Finansinių prognozių sudarymas

Anotacija#

Šis skyrius užima centrinę poziciją knygos architektūroje — jis yra tiltas tarp diagnostikos ir vertinimo. 9 skyrius parodė, kaip analizuoti istorinę finansinę būklę: ROIC dekompoziciją, pinigų konversijos ciklą, pelno kokybę ir laisvuosius pinigų srautus. 11 skyrius apibrėžė, kiek kainuoja kapitalas — svertinę vidutinę kapitalo kainą (angl. Weighted Average Cost of Capital, WACC), kuri tampa minimalia grąžos riba. Tačiau abu šie skyriai žvelgia atgal arba fiksuoja dabartinę situaciją. 12 skyrius žvelgia pirmyn: jis atsako į klausimą, kaip sistemiškai, ekonomiškai pagrįstai ir vidiniškai darniai prognozuoti pajamas, sąnaudas ir pinigų srautus, kad 13 skyriaus DCF vertinimas turėtų patikimą įvestį.

Skyriaus teorinė dalis pradedama nuo prognozavimo epistemologijos: kodėl prognozės yra būtinos, nors pagal apibrėžimą netikslios, ir kaip Makridakio M1–M5 konkursai (1982–2022) pakeitė mūsų supratimą apie prognozavimo modelių tikslumą. Toliau analizuojami pajamų prognozavimo metodai — nuo istorinio CAGR iki fundamentalaus augimo ($g = ROIC \times b$), rinkos dydžio (TAM/SAM/SOM) ir SaaS kohortų modelių. Sąnaudų ir maržų prognozavimas grindžiamas konkurencinio nykimo (angl. competitive fade) koncepcija: ilgainiui ROIC konverguoja prie WACC, maržos — prie sektoriaus vidurkio, augimas — prie BVP augimo. Apyvartinio kapitalo ir kapitalo išlaidų prognozavimas siejamas su 9 skyriaus CCC diagnostika, o terminalinės vertės prielaidos — su fundamentalia konvergencijos logika.

Kritinėje dalyje analizuojami prognozavimo šališkumai — optimizmo šališkumas, inkaravimas, planavimo klaida (angl. planning fallacy) — ir jų koregavimo priemonės: scenarijų analizė, Monte Carlo simuliacija, retrospektyvinė tikslumą matuojanti MAPE metrika. Formulių ir analitinių modelių dalyje pateikiamos dešimt pagrindinių 12 skyriaus formulių su LaTeX notacija, kintamųjų aprašymu ir skaitiniais pavyzdžiais Lietuvos parametrais. Atvejų analizėje — trys skirtingos situacijos: Lietuvos gamybos MVĮ penkerių metų prognozė su pilnu FCF modeliu, SaaS startuolio augimo trajektorija per MRR ir kohortų logiką, ir ciklinio statybų verslo scenarijų analizė ECB palūkanų ciklo kontekste. Skyriaus medžiaga yra tiesioginis metodologinis pagrindas 13 skyriaus DCF vertinimui ir 14 skyriaus specialiems vertinimo atvejams.

Mokymosi rezultatai#

Baigę šį skyrių studentai gebės:

1. Atpažinti pagrindinius finansinių prognozių metodus — CAGR, fundamentalų augimą ($g = ROIC \times b$), TAM/SAM/SOM ir SaaS kohortų modelį — ir nurodyti, kuriam verslo modeliui kiekvienas labiausiai tinka.
2. Paaiškinti terminalinės vertės svorio ir prognozavimo horizonto ilgio ryšį bei kodėl ilgalaikio augimo tempas $g_{TV}$ negali viršyti nominalaus BVP augimo.
3. Apskaičiuoti penkerių metų FCF prognozę pagal formulę (12.4), naudojant apyvartumo rodiklius (DSO, DIO, DPO) apyvartiniam kapitalui ir atskiriant palaikymo bei augimo CapEx komponentus.
4. Analizuoti prognozavimo šališkumus — optimizmo šališkumą, inkaravimą ir planavimo klaidą — ir paaiškinti jų sistemingą poveikį DCF vertės pervertinimui.
5. Įvertinti scenarijų analizės, Monte Carlo simuliacijos ir jautrumo analizės prielaidas bei nurodyti, kokiomis verslo sąlygomis kuris metodas yra informatyviai vertingesnis.
6. Sukurti integruotą trijų ataskaitų Excel modelį su 5 metų FCF projekcija, terminaline verte (Gordon ir Exit Multiple) ir jautrumo analize pagal §12.5 instrukciją.

12.1 Teorinė dalis#

12.1.1 Istorinis ir konceptualus kontekstas#

Prognozavimo paradoksas ir jo sprendimas#

Finansinis prognozavimas susiduria su fundamentalia epistemologine dilema: DCF vertinimas reikalauja konkrečių skaitinių prognozių apie būsimus pinigų srautus, tačiau tikslus ateities numatymas yra neįmanomas. Šis paradoksas nėra naujas — jis slypi pačioje diskontuotų pinigų srautų logikoje nuo pat Johno Burro Williamso (Williams, 1938) laikų. Williamso formuluotė, kad akcijos vertė lygi visų būsimų dividendų dabartinei vertei, implicitiškai reikalauja žinoti tai, ko žinoti neįmanoma: kokios bus pajamos, sąnaudos ir investicijos ateinančius dešimtmečius.

Sprendimas šiam paradoksui yra ne tikslesnių prognozių ieškojimas, o požiūrio keitimas. Kaip teigia Damodaran (2012): prognozavimo tikslas nėra „atspėti ateitį”, o sukurti nuoseklų, vidiniškai darnų finansinį modelį, kurio prielaidų jautrumą galima sistemingai analizuoti. Gera prognozė skiriasi nuo blogos ne tikslumu ex post, o prielaidų aiškumu, ekonomine logika ir vidinės darnos reikalavimu ex ante. Tai reiškia, kad prognozė yra ne skaičių rinkinys, o struktūruota prielaidų sistema — ir kiekviena prielaida turi turėti pagrindimą.

Nuo subjektyvių vertinimų iki struktūruotų modelių#

Finansinio prognozavimo istorija atspindi platesnę ekonomikos mokslo evoliuciją nuo intuityvių vertinimų prie kiekybinių modelių. Ankstyvuosiuose XX a. dešimtmečiuose vertintojai prognozuodavo pajamas remdamiesi subjektyvia patirtimi ir kokybiniais vertinimais — industrijos žinovai darydavo „ekspertines prognozes”, kurios buvo daugiau menas nei mokslas. Sistemingas kiekybinis prognozavimas prasidėjo su Box-Jenkins ARIMA modeliais (Box & Jenkins, 1970), kurie formalizavo laiko eilučių analizę ir leido statistiškai modeliuoti praeities duomenų struktūrą. Eksponentinis išlyginimas (Brown, 1959; Holt, 1957; Winters, 1960) pasiūlė paprastesnius, bet dažnai ne mažiau efektyvius metodus.

Tačiau lūžinis momentas prognozavimo epistemologijoje atėjo ne iš metodologijos tobulėjimo, o iš empirinio patikrinimo — Makridakio prognozavimo konkursų serijos.

Makridakis konkursai: empirinė prognozavimo revoliucija (1982–2022)#

Spyros Makridakis 1982 m. inicijavo pirmąjį sisteminį prognozavimo metodų palyginimą — M1 konkursą (angl. Makridakis Competition), kuriame 1 001 laiko eilutė buvo prognozuojama daugiau nei 15 skirtingų metodų (Makridakis et al., 1982). Rezultatas buvo netikėtas ir provokuojantis: sudėtingi ekonometriniai modeliai (ARIMA ir jo modifikacijos) dažnai pralaimėdavo paprasčiausiems metodams — slankiajam vidurkiui ir eksponentiniam išlyginimui. Ši išvada sukėlė akademinę kontroversiją, nes prieštaravo intuicijai, kad sudėtingesnis modelis turi būti tikslesnis.

M3 konkursas (Makridakis & Hibon, 2000) su 3 003 laiko eilutėmis patvirtino ankstesnius radinimus ir pridėjo naują dimensiją: kombinuotos prognozės (kelių metodų vidurkiai) nuosekliai viršijo pavienius metodus. Tai buvo svarbus radinys, turintis tiesioginę praktinę reikšmę: vertintojas, sudarantis DCF modelį, turėtų naudoti ne vieną pajamų augimo prognozavimo metodą, o kelis, ir palyginti jų rezultatus.

M4 konkursas (Makridakis, Spiliotis & Assimakopoulos, 2020) su 100 000 eilučių buvo pirmasis, kuriame mašininio mokymosi (angl. machine learning, ML) metodai tapo konkurencingi. Laimėtojas — Slawek Smyl iš Uber — panaudojo hibridinį modelį, kombinuojantį eksponentinį išlyginimą su rekurentiniais neuroniniais tinklais (angl. Recurrent Neural Networks, RNN). M5 konkursas (2020–2022), jau orientuotas į hierarchinį pardavimų prognozavimą, parodė, kad ML metodai dominuoja — bet tik turint daug istorinių duomenų ir struktūruotą informaciją. Finansinėse prognozėse, kur turime vos 5–10 metų istorijos taškų ir kur verslo logika yra kritinė, gryni statistiniai modeliai lieka nepakankami — reikalingas hibridinis požiūris, derinantis statistinę bazę su ekonomine logika ir sektoriaus žiniomis.

Pedagoginė pamoka iš M konkursų: studentai, mokydamiesi finansinio modeliavimo, dažnai mano, kad sudėtingesnis modelis yra geresnis. M konkursai empiriškai parodė priešingai — pernelyg sudėtingas modelis „persitaiko” (angl. overfits) prie istorinių duomenų ir prastai prognozuoja naujus laikotarpius. DCF kontekste tai reiškia: paprastas modelis su aiškiomis prielaidomis ir jautrumo analize yra vertingesnis nei sudėtingas modelis su daugybe paslėptų prielaidų.

Top-down ir bottom-up: du prognozavimo keliai#

Prognozavimo praktikoje išsikristalizavo du fundamentalūs požiūriai, kurių pasirinkimas priklauso nuo verslo tipo ir duomenų prieinamumo.

