Analisi della sensibilità
Che cos’è l’analisi della sensibilità?
Un’analisi di sensibilità determina il modo in cui i diversi valori di una variabile indipendente influenzano una particolare variabile dipendente in un dato insieme di ipotesi. In altre parole, le analisi di sensibilità studiano come le varie fonti di incertezza in un modello matematico contribuiscono all’incertezza complessiva del modello. Questa tecnica viene utilizzata entro limiti specifici che dipendono da una o più variabili di input.
L’analisi di sensibilità viene utilizzata nel mondo degli affari e nel campo dell’economia. È comunemente usato da analisti finanziari ed economisti ed è anche noto come analisi what-if.
Punti chiave
- Un’analisi di sensibilità determina il modo in cui i diversi valori di una variabile indipendente influenzano una particolare variabile dipendente in un dato insieme di ipotesi.
- Questo modello viene anche definito analisi what-if o simulazione.
- L’analisi di sensibilità può essere utilizzata per fare previsioni sui prezzi delle azioni delle società quotate in borsa o su come i tassi di interesse influenzano i prezzi delle obbligazioni.
- L’analisi di sensibilità consente la previsione utilizzando dati storici e reali.
Come funziona l’analisi della sensibilità
L’analisi di sensitività è un modello finanziario che determina il modo in cui le variabili target vengono influenzate in base ai cambiamenti in altre variabili note come variabili di input. Questo modello è indicato anche come analisi what-if o simulazione. È un modo per prevedere il risultato di una decisione data una certa gamma di variabili. Creando un dato insieme di variabili, un analista può determinare in che modo i cambiamenti in una variabile influenzano il risultato.
Entrambe le variabili target e di input, o indipendenti e dipendenti, vengono completamente analizzate quando viene condotta l’analisi della sensibilità. La persona che esegue l’analisi osserva come si muovono le variabili e come l’obiettivo è influenzato dalla variabile di input.
L’analisi di sensitività può essere utilizzata per aiutare a fare previsioni sui prezzi delle azioni delle società pubbliche. Alcune delle variabili che influenzano i prezzi delle azioni includono gli utili dell’azienda, il numero di azioni in circolazione, il rapporto debito / capitale proprio (D / E) e il numero di concorrenti nel settore. L’analisi può essere raffinata sui futuri prezzi delle azioni facendo ipotesi diverse o aggiungendo diverse variabili. Questo modello può essere utilizzato anche per determinare l’effetto che le variazioni dei tassi di interesse hanno sui prezzi delle obbligazioni. In questo caso, i tassi di interesse sono la variabile indipendente, mentre i prezzi delle obbligazioni sono la variabile dipendente.
Gli investitori possono anche utilizzare l’analisi della sensibilità per determinare gli effetti che diverse variabili hanno sui rendimenti degli investimenti.
L’analisi di sensibilità consente la previsione utilizzando dati storici e reali. Studiando tutte le variabili e i possibili risultati, è possibile prendere decisioni importanti sulle imprese, sull’economia e sugli investimenti.
Esempio di analisi di sensibilità
Supponiamo che Sue sia un responsabile delle vendite che desidera comprendere l’impatto del traffico dei clienti sulle vendite totali. Determina che le vendite sono una funzione del prezzo e del volume delle transazioni. Il prezzo di un widget è di $ 1.000 e Sue ne ha vendute 100 lo scorso anno per un totale di $ 100.000. Sue determina inoltre che un aumento del 10% del traffico dei clienti aumenta il volume delle transazioni del 5%. Ciò le consente di costruire un modello finanziario e un’analisi di sensibilità attorno a questa equazione basata su affermazioni what-if. Può dirle cosa succede alle vendite se il traffico dei clienti aumenta del 10%, 50% o 100%. Sulla base di 100 transazioni odierne, un aumento del 10%, 50% o 100% del traffico dei clienti equivale a un aumento delle transazioni rispettivamente del 5%, 25% o 50%. L’analisi di sensitività dimostra che le vendite sono molto sensibili ai cambiamenti nel traffico dei clienti.
Sensibilità vs. analisi dello scenario
In finanza, viene creata un’analisi di sensibilità per comprendere l’impatto che una serie di variabili ha su un determinato risultato. È importante notare che un’analisi di sensibilità non è la stessa cosa di un’analisi di scenario. Ad esempio, si supponga che un analista azionario desideri eseguire un’analisi di sensibilità e un’analisi di scenario intorno all’impatto dell’utile per azione (EPS) sulla valutazione relativa di una società utilizzando il multiplo prezzo-utili (P / E).
L’analisi di sensitività si basa sulle variabili che influenzano la valutazione, che un modello finanziario può rappresentare utilizzando il prezzo e l’EPS delle variabili. L’analisi di sensibilità isola queste variabili e quindi registra la gamma di possibili risultati. D’altra parte, per un’analisi di scenario, l’analista determina un determinato scenario come un crollo del mercato azionario o un cambiamento nella regolamentazione del settore. Quindi modifica le variabili all’interno del modello per allinearle a quello scenario. Messo insieme, l’analista ha un quadro completo. Ora conosce l’intera gamma di risultati, dati tutti gli estremi, e ha una comprensione di quali sarebbero i risultati, dato un insieme specifico di variabili definite da scenari di vita reale.
Vantaggi e limiti dell’analisi di sensibilità
L’esecuzione di analisi di sensibilità offre una serie di vantaggi per i responsabili delle decisioni. In primo luogo, funge da studio approfondito di tutte le variabili. Poiché è più approfondito, le previsioni potrebbero essere molto più affidabili. In secondo luogo, consente ai responsabili delle decisioni di identificare dove possono apportare miglioramenti in futuro. Infine, consente la capacità di prendere decisioni valide sulle aziende, sull’economia o sui loro investimenti.
Ma ci sono alcuni svantaggi nell’usare un modello come questo. I risultati sono tutti basati su ipotesi perché le variabili sono tutte basate su dati storici. Ciò significa che non è esattamente accurato, quindi potrebbe esserci spazio per errori quando si applica l’analisi a previsioni future.