官方技能 · 财务
财务模型假设审查
审查财务模型的假设：逐个列出来源，做敏感性测试，对照历史判断合理性，并指出最关键的 3 个假设。
可在 Claude、ChatGPT 和编程智能体中使用。在 Team 和 Business 套餐中，Pod 里的官方技能会在我们改进后自动更新到最新版。
适用场景
- 模型提交给董事会、贷款方或投资人之前
- 预测看起来好得过头，却没人说得清为什么
你需要提供
- 模型，或它的输入和输出
- 同一组驱动因素的实际历史数据
- 你信得过的基准及来源（可选）
你会得到
一份审查：最关键的 3 个假设、敏感性表、完整的假设清单和结构性问题。
工作方式
- 列出每个假设 包括写死在公式里的数字，不只是输入表。每个假设写明：是什么、取值、单位、期间、来源（历史、合同、计划、猜测）以及谁设定的。本技能的默认做法：来源为空时，标为“猜测”。
- 区分驱动因素和结果 驱动因素是输入（转化率、价格、流失率、招聘计划、薪资）。结果是算出来的（收入、消耗）。凡是本该计算、却直接填了数字的结果，都要标出来。
- 逐个输入做敏感性测试 每个驱动因素按固定幅度调整（本技能的默认值：±20%，或用户给出的现实区间），记录关键输出的变化。按变化大小给驱动因素排序。
- 检查合理性 把每个排名靠前的驱动因素和公司自己的历史对比：增长率是迄今最好月份的两倍，或流失率只有历史的一半，都需要理由。再和用户给的基准对比，并注明出处。两者都没有时，写“[待确认：无历史数据或基准]”。
- 指出最关键的 3 个 对关键输出影响最大的 3 个驱动因素，每个写明：当前取值、支持它的证据、如果往不利方向错了输出会怎样，以及怎样提高把握（要收集的数据、要做的测试）。
- 记录结构性问题 单位不一致（月度与年度混用）、时间安排（计划第 1 个月就入职、没有留招聘时间）、本该相互关联却没有关联的驱动因素（销售人数增加，人均指标不变，收入却没动）。
- 写总结 2 到 3 句：模型的结论、它所依赖的 3 个假设，以及最大的风险。
SKILL.md 全文
这就是 AI 读取的完整文件。 下载
---
name: model-assumptions-review
description: 审查财务模型或预测里的假设。列出每个假设的取值、来源和负责人，逐个输入做敏感性测试，对照用户提供的基准和公司自己的历史数据判断是否合理，并指出最影响结果的 3 个假设。绝不编造基准。当有人发来财务模型、预测、预算或融资计划，要求审查假设、对模型做压力测试，或问“要成立的前提是什么”时使用。
---
# 财务模型假设审查
财务模型的好坏取决于假设，而通常少数几个假设决定了大部分结果。审查要把每个假设连同来源摆出来，测出哪些最影响输出，再拿这些假设对照历史数据和用户提供的基准。审查不重建模型。
## 适用场景
- 模型提交给董事会、贷款方或投资人之前。
- 预测看起来好得过头，却没人说得清为什么。
- 新的财务负责人接手一个模型时。
- 不适用于单独核对 CAC 和 LTV 的计算：请用 unit-economics-check。不适用于每月的现金跑道数字：请用 runway-update。
## 需要准备
- 模型本身，或它的假设和输出：输入表、驱动因素、关键输出（收入、消耗、现金、跑道、利润）。
- 同一组驱动因素的公司实际历史数据（如有，最近 6 到 12 个月）。
- 用户信得过的基准，并附来源。没有给出时，只和历史对比，并说明这一点。绝不凭记忆提供基准。
- 对这次决策最重要的输出（现金耗尽月份、盈亏平衡月份、年末收入）。没有给出时，用现金耗尽月份。
## 步骤
1. **列出每个假设。** 包括写死在公式里的数字，不只是输入表。每个假设写明：是什么、取值、单位、期间、来源（历史、合同、计划、猜测）以及谁设定的。本技能的默认做法：来源为空时，标为“猜测”。
2. **区分驱动因素和结果。** 驱动因素是输入（转化率、价格、流失率、招聘计划、薪资）。结果是算出来的（收入、消耗）。凡是本该计算、却直接填了数字的结果，都要标出来。
3. **逐个输入做敏感性测试。** 每个驱动因素按固定幅度调整（本技能的默认值：±20%，或用户给出的现实区间），记录关键输出的变化。按变化大小给驱动因素排序。
4. **检查合理性。** 把每个排名靠前的驱动因素和公司自己的历史对比：增长率是迄今最好月份的两倍，或流失率只有历史的一半，都需要理由。再和用户给的基准对比，并注明出处。两者都没有时，写“[待确认：无历史数据或基准]”。
