Hola inversor.
Una empresa publica resultados.
En pocos minutos aparecen:
“Revenue beat.”
“EPS miss.”
“Guidance raised.”
“Margins disappoint.”
“Shares down 8 %.”
Y casi inmediatamente sentimos que necesitamos una conclusión.
Buenos resultados.
Malos resultados.
Pero una tesis de inversión difícilmente cabe en esa etiqueta.
Porque los resultados no son una nota sobre la empresa.
Son nueva evidencia sobre nuestra tesis.
La pregunta interesante no es únicamente:
“¿Batió expectativas?”
Es:
¿Está ocurriendo aquello que nuestra tesis necesitaba que ocurriera?
Y para responder bien hay algo que conviene hacer incluso antes de abrir los resultados.
Volver a nuestra tesis.
¿Qué 2-3 cosas necesitábamos comprobar este trimestre?
Quizá fueran:
retención.
pricing.
volumen.
crecimiento orgánico.
utilización.
unit economics.
Dependerá completamente de la empresa.
Por eso no creemos demasiado en una checklist universal de earnings.
Ingresos, EPS, FCF o deuda pueden ser importantes.
Pero su jerarquía depende del negocio que tenemos delante.
La tesis debería crear nuestra checklist.
Si nuestra explicación de una compañía depende de una retención elevada, necesitamos mirar retención aunque la presentación destaque otra métrica.
Si depende del volumen, necesitamos entender volumen.
Si depende del pricing power, necesitamos comprobar qué está ocurriendo con precios y comportamiento de clientes.
Después llega otra parte especialmente importante.
La causalidad.
Imagina que el margen cae del 27 % al 25 %.
Eso es un dato.
Pero todavía no tenemos una explicación.
¿Cayó porque la compañía está reinvirtiendo?
¿Por un cambio de mix?
¿Por promociones?
¿Por inflación?
¿Por mayor competencia?
¿Por un coste puntual?
La misma cifra puede tener implicaciones completamente distintas.
Número sin causalidad es información incompleta.
Y después de entender el porqué aparece otra pregunta:
¿Puede persistir?
Un trimestre de margen elevado no convierte automáticamente ese margen en el nuevo normal.
Del mismo modo, un trimestre de menor crecimiento no establece automáticamente una nueva tasa estructural.
Podemos clasificar algo como:
temporal.
incierto.
potencialmente estructural.
No siempre sabremos inmediatamente cuál es la respuesta.
Y está bien.
El siguiente paso es volver a las hipótesis.
¿Qué nueva evidencia tenemos?
¿Fortalece alguna?
¿Debilita otra?
¿Aumenta nuestra incertidumbre?
¿O no cambia nada material?
Imagina una empresa de suscripción.
Nuestra tesis depende de tres cosas:
pricing power.
retención elevada.
crecimiento razonable de clientes.
Publica:
“Revenue +15 %, por encima de expectativas.”
El titular parece claramente positivo.
Pero seguimos mirando.
Los nuevos clientes desaceleran.
El precio medio aumenta.
Y el churn también.
Entonces aparece una pregunta bastante más interesante que el revenue beat:
¿Estamos consiguiendo crecimiento a costa de deteriorar la retención?
Si la respuesta empieza a ser sí, tenemos nueva evidencia sobre una hipótesis central.
Eso es lo que queremos descubrir.
Beat y miss también son útiles.
Nos ayudan a entender qué esperaba el mercado.
Pero no sustituyen la causalidad.
Una empresa puede superar EPS por impuestos, recompras, timing o menor inversión.
Otra puede quedar por debajo porque está realizando una inversión temporal mayor.
El número nos cuenta qué ocurrió.
Necesitamos investigar por qué ocurrió.
Y hay otra distinción que creemos especialmente importante cuando actualizamos modelos.
Los nuevos históricos ocurrieron.
Por tanto, los actualizamos.
Pero nuestras estimaciones de los próximos cinco años siguen siendo hipótesis.
Actualizar el histórico es mecánico.
Actualizar una hipótesis es analítico.
Que el crecimiento haya sido del 12 % este trimestre no significa que tengamos que cambiar nuestra hipótesis de crecimiento al 12 %.
Necesitamos una razón económica para hacerlo.
Por eso, cuando revisamos resultados, solemos pensar en cinco pasos:
Volver a la tesis: ¿qué 2-3 hipótesis importaban?
Mirar los hechos: ¿qué nueva evidencia tenemos?
Entender la causalidad: ¿por qué ocurrió?
Valorar la persistencia: ¿temporal, incierto o potencialmente estructural?
Actualizar únicamente aquello que la nueva evidencia justifica.
Y añadiría una pregunta más:
¿Qué sigue exactamente igual?
Porque un nuevo trimestre puede aportar muchísima información sin obligarnos a reconstruir todo nuestro razonamiento.
Puedes probar algo antes de los próximos resultados de una empresa que sigas.
Antes de abrirlos, escribe:
¿Qué hipótesis quiero comprobar?
¿Qué métrica o evidencia puede ayudarme a comprobarla?
¿Qué resultado me haría revisar mi opinión?
Después llegan los números.
Antes de leer diez interpretaciones externas, vuelve a esas tres respuestas.
No preguntes únicamente si el trimestre fue bueno o malo.
Pregúntate:
¿Qué evidencia nueva tengo ahora sobre aquello que necesitaba que fuera cierto?
Porque un trimestre no debería obligarnos a reconstruir una tesis.
Debería ayudarnos a comprobarla.
Y si después de varios trimestres empiezan a cambiar nuestras hipótesis, aparece inevitablemente otra pregunta.
¿Tiene sentido seguir utilizando la misma valoración que construimos meses atrás?
Te mandamos un abrazo fuerte.
Y, como siempre decimos, que la fuerza de Buffett te acompañe.
El equipo de WorldStocks