Top-down (viršaus-apačios) požiūris pradeda nuo makroekonominių veiksnių — BVP augimo, infliacijos, sektoriaus tendencijų — ir laipsniškai siaurėja iki konkrečios įmonės rinkos dalies. Šis kelias natūralus ciklinėms, eksporto orientuotoms įmonėms, kurių pajamos stipriai koreliuoja su ekonominiu ciklu. Lietuvos gamybos sektoriaus atveju (eksportas sudaro ~60 % pridėtinės vertės) top-down logika reikalauja pradėti nuo ES paklausos prognozės, nes Lietuvos gamintojų pajamos tiesiogiai priklauso nuo Skandinavijos ir Vokietijos rinkų būklės.

Bottom-up (apačios-viršaus) požiūris remiasi detaliais operaciniais duomenimis: klientų skaičiumi, produktų kainomis, pajėgumais, pardavimo kanalais. Šis kelias tinkamesnis technologijų, paslaugų ir mažmeninės prekybos verslams, kur pajamos formuojamos iš daugelio smulkių sandorių. SaaS (angl. Software as a Service) verslams bottom-up logika remiasi mėnesinių pajamų (angl. Monthly Recurring Revenue, MRR) dinamika, klientų išlaikymo rodikliais ir plėtros pajamomis.

Armstrong (2001) savo fundamentaliame prognozavimo principų vadove identifikavo 139 empiriniu būdu patikrintus prognozavimo principus — vienas svarbiausių: derinti kelis metodus ir lyginti jų rezultatus. Koller, Goedhart ir Wessels (2020) McKinsey vertinimo metodikoje rekomenduoja derinti abu požiūrius: bottom-up modelis užtikrina operacinį realizmą (ar prognozuojamas augimas suderinamas su gamybiniais pajėgumais ir darbuotojų skaičiumi?), o top-down modelis — makroekonominį tikroviškumą (ar prognozuojamas augimas neviršija rinkos augimo?). Jei abu modeliai konverguoja į panašų rezultatą, prognozė yra patikimesnė; jei diverguoja — tai signalas peržiūrėti prielaidas.

Prognozavimo horizontas ir terminalinės vertės svarba#

Prognozavimo horizonto pasirinkimas nėra techninis, o konceptualus sprendimas, turintis tiesioginį poveikį vertinimo rezultatui. Standartinis DCF modelis naudoja eksplicitinį prognozės laikotarpį (paprastai 5–10 metų) ir terminalinę vertę (angl. Terminal Value, TV), kuri apima visus pinigų srautus po eksplicitinio laikotarpio.

Kuo trumpesnis eksplicitinis periodas, tuo didesnę vertės dalį sudaro TV:

Šaltinis: sudaryta autoriaus remiantis Koller et al. (2020) ir Damodaran (2012) metodikomis.

Tai reiškia, kad trumpame prognozės horizonte didžioji dalis vertės priklauso nuo terminalinės vertės prielaidų — ypač nuo ilgalaikio augimo tempo ($g$). Maži $g$ pokyčiai (pvz., nuo 2 % iki 3 %) gali lemti 15–25 % vertės pokytį. Todėl prognozės horizontas turi būti pakankamai ilgas, kad eksplicitinių prognozių svoris būtų reikšmingas.

Lietuvos kontekste 7 metų horizontas dažnai yra pragmatiškas kompromisas: jis apima vieną verslo ciklą, leidžia modeliuoti ES struktūrinių fondų 2021–2027 m. laikotarpio efektą ir sumažina TV svorį iki ~60–70 %. Ilgesnis horizontas (10+ metų) sumažintų TV dalį, bet padidintų prognozių neapibrėžtumą — ypač mažai, atvirai ir geopolitiškai jautriai ekonomikai kaip Lietuvos.

12.1.2 Pagrindinės teorijos ir modeliai#

Žemiau esanti diagrama parodo, kaip prognozavimo procesas sujungia visas finansinio modelio grandis — nuo istorinės diagnostikos (CH09) per prielaidų formavimą iki FCF prognozės ir terminalinės vertės, kuri tampa DCF vertinimo (CH13) įvestimi.

12.1 pav. Integruoto prognozavimo proceso schema

flowchart LR
    DIAG["Istorinė diagnostika\n(CH09: ROIC, CCC, FCF)"] --> PRIEL["Prielaidų formavimas\nAugimas, maržos,\nWC, CapEx"]
    PRIEL --> PAJ["Pajamų prognozė\nCAGR, g=ROIC×b,\nTAM/SAM/SOM"]
    PAJ --> SAN["Sąnaudos ir maržos\nFiksuotos/kintamos,\nkonvergencija"]
    SAN --> FCF["FCF prognozė\nNOPAT − ΔWC − CapEx"]
    FCF --> TV["Terminalinė vertė\nGordon arba\nExit Multiple"]
    TV --> DCF["DCF vertinimas\n(CH13)"]
    WACC["WACC\n(CH11: 10,99 %)"] --> FCF
    WACC --> TV
    FCF -.->|Cirkuliarumas| PRIEL

Pajamų prognozavimas: varomoji modelio jėga#

Pajamų prognozė yra kritiškai svarbi, nes visos kitos finansinio modelio eilutės — sąnaudos, apyvartinis kapitalas, kapitalo išlaidos — yra tiesiogiai ar netiesiogiai išvestinės iš pajamų. Klaida pajamų prognozėje dauginasi visame modelyje: jei pajamos per optimistinės 10 %, tai pardavimo savikaina, apyvartinis kapitalas ir CapEx bus proporcingai per dideli, o FCF — iškraipytas visomis kryptimis (Koller et al., 2020).

Istorinis augimas (CAGR) yra paprasčiausias ir dažniausiai naudojamas bazinis metodas. Sudėtinis metinis augimo tempas apskaičiuojamas pagal formulę $CAGR = (V_{final}/V_{initial})^{1/n} - 1$. Tačiau CAGR yra jautrus pradinio ir galinio taško pasirinkimui — jei pradiniai metai buvo ciklinis dugnas, o galinis — pikas, gautas augimo tempas bus nerealistiškai aukštas. Todėl geriausia praktika — skaičiuoti CAGR per kelis laikotarpius (3, 5, 7 metai) ir naudoti normalizuotus (ne ekstremalius) metus kaip pradžios ir pabaigos taškus.

Fundamentalus augimas siejamas su dviem formulėmis, kurios teoriškai riboja ilgalaikį tvarų augimą:

kur $ROIC$ — investuoto kapitalo grąža (iš CH09) ir $b$ — reinvesticijų norma ($b = 1 - Payout$). Ši formulė teigia, kad įmonė negali ilgai augti greičiau, nei leidžia jos kapitalo efektyvumas ir reinvesticijų apimtis. Jei prognozuojamas augimas viršija $ROIC \times b$, tai reiškia, kad arba reikės papildomo išorinio finansavimo, arba prognozė yra per optimistinė.

Tvaraus augimo tempas (angl. Sustainable Growth Rate, SGR), Higgins (2012) suformuluotas, parodo, kiek įmonė gali augti nekeičiant savo D/E struktūros ir neleisdama naujų akcijų. SGR yra griežtesnė riba nei (12.1), nes papildomai apriboja finansinį svertą.

Rinkos dydžio modelis (TAM/SAM/SOM) užduoda klausimą ne „kiek augsime?”, o „kokia rinkos dalis realistiška?”:

• TAM (angl. Total Addressable Market) — visa potenciali rinka.
• SAM (angl. Serviceable Addressable Market) — pasiekiama rinkos dalis pagal geografiją ir segmentą.
• SOM (angl. Serviceable Obtainable Market) — realiai įgyjama dalis per prognozės periodą.

Šis modelis ypač naudingas kaip „sveiko proto patikrinimas” (angl. sanity check): jei prognozuojamos pajamos reikalauja nerealistinės rinkos dalies (pvz., 40 % fragmentuotoje rinkoje), prognozė turi būti peržiūrėta.

SaaS kohortų modelis taikomas prenumeratos verslo modeliams, kur pajamos formuojamos ne iš vienkartinių sandorių, o iš pasikartojančių mokėjimų:

kur $ARR$ — metinės pasikartojančios pajamos (angl. Annual Recurring Revenue), $Churn$ — klientų praradimo rodiklis, $NRR_{expansion}$ — esamų klientų pajamų plėtra, $NewARR$ — nauji klientai. Lietuvos kontekste šis modelis aktualus sparčiai augančiam IT sektoriui, kurio indėlis 2024 m. siekė ~5,4 % BVP (INFOBALT, 2025).

Segmentinis prognozavimas būtinas diversifikuotoms grupėms, kur skirtingi verslo segmentai turi fundamentaliai skirtingą augimo logiką. Pavyzdžiui, Lietuvos gamybos įmonė, eksportuojanti 60 % produkcijos į Skandinaviją ir 40 % parduodanti vidaus rinkoje, turėtų prognozuoti šiuos segmentus atskirai: eksporto pajamos priklauso nuo ES paklausos ciklo, o vidaus — nuo Lietuvos BVP ir vartojimo dinamikos. Agreguoti segmentų prognozes į vieną „vidutinę” — reiškia prarasti informaciją apie rizikos struktūrą.

Sąnaudų ir maržų prognozavimas#

Sąnaudų prognozavimas grindžiamas dviem pagrindiniais principais: sąnaudų elgsenos modeliu ir maržų konvergencijos logika.

Sąnaudų elgsena skirstoma į tris kategorijas: kintamosios sąnaudos (proporcingos pajamoms — žaliavos, komisiniai, logistika), fiksuotosios (pastovios nepaisant apimties — nuoma, administracija, IT infrastruktūra) ir „laiptuotosios” (pastovios per tam tikrą apimties intervalą, bet šokančios, kai reikia naujos gamyklos, sandėlio ar darbuotojų grupės). Veiklos sverto laipsnis (angl. Degree of Operating Leverage, DOL) parodo, kiek EBIT jautrus pajamų pokyčiams — aukštas DOL reiškia, kad maržos sparčiai gerėja augant pajamoms, bet lygiai taip pat sparčiai blogėja joms mažėjant.

