Esta herramienta es una técnica de simulación que se utiliza cuando conviene factorizar en la valoración la incertidumbre y la variabilidad. Si bien el método basado en los ingresos, sobre todo el de flujos de efectivo descontados, se centra en estimar el valor actual de los flujos de efectivo futuros, la simulación Monte Carlo profundiza en este enfoque factorizando resultados potenciales basados en distribuciones de probabilidad de las variables del modelo.
Con este modelo es posible evaluar más holísticamente el valor potencial de una tecnología, pues se pueden iterar los cálculos utilizando un amplio rango de valores para las variables. Con este método puede obtenerse una visión más informada de la probabilidad de los distintos resultados, el rango de valores de las variables y la probabilidad de cada uno, lo que contribuye a la solidez del análisis de riesgos e incertidumbres que conlleva el cálculo de una valoración.
En capítulos anteriores se ha estudiado el enfoque basado en los ingresos, en el que se utiliza una tasa de descuento (única) para factorizar el costo del capital y la probabilidad de éxito, cuando la PI se encuentra en fase de desarrollo y cuando el producto que incorpora esa PI se lanza al mercado. Sin embargo, puede que la utilización de un único valor para reflejar la variabilidad en los flujos de efectivo no capture integralmente la volatilidad de las variables que afectan al flujo de efectivo tradicional.
En contraste, la simulación Monte Carlo permite reflejar más pormenorizadamente las incertidumbres ligadas a las variables más relevantes del modelo, por ejemplo los flujos de efectivo futuros, las tasas de crecimiento, las tasas de descuento y los parámetros del mercado. Al generar un abanico de resultados, la simulación proporciona una distribución de valores, lo cual permite comprender mejor los posibles riesgos y oportunidades asociados a la PI en estadios tempranos de desarrollo. Así pues, la utilización de esta herramienta junto con cualquier otro de los cuatro métodos de valoración de la PI presentados permite afrontar la toma de decisiones, la definición de estrategias de negociación y la gestión de carteras de un modo más informado.
Pueden citarse como ejemplos de las variables sujetas a variabilidad:
Tasas de descuento: el costo de capital no es igual para todas las empresas, y varía, por ejemplo, entre los posibles licenciatarios cuando sus perfiles son diferentes.
Tasas de abandono y riesgos tecnológicos: en algunos sectores son conocidos y estables, mientras que en otros son más dinámicos.
Costos de desarrollo: pueden aumentar si se incurre en nuevos gastos imprevistos.
Plazos: los plazos de desarrollo o el lapso previsto para alcanzar determinados objetivos pueden acortarse o alargarse.
Costos asociados: el costo de los bienes vendidos, los costos de venta o los costos de comercialización, así como los costos generales y administrativos. Son difíciles de estimar para la PI en estadios tempranos de desarrollo, pero más previsibles en etapas más maduras o cuando el producto ya se comercializa.
Mantenimiento de la patente: si una empresa amplia la protección a una nueva región o, por el contrario, abandona un mercado.
Costos de licencia y regalías ligadas a las ventas: pueden sobreestimarse o infraestimarse.
Cambios en la duración de la vida útil restante de la PI: por ejemplo si se presentan nuevas solicitudes de patente que conviertan la PI en cuestión en una tecnología obsoleta, si se producen cambios normativos o si inician acciones judiciales.
Ventas y crecimiento: la competencia puede afectar considerablemente a las previsiones de ventas y de cuota de mercado.
Simulación de escenarios
En el método Monte Carlo se simulan varios escenarios, para generar una distribución probabilística, en lugar de un resultado único. Por supuesto, los escenarios simulados irán desde los que resultan probables dadas las circunstancias del desarrollador de la PI hasta los más improbables. Las curvas de distribución probabilística generadas van acompañadas de intervalos de confianza, que facilitan la identificación de las valoraciones más probables. Una vez realizado este ejercicio, es conveniente compartir los resultados con profesionales del sector y con sus redes de contactos, para que puedan aportar sus impresiones al respecto.
Nota: VAN = valor actual neto; rVAN = valor actual neto ajustado por riesgoEn el Gráfico 3 se ilustra la evolución desde el cálculo de VAN hasta el resultado obtenido mediante simulaciones. En este gráfico se muestra la curva de flujos de efectivo según pasa el tiempo, a medida que la PI se va desarrollando, como pone de manifiesto el flujo de efectivo negativo. En este caso, se están realizando actividades de I+D de cara a la comercialización de la PI. Cuando el producto se comercializa se da un punto de inflexión en el que las ventas generan flujos de efectivo y hacen que, en algún momento, el proyecto resulte rentable y comience a generar beneficios. El VAN puede determinarse al final del horizonte temporal contemplado.
