Dos trampas de valoración en las fusiones y adquisiciones de tecnología de consumo

El frenético torrente de actividad de fusiones y adquisiciones desencadenado por la convergencia de COVID-19 y los nuevos y próximos cambios en la política de privacidad de Apple ha hecho que se destaque el análisis de valoración de muchas empresas de tecnología de consumo de dispositivos móviles primero. Antes de este período único en la historia de los dispositivos móviles, estuve involucrado con compradores y vendedores de varias transacciones, pero especialmente durante este período, vi muchos métodos utilizados para evaluar productos digitales (como aplicaciones móviles) como parte de la diligencia debida. Para las adquisiciones, Se ha vuelto sensible a dos errores específicos que ocurren con frecuencia en este proceso.

Describiré estos errores en detalle a continuación, pero primero hay algunas ideas aburridas sobre adquisiciones. A menudo se hace referencia a las fusiones y adquisiciones como «arte y ciencia».Pero según mi experiencia como consultor de transacciones de fusiones y adquisiciones (lea: Mis fondos no son riesgosos), el proceso de adquisición es alguien Un arte o una ciencia, cuando un método impregna a otro método en el proceso, generalmente significa la perdición del proyecto. Basándome en la experiencia, he visto que la motivación para las adquisiciones, es decir, la exclusión mutua, está impulsada por la visión o las matemáticas. Las adquisiciones orientadas a la visión suelen estar impulsadas por el poder puro de la personalidad de sus promotores internos. Un buen ejemplo podría ser la adquisición de Instagram por parte de Facebook. Estoy seguro de que las hojas de cálculo se esparcen enormemente en el proceso, pero Mark Zuckerberg quiere comprar Instagram y, en última instancia, el precio no obstaculizará la transacción.

Las adquisiciones motivadas por las matemáticas se desarrollan de manera muy diferente. En estos casos, la aportación de expertos y los modelos construidos por analistas junior con alto contenido de cafeína serán cuidadosamente analizados hasta que los patrocinadores relevantes sean persuadidos por la abrumadora ventaja del análisis (raro), encuentren modelos imaginables y los utilicen. (más común), o percibir los beneficios competitivos en una adquisición (más común). Me parece interesante participar en adquisiciones motivadas por las matemáticas porque requieren que un gran número de personas muy inteligentes se reúnan para considerar la integridad comercial de algunas alianzas empresariales.

Pero cuando un método (visión o matemáticas) toma prestado otro método, las adquisiciones a menudo fracasan. Cuando las adquisiciones orientadas a la visión se convierten en análisis en profundidad en torno a sinergias cuantitativas, o cuando las adquisiciones orientadas a las matemáticas intentan introducir rendimientos elevados y elevados de segundo orden en el modelo central de toma de decisiones, entonces el artículo se ve afectado y la posibilidad de éxito. (es decir, la finalización de la transacción) se desplomó. La vida o muerte de una transacción depende de la verificación de hipótesis.

A menudo asesoro sobre transacciones para evaluar la salud básica de los productos digitales, y uno o más de los siguientes documentos sobre la empresa objetivo inspiraron la investigación:

• Puede iniciar o expandir significativamente el marketing de resultados para liberar mucho valor;
• El desarrollo de productos y funciones, especialmente el tipo de mecanismo de participación del jugador de «operación en tiempo real» que se ejecuta con regularidad, puede mejorar significativamente la rentabilidad del producto;
• La unión de ciertos tipos de empresas puede producir sinergias y economías de escala, aumentando así la eficiencia.

Cada uno de estos documentos debe comprender si la empresa objetivo y su cartera de productos están creciendo. Esto puede parecer difícil y puede confundir el análisis de una manera discreta. A continuación, describo dos errores que son fáciles de cometer al realizar un análisis de valoración durante el proceso de diligencia debida.

No evalúe grupos nuevos que sean independientes de los grupos existentes

Considere este diagrama DAU:

El DAU de este producto ha crecido rápidamente, mostrando una curva de crecimiento casi lineal. Un gráfico de este tipo ciertamente despertará el interés de los compradores potenciales, pero el indicador DAU agregado oculta algunas tendencias potencialmente catastróficas, que solo son visibles cuando el DAU se desglosa por mes del grupo de contribución:

La tasa de retención de producto se redujo significativamente, lo que se vio en la rápida evaporación de las colas posteriores. DAU está creciendo porque el tamaño del grupo está creciendo, pero el grado de composición del grupo es diferente del grado mensual del grupo uno y dos. En la imagen de arriba, el tercer grupo (amarillo) se evaporó casi por completo con el tiempo y solo existió en el producto durante 4 meses, mientras que al final de la línea de tiempo, el cuarto grupo (verde) contribuyó con menos DAU que el primer grupo. Con el tiempo, la empresa está compensando el deterioro de sus ingresos introduciendo más usuarios nuevos, ya sea mediante marketing o algún descubrimiento orgánico acelerado, introduciendo usuarios de «peor calidad» en el producto. La curva de retención correspondiente del gráfico DAU proporcionado es la siguiente:

Describí este fenómeno La deserción mensual de usuarios es un indicador terrible (Adaptado de la tabla):

Ésta es una pista muy vaga. El modelo de crecimiento debe ser un modelo prospectivo basado en la tasa de retención esperada, en lugar de los principales cambios de DAU que no consideran la composición de la base de usuarios. Si el equipo de producto no sabe cómo es la retención de usuarios, por ubicación geográfica, fuente de adquisición, plataforma y tiempo, entonces no puede entender por qué hay una desaceleración y aceleración en el crecimiento. Si no comprende el crecimiento, no puede administrarlo.