Maržų konvergencija (angl. competitive fade) yra viena svarbiausių, bet dažnai ignoruojamų prognozavimo taisyklių. Empiriniai tyrimai rodo, kad aukštos maržos ir ROIC laiko eigoje konverguoja prie sektoriaus vidurkio, o šis — prie kapitalo kainos. Fama ir French (2000) nustatė, kad pelningumas grįžta prie vidurkio ~38 % greičiu per metus. Penman (2010) apibendrino: „Vertė, sukurta virš kapitalo kainos, yra laikina — konkurencija, naujų dalyvių atėjimas ir technologijų difuzija laipsniškai naikina ekonominį pelną.” Ši konvergencija modeliuojama formule:

kur $\lambda \in [0;1]$ yra nykimo koeficientas — kuo mažesnis $\lambda$, tuo greičiau ROIC artėja prie WACC.

Infliacija ir nominalios vs realios prognozės. CH11 Atvejis 3 parodė, kaip Fisher lygties principo pažeidimas (nominalių srautų diskontavimas realiu WACC arba atvirkščiai) gali lemti 15–25 % vertinimo paklaidą. Lietuvos kontekste ši problema ypač aktuali: 2022 m. infliacija siekė 18,9 % (Statistikos departamentas, 2023) — precedento neturintis lygis euro zonoje. Prognozuojant sąnaudas, būtina atskirti realų produktyvumo augimą nuo nominalios infliacinės korekcijos.

Personalo sąnaudos Lietuvoje reikalauja atskiro dėmesio. Vidutinis darbo užmokestis (VDU) 2022–2025 m. laikotarpiu augo ~8–13 % per metus (Valstybės duomenų agentūra, 2025) — gerokai sparčiau nei infliacija ir BVP augimas. Darbo jėgos deficitas, ypač gamybos ir IT sektoriuose, didina atlyginimų spaudimą. Prognozuojant gamybos MVĮ sąnaudas, personalo eilutė gali augti 2–3 kartus greičiau nei pajamos, jei nėra numatyta automatizavimo ar produktyvumo augimo investicijų — tai tiesiogiai mažina maržas ir FCF.

Apyvartinis kapitalas ir kapitalo išlaidos#

Apyvartinio kapitalo (angl. Working Capital, WC) prognozavimas yra tiesiogiai susietas su 9 skyriaus pinigų konversijos ciklo (CCC) diagnostika. Vietoj tiesioginio WC prognozavimo eurais, patikimiau prognozuoti per apyvartumo rodiklius:

• DSO (angl. Days Sales Outstanding) — debitorinės skolos dienos,
• DIO (angl. Days Inventory Outstanding) — atsargų dienos,
• DPO (angl. Days Payable Outstanding) — kreditorinės skolos dienos.

$\Delta WC$ — apyvartinio kapitalo pokytis — yra FCF komponentas, kuris dažnai „praryjamas” sparčiai augančiose įmonėse: didėjant pajamoms, proporcingai auga debitorinė skola ir atsargos, o tai sunaudoja grynuosius pinigus. Prognozuotojas turi suvokti, kad 10 % pajamų augimas automatiškai reikalauja papildomo apyvartinio kapitalo — ir tai mažina FCF, nors pelno ataskaitoje atrodo, kad viskas gerai.

Sezoniniai svyravimai gali papildomai iškraipyti WC prognozę: jei balansinė data yra gruodžio 31 d., o verslas turi piką lapkritį (pvz., mažmeninė prekyba prieš Kalėdas), WC balanse bus nereprezentatyviai žemas — atsargos jau parduotos, debitorinė surinkta. Tokiu atveju geriau naudoti vidutinį metinį WC (4 ketvirčių vidurkį) arba piko mėnesio duomenis, o ne vien balansinės datos momentinę nuotrauką.

Kapitalo išlaidų (CapEx) prognozavimas reikalauja fundamentalaus skirtumo tarp dviejų CapEx tipų:

• Palaikymo CapEx (angl. maintenance CapEx) — investicijos, būtinos esamų pajėgumų palaikymui. Apytikslė proksimacija: $CapEx_{maint} \approx D\&A$ (nusidėvėjimas).
• Augimo CapEx (angl. growth CapEx) — investicijos naujiems pajėgumams kurti, naujoms rinkoms ar produktams. Šis komponentas turi būti suderinamas su pajamų augimo prielaida: jei prognozuojamas 8 % augimas, bet CapEx plane nenumatyta naujų pajėgumų — prognozėje yra loginis prieštaravimas.

Lietuvos ES fondų poveikis: 2021–2027 m. ES struktūrinių fondų laikotarpiu Lietuvai skirta ~6,4 mlrd. EUR (Europos Komisija, 2022). Daugelis Lietuvos MVĮ dalinai finansuoja investicijas per ES dotacijas, todėl prognozėje reikia modeliuoti bruto CapEx ir subsidijų dalį atskirai: $CapEx_{neto} = CapEx_{bruto} - ES_{subsidija}$. Subsidijos mažina grynąjį CapEx ir didina FCF, bet jos yra laikinos ir su atnaujinimo rizika — po fondų laikotarpio pabaigos CapEx grįžta prie rinkos lygio.

Laisvieji pinigų srautai ir terminalinė vertė#

Integruotas FCF modelis sujungia visus aukščiau aptartus komponentus:

kur $NOPAT = EBIT \times (1 - T_c)$ — pelnas po mokesčių prieš palūkanas (pakartojimas iš CH09, formulė 9.8). Ši formulė yra DCF vertinimo šerdis — būtent šiuos prognozuojamus FCF CH13 diskontuos WACC norma.

Trijų ataskaitų modelis (angl. three-statement model) — pajamų ataskaita, balansas ir pinigų srautų ataskaita — turi būti vidiniškai darnus. Tai reiškia, kad balanso lygtis $A = L + E$ turi galioti kiekvienais prognozuojamais metais, o pinigų srautų ataskaitos galutinis likutis turi sutapti su balanso grynųjų pinigų eilute. Ši vidinė darna yra kritiškai svarbi: jei modelis „nesusibalansuoja”, tai signalas, kad prielaidos yra nesuderinamos.

Cirkuliarumo problema atsiranda, kai palūkanų sąnaudos priklauso nuo skolos lygio, skola — nuo balanso, balansas — nuo pelno, o pelnas — nuo palūkanų. Sprendimas: arba naudoti iteracinį skaičiavimą (Excel: File → Options → Formulas → Enable Iterative Calculation), arba fiksuoti skolos lygį kaip prielaidą ir nesusieti jo su balansu — tai paprastesnis, nors mažiau tikslus būdas.

Terminalinė vertė — vertės dalis po eksplicitinio prognozės laikotarpio — skaičiuojama dviem pagrindiniais metodais:

Gordon augimo modelis:

kur $g_{TV}$ — ilgalaikis pastovus augimo tempas. Fundamentali riba: $g_{TV} \leq$ ilgalaikis nominalusis BVP augimas (~3–4 % euro zonoje). Jei $g_{TV} \geq WACC$, formulė duoda begalinę vertę — tai modelio žlugimo signalas, ne „labai didelės vertės” indikatorius.

Exit multiple metodas:

Šis metodas naudoja palyginamųjų bendrovių daugiklį. Jo privalumas — paprastumas ir rinkos grindžiamumas; trūkumas — ciklinis jautrumas (daugiklis priklauso nuo vertinimo momento rinkos sąlygų).

Toliau pateikiamas FCF komponentų medis, iliustruojantis, iš kokių elementų susideda prognozuojami laisvieji pinigų srautai ir kokie Lietuvos parametrai naudojami kiekvienam komponentui.

12.2 pav. FCF prognozės komponentų medis

graph TD
    FCF["FCF prognozė\nLaisvieji pinigų srautai"] --> NOPAT["NOPAT\nEBIT × (1 − Tc)"]
    FCF --> DWC["ΔWC\nApyvartinio kapitalo pokytis"]
    FCF --> CAPEX["CapEx neto\nKapitalo išlaidos"]
    NOPAT --> REV["Pajamos\nCAGR 5–7 % LT gamyba"]
    NOPAT --> MARGIN["EBIT marža\n10 % → 9 % (fade)"]
    NOPAT --> TAX["Tc = 15 %\nLT pelno mokestis"]
    DWC --> DSO["DSO ~55 d.\nDebitorinė skola"]
    DWC --> DIO["DIO ~40 d.\nAtsargos"]
    DWC --> DPO["DPO ~45 d.\nKreditorinė skola"]
    CAPEX --> MAINT["Palaikymo CapEx\n≈ D&A"]
    CAPEX --> GROWTH["Augimo CapEx\nNauji pajėgumai"]
    CAPEX --> SUBSID["ES subsidijos\n−30–50 % bruto CapEx"]

Prognozavimo granuliarumas: nuo mėnesio iki dešimtmečio#

Prognozavimo metodika fundamentaliai keičiasi priklausomai nuo laiko horizonto. Skirtingi horizontai tarnauja skirtingiems tikslams ir reikalauja skirtingo detalumo lygio:

Slenkamoji prognozė (angl. rolling forecast) — 12–18 mėnesių horizontas, atnaujinamas kas mėnesį ar ketvirtį — yra operacinė valdymo priemonė, ne DCF įrankis. Jos esmė: vietoj fiksuoto metinio biudžeto, kuris pasensta po kelių mėnesių, slenkamoji prognozė nuolat „stumia” horizontą pirmyn. Tai ypač aktualu Lietuvos MVĮ, kur metinis biudžetas dažnai tampa formaliu dokumentu, o realūs sprendimai priimami ad hoc.

Svarbus metodologinis principas: DCF modelio kontekste naudojame 5–10 metų metinį horizontą (šio skyriaus pagrindinė tema), tačiau pirmuosius 1–2 metus verta prognozuoti ketvirtiniu granuliarumu — tai padidina pirmųjų metų FCF tikslumą, kuris turi didžiausią diskontavimo svorį (nes diskontuojamas mažiausiu $(1+WACC)^t$ koeficientu).

