假設一家 B2B SaaS 公司正在做下一季 Forecast。
去年同期營收是 1 億。業務團隊認為市場還不錯，管理層先用一個常見的 shortcut：去年 + 10%。於是 1.1 億被拆到三個月，再分到各產品線。表格看起來很完整。
一個月後，事情開始對不上。Qualified pipeline 比預期少，win rate 沒有明顯惡化，幾個大客戶延後簽約，churn 高於原先假設，原本預計到職的 sales headcount 又晚了兩個月。
此時 Finance 當然知道 Forecast 錯了。麻煩的是，top-line 數字本身沒有告訴你該往哪裡查。需求變弱？conversion 變差？留存出了問題？價格變動？還是 capacity 根本沒如期到位？
Forecast 真正要支援的是這種判斷。管理層需要知道數字怎麼形成、多久需要更新，以及 miss 發生後哪些假設值得重看。
先找出數字背後的機制
把去年營收乘上 1.10 沒有數學錯誤。它的資訊量很低，因為多個 business mechanics 被壓成同一個 growth rate。
假設最後營收比 Forecast 少 8%，背後可能是完全不同的組合：
- pipeline 少了 15%，win rate 反而優於預期；
- pipeline 正常，Average Contract Value 下滑；
- 新客戶正常，但 churn 拉低續約收入；
- demand 沒有明顯變化，sales headcount 延後到職，sales capacity 因此不足；
- 簽約數量沒有少，只是 revenue timing 往後移了一期。
只有 top-line growth assumption 時，團隊很容易在下一版直接換掉 top-line，然後繼續等下一次 miss。
IMA 的 FP&A 資料把 planning model 和 operating drivers 接在一起，目的就是讓財務結果能回到實際業務活動。IMA 在 managerial costing 的材料裡也把資源消耗與因果關係放在成本模型核心，而非任意 allocation basis。放到 Forecast，這兩個來源共同支持一個很實用的篩選方式：候選 Driver 應該能解釋結果是透過什麼營運機制被推動。
所以看到一個和 Revenue 高度相關的 KPI 時，先別急著把它塞進 Driver Tree。問它一個問題：如果這個值改變，能不能說清楚它如何改變 outcome？相關性可以提供線索，機制才決定它是否適合作為 Driver。
Driver Tree 要能回到可觀察的營運關係
Forecast 裡最常混在一起的，其實是 Driver、Assumption、Observed KPI 和 Output。把角色先分開，後面才知道 Actuals 到底在驗證什麼。
| 角色 | 它在模型裡回答什麼 | B2B SaaS 例子 |
|---|---|---|
| Driver | 哪個營運機制會推動結果？ | qualified pipeline、win rate、churn、ramped sales capacity |
| Assumption | 模型目前對 Driver 採用什麼估計？ | 下季 win rate 22%、churn 1.5% / 月 |
| Observed KPI | 現在實際量到什麼？ | pipeline coverage、實際 conversion、實際 churn |
| Output | 模型最後算出什麼？ | new ARR、renewal revenue、Opex、cash burn |
新客收入可以從一條很簡單的關係開始：
Qualified Pipeline × Win Rate × Average Contract Value → New Revenue
續約收入則可以拆成：
Renewal Base × (1 − Churn) → Retained Revenue
Capacity 與 Cost 也各自有關係：
Sales Headcount × Ramped Productivity → Sales Capacity
Engineering Headcount × Loaded Cost → Engineering Opex
Cloud Usage × Unit Infrastructure Cost → Infrastructure Cost
這些都只是示意，不是 SaaS 公司應該照抄的標準公式。價值在於每個 output 都能往上追，直到找到可觀察、可被 challenge 的關係。
GFOA 的 planning guidance 原本服務公共財務，但其中對 leading / lagging drivers 與 decision horizon 的提醒可以有限轉用到企業規劃：哪些訊號先變，哪些結果後發生，兩者中間隔多久。這能避免 Driver Tree 只是一張漂亮的因果箭頭圖。
接下來看 Assumption。Win rate 如果藏在某個 cell、hiring date 默默沿用去年、churn 寫在沒有人負責的 tab，模型即使有 Driver Tree，也很難治理。ICAEW 的 spreadsheet guidance 要求 input、logic 與 assumptions 清楚可見；Fed/OCC 的 model-risk guidance 則提供另一個可轉用的原則：material assumption 應該能被客觀挑戰。後者是金融監管語境，不能整套搬到一般 FP&A。
一般公司做到下面四件事，通常就已經比「把假設藏在 Excel 裡」前進很多：
- 目前假設值；
- 支撐它的資料或 judgement；
- 上次更新時間；
- 當現況改變時，誰負責提出修正。
這些欄位讓 miss 有地方可查。Win rate 錯了，就查 win-rate assumption；capacity 錯了，就查 headcount、ramp 或 productivity，而不是直接重寫 Revenue。
Rolling Forecast 要先決定公司需要看多遠
Driver model 會過期，問題在於過期的速度並不一致。
AICPA & CIMA 對 rolling plans / forecasts 的描述，是讓 planning window 持續往前移。假設管理層一直需要看未來六季，一開始是 Q1–Q6；Q1 結束後，Q1 變成 actual，尾端補上 Q7，於是視窗變成 Q2–Q7；下一季再往前成為 Q3–Q8。
