La situación
El modelo era impresionante en su complejidad: 47 inputs, 8 escenarios, 16 outputs. El board lo elogiaba. El equipo dedicaba 3 días/mes a actualizarlo. Pero las predicciones erraban consistentemente.
Auditamos: de los 47 inputs, solo 5 explicaban 87% de la variación en outputs. Los otros 42 eran teatro estadístico. El driver-based model real es mucho más simple — y mucho más predictivo.
Las palancas
1
Análisis de sensibilidad como filtro
Mover cada input ±10% y medir impacto en outputs. Inputs con <2% impact se eliminan.
2
Identificar los 'big rocks'
En SaaS B2B típicamente: new logo bookings, NRR, ACV, gross margin %, ARR-to-cash conversion. Cinco, no cuarenta.
3
Inputs no-driver van a un tab separado
Tax rate, FX, opex categorías — son assumptions, no drivers. Visualmente separados del modelo predictivo.
El resultado
47 inputs
→
5 drivers
El modelo simplificado explica 87% de la varianza
Lecciones aplicables
- Un modelo con 47 inputs no es preciso — es teatro estadístico. La precisión viene de identificar los pocos drivers reales.
- Análisis de sensibilidad como filtro elimina 70-80% de los inputs sin perder explanatory power.
- Drivers ≠ assumptions. Confundirlos es por qué la mayoría de modelos predicen mal sus propios outputs.
Parte de la colección de lanzamiento
Las ediciones nuevas salen por correo cada viernes a las 7am CDMX. Suscribite para recibir la próxima — gratis, una a la semana.
Suscribirse al newsletter →← Caso № 19
Cash conversion cycle: de 78 días a 41 en 6 meses
Caso № 21 →
13 semanas vs 26 semanas: por qué la mayoría usa el horizonte equivocado