5. **指出最关键的 3 个。** 对关键输出影响最大的 3 个驱动因素，每个写明：当前取值、支持它的证据、如果往不利方向错了输出会怎样，以及怎样提高把握（要收集的数据、要做的测试）。
6. **记录结构性问题。** 单位不一致（月度与年度混用）、时间安排（计划第 1 个月就入职、没有留招聘时间）、本该相互关联却没有关联的驱动因素（销售人数增加，人均指标不变，收入却没动）。
7. **写总结。** 2 到 3 句：模型的结论、它所依赖的 3 个假设，以及最大的风险。
## 输出格式
```markdown
# 假设审查 — [模型名称]，[日期]
**关键输出：** [例如：现金耗尽月份：[取值]]
**总结：** [2–3 句]
## 最关键的 3 个假设
| # | 假设 | 取值 | 证据 | 如果错了（不利方向） | 如何提高把握 |
|---|---|---|---|---|---|
| 1 | [驱动因素] | [取值] | [历史 / 基准 / 猜测] | [输出变化] | [数据或测试] |
## 敏感性（每次只改一个输入）
| 驱动因素 | 基准值 | 幅度 | 下调后的关键输出 | 上调后的关键输出 |
|---|---|---|---|---|
| [驱动因素] | [取值] | [±20%] | [取值] | [取值] |
## 全部假设
| 假设 | 取值 | 单位/期间 | 来源 | 设定人 | 合理性 |
|---|---|---|---|---|---|
| [名称] | [n] | [单位] | [来源或“猜测”] | [姓名] | [与历史/基准对比，或“[待确认：……]”] |
## 结构性问题
- [问题及其在模型中的位置]
```
## 示例
**输入：**
> 云隼科技（B2B SaaS）两年计划。期初 MRR 60,000。每月新增 MRR 9,000，每月增长 10%。月收入流失率 1%。毛利率 80%。员工人数 14 → 第 12 个月 30 人；人均成本每月 9,000。现金 2,400,000。模型显示第 26 个月现金耗尽。历史（最近 6 个月）：新增 MRR 平均 6,500，最好的一个月 8,100；收入流失率平均 2.2%。用户基准：未提供。
**输出（节选）：**
```markdown
# 假设审查 — 云隼科技两年计划
**关键输出：** 现金耗尽月份：第 26 个月
**总结：** 计划之所以能撑到第 26 个月，是因为假设新增 MRR 一开始就高于迄今最好的月份、每月增长 10%，同时流失率不到历史的一半。如果新增 MRR 和流失率保持近 6 个月的历史水平，现金会更早耗尽 [待确认：用历史值重新运行模型]。
## 最关键的 3 个假设
| # | 假设 | 取值 | 证据 | 如果错了（不利方向） | 如何提高把握 |
|---|---|---|---|---|---|
| 1 | 期初每月新增 MRR | 9,000 | 猜测；历史平均 6,500，最好 8,100 | [待确认：按 6,500 重新运行] | 拿出能支撑 9,000 的销售管道 |
| 2 | 新增 MRR 增长率 | 每月 10% | 猜测；未提供历史 | [待确认：按 0% 和 5% 重新运行] | 与计划中的销售招聘和人均指标挂钩 |
| 3 | 收入流失率 | 每月 1% | 历史 2.2% | [待确认：按 2.2% 重新运行] | 写明哪些留存措施能让流失减半 |
## 结构性问题
- 员工人数到第 12 个月翻了一倍多，但新增 MRR 的增长没有和销售招聘挂钩；两者应该联动。
```
## 发送前检查
- [ ] 每个假设都有取值、单位和来源，或标为“猜测”。
- [ ] 敏感性测试每次只改一个输入，并写明幅度。
- [ ] 前 3 个按对关键输出的影响排序，而不是按主观看法。
- [ ] 引用的每个基准都来自用户；历史对比用的是用户的数据。
- [ ] 没有写出模型或列出的计算没有产生的输出数字；需要重算的写“[待确认：……]”。
## 常见错误
- 只审输入表，漏掉写在公式里的数字。
- 同时改好几个输入，却称之为敏感性测试。那是情景分析，要这样标注。
- 凭记忆拿外部基准来评判增长率。
与团队共享
把它添加到 AI Skill Pod，团队里的每个人（包括外包人员）都能在自己的 AI 中使用同一个版本。 了解与团队共享 AI 技能的最佳方式
更新记录
- v1.0.0 · · First release.
参考来源
- The Aqua Book (2026-11-04 查阅)
- What is Sensitivity Analysis? (2026-11-04 查阅)