這是 rolling horizon。Refresh cadence 則回答另一件事：哪些 Driver 要在什麼時候重新估。
AFP 的 rolling forecast guidance 把 horizon、time increment 和 update design 視為 company-specific choice。它的 implementation guidance 也提醒，如果把 annual Budget 的完整工作量改成一年重做 4 次或 12 次，團隊只是把行政成本倍增。
Cadence 可以從五個條件判斷：
- Decision lead time：決策需要提前多久？下一季要決定 hiring，兩季後才更新 headcount driver 已經失去作用。
- Volatility：Driver 變動多快？Pipeline 和一年才重談一次的辦公室租金，不需要相同 cadence。
- Data availability：可靠資料何時成熟？一個月才成熟一次的 signal，每天 refresh 只會製造假精準。
- Materiality：變化多大才值得重開 Forecast？小波動不必每次都牽動整份模型。
- Cost of refresh：一次更新會占用多少 Finance、Sales、Ops 與 management 時間？
因此，同一家公司可以每週監控某些 Driver、每月 reforecast，另一些成本每季更新，而 rolling horizon 始終維持六季。Horizon 是決策視窗，cadence 是維護視窗，兩者可以不同。
年度 Budget 也可以留著。Ekholm 與 Wallin 對 annual budgeting 的研究顯示，flexible / rolling instruments 可以和 annual budget 並存。這裡只需要保留這個邊界，AOP、Budget、Forecast 的角色分工留在上一篇處理。
保留舊版本，Actuals 才能成為測試
很多 Forecast process 有一個看似無害的習慣：新版本一出，上一版就被蓋掉。
例如一月預測三月營收 3,000 萬。二月拿到新資訊後改成 2,700 萬，三月 Actual 是 2,680 萬。如果只拿二月底版本比較，miss 是 20 萬，看起來非常漂亮。
但管理層若想知道「我們在一月時，對兩個月後到底看得多準」，就必須把一月版本留下來。
這就是 forecast origin。每一版至少要知道三件事：Forecast 是什麼時點做的、當時可用的資訊有哪些、預測距離 Actual 有多遠。Hyndman 與 Athanasopoulos 在《Forecasting: Principles and Practice》區分真正的 forecast error 與模型在已知資料上的 residual，商業上的含義很直接：評估一月 Forecast 時，不能偷偷帶入二月、三月才知道的資料。
對這家 SaaS 公司，一月版本至少要留下當時的 qualified pipeline、win rate assumption、churn assumption、sales hiring / ramp，以及由這些 inputs 算出的 revenue / cost output。Actuals 進來後，再逐項對照。
如此一來，Actuals 同時在測三件事：Driver Tree 有沒有抓到對的 mechanics、Assumption 是否合理、Refresh cadence 是否太慢。
Horizon 也要跟著保存。公司可能對 1 個月 ahead 很穩，3 個月 ahead 開始偏，6 個月 ahead 幾乎失去決策價值。把它們壓成「Forecast accuracy = 87%」，會把這個形狀整個藏掉。
Accuracy 要拆成四個診斷面向
有了 genuine prior forecast 和 Actuals，才輪到 Accuracy。這裡先不要急著選一個公司級 KPI，因為不同指標回答不同問題。
| 面向 | 管理問題 | 可用的觀察方式 |
|---|---|---|
| Magnitude | Miss 到底多大？ | MAE 保留原始單位；RMSE 對大 miss 給更高權重 |
| Direction / Bias | 是否長期往同一方向錯？ | signed error / mean error 與 Driver 層級的持續偏差 |
| Horizon | 離現在越遠，誤差怎麼變？ | 1、3、6 個月 ahead 分開看 |
| Segment | Aggregate 底下哪一塊在錯？ | 產品、地區、客群、Driver 分拆 |
Magnitude 很適合先回答「差多少」。例如月營收用 MAE，可以直接看到平均差多少金額；headcount Forecast 則直接看到平均差多少人。RMSE 會放大少數大 miss 的影響，如果巨大 miss 對決策特別危險，這個性質就有用。兩個指標沒有固定勝負。
Bias 的用途不同。假設 Revenue error 有正有負，aggregate MAE 看起來普通，但 win rate 連續幾個月都估太高，管理問題已經很明確。Sales 可能長期高估 late-stage pipeline，也可能是 Finance 長期為了保守低估收入。平均誤差相近，不代表組織行為相同。
Horizon 則要把 1 個月 ahead、3 個月 ahead、6 個月 ahead 分開。Hyndman 與 Athanasopoulos 在 time-series cross-validation 使用 rolling forecast origins，就是為了觀察不同 horizon 的表現。企業不需要照著寫統計程式，卻可以直接採用這個管理習慣。近兩個月可靠、半年後快速惡化的 Forecast，可以支援短期 hiring 或 working-capital 決策，但半年後的數字就不適合被當成精準承諾。
Segment 會抓出 aggregate 的互相抵消。總 Revenue 只差 3%，可能同時包含 Enterprise 高估 15%、SMB 低估 12%。總 ARR 也可能剛好接近 plan，背後卻是 new logo 高估、expansion 低估、churn 也低估。總數看起來很準，不代表 Driver 層級沒有問題。
