Modelli di Previsione Finanziaria: Guida Completa
Trovare il successo nell’attuale ambiente di business complesso e competitivo richiede una strategia lungimirante. Basandosi sulle performance storiche, sull’analisi di mercato e sulle tendenze in atto, i modelli di previsione finanziaria basati sui dati possono aiutare le aziende a ottenere un vantaggio competitivo.
Esistono molti modelli previsionali tra cui scegliere e ancora più soluzioni software che aiutano a implementarli. In questa guida, illustrerò alcuni utili modelli previsionali—e spiegherò come puoi utilizzarli per ottenere un vantaggio nel tuo settore.
Cos'è un modello previsionale?
I modelli previsionali sono strumenti utilizzati per prevedere le performance future sulla base di dati storici e attuali. Nel mondo del business e della finanza, il termine previsione si riferisce quasi sempre alla previsione finanziaria.
Vuoi di più da The CFO Club?
Crea un account gratuito per terminare questo articolo e unirti a una comunità di moderni CFO ed executive finanziari che accedono a framework comprovati, strumenti e approfondimenti utili a navigare la finanza guidata dall’IA.
Have an account? Log In
Un modello previsionale utilizza una metodologia statistica, oppure formule e assunzioni, per prevedere le performance future, tra cui ricavi, domanda dei clienti e tassi di abbandono.
Più nello specifico, questi modelli vengono utilizzati per determinare come i cambiamenti di alcune variabili e parametri possano influenzare le performance (a differenza dei budget, che aiutano a gestire il flusso di cassa). Ad esempio, una catena di ristoranti potrebbe utilizzare un modello per determinare come cambiamenti negli orari di apertura o nei pattern stagionali di un punto vendita impattino sul fatturato.
Esistono diversi tipi di modelli previsionali (che illustrerò più avanti), ma tutti condividono lo stesso obiettivo: usare dati storici, assunzioni e trend attuali per prevedere le future performance.
Questi strumenti possono essere applicati a un’infinità di scenari e risultano fondamentali per i team finanziari, marketing e di direzione. Per il resto di questa guida, farò una selezione e mi concentrerò esclusivamente sui modelli di previsione finanziaria.
Metodi previsionali
Scegliere il giusto tipo di tecnica di modellizzazione (e il modello previsionale specifico) è molto importante. Prima di poter scegliere, però, hai bisogno di alcune informazioni di base su questi modelli e sul loro funzionamento.
Esistono due grandi categorie di modelli previsionali: quantitativi e qualitativi.
Metodi previsionali qualitativi
La previsione qualitativa si basa sulle opinioni e sul giudizio di esperti. Si tratta di metodi:
- Soggettivi per natura
- Non basati su dati o tendenze passate
- Utilizzati per analizzare dati non numerici
I metodi qualitativi vengono utilizzati quando l'obiettivo dell’analisi non può essere misurato o quantificato. Ad esempio, se un’azienda vuole capire le motivazioni e le convinzioni che determinano il comportamento dei consumatori e influenzano le loro decisioni d’acquisto, nessun dato quantitativo può svelare questi aspetti. La previsione qualitativa si affida alle opinioni individuali, alle ricerche e agli studi.
Metodi previsionali quantitativi
La previsione quantitativa utilizza schemi numerici nei dati storici per prevedere le performance future. I modelli quantitativi:
- Sono di natura più oggettiva
- Si basano su dati storici (ad esempio ricavi delle vendite, organico, ecc.)
- Analizzano dati numerici
All’interno della categoria quantitativa, troviamo altre due sottocategorie:
Serie storiche
I modelli a serie storiche si concentrano su schemi e le loro variazioni, facendo affidamento sui dati storici.
Ad esempio, un’azienda che si prepara a lanciare operazioni in un nuovo paese potrebbe utilizzare i dati della precedente apertura (inclusi dati sulle vendite, trend della forza lavoro, ecc.) per preparare il budget del nuovo lancio.
Associativi/Causali
I modelli associativi, noti anche come modelli causali, sono più avanzati e si concentrano su molteplici linee di informazioni precise e raffinate. Utilizzano dati storici e sono ideali per collegare dati apparentemente disparati allo scopo previsto della previsione.