12.1.3 Kritinė analizė ir diskusija#

Prognozavimo šališkumai: sisteminės klaidos, ne atsitiktinumas#

Prognozavimo klaidos nėra atsitiktinės — jos yra sistemingai nukreiptos optimistine kryptimi. Tai ne pavienių analitikų silpnybė, o kognityvinis fenomenas, dokumentuotas dešimtmečių tyrimais.

Optimizmo šališkumas (angl. optimism bias). Bent Flyvbjerg ir jo kolegos (2003, 2006) atliko stambiausią tyrimą apie megaprojektų (tiltų, tunelių, geležinkelių) prognozių tikslumą. Išvada buvo stulbinanti: 90 % transporto infrastruktūros projektų viršijo sąnaudų prognozes, o vidutinis viršijimas siekė 28–55 % priklausomai nuo projekto tipo. Svarbiau nei konkretūs skaičiai buvo Flyvbjergo diagnozė: tai nėra informacijos trūkumo problema — tai yra motyvacijos ir kognityvinio šališkumo problema. Prognozuotojai sistemingai pervertina naudą ir nepakankamai vertina kaštus bei riziką, nes optimistinės prognozės lengviau „parduodamos” sprendimų priėmėjams.

Planavimo klaida (angl. planning fallacy). Lovallo ir Kahneman (2003) Harvard Business Review straipsnyje apibendrino šį fenomeną kaip natūralų žmogišką polinkį prognozuoti remiantis vidiniu požiūriu (angl. inside view) — konkretaus projekto specifiniais planais — ignoruojant išorinį požiūrį (angl. outside view) — panašių projektų istorinius rezultatus. Jų siūlomas koregavimas: prieš tvirtinant prognozes, palyginti jas su panašios klasės projektų faktiniais rezultatais (angl. reference class forecasting).

Inkaravimas (angl. anchoring). Kahneman ir Tversky (1974) parodė, kad sprendimų priėmėjai per stipriai remiasi pirmuoju turimu skaičiumi — „inkaru”. Finansinėse prognozėse tai reiškia, kad praėjusių metų rezultatai per stipriai veikia prognozę, net kai verslo modelis fundamentaliai pasikeitė. Pavyzdžiui, 2019 m. pajamos gali tapti „inkaru” prognozuojant 2026 m. — nors COVID-19, infliacija ir geopolitiniai pokyčiai galėjo fundamentaliai pakeisti verslo logiką.

Grupinis mąstymas ir konsensuso iliuzija. Sell-side analitikų konsensuso prognozės yra homogeniškos — jos retai radikaliai skiriasi viena nuo kitos, nes analitikai stebi tuos pačius duomenis, naudoja panašius modelius ir jaučia institucinį spaudimą nesiskirti nuo konsensuso. Tetlock ir Gardner (2015) parodė, kad „superprognozuotojai” — tie, kurie sistemingai viršija konsensusą — pasižymi penkiomis savybėmis: intelektualiu nuolankumu, nuolatiniu prognozių atnaujinimu, tikimybiniu mąstymu, drausmingu duomenų stebėjimu ir gebėjimu integruoti priešingas perspektyvas.

Koregavimo priemonės#

Scenarijų analizė yra paprasčiausias ir plačiausiai praktikoje naudojamas neapibrėžtumo valdymo įrankis. Standartinis triscenarijų modelis (bazinis, optimistinis, pesimistinis) leidžia parodyti vertės intervalą, o ne taškinį įvertį. Tikimybinis svertinis vidurkis ($V = P_b \times V_b + P_o \times V_o + P_p \times V_p$) suteikia vieną vertę su integruotu neapibrėžtumu. Tačiau scenarijų analizė turi esminį trūkumą: ji testuoja tik kelis iš anksto pasirinktus parametrų derinius ir gali prarasti netikėtas kombinacijas.

Monte Carlo simuliacija šią problemą sprendžia generuodama tūkstančius atsitiktinių scenarijų, kur kiekvienam prognozės kintamajam priskiriamas tikimybinis pasiskirstymas. Rezultatas — vertės pasiskirstymo histograma, rodanti ne tik tikėtiną vertę, bet ir jos dispersiją. Nors Monte Carlo reikalauja daugiau prielaidų (pasiskirstymo tipas ir parametrai kiekvienam kintamajam), jis atskleidžia nelinijines sąveikas tarp kintamųjų ir ekstremumo tikimybes.

Jautrumo analizė identifikuoja, kurie kintamieji labiausiai veikia vertę. Praktikoje keturi kintamieji paprastai dominuoja: (1) pajamų augimo tempas, (2) EBIT marža, (3) WACC, (4) terminalinės vertės augimo tempas $g_{TV}$. Tornado diagrama — grafinis jautrumo analizės vaizdavimas — yra standartinis vertinimo ataskaitos elementas.

MAPE (angl. Mean Absolute Percentage Error) — prognozavimo tikslumo matas, leidžiantis retrospektyviai įvertinti prognozių kokybę:

kur $A_t$ — faktinė reikšmė, $F_t$ — prognozuota. Pajamų prognozėms MAPE < 5 % laikomas puikiu, 5–15 % — priimtinu, > 20 % — reikalaujančiu modelio peržiūros. Reguliarus prognozių „post-mortem” — palyginti praeities prognozes su faktiniais rezultatais — yra kokybės kontrolės instrumentas, kurio daugelis praktikų nepaiso.

Struktūriniai lūžiai: kai prognozės neveikia#

Visi aukščiau aptarti metodai — ir statistiniai, ir ekspertiniai — veikia tol, kol verslo aplinka keičiasi evoliuciškai, ne revoliuciškai. Struktūriniai lūžiai — technologijų disruptija, pandemija, reguliavimo pokytis, geopolitinis šokas — pažeidžia praeities duomenų ekstrapoliacijos logiką.

Nassim Taleb (2007) „juodosios gulbės” (angl. black swan) koncepcija akcentuoja tris tokių įvykių savybes: jie yra reti, turi neproporcingai didelį poveikį ir yra „akivaizdūs” tik atgaline data. Lietuvos kontekste per pastaruosius penkerius metus patirta bent trys struktūriniai šokai, kuriuos plačiąja prasme galima priskirti „juodosios gulbės” kategorijai: COVID-19 pandemija (2020), infliacijos šokas (2022, 19,7 %) ir Rusijos invazija į Ukrainą (2022), tiesiogiai paveikusi Lietuvos eksporto struktūrą ir energetikos kainas. Griežtąja Talebo prasme ne visi šie įvykiai atitinka „juodosios gulbės” apibrėžimą (pandemijų rizika buvo žinoma, nors konkreti forma — ne), tačiau jų bendra savybė — fundamentalus prielaidų pažeidimas — yra kritiškai svarbi prognozavimui.

Praktinė pamoka: prognozė turi turėti ne tik bazinį scenarijų, bet ir streso testą — ekstremalų scenarijų, kuriame modeliuojamas fundamentalus verslo prielaidų pažeidimas. Tai ne „pesimistinis scenarijus” (kuris paprastai yra tiesiog šiek tiek žemesnės maržos), o radikalus klausimas: kas nutiks, jei pagrindinė eksporto rinka užsidarys? Jei palūkanos pakils 300 bp per metus? Jei 30 % darbuotojų pasitrauks per 6 mėnesius?

12.1.4 Technologijų perspektyva#

1. Kompiuterizacijos era (1970–1995): nuo popieriaus prie skaičiuoklių#

Prognozavimo praktika iki 1980-ųjų buvo iš esmės rankinė: finansų analitikai skaičiuodavo DCF modelius popieriuje arba su kalkuliatoriais, o kiekviena prielaidos korekcija reikšdavo visišką perskaičiavimą. Lotus 1-2-3 (1983) ir vėliau Microsoft Excel (1985) revoliucingai pakeitė šią tikrovę: pirmą kartą analitikas galėjo sukurti integruotą trijų ataskaitų modelį su formulėmis, kuriose prielaidos automatiškai perskaičiuoja visą prognozę — procesą, kurį Benninga (2014) vėliau kodifikavo kaip standartinį finansinio modeliavimo metodą.

Excel Data Table funkcija leido atlikti jautrumo analizę — keisti vieną ar du kintamuosius ir stebėti vertės pokytį — per sekundes vietoj valandų. Tai buvo ne tik efektyvumo, bet ir kokybės šuolis: analitikas, kuris galėjo per minutę sugeneruoti jautrumo matricą, daug geriau suprato savo modelio prielaidų poveikį nei tas, kuris kiekvieną scenarijų skaičiavo atskirai. Tačiau ši demokratizacija turėjo ir šalutinį efektą — mechaninis modelio „vartojimas” be kritinio prielaidų vertinimo tapo plačiai paplitusia praktika. Atsirado tai, ką Penman (2013) vadina „skaičiuoklės iliuzija”: modelis atrodo tikslus, nes turi daug langelių ir formulių, bet jo prielaidos gali būti visiškai nepagrįstos.

2. Duomenų prieinamumo era (1995–2015): konsensusas ir standartizacija#

Antroji banga pakeitė ne skaičiavimo metodą, o informacijos prieinamumą. Bloomberg terminalas (nuo 1982 m., masinė plėtra 1990-aisiais), Capital IQ ir FactSet suteikė prieigą prie konsensuso prognozių (angl. consensus estimates) — sell-side analitikų pajamų, pelno ir augimo prognozių vidutinių reikšmių. Tai reiškė, kad bet kuris analitikas galėjo per sekundes gauti „rinkos nuomonę” apie įmonės perspektyvas.

Standartizuoti DCF šablonai — investicinių bankų vidiniai modeliai, vėliau tapę industrijoje visuotinai priimtais — suformavo bendrą prognozavimo „kalbą”. VBA makro automatizavo jautrumo lenteles ir scenarijų generavimą. Damodaran atvira duomenų bazė (nuo 1990-ųjų vidurio) demokratizavo prieigą prie sektoriaus augimo tempų, maržų ir daugiklių — informaciją, kuri anksčiau buvo prieinama tik stambiems instituciniams investuotojams.

