zh作者：Zeeshan Mallick
你的 Forecast 不是计划，而是管理层诚实度的测试
Forecast 不是预算、目标或承诺。它应暴露假设、不确定性、领先信号，以及现实变化时管理层将采取的行动。
预测管理创始人ceofp&a战略决策领导力
# 你的 Forecast 不是计划，而是管理层诚实度的测试
**直接答案：** Forecast 不是承诺、预算或激励目标。它是基于假设、证据、不确定性和运营信号，对未来可能发生什么的结构化估计。
当创始人要求一个数字，而团队发现乐观比准确更安全时，Forecast 就变成了表演。表格看起来很精确，业务并不精确。
McKinsey 调查了 130 位 CFO，其中 90 位来自收入低于 2 亿美元的公司，40 位来自收入超过 10 亿美元的公司。调查发现，不到一半的公司会在 Forecast 中使用某一种非财务内部数据；只有 35% 使用外部市场数据；只有 18% 使用天气、交通等额外外部信号。约 40% 的 CFO 表示，他们的 Forecast 不够准确，而且流程耗时过长[1]。
这不只是财务问题，也是管理设计问题。
## Forecast 让诚实变得可衡量
Forecast 表示领导者认为会发生什么。计划表示公司打算做什么。预算分配资源。目标表达雄心。这些是不同的工具。
混淆它们，会产生错误决策。
如果把目标当作 Forecast，董事会就看不到雄心与证据之间的差距。如果把预算当作 Forecast，管理层可能会维护旧假设，而不是响应新信息。如果把计划当作 Forecast，领导者可能隐藏使数字成为现实所需的选择和依赖关系。
一个可以用于决策的 Forecast 必须让假设可见：
* 这个数字要成立，什么必须为真？
* 哪个运营信号会证明它正在发生？
* 合理的结果范围是什么？
* 什么情况会让我们改变判断？
* 如果信号变化，谁负责行动？
没有假设的数字不是精确，而是遮掩。
## 为什么只看财务的 Forecast 会失败
McKinsey 描述了一种常见的失败模式：管理者被要求完成盈利目标，于是找到一两个办法让数字达标。质量、客户留存和运营效率不断恶化。利润表在一段时间内看起来很强，之后业务却陷入低速[1]。
于是 Forecast 可能变成一个自我实现的问题。人们会优化用来评价自己的指标，即使这个指标是滞后的。
收入是滞后的。流失是滞后的。利润率是滞后的。现金是滞后的。
领先信号往往在别处：合格销售管道、激活率、使用率、续约意愿、交付能力、缺陷率、回款天数、招聘周期和供应商可靠性。
只看到财务结果的 CEO，并没有看到业务，只看到了业务延迟后的倒影。
## Forecast 表演与决策级 Forecast
| 问题 | Forecast 表演 | 决策级 Forecast |
|---|---|---|
| 目的 | 为数字辩护 | 改善决策 |
| 数字 | 一个精确点 | 基准、上行和下行范围 |
| 假设 | 藏在模型里 | 写明、分配责任并可复核 |
| 数据 | 主要是财务历史 | 财务、运营和外部信号 |
| 时间跨度 | 静态年度视图 | 滚动更新加场景测试 |
| 激励 | 奖励乐观承诺 | 奖励有用的准确性和早期预警 |
| 偏差 | 失败后解释 | 失败前改变行动 |
| 责任 | 财务拥有文件 | 运营拥有驱动因素，财务负责整合 |
| 质疑 | 政治共识 | 独立挑战和证据 |
| 结果 | 一份报告 | 一个决定、触发器或资源调整 |
## 创始人破坏 Forecast 的四种方式
### 1. 在证据之前要求承诺
“告诉我你能交付什么数字”是目标问题，不是 Forecast 问题。它会迫使团队谈判。应该分开问：“你认为会发生什么？”以及“我们想要实现什么？”两者之间的差距就是管理缺口。
### 2. 奖励乐观，惩罚更新
如果提出风险的人被称为消极，风险数据就会消失。如果错过 Forecast 的管理者比隐藏问题直到季度末的人受到更大惩罚，公司得到的就是沉默，而不是准确性。
哈佛商学院的研究区分了两类偏差：由激励错位和权力造成的有意偏差，以及由信息和流程盲点造成的无意偏差[3]。Forecast 流程必须设计成能够暴露两者。
### 3. 把商业计划当作 Forecast
McKinsey 把这称为回音室：计划被汇总、重复，然后被误认为是对市场的无偏判断[1]。Forecast 应该包含一个基于内部和外部证据的动量情景，并显示计划中的行动会如何改变基准情景。
### 4. 太晚才审查偏差
季度结束后的偏差报告有助于学习，却太晚，无法指导行动。Forecast 应该列出早期指标和触发点。如果合格销售管道跌破阈值，就调整招聘；如果激活率下降，就调整产品计划；如果回款变慢，就调整支出。
没有触发器的 Forecast 只是日记。
## 证据告诉我们如何改善 Forecast
McKinsey 建议使用滚动 Forecast，在条件变化时以可预测的方式更新输入[1]。其研究还指出，使用真实运营数据，有助于在底线问题变大之前发现它们。
McKinsey 报告称，在其引用的供应链案例中，AI Forecast 可以把误差降低 20% 到 50%。一个呼叫中心案例中，方法使业务量预测准确率提高近 10%，成本下降约 10% 到 15%，服务水平提高约 5% 到 10%[2]。这不是购买软件的许可，而是说明当 Forecast 使用更好的信号、测试模型并准备面对不确定性时，Forecast 会变得更有用。
哈佛商学院研究从另一个角度得到相同的管理结论：由独立团队负责 Forecast 流程，可以稳定政治冲突；清晰的角色、信息交换和明确的假设，有助于管理偏差[3]。
## 创始人的 Forecast 操作系统
小公司不需要庞大的 FP&A 部门，但需要纪律。
先建立**动量情景**：如果公司什么都不改变，最可能发生什么？使用内部运营数据和外部市场信号。
再建立**管理情景**：如果公司执行计划，什么会改变？写出每项行动、负责人、时间、依赖关系和预期效果。
加入**情景区间**：如果关键假设错误，结果会怎样？使用基准、下行和上行情景，不要用一个小数点隐藏不确定性。
定义**领先指标**：少数会在财务结果之前变化的周度或月度信号。把每个信号连接到一个决策触发器。
进行**偏差复盘**：比较 Forecast 与实际结果，也比较假设与现实。是价格错了、转化率错了、时间错了，还是负责人延迟了？每种答案都需要不同的行动。
保护**Forecast 独立性**：拥有目标的人不应是唯一控制 Forecast 的人。挑战机制不是不信任，而是对抗盲点。
数据图表。来源：McKinsey、哈佛商学院和哈佛商业评论。
Master Collective 简报
获取关于创始人、资本与战略增长的简明观点。