Possono anche essere utilizzati per creare relazioni associative tra le metriche finanziarie di un'azienda e variabili esterne. Ad esempio, un produttore di elettrodomestici potrebbe costruire un modello che prevede le vendite di elettrodomestici in base al numero di nuovi permessi edilizi rilasciati in una determinata area.
Di seguito, illustrerò le basi di alcuni dei modelli previsionali più comuni utilizzati oggi dalle aziende.
Modelli Quantitativi di Previsione Comuni
I modelli previsionali quantitativi si basano su dati storici per effettuare previsioni sul futuro.
Ad esempio, un rivenditore potrebbe analizzare i dati di vendita del quarto trimestre degli ultimi tre anni per prevedere i volumi di vendita durante la stagione di punta dello shopping natalizio.
Se non hai dati interni (ad esempio, se sei un nuovo rivenditore), potresti comunque utilizzare la previsione quantitativa—dovresti semplicemente avere accesso a dati comparabili del tuo settore.
Nell'ambito della previsione quantitativa, esistono diversi modelli popolari da utilizzare—li spiegherò qui sotto.
Serie Storiche
I modelli di serie storiche vengono utilizzati quando sono disponibili diversi anni di dati. Sono particolarmente utili quando le relazioni tra i vari punti dati (ad esempio, prezzo medio e volume di vendita) sono relativamente stabili e le tendenze facilmente individuabili.
Per esempio, un'azienda può decidere di utilizzare i modelli di serie storiche per proiettare la crescita di una linea di prodotto esistente.
Supponiamo che la linea di prodotto in questione sia stata lanciata quattro anni fa e abbia registrato una crescita costante da allora. L'azienda potrebbe utilizzare tali dati e applicare un modello di serie storica per prevedere quale potrebbe essere il volume di vendita l'anno prossimo (o negli anni successivi).
Linea Retta
La modellizzazione a linea retta è una tecnica semplice che fornisce stime dei ricavi futuri o di altre metriche finanziarie prendendo in considerazione i dati passati e ipotizzando che tali tendenze continueranno.
Ad esempio, se un'azienda ha registrato una crescita annua delle vendite del 3,6% negli ultimi quattro anni e prevede che le tendenze attuali continueranno, potrà utilizzare un modello a linea retta per stimare l'ammontare delle entrate da vendite che probabilmente genererà in futuro.
Come suggerisce il nome, il modello a linea retta presume un cambiamento coerente e prevedibile. È semplice, ma può comunque costituire un buon punto di partenza per prevedere una gamma di metriche e scenari finanziari.
Qual è la differenza tra la previsione con serie storiche e quella a linea retta?
I modelli di serie storiche vengono tipicamente impiegati per comprendere i cicli di tendenza, le fluttuazioni cicliche e la stagionalità, mentre la previsione a linea retta viene generalmente utilizzata per prevedere una crescita (o una diminuzione) stabile.
Pensa alle previsioni con serie storiche come un cerchio o una spirale autosufficiente; la linea retta è, appunto, una linea retta!
Media Mobile
Il modello della media mobile è in parte simile al modello a linea retta descritto sopra, ma lavora con dataset più piccoli e si concentra su intervalli temporali di breve-medio termine.
Le aziende possono usare i modelli previsionali a media mobile per anticipare la domanda durante le festività, ad esempio. In questo caso si potrebbe considerare la media mobile dei ricavi di vendita del quarto trimestre del 2019, 2020, 2021 e 2022, rispettivamente.
Potrebbero applicare una formula semplice per ottenere la media mobile:
(A1 + A2 + A3 + A4) / N
dove
A = Media per un determinato periodo
e
N = Numero totale dei periodi
L'azienda potrebbe poi utilizzare questa media mobile per creare una previsione delle vendite attese per il periodo natalizio di quest'anno.
Questa formula necessita di un buon set di dati su cui basarsi; nell'esempio sopra riportato, vengono utilizzati quattro anni di dati. Tuttavia, in modo cruciale, essa ignora i dati di vendita non relativi al quarto trimestre, che risultano in gran parte irrilevanti quando si prevede la domanda specifica del periodo natalizio.
Livellamento Esponenziale
I modelli di livellamento esponenziale sono simili ai modelli a media mobile, ma applicano una metodologia di pesatura che attribuisce maggiore importanza ai dati più recenti.