Šio laikotarpio svarbiausias paradoksas: informacijos perteklius nesumažino prognozavimo klaidų. Sell-side konsensuso prognozės, nepaisant prieigos prie tų pačių duomenų, liko sistemingai per optimistinės — analitikai turėjo institucinę paskatą prognozuoti optimistiškai, nes pesimistinės prognozės mažina investicijų bankų sandorių apimtis.

3. DI ir agentinių sistemų era (2020→): automatizacija be epistemologinio lūžio#

Trečioji banga keičia prognozavimo proceso automatizavimo lygį. Python bibliotekos (pandas, statsmodels, scikit-learn) ir specializuoti įrankiai kaip Meta Prophet (Taylor & Letham, 2018) leidžia automatiškai identifikuoti laiko eilučių trendus, sezoniškumą ir šventines anomalijas. Monte Carlo simuliacijos, kurios anksčiau reikalavo specializuotos programinės įrangos, dabar prieinamos per kelias eilutes Python kodo.

Dideli kalbos modeliai (angl. Large Language Models, LLM) ir agentinės sistemos gali automatiškai surinkti finansinius duomenis, sugeneruoti prognozavimo prielaidų rinkinį, sukurti trijų ataskaitų modelį ir atlikti jautrumo analizę — tai, kam analitikas anksčiau skirdavo dienų, dabar atliekama per minutes. Tačiau galioja tas pats technologijų invariantiškumo principas, kurį identifikavome 9 ir 11 skyriuose: technologijos keičia prognozavimo greitį, bet ne jo fundamentalias epistemologines problemas. DI gali greičiau sugeneruoti prognozes, bet negali nuspręsti, ar konkrečios prielaidos yra realistiškos konkrečios įmonės kontekste. Optimizmo šališkumas, konvergencijos logika, terminalinės vertės jautrumas ir nominalaus/realaus prognozavimo disciplina lieka analitiko atsakomybe — nepriklausomai nuo to, ar modelį kuria žmogus, ar DI.

Ypač reikšmingas pokytis — automatinis „sanity check”: agentinė sistema gali palyginti prognozuojamą augimą su sektoriaus istoriniais duomenimis ir perspėti, jei prielaidos nesuderinamos su empirine baze. Tai nesumažina analitiko atsakomybės, bet sutrumpina grįžtamojo ryšio kilpą nuo dienų iki sekundžių.

Lietuvos kontekste ypač aktuali alternatyvių duomenų (angl. alternative data) galimybė: kreditinių biurų duomenys, POS transakcijų srautai, satelitiniai vaizdai (sandėlių užimtumas, automobilių stovėjimo aikštelių užpildymas) gali papildyti tradicinį pajamų prognozavimą. Tačiau mažos rinkos atveju duomenų kiekis ir granuliarumas lieka ribotas, o privatumo reguliavimas (BDAR) kelia papildomų apribojimų.

12.2 Analitiniai modeliai ir formulės#

Žemiau esančioje lentelėje surinktos visos 12 skyriaus pagrindinės formulės su nuorodomis.

(12.1) Fundamentalus augimo tempas#

kur:

• $g$ — ilgalaikis pajamų augimo tempas,
• $ROIC$ — investuoto kapitalo grąža (angl. Return on Invested Capital, žr. CH09, formulė 9.5),
• $b$ — reinvesticijų norma ($b = 1 - Payout$, t. y. nepaskirstyto pelno dalis).

Skaitinis pavyzdys (Lietuvos gamybos MVĮ):

• $ROIC = 14{,}2\%$ (pagal CH11 „BalticPro” atvejį)
• $Payout = 30\%$, todėl $b = 70\%$

Interpretacija. Šis 9,9 % tempas yra teorinė augimo riba, kurią įmonė gali palaikyti be papildomo išorinio finansavimo. Jei prognozėje numatomas 12 % augimas, tai reikštų, kad įmonei reikės arba papildomos skolos, arba naujo nuosavo kapitalo — ir tai turi būti atspindėta balanso prognozėje. Jei prognozuojamas augimas ilgai viršija $ROIC \times b$, modelis yra vidiniškai nedarnus.

(12.2) Tvaraus augimo tempas (SGR)#

kur:

• $ROE$ — nuosavo kapitalo grąža (angl. Return on Equity),
• $Payout$ — dividendų išmokėjimo santykis.

Skaitinis pavyzdys:

• $ROE = 18\%$ (gamybos MVĮ su D/E = 0,64)
• $Payout = 30\%$

Interpretacija. SGR parodo augimo ribą be struktūros keitimo — t. y. be naujų akcijų ir be D/E santykio didėjimo. Jei $ROE > ROIC$ (dėl finansinio sverto), SGR bus aukštesnis nei (12.1), bet tai atspindi finansinio sverto efektą, ne veiklos efektyvumo augimą. Higgins (2012) pabrėžia: SGR nėra „rekomenduojamas” augimas — tai maksimali riba su dabartine struktūra.

(12.3) CAGR — sudėtinis metinis augimo tempas#

kur:

• $V_{final}$ — galutinė reikšmė (pvz., pajamos paskutiniais metais),
• $V_{initial}$ — pradinė reikšmė,
• $n$ — metų skaičius.

Skaitinis pavyzdys:

• Pajamos 2021 m.: 20 mln. EUR; 2025 m.: 27 mln. EUR; $n = 4$

Interpretacija. CAGR glodina kasmetinius svyravimus — jei 2023 m. buvo nuosmukis (pvz., dėl infliacijos šoko), o 2024 m. — atsigavimas, CAGR tai „vidurkins”. Pavojus: jei $V_{initial}$ yra ciklinis dugnas, CAGR bus nenatūraliai aukštas. Todėl rekomenduojama skaičiuoti CAGR per kelis skirtingus laikotarpius (3, 5, 7 m.) ir naudoti normalizuotus metus.

(12.4) FCF prognozės formulė#

kur:

• $NOPAT_t = EBIT_t \times (1 - T_c)$ — grynasis veiklos pelnas po mokesčių,
• $\Delta WC_t = WC_t - WC_{t-1}$ — apyvartinio kapitalo pokytis,
• $CapEx_{neto,t}$ — grynosios kapitalo išlaidos (palaikymo + augimo − subsidijos).

Skaitinis pavyzdys (Lietuvos gamybos MVĮ, 1-ieji prognozės metai):

• Pajamos: 26,5 mln. EUR (augimas 6 % nuo 25 mln.)
• EBIT marža: 10 %, todėl $EBIT = 2{,}65$ mln. EUR
• $T_c = 15\%$, todėl $NOPAT = 2{,}65 \times 0{,}85 = 2{,}253$ mln. EUR
• $\Delta WC = 0{,}15$ mln. EUR (augant pajamoms, auga debitorinė skola ir atsargos)
• $CapEx_{neto} = 0{,}80$ mln. EUR (palaikymo 0,50 + augimo 0,50 − ES subsidija 0,20)

Interpretacija. Iš 2,65 mln. EUR EBIT lieka tik 1,30 mln. EUR laisvų pinigų srautų — mokesčiai, apyvartinio kapitalo augimas ir investicijos „suvalgo” beveik pusę. Tai tipiška situacija augančioms MVĮ: pelno ataskaitoje atrodo gerai, bet pinigų likučio požiūriu — gerokai kuklesnis vaizdas.

(12.5) Apyvartinio kapitalo pokytis#

kur $WC = \text{Debitorinė skola} + \text{Atsargos} - \text{Kreditorinė skola}$.

Prognozavimas per apyvartumo rodiklius:

Skaitinis pavyzdys:

• Pajamos: 26,5 mln. EUR; COGS: 18,6 mln. EUR (70 % pajamų)
• DSO = 55 d., DIO = 40 d., DPO = 45 d.
• Debitorinė: $26{,}5 / 365 \times 55 = 3{,}993$ mln. EUR
• Atsargos: $18{,}6 / 365 \times 40 = 2{,}038$ mln. EUR
• Kreditorinė: $18{,}6 / 365 \times 45 = 2{,}293$ mln. EUR
• $WC_1 = 3{,}993 + 2{,}038 - 2{,}293 = 3{,}738$ mln. EUR

Interpretacija. Jei ankstesnių metų $WC_0 = 3{,}588$ mln. EUR, tai $\Delta WC = 0{,}150$ mln. EUR — būtent tiek papildomo apyvartinio kapitalo reikia pajamų augimui palaikyti. Šis mechanizmas paaiškina, kodėl greitai augančios įmonės dažnai susiduria su likvidumo problemomis net būdamos pelningos.

(12.6) Terminalinė vertė — Gordon augimo modelis#

kur:

• $FCF_{n+1}$ — prognozuojamas FCF pirmaisiais metais po eksplicitinio laikotarpio,
• $WACC$ — svertinė vidutinė kapitalo kaina (iš CH11),
• $g_{TV}$ — ilgalaikis pastovus augimo tempas.

Skaitinis pavyzdys:

• $FCF_5 = 1{,}65$ mln. EUR (5-aisiais prognozės metais)
• $FCF_6 = 1{,}65 \times 1{,}03 = 1{,}700$ mln. EUR ($g_{TV} = 3\%$)
• $WACC = 10{,}99\%$ (iš CH11 „BalticPro”)

Interpretacija. Terminalinė vertė sudaro didžiąją DCF vertės dalį — šiuo atveju ~60–70 %. Tai reiškia, kad mažas $g_{TV}$ pokytis turi neproporcingai didelį poveikį: jei $g_{TV}$ padidėtų nuo 3 % iki 4 %, $TV = 1{,}700 / 0{,}0699 = 24{,}32$ mln. EUR — 14 % daugiau. Todėl $g_{TV}$ turi būti griežtai pagrįstas ir negali viršyti ilgalaikio nominalaus BVP augimo (~3–4 % euro zonoje).

(12.7) Terminalinė vertė — Exit Multiple metodas#

kur:

• $EBITDA_n$ — EBITDA paskutiniais eksplicitinės prognozės metais,
• $EV/EBITDA_{peer}$ — palyginamųjų bendrovių daugiklis.

