo.
Seguindo outra análise semelhante sobre modelos, em “Essays on Positive Economics”, Milton Friedman, vencedor do Prêmio Nobel de Economia em 1976, nos diz que o mais importante em um modelo econômico não é seu conteúdo nem sua estrutura lógica, mas sim sua capacidade preditiva. Ele acredita que os melhores modelos são aqueles que mais acertam em suas previsões, sem se prender tanto aos seus componentes.
Como podemos aplicar isso ao mundo do Investment Banking?
No mundo corporativo, tendemos a utilizar diferentes modelos para diferentes setores e indústrias. O modelo de uma agência de marketing digital não será nem remotamente parecido com o de uma construtora — e este, por sua vez, também será bem diferente do de uma empresa de bens de consumo.
Cada modelo terá um objetivo distinto, mas em geral, eles são utilizados para compreender o passado e prever a dinâmica do negócio em questão (sendo essa última parte muito importante, pois os modelos evoluem com o tempo) e como ele pode reagir a variações ou choques, internos ou externos.
Mas afinal, qual a relevância do nível de detalhe em um modelo financeiro?
Quando fazemos uma avaliação utilizando o DCF (Fluxo de Caixa Descontado) — o método de valuation com maior consenso no mundo — o que importa é a geração de caixa, para que possamos descontá-la a valor presente e determinar quanto pode valer a empresa analisada.
É essencial entender que não se pode criar um modelo excessivamente simplificado, que projeta receitas, despesas, capital de giro e capex de forma superficial para chegar a um número que “parece bom”. É importante prestar atenção nas linhas de negócio mais relevantes e na lógica da avaliação.
Ao mesmo tempo, ter todos os detalhes modelados pode ser contraproducente. A princípio, parece ótimo ter tudo sob controle, mas geralmente é algo que consome muito tempo — e você provavelmente não terá tempo suficiente devido às circunstâncias do ambiente de trabalho. Por exemplo: “Preciso da avaliação em um mês porque temos uma oferta de um cliente.”
Em uma situação assim, não dá para desperdiçar tempo. Além disso, um modelo muito complexo é mais difícil de ajustar em caso de um choque que afete todo o planejamento do negócio (como, por exemplo, a nova política tarifária dos EUA). Muitas empresas certamente terão que tomar decisões a respeito disso, e um modelo muito detalhado pode não ajudar a entender os efeitos do choque por conta da sua estrutura e da dificuldade de alterar todas as variáveis. No fim, acaba sendo mais fácil criar um novo modelo do que ajustar o anterior.
Considerando tudo isso, não quero dizer que devemos simplificar tudo ao máximo — longe disso. Pessoalmente, sou fã da gestão de múltiplas variáveis ao mesmo tempo, mas conheço suas limitações. Afinal, o objetivo dos modelos é prever para que possamos tomar as melhores decisões. Portanto, não é recomendável nem um modelo excessivamente simples nem um excessivamente detalhado. O ideal é ter um modelo (financeiro, neste caso) que reflita os fluxos mais relevantes do negócio, que seja adaptável a mudanças futuras (externas e internas) e que tenha boa capacidade preditiva.
Gosto sempre de lembrar um conceito que aprendi em estatística chamado Princípio da Parcimônia, que diz que, diante de dois modelos com a mesma acurácia preditiva, deve-se escolher o mais simples.