Ad esempio, considera lo stesso esempio sopra. L'azienda dispone di quattro anni di dati storici sulle vendite natalizie—ma ha registrato una crescita costante in quel periodo.
Di conseguenza, i dati degli anni più vecchi sono meno rilevanti rispetto ai dati più recenti degli ultimi due anni.
I modelli di livellamento esponenziale attribuiscono un peso maggiore ai dati più recenti. Questo è utile perché consente alle aziende di adattare le previsioni per riflettere meglio gli andamenti recenti nei dati.
Anche se può essere allettante utilizzare dati più vecchi se mostrano una situazione più rosea (valutazioni del 2021 rispetto a quelle del 2022, qualcuno?), è fondamentale utilizzare i dati più appropriati per avere un'idea precisa di ciò che ci attende.
Proiezione delle Tendenze
La proiezione delle tendenze adatta una linea di tendenza a un'equazione matematica e poi utilizza tale equazione per proiettare questa linea di tendenza nel futuro.
Un modello di proiezione delle tendenze esamina dati passati—come i numeri di vendita dei fine settimana, dei giorni feriali o di specifiche stagioni, ad esempio—per fare previsioni sulla domanda futura durante quei periodi.
Può essere applicato in modo simile al modello lineare semplice, a seconda dei set di dati con cui si lavora. Esistono diverse sottocategorie all'interno delle proiezioni di tendenza, incluse logaritmi, polinomi e il metodo della caratteristica della pendenza.
Modelli Associativi
I modelli associativi, chiamati anche modelli causali, collegano una determinata metrica aziendale (come il fatturato) a una variabile indipendente separata (come la crescita della popolazione in una città).
I modelli causali sono utili per collegare le aspettative future delle operazioni aziendali con variabili distintive, sia interne che esterne all'azienda.
Ad esempio, il proprietario di un food truck potrebbe usare un modello per prevedere la domanda a una fiera estiva basandosi sulle previsioni meteorologiche del fine settimana. In alternativa, una società di sviluppo immobiliare potrebbe utilizzare la modellizzazione causale per prevedere la domanda futura di nuove case in una comunità, basandosi sulla crescita prevista della popolazione nella zona.
Detto questo, i modelli associativi possono anche essere utilizzati per prevedere una particolare variabile in base alla sua connessione con altre variabili correlate. Ad esempio, un'azienda potrebbe utilizzare la modellizzazione causale per stimare il margine di profitto risultante da un aumento della spesa pubblicitaria.
Per definizione, i modelli associativi sono più complessi dei modelli a serie temporali.
I modelli associativi possono essere utilizzati per integrare dati esterni e tentare di stabilire una relazione tra una metrica aziendale relativamente standard (ad esempio, il fatturato) e una metrica che molte aziende potrebbero non considerare nemmeno (ad esempio, il reddito medio annuo delle famiglie in una città).
Sebbene siano più complessi, i modelli causali possono essere estremamente utili per costruire previsioni più accurate—e restare un passo avanti rispetto ai concorrenti.
Regressione Lineare Semplice
La regressione lineare semplice aiuta le aziende a esaminare come una variabile dipendente (ad esempio, il fatturato) si correla con una variabile indipendente (ad esempio, la spesa pubblicitaria).
Oppure, utilizzando l'esempio dei dati esterni, la regressione lineare semplice può essere usata per determinare come una variabile dipendente (come il fatturato per punto vendita) si correla con una variabile indipendente (come il reddito familiare in una data provincia).
La regressione lineare semplice può essere visualizzata tracciando un grafico a linee con una metrica sull'asse Y e un'altra sull'asse X. Ma, come suggerisce il nome, bisogna mantenerla semplice; questi modelli permettono solo confronti tra due variabili.
Regressione Lineare Multipla
Come si può intuire, la regressione lineare multipla si basa sulla regressione lineare semplice aggiungendo molteplici variabili aziendali all'equazione.
C'è ancora una sola variabile dipendente (ad esempio, il fatturato), ma possono esserci più variabili indipendenti che possono provenire da sorgenti dati interne, esterne o entrambe.
La regressione lineare multipla è complessa e richiede tipicamente un software di analisi statistica per essere completata. Inoltre, i dati utilizzati (numero di elementi di dati, arco di tempo analizzato, decisioni prese nella fase di pulizia dei dati) sono importanti per l'accuratezza della formula di regressione risultante.