Skaitinis pavyzdys:

• $EBITDA_5 = 3{,}30$ mln. EUR
• Baltijos gamybos sektoriaus $EV/EBITDA = 7{,}0\times$ (tipiškas diapazonas: 6–8×; Kroll, 2023)

Interpretacija. Exit multiple metodas duoda $TV = 23{,}1$ mln. EUR, o Gordon — 21,3 mln. EUR. Skirtumas (~8 %) yra priimtinas ir rodo, kad abi prielaidos suderinamos. Jei metodai duotų labai skirtingus rezultatus (pvz., 30 %+), tai signalizuotų, kad arba $g_{TV}$, arba daugiklis yra nesuderinami su fundamentalais.

(12.8) Pajamų prognozė per rinkos dalį#

kur:

• $TAM_t$ — bendras adresuojamos rinkos dydis (vienetais),
• $MS_t$ — tikslinė rinkos dalis,
• $P_t$ — vidutinė kaina (EUR/vnt.).

Skaitinis pavyzdys (Lietuvos maisto pramonė):

• $TAM$ = Skandinavijos šaldytų produktų rinka: 500 mln. EUR
• $MS$ = 1,2 % (dabartinė „BalticPro” dalis)
• $P$ = vidutinė kaina tiesiogiai integruota į TAM eurais

Interpretacija. Jei prognozuojama, kad rinkos dalis augs nuo 1,2 % iki 1,8 % per 5 metus, tai reiškia ~50 % augimą nuo bazės — ar tai realistiška fragmentuotoje rinkoje? Šis klausimas yra „sveiko proto patikrinimas”, kurį TAM/SAM/SOM logika priverstinai iškelia.

(12.9) MAPE — prognozavimo tikslumo matas#

kur $A_t$ — faktinė reikšmė, $F_t$ — prognozuota.

Skaitinis pavyzdys (retrospektyvinis auditas):

| Metai | Prognozė (mln.) | Faktas (mln.) | |A−F|/|A| | |---|---|---|---| | 2022 | 22,0 | 21,5 | 2,3 % | | 2023 | 23,5 | 22,0 | 6,8 % | | 2024 | 25,0 | 24,2 | 3,3 % |

Interpretacija. MAPE 4,1 % rodo gerą prognozavimo tikslumą. 2023 m. nuokrypis (6,8 %) atspindi infliacijos šoko poveikį — tai struktūrinis, ne modelio klaidos pobūdžio nuokrypis. Reguliarus MAPE stebėjimas leidžia identifikuoti, ar prognozavimo kokybė gerėja laike.

(12.10) Konvergencijos formulė (ROIC fade)#

kur:

• $ROIC_0$ — dabartinis ROIC,
• $WACC$ — svertinė kapitalo kaina,
• $\lambda \in [0;1]$ — nykimo koeficientas (mažesnis = greitesnis nykimas),
• $t$ — metai nuo prognozės pradžios.

Skaitinis pavyzdys:

• $ROIC_0 = 14{,}2\%$, $WACC = 10{,}99\%$, $\lambda = 0{,}85$

Interpretacija. Šis modelis formalizuoja konkurencinio nykimo logiką: ilgainiui viršnormalus ekonominis pelnas ($ROIC - WACC > 0$) mažėja dėl konkurencijos, naujų dalyvių atėjimo ir technologijų difuzijos. Terminalinėje vertėje ($t \to \infty$) ROIC konverguoja prie WACC, o EVA — prie nulio. Tai fundamentali prognozavimo taisyklė: prognozuoti ilgalaikį ROIC > WACC — reiškia teigti, kad įmonė turi neišnykstantį konkurencinį pranašumą.

12.3 Apibendrinimas#

Finansinių prognozių sudarymas yra ne ateities atspėjimas, o struktūruota prielaidų sistema su ekonomine logika ir vidinės darnos reikalavimu. Pagrindiniai skyriaus teiginiai:

1. Prognozė yra prielaidų sistema, ne skaičių rinkinys. Kiekviena prielaida turi turėti ekonominį pagrindimą. Modelis be pagrindimo yra „juodoji dėžė” — jis gali generuoti tikroviškus skaičius, bet negali paaiškinti, kodėl jie tokie.

2. Pajamų augimas yra kritiškiausias kintamasis. Visos kitos eilutės — sąnaudos, apyvartinis kapitalas, CapEx — yra tiesiogiai ar netiesiogiai išvestinės iš pajamų. Klaida pajamų prognozėje dauginasi visame modelyje.

3. Konvergencija yra fundamentali taisyklė. ROIC konverguoja prie WACC, maržos — prie sektoriaus vidurkio, augimas — prie BVP augimo. Ši logika taikoma tiek eksplicitinei prognozei, tiek terminalinei vertei.

4. Terminalinė vertė sudaro 50–80 % DCF vertės. Tai reiškia, kad ilgalaikio augimo tempas ($g_{TV}$) turi būti griežtai pagrįstas ir negali viršyti nominalaus BVP augimo.

5. Nominalios ir realios prognozės niekada nemaišomos. Fisher lygties principo pažeidimas gali lemti 15–25 % vertinimo paklaidą — ypač aukštos infliacijos laikotarpiais kaip 2022 m. Lietuvoje.

6. Trijų ataskaitų modelis turi būti vidiniškai darnus. Balanso lygtis ($A = L + E$) turi galioti kiekvienais metais, pinigų srautai turi sutapti su balanso pokyčiais.

7. Prognozavimo šališkumai yra sisteminiai, ne atsitiktiniai. Optimizmo šališkumas, inkaravimas ir planavimo klaida reikalauja sąmoningų koregavimo priemonių: scenarijų analizės, Monte Carlo simuliacijos ir retrospektyvinio MAPE audito.

8. Prognozė be jautrumo analizės yra nebaigta prognozė. Keturi kritiniai kintamieji — augimo tempas, EBIT marža, WACC, $g_{TV}$ — turi būti testuojami per tornado diagramą ir jautrumo matricą.

Šios prognozės bus tiesiogiai naudojamos 13 skyriaus DCF vertinime kaip diskontavimo įvestis, o terminalinės vertės prielaidos — kaip pagrindinis vertinimo jautrumo veiksnys.

12.4 Atvejo analizė ir praktiniai pavyzdžiai#

Atvejis 1: UAB „BalticPro” — gamybos MVĮ penkerių metų FCF prognozė#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos vidutinio dydžio maisto pramonės įmonės situacija. Tęsinys iš CH11 Atvejis 1.

Situacija#

UAB „BalticPro” — maisto pramonės MVĮ Kauno regione, 120 darbuotojų, metinės pajamos 25 mln. EUR (2025 m. bazė). Eksportas sudaro 60 % pajamų (Skandinavija), vidaus rinka — 40 %. EBIT marža 10 %, WACC 10,99 % (iš CH11). Įmonė planuoja automatizavimo investiciją (1,2 mln. EUR, iš jų 0,4 mln. ES subsidija) ir numato eksporto augimą dėl naujų klientų Švedijoje.

Prognozės prielaidos:

• Pajamų augimas: 7 % (1 m.) → 6 % (2–3 m.) → 5 % (4–5 m.) — konvergencija prie rinkos augimo.
• EBIT marža: 10 % → 9,5 % (4–5 m.) — konkurencinis nykimas dėl augančių VDU sąnaudų.
• DSO = 55 d., DIO = 40 d., DPO = 45 d. — stabilus CCC.
• Palaikymo CapEx = D&A (~0,50 mln. EUR/m.); augimo CapEx 0,50 mln. (1–2 m.), 0,30 mln. (3–5 m.).
• ES subsidija 0,20 mln. EUR/m. (1–3 m.), 0 vėliau.
• $T_c = 15\%$; $g_{TV} = 3\%$.

Analizė#

Penkerių metų FCF prognozė:

Terminalinė vertė (Gordon, formulė 12.6):

Jautrumo analizė (DCF vertė, mln. EUR):

Išvados#

„BalticPro” DCF vertė baziniame scenarijuje siekia ~20–22 mln. EUR. Jautrumo analizė rodo, kad vertė svyruoja nuo ~14 mln. (žemos maržos, lėtas augimas) iki ~28 mln. EUR (aukštos maržos, greitas augimas) — intervalas beveik dvigubas. Trys pagrindiniai rizikos veiksniai: (1) Skandinavijos eksporto rinkos cikliškumas, (2) VDU augimo spaudimas maržoms (Lietuvos VDU augimas ~9–10 %/m. viršija pajamų augimą), (3) ES subsidijų pabaiga po 2027 m. — CapEx grįžta prie rinkos lygio, mažindamas FCF ~0,2 mln./m.

Streso testas: jei Skandinavijos eksporto rinka susitrauktų 20 % dėl regiono recesijos (kaip 2008–2009 m.), o VDU augimas liktų 10 %, „BalticPro” EBIT marža nukristų iki ~5–6 %, FCF taptų neigiamas pirmuosius 2 metus, o DCF vertė nukristų iki ~8–10 mln. EUR — mažiau nei pusė bazinio scenarijaus. Šis streso testas iliustruoja, kodėl eksporto orientuotoms Lietuvos MVĮ būtina turėti likvidumo atsargą ir diversifikuoti pardavimo rinkas.

Konvergencijos patikrinimas: pagal formulę (12.10), su $\lambda = 0{,}85$ ir pradiniu $ROIC = 14{,}2\%$, po 5 metų $ROIC$ turėtų nukristi iki ~12,4 %. Prognozėje EBIT maržos mažėjimas nuo 10 % iki 9,5 % yra konservatyvus — tai atitinka lėtą, bet nuoseklų konvergencijos kelią. Jei prognozėje maržos liktų 10 % visus 5 metus, tai implicitiškai reikštų, kad „BalticPro” turi tvarų konkurencinį pranašumą, kurį reikėtų pagrįsti.

Atvejis 2: UAB „TechFlow” — SaaS startuolio augimo prognozė#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos B2B SaaS įmonės situacija.