FPP 對 forecast accuracy measures 的討論指出，不同 metrics 衡量不同性質，也可能對兩套 Forecast 給出不同排名。MAPE（Mean Absolute Percentage Error）要特別留意：它把 error 除以 Actual，Actual = 0 時沒有定義，Actual 很接近 0 時也可能被小分母放大。Hyndman 與 Koehler 對 forecast accuracy measures 的研究正是常被引用的警告之一。
如果要跨不同尺度比較，MASE 這類 scaled measure 可能比機械式套用 MAPE 更合適。選 metric 前，先確定要回答的是 magnitude、bias、horizon 還是 cross-scale comparison。
進階：Range Forecast 的 Calibration 是另一個更嚴格的統計問題。 例如反覆提供 80% prediction interval，可以觀察 realised outcomes 是否大致以相應頻率落在區間內。這和管理上根據 point-forecast miss 去調整 assumption 的「recalibration」不是同一個概念。Quantile、interval 與 distributional forecast 可以另外深入，不需要塞進每份企業 point Forecast。
Miss 出現後，沿 Driver Tree 往回查
回到開頭那家公司。Actuals 到齊後，團隊發現 qualified pipeline 確實低於預期，但不足以解釋全部 revenue miss；realised win rate 已連續三個月低於模型 assumption；churn 稍高；另外兩位 sales hires 延後到職，讓預計的 ramped capacity 晚了一季。
如果下一季 Revenue 直接下調 8%，表面上完成了 reforecast，真正的問題仍留在模型裡。
沿 Driver Tree 往回查，可以把討論拆成幾個具體問題：
- 22% 的 win-rate assumption 還有足夠證據嗎？
- pipeline stage 的定義是否改過，讓歷史 conversion relationship 失效？
- hiring delay 是一次性事件，還是 recruiting lead time 長期估得太短？
- churn 上升集中在某個 segment，還是 broad-based？
- cadence 是否太慢，Driver 已經 material change 一個月後 management 才看到？
答案可能落在不同層。Assumption 要改，Driver relationship 要重建，input data 品質要處理，或 cadence 要調整；也可能只是遇到真的難以預測的 external shock。Forecast 沒有能力消除 uncertainty。
這一輪診斷完成後，下一版 Forecast 才從更新過的 mechanics 重新生成。整個流程可以寫成：
Drivers → Forecast → Actuals → Error / Bias → Recalibration → Next Forecast
這條 loop 不承諾下一次一定更準。它提供的是可追查性：這次 miss 發生在哪一層，團隊改了什麼，以及下一個決策現在建立在哪些 assumptions 上。
最後用三個檢查決定這份 Forecast 能不能拿來管理
拿到一份 Forecast 時，可以先做三個很快的檢查。
Explain：從 Revenue、Cost、Cash 等 output，能不能一路追到重要 Driver 與 Assumption？如果追到最後只剩「去年 + 10%」，管理者只能看到答案，看不到可診斷的 mechanics。
Stay Current：Horizon 與 cadence 是否匹配決策速度？三個月內要做的 hiring decision，不能等六個月後才更新；一年才改一次的 assumption，也沒必要每週重建。
Learn：Miss 發生後，有沒有保留 forecast origin，並從 magnitude、bias、horizon、segment 往回定位？最後應該知道要動的是 Driver、Assumption、data 還是 cadence。
References
- AICPA & CIMA - Rolling Plans and Forecasts
- Institute of Management Accountants - Overcoming FP&A’s Biggest Challenge: Predicting the Future
- Institute of Management Accountants - Developing an Effective Managerial Costing Model
- ICAEW - 20 principles for good spreadsheet practice, 2024 edition
- Association for Financial Professionals - 8 Steps for Creating a Rolling Forecast
- Association for Financial Professionals - Implementing a Rolling Forecast: Success Factors and Pitfalls
- Hyndman & Athanasopoulos - Forecasting: Principles and Practice, Evaluating Point Forecast Accuracy
- Hyndman & Athanasopoulos - Time Series Cross-Validation
- Hyndman & Koehler - Another Look at Measures of Forecast Accuracy
- Hyndman & Athanasopoulos - Evaluating Distributional Forecast Accuracy
- GFOA - Planning and Budgeting Overview
- Federal Reserve Board / OCC - Supervisory Guidance on Model Risk Management
- Ekholm & Wallin - Is the Annual Budget Really Dead?