L'uso della previsione tramite regressione lineare richiede di analizzare criticamente i risultati per considerare variabili non catturate dai dati utilizzati nella regressione e se queste variabili mancanti causeranno una sovra- o sottostima dell'impatto di una variabile indipendente.
Modelli Qualitativi di Previsione più Comuni
I modelli di previsione qualitativa utilizzano dati soggettivi e qualitativi. Spesso vengono impiegati nei casi in cui dati quantitativi non sono disponibili.
Ad esempio, un modello qualitativo potrebbe dipendere dall'input di un esperto o dai risultati di un sondaggio tra potenziali clienti.
La previsione qualitativa è di natura più soggettiva, ma è comunque molto utile—soprattutto in situazioni in cui non ci sono dati concreti da cui attingere. PS: Trovo ancora strano che "data" sia il plurale.
Comunque.
Tutti i modelli di previsione qualitativa richiederanno una qualche forma di raccolta dati (interviste con esperti, panel, sondaggi, ecc.), ma differiscono nel modo in cui questi dati vengono raccolti e poi utilizzati per informare le previsioni. Questi sono generalmente meno utili per le previsioni finanziarie, dato che è un po' come lanciare la pasta sul muro per vedere se attacca; alcuni sono solo più precisi di altri.
Metodo Delphi
Hai mai sentito parlare dell'Oracolo di Delfi? Il suo compito era fare previsioni sul futuro—non troppo diverso da quello di un CFO... giusto?
Sì, sei autorizzato a iniziare a riferirti a te stesso come l'Oracolo della tua azienda. No, non puoi dire che ti ho dato il permesso.
Il metodo Delphi si basa sulle opinioni di esperti, utilizzando solitamente un piccolo gruppo di specialisti in materia. Ad esempio, una società privata di formazione potrebbe consultare un gruppo di professori per raccogliere dati sulle abitudini degli studenti.
Nel metodo Delphi, gli esperti vengono intervistati per raccogliere dati. Fondamentale, ogni esperto viene intervistato in modo indipendente e poi i dati vengono aggregati successivamente. Questo aiuta a prevenire i pregiudizi di gruppo e consente piena libertà di espressione.
Il metodo Delphi utilizza "round" di raccolta dati. Il primo round è individuale, ma i successivi sono comuni. Le risposte di ciascun esperto vengono condivise con il gruppo più ampio, aprendo la discussione. Gli esperti sono liberi di modificare le proprie opinioni o stime nei round successivi.
Poiché il metodo Delphi di solito utilizza piccoli gruppi di esperti, è importante selezionare le persone giuste da intervistare, poiché i dati sono validi solo quanto le competenze degli esperti stessi.
Ricerca di Mercato
Scommetto che non hai mai sentito parlare di questa prima d'ora—Ehi, ti vedo che alzi gli occhi al cielo!
La ricerca di mercato è un metodo di previsione molto comune utilizzato dalle aziende per raccogliere le opinioni dei potenziali clienti. Ad esempio, un produttore alimentare che lancia una nuova linea di gelati a basso contenuto calorico potrebbe chiedere ai clienti i loro obiettivi di perdita di peso e le scelte alimentari tramite un sondaggio online.
La ricerca di mercato è solitamente una questione di numeri, quindi più risposte riesci a raccogliere dal pubblico, meglio è.
La ricerca di mercato può essere condotta tramite telefono, email, messaggi di testo, interviste di persona e altro ancora. Spesso viene realizzata con l'aiuto di società specializzate, che si occupano delle interviste e della raccolta dati.
Consenso del Panel
Il consenso del panel utilizza un focus group che si basa sulle opinioni di esperti e dipendenti. Viene spesso condotto con un panel di dipendenti di tutti i livelli aziendali e non solo di dirigenti.
Particolarmente, questa metodologia combina—e dà uguale peso—alle opinioni sia dei veri esperti che dei "semi-esperti". Ad esempio, un team che tenta di prevedere la domanda stagionale di una certa bevanda aromatizzata potrebbe includere personale delle vendite, marketing o persino del reparto retail.
Come suggerisce il nome, il panel deve arrivare a una stima consensuale. Il gruppo può condividere opinioni e dibattere, ma deve infine raggiungere un accordo comune.