Situacija#

UAB „TechFlow” — B2B SaaS platforma logistikos sektoriui, 50 darbuotojų, Vilnius. Dabartinis MRR (angl. Monthly Recurring Revenue) 120 tūkst. EUR, ARR (angl. Annual Recurring Revenue) 1,44 mln. EUR. Klientų bazė: 180 įmonių, ARPU (angl. Average Revenue Per User) 667 EUR/mėn. Mėnesinis klientų praradimas (angl. churn): 1,5 %, mėnesinis NRR expansion: 2 % (esami klientai perka papildomas funkcijas).

Analizė#

SaaS verslo prognozavimas fundamentaliai skiriasi nuo tradicinio, nes pajamos yra pasikartojančios (angl. recurring), o augimas priklauso ne nuo vienkartinių sandorių, o nuo trijų veiksnių: naujų klientų pritraukimo, esamų klientų išlaikymo ir plėtros.

Kohortų logika:

kur $NRR$ (angl. Net Revenue Retention) = $(1 - Churn) \times (1 + Expansion)$.

• $NRR_{mėn.} = (1 - 0{,}015) \times (1 + 0{,}02) = 0{,}985 \times 1{,}02 = 1{,}005$
• $NRR_{metinis} = 1{,}005^{12} = 1{,}062$ (t. y. 106,2 % — esami klientai generuoja 6,2 % daugiau pajamų kasmet)

3 metų ARR prognozė:

SaaS sveikatos rodikliai:

• LTV/CAC santykis: jei CAC (angl. Customer Acquisition Cost) = 5 000 EUR ir LTV = 25 000 EUR, tai LTV/CAC = 5,0 — sveika (rodiklis > 3,0 laikomas geru).
• „Rule of 40”: augimo tempas + EBITDA marža ≥ 40 %. „TechFlow”: augimo tempas ~50 % + EBITDA marža −15 % (nuostolinga, investuoja) = 35 %. Artėja prie ribos — pozityvu.

FCF specifika ir tiltas nuo ARR prie vertės: SaaS verslas pirmuosius 2–3 metus paprastai turi neigiamą FCF, nes klientų pritraukimo investicijos (pardavimai, rinkodara) viršija pasikartojančias pajamas. „TechFlow” atveju:

FCF tampa teigiamas tik 3-aisiais metais, kai ARR pasiekia ~3,6 mln. EUR ir EBITDA marža pereina į teigiamą zoną. Tai reiškia, kad SaaS vertinimui reikia ilgesnio eksplicitinio periodo (7–10 metų), nes pirmieji metai yra investicinis laikotarpis, o vertė sukuriama vėliau — kai NRR kompensuoja naujų klientų pritraukimo kaštus ir operacinis svertas pradeda veikti.

Išvados#

Tradicinis DCF SaaS verslui reikalauja ilgesnio eksplicitinio laikotarpio (7–10 metų), nes pirmi 2–3 metai yra neigiamo FCF laikotarpis. Pajamų prognozavimas per CAGR ar fundamentalų augimą ($g = ROIC \times b$) yra netikslus, nes augimo tempas priklauso ne nuo reinvesticijų normos, o nuo NRR ir naujų klientų pritraukimo efektyvumo. Lietuvos kontekste Vinted ir Nord Security trajektorijos rodo, kad SaaS augimas gali būti itin greitas (~50–100 %/m. ankstyvoje stadijoje), bet konverguoja prie 20–30 % brandesnėje fazėje.

Atvejis 3: UAB „BalticBuild” — ciklinio verslo scenarijų analizė#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos statybų sektoriaus įmonės situacija ECB palūkanų ciklo kontekste.

Situacija#

UAB „BalticBuild” — statybų sektoriaus įmonė, 80 darbuotojų, Vilniaus regionas, pajamos 15 mln. EUR (2025 m.). Veikla susijusi su gyvenamuoju NT — pajamos stipriai koreliuoja su nekilnojamojo turto rinkos ciklu, kuris savo ruožtu priklauso nuo ECB palūkanų normos. 2021 m. — bumas (rekordinės pajamos 18 mln. EUR), 2023 m. — sulėtėjimas (11 mln. EUR dėl palūkanų šoko), 2025 m. — dalinis atsigavimas (15 mln. EUR).

Analizė#

Ciklinis verslas reikalauja ne vienos, o kelių prognozių — scenarijų analizės. Trys scenarijai:

Tikimybinis svertinis vidurkis:

$\Delta WC$ kaip ciklinis amplifikatorius: Statybų sektoriuje $\Delta WC$ yra ypač cikliškas — bumo metu klientai moka greičiau (DSO mažėja) ir apyvartinis kapitalas „atlaisvina” pinigus; nuosmukio metu — atvirkščiai. Tai reiškia, kad ciklinis verslas turi „dvigubą smūgį”: mažėjant pajamoms, ne tik mažėja NOPAT, bet ir auga $\Delta WC$ poreikis (dėl ilgėjančio DSO), dar labiau naikindamas FCF.

Kiekybiškai: jei „BalticBuild” pesimistiniame scenarijuje DSO pailgėja nuo 55 iki 70 dienų (nes užsakovai vėluoja mokėti), o pajamos krinta 5 %, tai debitorinė skola paradoksaliai gali net padidėti absoliučia verte — nors pajamos mažėja. Šis efektas yra tipiška Lietuvos statybų sektoriaus problema 2023 m. — kai ECB pakėlė palūkanas, NT vystytojai sulėtino mokėjimus subrangovams, o šie patyrė dvigubą likvidumo krizę: mažėjančias pajamas ir augantį neigiamą $\Delta WC$.

Prognozavimo pamoka: ciklinio verslo prognozėje DSO, DIO ir DPO turi būti modeliuojami kaip ciklo fazės funkcija, ne kaip pastovios konstantos. Baziniame scenarijuje DSO = 55 d., bet pesimistiniame — 70 d., o optimistiniame — 45 d. Šis pokytis per jautrumo analizę gali keisti FCF 15–25 % — tai dažnai ignoruojamas, bet reikšmingas veiksnys.

Išvados#

Ciklinio verslo vertinimas per vieną bazinį scenarijų yra sistemingai klaidingas — jis nepaiso ciklo amplitudės ir asimetrinio poveikio FCF. Scenarijų svertinė vertė (9,7 mln. EUR) yra patikimesnis orientyras nei bazinio scenarijaus taškinė vertė (9,8 mln.) — šiuo atveju skaičiai panašūs, bet jei pesimistinis scenarijus būtų stipresnis (pvz., 3,0 mln.), svertinė vertė būtų žymiai žemesnė. Šis atvejis taip pat iliustruoja, kodėl CH11 Atvejis 3 (ECB palūkanų ciklo poveikis WACC) yra tiesiogiai susijęs su prognozavimu: palūkanos veikia ne tik diskonto normą, bet ir pačias pajamas — per paklausos kanalą.

12.5 Excel modelio konstravimas#

Tikslas#

Studentas sukurs integruotą Excel modelį, leidžiantį prognozuoti pajamas, sąnaudas, apyvartinį kapitalą, CapEx ir FCF penkerių metų laikotarpiui, apskaičiuoti terminalinę vertę ir atlikti jautrumo analizę. Modelis tiesiogiai integruojasi su CH11 WACC skaičiavimu ir tampa įvestimi CH13 DCF vertinimui.

Žingsnis po žingsnio instrukcija#

Failai:

• Excel/CH12/Ch12_Model_Master.xlsm (bus kuriamas po recenzijų ciklo)
• Excel/CH12/Ch12_Formula_Guide.md — detalus visų 10 formulių aprašymas.

1. Sukurti darbaknygę su 7 lapais: „Prielaidos”, „Pajamų_ataskaita”, „Balansas”, „Pinigų_srautai”, „FCF”, „TV_DCF”, „Jautrumas”.
2. Named Ranges: kiekvieną įvesties langelį pavadinti su prefiksu CH12_.
3. „Prielaidos”: centralizuotas prielaidų lapas — pajamų augimas (%), EBIT marža (%), DSO, DIO, DPO, CapEx planas, $T_c$, $g_{TV}$. Importuoti CH11_WACC iš CH11 modelio.
4. „Pajamų_ataskaita”: 5 metų projekcija — pajamos, COGS (% nuo pajamų), bendrasis pelnas, OPEX (fiksuotos + kintamos), EBIT, NOPAT.
5. „Balansas”: 5 metų projekcija — turtas (debitorinė, atsargos, OA, FA), įsipareigojimai (kreditorinė, trumpalaikė skola, ilgalaikė skola), nuosavas kapitalas. Patikrinti: $A = L + E$ kiekvienais metais.
6. „Pinigų_srautai”: iš veiklos (NOPAT + D&A − ΔWC), iš investicijų (−CapEx + ES subsidijos), iš finansavimo (skolos pokytis, dividendai).
7. „FCF”: $FCF_t = NOPAT_t - \Delta WC_t - CapEx_{neto,t}$ (formulė 12.4). Automatinė lentelė 5 metams.
8. „TV_DCF”: Terminalinė vertė (Gordon ir Exit Multiple), DCF vertės suvestinė. Formulės: (12.6), (12.7).
9. „Jautrumas”: Data Table $g_{revenue}$ (3–9 %) ir EBIT marža (7–13 %) jautrumo analizei. Tornado diagrama su 4 kintamaisiais.
10. Cirkuliarumas: jei modelis naudoja dinamines palūkanas — įjungti iteraciją (Excel → Options → Formulas → Enable Iterative Calculation). Alternatyva: fiksuoti skolos lygį kaip prielaidą.
11. Patikrinti: ar balanso $A = L + E$, ar pinigų srautai sutampa su balanso pokyčiais, ar FCF rezultatai atitinka „BalticPro” atvejį.

Formulių sąrašas#

Named Ranges (su prefiksu CH12_): CH12_gRevenue, CH12_EBITMargin, CH12_DSO, CH12_DIO, CH12_DPO, CH12_Tc, CH12_CapExMaint, CH12_CapExGrowth, CH12_ESSubsidy, CH12_CapExNeto, CH12_gTV, CH12_WACC, CH12_ExitMultiple, CH12_ROIC_0, CH12_b, CH12_ROE, CH12_Payout.