Al considerar las perspectivas de crecimiento del producto, ¿qué factores deben considerarse en el modelo de valoración? El gráfico de DAU «arriba y a la derecha» oculta el deterioro de la retención del grupo posterior, pero sabemos que el nivel de DAU del grupo inicial es aproximadamente estable.Que sera nuevo ¿Qué aspecto tienen los usuarios? Es fácil obtener el recuento diario de nuevos usuarios (porque se pueden medir en tiempo real) y aplicarle la extensa curva de retención histórica para predecir los grupos futuros.

Pero la tasa de retención promedio durante los últimos 180 días ocultará la mayor parte del deterioro reciente y se verá más afectada por las cohortes más antiguas, que por definición contribuyen de manera desproporcionada a más datos posteriores a la retención. Los analistas deben poder aislar las curvas de retención de nuevos grupos y proyectarlas hacia adelante, pero nuevamente, los datos son limitados. Este es un caso sutil pero importante: la tasa de retención del grupo está disminuyendo, por lo que el nuevo grupo no se verá como (o similar) al grupo anterior.

El modelo operativo no está dimensionado

Esta Lingua franca El núcleo del análisis de fusiones y adquisiciones es Excel: el equipo del comprador construirá un modelo operativo de la empresa objetivo e intentará predecir los ingresos futuros, DAU, ganancias, etc., basándose en algunas suposiciones sobre cómo la adquisición liberará valor de los activos relacionados. Después de considerarlo.

Los modelos de Excel son herramientas poderosas porque son fáciles de distribuir, interpretar y visualizar.existe Economía de Freemium, Yo lo escribi:

Las hojas de cálculo son poesía corporativa; cuando se construyen con elegancia, se pueden usar para transmitir ideas complejas a audiencias que no aceptarán detalles … La aceptabilidad de un medio de un método parece ser un beneficio trivial, especialmente cuando se compara con la capacidad del medio para producir resultados detallados, no debe subestimarse; la información no se puede utilizar para influir en la toma de decisiones a menos que pueda ser analizada y explicada por la parte que toma la decisión. Para bien o para mal, las hojas de cálculo son los pilares básicos de las estructuras corporativas modernas, e ignorar su existencia no cambiará las expectativas de nadie sobre cómo se presentan los datos.

Pero el modelo de Excel limita el alcance del análisis al forzar el pensamiento bidimensional para tareas que requieren un escrutinio más amplio: un producto o empresa puede evolucionar en innumerables vectores impulsados ​​por una gran cantidad de entradas. He visto modelos de Excel que hacen llorar a Alan Turing, pero aún así reducen el resultado a ilusiones cuantitativas. A veces, este es el punto: los modelos siempre son ficticios y los modelos pueden hacer que ciertos procesos de acción sean matemáticamente sólidos.

Sin embargo, a menos que la granularidad del modelo se asigne a la profundidad del negocio, especialmente la parte más dinámica del negocio que está cambiando o puede cambiar, el modelo es inútil. La falta de dimensión en el modelo (por ejemplo, para toda la base de usuarios, DAU o tasa de retención o valor de monetización se cotiza a escala global) en realidad anuncia que el impulso del negocio seguirá siendo el mismo, así como la dinámica que existen en cada componente Los negocios que generan ingresos de la fusión también se mantendrán sin cambios. Esta situación es rara. De hecho, algunos cambios dinámicos suelen ser los primeros catalizadores de posibles adquisiciones.

En última instancia, la menor cantidad de dimensionalidad que me gusta ver en los modelos operativos se captura en dos tipos de características de usuario, que se multiplican en un álgebra lineal cualitativa para producir un amplio conjunto de perfiles de usuario: ¿Cómo acceden los usuarios al producto? y ¿Cómo se comporta el usuario?

En la primera categoría, el modelo debe considerar los usuarios adquiridos mediante adquisición pagada y descubrimiento orgánico, y en el segmento pago, a través de qué canales (y en qué plataformas) se adquieren los usuarios. Al considerar adquisiciones pagadas, tiene sentido agrupar a los usuarios en áreas geográficas, porque la geografía definirá las perspectivas de crecimiento. Luego, a través de estos archivos de configuración definidos, en la segunda categoría, se pueden derivar varios indicadores de comportamiento, como ARPDAU y tasa de retención, y usarlos para predecir el resultado del modelo.

Por supuesto, esto es difícil de hacer en una hoja de cálculo: es más fácil de hacer en código, razón por la cual construí y abrí Theseus, y mi biblioteca de Python se usa para el análisis de colas.Pero agrupar las bases de DAU en estos grupos es necesario porque los números globales pueden ser engañosos, como dije en Evite la paradoja de Simpson en el análisis de datosLo que es particularmente problemático con el análisis de valoración es que las peculiaridades de cada parte de la base de la DAU, si no se detectan mediante un análisis dimensional y granular, se proyectarán al futuro de una manera que puede ocultar los principales riesgos comerciales.

Foto de Xavi Cabrera en Unsplash