Previsione Visionaria
La previsione visionaria si basa sulle intuizioni e le opinioni di un singolo individuo - ho trovato curioso che questa non fosse chiamata metodo Delphi, visto che si tratta di una sola persona... ma d'altronde lei aveva l'aiuto degli dèi (e nessuno mi ha chiesto).
Il visionario in questione potresti essere tu, un altro membro del tuo team dirigente, un consulente esterno, o un esperto di settore.
Poiché questo modello di previsione si affida a un singolo visionario, è soggetto a bias di conferma e conviene usarlo in combinazione con altri metodi.
Composito della Forza Vendita
Il modello composito della forza vendita si concentra sulla raccolta di dati qualitativi dal personale commerciale. Si basa normalmente sulle opinioni di diversi membri del team; idealmente, quelli coinvolti nelle vendite del prodotto in questione.
Ad esempio, se un costruttore di veicoli stesse considerando un nuovo modello, potrebbe effettuare un sondaggio tra il proprio personale di vendita per raccogliere informazioni sulle opinioni dei clienti, esigenze, domande comuni, budget, ecc.
L'idea è che i rappresentanti di vendita hanno esperienza diretta nell'interazione con i clienti (e sanno cosa spinge davvero le vendite) e quindi possano offrire intuizioni più preziose sul comportamento e i desideri reali dei clienti.
La modellazione composita della forza vendita può anche essere utile nell'identificare tendenze regionali e localizzate.
Anche se l'elenco sopra non è esaustivo, comprende molti dei modelli di previsione più comunemente utilizzati. Detto ciò, alcuni sono sicuramente più popolari di altri.
Quali sono i Modelli di Previsione Più Comuni?
In generale, la modellizzazione delle serie temporali (in particolare i modelli di retta e media mobile) tende a essere utilizzata più spesso.
Questo è dovuto in parte al fatto che i modelli di serie temporali permettono di effettuare previsioni più oggettive basandosi su dati storici. Non si affidano all'opinione di esperti o al feedback dei clienti, elementi che possono essere instabili e soggetti a bias. Utilizzano invece dati concreti per costruire modelli affidabili utili a prevedere le metriche delle prestazioni future.
Questi modelli sono anche popolari perché sono relativamente semplici da utilizzare e spesso non richiedono alcun software specializzato. Alcuni software che probabilmente stai già utilizzando, come il tuo sistema di pianificazione delle risorse d'impresa, hanno probabilmente queste funzionalità di modellizzazione statistica integrate. La modellizzazione lineare potrebbe persino essere eseguita manualmente in Excel con relativa facilità.
Anche la modellizzazione associativa (causale) è comunemente utilizzata, ma risulta un po' più complessa e spesso richiede software o un certo livello di formazione. È particolarmente utile quando si cerca di tracciare le relazioni fra variabili molto distinte, sia verso una sola variabile indipendente (regressione lineare semplice) sia con più variabili (regressione lineare multipla).
Per quanto riguarda i modelli di previsione qualitativa, la ricerca di mercato tende a essere la più comune. Molte aziende conducono sondaggi e raccolgono feedback dai clienti e utilizzano questi dati per guidare le decisioni strategiche future. Altre scelgono di affidarsi a società di ricerca di mercato esterne per eseguire indagini più approfondite sui clienti.
Perché la Previsione è Importante?
Come ho accennato proprio all'inizio di questo articolo, la previsione è la chiave per evitare di:
- Perdere investitori, e poi
- Essere licenziato
Scherzo. Più o meno.
La previsione è importante perché permette alle aziende di pianificare il futuro. L'intera idea alla base della previsione consiste nel raccogliere informazioni da varie fonti, utilizzando poi tali informazioni per prendere decisioni migliori.
Ad esempio, un'azienda che fornisce beni specializzati ai rivenditori potrebbe usare un modello di previsione per stimare la domanda durante la stagione intensa degli acquisti natalizi. I loro sforzi di modellizzazione potrebbero affinare le stime sulla domanda, consentendo loro di aumentare le scorte per soddisfare la domanda stagionale.
Oppure, un'impresa può scegliere di utilizzare un modello di previsione per analizzare l'impatto finanziario di diversi prezzi o strategie di vendita da adottare per il lancio di un nuovo prodotto. Potrebbero abbinare questi sforzi alle previsioni di domanda stagionali per trovare non solo la migliore strategia di vendita ma anche il momento ideale per lanciare offerte e promozioni stagionali.