12.6 Klausimai ir praktinės užduotys#

Diskusiniai klausimai#

1. [atpažinimas] Išvardykite pagrindinius pajamų prognozavimo metodus (CAGR, fundamentalus augimas, TAM/SAM/SOM, SaaS kohortų modelis) ir pateikite po vieną verslo situaciją, kuriai kiekvienas labiausiai tinka. Kodėl nė vienas metodas nėra universalus?

2. [supratimas] Paaiškinkite, kodėl auganti ir pelninga įmonė gali turėti neigiamą laisvųjų pinigų srautą (FCF). Remdamiesi formulė (12.4) ir ΔWC mechanizmu, parodykite, kaip 10 % pajamų augimas automatiškai sukuria papildomą apyvartinio kapitalo poreikį. Kaip šis paradoksas paveikia DCF vertinimą?

3. [analizė] Makridakis M1–M5 konkursai parodė, kad paprastesni prognozavimo modeliai dažnai lenkia sudėtingus. Ar tai reiškia, kad sudėtingas trijų ataskaitų modelis yra beprasmis? Kuo finansinės prognozės skiriasi nuo laiko eilučių prognozavimo?

4. [vertinimas] Terminalinė vertė sudaro 50–80 % DCF vertės. Ar tai rodo, kad DCF yra nesaugus metodas, pernelyg priklausomas nuo vienos prielaidos ($g_{TV}$)? Kaip galima sumažinti TV svorį ir ar tai visada pageidautina?

5. [sintezė] Flyvbjerg (2006) teigia, kad 90 % megaprojektų viršija sąnaudų prognozes. Ar verslo prognozės kenčia nuo to paties optimizmo šališkumo? Kaip galima institucionalizuoti „išorinį požiūrį” (reference class forecasting) korporatyvinėje aplinkoje?

6. [analizė] SaaS verslo pajamų prognozavimas per MRR, churn ir NRR fundamentaliai skiriasi nuo tradicinio CAGR požiūrio. Ar tai reiškia, kad skirtingiems verslo modeliams reikia skirtingų DCF šablonų? Kur riba tarp „pritaikymo” ir „perprojektavimo”?

7. [vertinimas] Konkurencinio nykimo logika teigia, kad ROIC konverguoja prie WACC laike. Tačiau tokios bendrovės kaip „Apple” ar „LVMH” išlaiko viršnormalų pelningumą dešimtmečius. Ar „fade” yra universali taisyklė, ar yra sisteminių išimčių?

8. [sintezė] Lietuvos VDU augimas (~9–10 %/m.) viršija daugelio sektorių pajamų augimą. Jei personalo sąnaudos auga greičiau nei pajamos, maržos mažėja net tobulai valdomoje įmonėje. Ar tai reiškia, kad Lietuvos gamybos MVĮ prognozėse automatizavimo investicijos turėtų būti ne „pasirinkimas”, o privaloma prielaida norint išlaikyti maržas? Kaip tai keičia CapEx prognozę?

9. [vertinimas] COVID-19 pandemija (2020), infliacijos šokas (2022) ir Rusijos invazija į Ukrainą (2022) — per trejus metus Lietuva patyrė tris „juodosios gulbės” tipo įvykius. Ar po tokios patirties standartinis trijų scenarijų modelis (bazinis/optimistinis/pesimistinis) yra pakankamas? Ar reikia ketvirtojo — „struktūrinio lūžio” — scenarijaus kaip privalomo DCF elemento?

Skaičiavimo užduotys#

1. [taikymas] Įmonė: pajamos 10 mln. EUR, ROIC = 16 %, Payout = 25 %. Apskaičiuokite fundamentalų augimo tempą (12.1) ir SGR (12.2, naudojant ROE = 20 %). Koks maksimalus pajamų augimas be papildomo finansavimo?

2. [taikymas] Įmonė prognozuoja 5 metams: pajamos auga 8 %/m., EBIT marža 12 %, $T_c = 15\%$, DSO = 50 d., DIO = 35 d., DPO = 40 d., CapEx = 1,0 mln./m., bazinės pajamos 15 mln. EUR. Apskaičiuokite FCF kiekvienais metais (12.4, 12.5).

3. [taikymas] Naudojant 2 užduoties duomenis ir WACC = 11 %: apskaičiuokite terminalinę vertę Gordon (12.6, $g_{TV} = 3\%$) ir Exit Multiple (12.7, EV/EBITDA = 7,0×) metodais. Kiek procentų skiriasi rezultatai?

4. [analizė] Įmonės MAPE per pastaruosius 4 metus: prognozės 12, 13, 14, 15 mln. EUR; faktai 11,5, 12,8, 13,5, 16,2 mln. EUR. Apskaičiuokite MAPE (12.9). Kuris metai buvo problemiškiausias ir kodėl? Ar nuokrypiai rodo sisteminį šališkumą, ar atsitiktinius svyravimus?

5. [taikymas] Įmonės dabartinis ROIC = 18 %, WACC = 10 %, $\lambda = 0{,}80$. Apskaičiuokite ROIC po 3, 5 ir 10 metų pagal konvergencijos formulę (12.10). Po kiek metų ROIC nukris žemiau 12 %?

6. [taikymas] SaaS įmonė: dabartinis MRR 80 tūkst. EUR, mėnesinis churn 2 %, mėnesinis NRR expansion 1,5 %, naujų klientų MRR 15 tūkst. EUR/mėn. Apskaičiuokite ARR po 12 ir 24 mėnesių. Koks metinis NRR? Ar verslas yra „sveiko” augimo trajektorijoje (NRR > 100 %)?

Savarankiško darbo užduotys#

1. [sintezė] Pasirinkite vieną Nasdaq Vilnius listinguotą įmonę (pvz., Šiaulių bankas, Pieno žvaigždės arba Apranga). Naudodami 5 metų istorinių duomenų bazę (iš metinių ataskaitų), sudarykite penkerių metų pajamų, EBIT ir FCF prognozę. Palyginkite savo prognozę su sell-side analitikų konsensuso prognoze (jei prieinama). Kur skiriasi ir kodėl?

2. [sintezė] Naudodami Lietuvos banko makroekonomines prognozes (BVP, infliacija, darbo rinka) ir Eurostat sektorių duomenis, sukurkite top-down pajamų prognozę Lietuvos gamybos sektoriui 2026–2030 m. Palyginkite su bottom-up prognoze, paremta konkrečios MVĮ duomenimis. Kur metodai konverguoja, kur diverguoja?

3. [vertinimas] Sukurkite „BalticPro” tipo MVĮ trijų ataskaitų modelį Excel aplinkoje (naudodami CH12 modelio struktūrą). Atlikite retrospektyvinį prognozavimo auditą: sudarykite 2022 m. pradžios prognozes 2022–2024 m. laikotarpiui, tada palyginkite su faktiniais Lietuvos gamybos sektoriaus rodikliais. Apskaičiuokite MAPE kiekvienai pagrindinei eilutei (pajamos, EBIT, FCF). Kokioms eilutėms MAPE didžiausias ir kodėl?

Literatūros sąrašas#

Armstrong, J. S. (Ed.). (2001). Principles of forecasting: A handbook for researchers and practitioners. Springer. https://doi.org/10.1007/978-0-306-47630-3

Benninga, S. (2014). Financial modeling (4th ed.). MIT Press.

Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day.

Damodaran, A. (2012). Investment valuation: Tools and techniques for determining the value of any asset (3rd ed.). Wiley.

ECB. (2026). Monetary policy decisions, March 2026. https://www.ecb.europa.eu/press/pr/date/2026/html/ecb.mp260319~3057739775.en.html

Europos Komisija. (2022). 2021–2027 m. ES sanglaudos politikos partnerystės sutartis su Lietuva. https://commission.europa.eu/publications/partnership-agreement-lithuania-2021-2027_en

Fama, E. F., & French, K. R. (2000). Forecasting profitability and earnings. The Journal of Business, 73(2), 161–175. https://doi.org/10.1086/209638

Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15. https://doi.org/10.1177/875697280603700302

Higgins, R. C. (2012). Analysis for financial management (10th ed.). McGraw-Hill/Irwin.

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/

INFOBALT. (2025). IRT sektoriaus poveikis Lietuvos ekonomikai. http://mif.vu.lt/lt3/kas-vyksta-fakultete/naujienos/fakulteto-naujienos/5070-irt-sektoriaus-poveikis-lietuvos-ekonomikai-2025

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Kahneman, D., & Tversky, A. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124

Koller, T., Goedhart, M., & Wessels, D. (2020). Valuation: Measuring and managing the value of companies (7th ed.). John Wiley & Sons.

Kroll. (2023). Industry multiples in Europe: Q2 2023. https://www.kroll.com/en/publications/valuation/industry-multiples-in-europe-q2-2023

Lietuvos bankas. (2025). Naujausios ekonomikos prognozės. https://www.lb.lt/lt/naujausios-ekonomikos-prognozes

Lovallo, D., & Kahneman, D. (2003). Delusions of success: How optimism undermines executives’ decisions. Harvard Business Review, 81(7), 56–63.

Makridakis, S., & Hibon, M. (2000). The M3-Competition: Results, conclusions and implications. International Journal of Forecasting, 16(4), 451–476. https://doi.org/10.1016/S0169-2070(00)00057-1

Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74. https://doi.org/10.1016/j.ijforecast.2019.04.014

Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. https://doi.org/10.1016/j.ijforecast.2021.11.013

Palepu, K. G., Healy, P. M., & Peek, E. (2019). Business analysis and valuation: Using financial statements (5th ed.). Cengage Learning.

Penman, S. H. (2010). Financial statement analysis and security valuation (4th ed.). McGraw-Hill Education.

Statistikos departamentas. (2023). Vartotojų kainų indeksas: metinė infliacija 2022 m. https://osp.stat.gov.lt/pagrindiniai-salies-rodikliai

Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.

Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080

Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.

Valstybės duomenų agentūra. (2025). Vidutinis darbo užmokestis. https://osp.stat.gov.lt/

Williams, J. B. (1938). The theory of investment value. Harvard University Press.