En la segunda curva se presenta el VAN ajustado en función del riesgo, con lo cual se desglosan el costo de capital y la probabilidad de éxito en las distintas etapas de desarrollo, por lo que el valor resultante es más modesto. Tomando estas estimaciones del VAN, se contemplan otros escenarios en los que, por ejemplo, el desempeño comercial del producto es peor que el asumido para el escenario en el que se había descontado el VAN para tener en cuenta el riesgo.
Aplicación de la simulación Monte Carlo
Para aplicar esta herramienta es necesario contar con los recursos apropiados, entre ellos programas informáticos de estadística para realizar las simulaciones, recursos computacionales que permitan ejecutar los cálculos y conocimientos especializados en análisis estadístico. Colaborar con especialistas, tales como analistas financieros o expertos en datos, puede aumentar la fiabilidad y precisión de las simulaciones. A la luz de lo expuesto, pueden darse los siguientes pasos para complementar otros métodos de valoración de la PI con la simulación Monte Carlo.
Paso 1. Determinar cuál es el objetivo de la valoración: articular con claridad cuál es el objetivo de la valoración, por ejemplo establecer qué valor potencial tiene la PI en cuestión de cara a una concesión de licencias u otra operación.
Paso 2. Recabar datos pertinentes: tantos como sea posible, para utilizarlos como insumos en la simulación. Estos datos pueden ser series históricas financieras, investigaciones de mercado, informes sectoriales, opiniones de expertos o cualquier otra fuente que resulte pertinente para la obtención de información acerca de las variables que repercuten en el valor de la PI.
Paso 3. Identificar las variables fundamentales: aquellas que repercuten de manera sustantiva en el valor de la PI. Por ejemplo, flujos de efectivo, tasas de descuento, parámetros de mercado, tasas de crecimiento, plazos de desarrollo y costos.
Paso 4. Evaluar la calidad de los datos: valorar la calidad y fiabilidad de los datos obtenidos. Velar por que las fuentes de datos gocen de credibilidad y sean representativas del sector y el activo de PI en cuestión. Si se observan lagunas en los datos, conviene seguir investigando o consultar con expertos que puedan suplementar la información disponible.
Paso 5. Definir escenarios o distribuciones probabilísticas: para cada variable han de definirse escenarios o distribuciones probabilísticas pertinentes que reflejen las incertidumbres y la variabilidad ligadas a cada una. Las distribuciones probabilísticas que se usan con más frecuencia en las simulaciones Monte Carlo son la normal, la normal-logarítmica, la triangular y la uniforme. Para determinar la forma, los parámetros y los rangos de valores de las distribuciones, conviene tener en cuenta las series históricas de datos, los valores de referencia que se usan en cada sector, las opiniones de los especialistas y cualquier otra información disponible.
Paso 6. Consignar claramente las hipótesis: señalar con claridad qué hipótesis se han utilizado para las relaciones entre las variables, y si se han identificado correlaciones o dependencias. Identificar todos los elementos que es necesario incluir en la modelización, por ejemplo las tasas de crecimiento, las condiciones de mercado o los avances tecnológicos, para realizar una simulación realista.
Paso 7. Realizar iteraciones aleatorias utilizando el modelo: escogiendo para cada variable valores extraídos de su distribución probabilística. El número de iteraciones debe ser suficiente para reflejar el rango de resultados potenciales y hacer que el ejercicio tenga significación estadística y tienda a converger hacia un resultado estable. Es habitual realizar miles o incluso decenas de miles de iteraciones.
Paso 8. Realizar simulaciones: realizar las simulaciones aplicando el modelo o modelos de valoración a cada iteración. Combinando los valores escogidos para las principales variables se calcula el valor de la PI en cada iteración de la simulación. El resultado es una distribución de valores potenciales, que refleja la variabilidad e incertidumbre inherente a la valoración de la PI.
Paso 9. Analizar la distribución de los valores generados en las simulaciones. Identificar la media, la mediana, la desviación típica y otras medidas estadísticas que permitan entender la centralidad, variabilidad y forma de la distribución. Elaborar representaciones gráficas mediante histogramas, gráficos de probabilidad acumulativa, etc., que faciliten la interpretación del rango de resultados.