In definitiva, qualunque sia la metrica presa in esame, lo scopo delle previsioni è ottenere uno sguardo sulle tendenze future o sulle metriche finanziarie, in modo da prepararsi a ciò che verrà.
Come Utilizzare i Modelli di Previsione
Ogni modello di previsione viene implementato in modo diverso. Ma la strategia generale è la seguente:
- Sii chiaro sul tuo obiettivo. L'obiettivo è stabilire quando raccogliere il prossimo finanziamento? Allora concentrati sulla previsione del flusso di cassa e adotta ipotesi conservative.
- Scegli il modello adatto da utilizzare. Ho discusso casi d'uso specifici per i modelli di previsione finanziaria elencati sopra. In definitiva, molte aziende sceglieranno di utilizzare più modelli—ma è utile restringere la scelta a uno o due all’inizio.
- Raccogli i dati. I modelli quantitativi utilizzano dati storici (di solito finanziari dell'azienda), mentre i modelli qualitativi raccolgono dati soggettivi dai clienti o dagli esperti del settore.
- Costruisci il modello. Questo processo varia sensibilmente a seconda del modello specifico adottato. Molti modelli possono essere impostati su Excel o strumenti di uso comune. Altri possono richiedere software statistici o di previsione dedicati.
- Determina il livello di affidabilità. Gli intervalli di confidenza servono per esprimere il livello di incertezza associato alla previsione. Gli intervalli più utilizzati sono il 90%, 95% e 99%. Più è alto il livello di confidenza, più la previsione è affidabile. Come ci si aspetterebbe, quanto più i dati sono oggettivi, tanto più alto tende ad essere il livello di confidenza.
- Applica il modello. Successivamente, applica il modello seguendo il protocollo consigliato per quel modello specifico e utilizza i dati più rilevanti che puoi raccogliere.
- Analizza i risultati. Prendi i risultati ottenuti e confrontali con altre stime o previsioni di cui disponi. Potresti anche voler applicare altri modelli agli stessi dati per individuare eventuali differenze.
Alcuni modelli di previsione richiedono una formazione di livello esperto in statistica o nella previsione finanziaria, mentre altri sono molto più semplici da utilizzare. In definitiva, le complexità e le sfide della previsione dipendono dal modello scelto e dalla quantità e dalla qualità dei dati con cui si lavora.
Quali software vengono utilizzati per la previsione?
Per la previsione possono essere utilizzati diversi tipi di software, dai semplici fogli di calcolo a strumenti di machine learning e strumenti basati su intelligenza artificiale.
Sebbene molti modelli finanziari possano essere eseguiti in Microsoft Excel o Google Sheets, molti richiedono software ERP, software EPM o altri software specializzati.
Prima di acquistare un nuovo software, assicurati di controllare le funzionalità degli strumenti che già possiedi. Alcuni software di gestione dell'inventario dispongono di funzioni di previsione della domanda e altri strumenti per aiutarti a pianificare i livelli di inventario. E il tuo servizio di gestione delle retribuzioni potrebbe offrire funzionalità di previsione della forza lavoro.
Per la previsione qualitativa, non ci sono molte opzioni software da prendere in considerazione, poiché la maggior parte delle aziende si affida a società di ricerca esterne e consulenti specializzati nella conduzione e pubblicazione di ricerche di mercato.
In definitiva, poiché "previsione" è un termine molto ampio, esistono molte soluzioni software diverse che possono essere utilizzate, ma il software di previsione offre vantaggi specifici per la tua azienda.
I modelli di previsione possono dare un vantaggio competitivo alla tua azienda
Sapere quando, dove e come utilizzare la previsione finanziaria può dare alle aziende un vantaggio rispetto alla concorrenza.
Con modelli di previsione adeguati e dati accurati, le aziende possono preparare budget più precisi, perfezionare i loro obiettivi e le strategie competitive ed essere più preparate per il futuro.
Vuoi migliorare le tue competenze come CFO o in una posizione finanziaria correlata? The CFO Club è una comunità di leader finanziari SaaS e tech che vogliono eccellere nel proprio settore. Iscriviti alla newsletter di The CFO Club per ricevere approfondimenti di settore e altri contenuti come questo.