Paso 10. Interpretar los resultados y valerse de ellos para la toma de decisiones: utilizar los resultados de la simulación Monte Carlo para optimizar la toma de decisiones. Analizar la distribución para entender qué probabilidad tiene cada valoración y evaluar el potencial y los riesgos del activo de PI en cuestión. Esta información puede resultar útil en la negociación de los términos de un acuerdo de concesión de licencias, a la hora de fijar un precio realista o para orientar decisiones de inversión.
Ventajas
Este método permite incorporar la incertidumbre y la variabilidad en las valoraciones. Al utilizar como insumos de la modelización puntos de datos de las distribuciones probabilísticas de las variables (por ejemplo, flujos de efectivo, tasas de descuento o parámetros de mercado) la simulación permite generar un abanico de posibles resultados, lo cual proporciona una representación más realista del valor potencial de la PI.
La simulación proporciona información acerca de cuáles son los resultados más plausibles y sobre las probabilidades conexas. Este análisis probabilístico facilita la evaluación de los riesgos e incertidumbres connaturales a la PI, y contribuye a tomar decisiones con un mayor conocimiento de causa.
Este método permite tener en cuenta múltiples variables simultáneamente, y captura las interacciones e interdependencias que se dan entre ellas. Con esta pormenorizada evaluación se logra una visión holística de los elementos que generan valor, además de contribuir a la comprensión de la influencia de los diversos factores en la valoración.
Desventajas
Para este método se precisan datos precisos y fiables. La obtención de datos de calidad para variables importantes, como pueden ser los flujos de efectivo, los parámetros de mercado y sus respectivas distribuciones probabilísticas puede resultar difícil, sobre todo cuando se trata de PI en estadios tempranos de desarrollo, pues es posible que la disponibilidad de datos sea limitada.
Para aplicar esta simulación se requiere un robusto conocimiento de conceptos estadísticos, técnicas de simulación e hipótesis de modelización. Suele ser preciso haberse formado en el manejo de programas informáticos de simulación y análisis estadísticos.
Las simulaciones presentan un alto grado de sensibilidad a las hipótesis utilizadas para las distribuciones probabilísticas, las correlaciones y otros parámetros del modelo. La precisión y fiabilidad de las simulaciones depende de la calidad de estas hipótesis, pues pequeñas variaciones en ellas pueden generar desviaciones considerables en los resultados de la valoración.
La simulación Monte Carlo implica realizar un gran número de iteraciones, lo cual puede llevar tiempo y consumir una gran cantidad de recursos computacionales. Conviene disponer de los recursos adecuados, tales como computadoras potentes y programas informáticos especializados, para cumplir las exigencias computacionales de estas simulaciones.
Recabar datos pertinentes: recopilar datos detallados y pertinentes para utilizar como insumos en la simulación. Estos datos pueden ser series históricas financieras, investigaciones de mercado, informes sectoriales, opiniones de expertos y cualquier otra fuente que resulte pertinente para la obtención de información acerca de las variables que repercuten en el valor de la PI. Velar por que los datos gocen de credibilidad y sean representativos del sector y el activo de PI en cuestión.
Identificar las variables fundamentales: aquellas que repercuten de manera sustantiva en el valor de la PI. Por ejemplo, flujos de efectivo, tasas de descuento, parámetros de mercado, tasas de crecimiento, plazos de desarrollo y costos. Para realizar simulaciones realistas, es indispensable entender estas variables y los rangos de valores que pueden adoptar.
Escoger escenarios y distribuciones probabilísticas que reflejen la incertidumbre y variabilidad conexas. Para determinar la forma, los parámetros y los rangos de valores de las distribuciones, conviene tener en cuenta las series históricas de datos, los valores de referencia que se usan en cada sector, las opiniones de los especialistas, así como cualquier otra información disponible.
Seleccionar las hipótesis: determinar todas las hipótesis que se necesitan para el modelo, por ejemplo tasas de crecimiento, condiciones de mercado o avances tecnológicos, a fin de diseñar una simulación realista.
Realizar análisis de sensibilidad: para evaluar cómo afecta a la valoración la variación en las principales hipótesis y variables. Este ejercicio permite hacerse una idea del grado de robustez de la valoración y detectar cuáles son los factores que más afectan al cálculo de esta.
Colaborar con especialistas: por ejemplo especialistas en valoración, analistas financieros o expertos en datos. Esto puede mejorar la precisión y fiabilidad de las simulaciones. Conviene recabar la colaboración de profesionales con conocimientos especializados en el ámbito de las técnicas de simulación y el análisis estadístico, para garantizar la validez estadística de los resultados de la simulación Monte Carlo.