Bagaimana AI Merevolusi Proses Relative-Valuation

(Credit: HBR)

Dalam lanskap bisnis modern, menentukan nilai sebuah perusahaan sering kali terasa seperti perpaduan antara sains yang ketat dan seni yang subjektif. Salah satu pilar utama dalam pengambilan keputusan finansial adalah relative valuation—metode sederhana yang membandingkan nilai suatu perusahaan dengan para pesaingnya (peers).

Sebagai contoh mudah, jika Perusahaan A mencetak laba $2 miliar dan perusahaan sejenis di industrinya biasa diperdagangkan pada kelipatan (multiple) 15 kali lipat dari laba, maka nilai Perusahaan A diestimasikan berada di angka $30 billion. Sederhana, intuitif, dan cepat.

Namun, metodologi tradisional ini menyimpan sebuah kelemahan besar: Subjektivitas yang tinggi dalam pemilihan perusahaan pembanding (comparable firms).

Tantangan Klasik Kategori Industri Statis

Selama ini, kita mendefinisikan "perusahaan sejenis" berdasarkan klasifikasi industri statis seperti GICS (Global Industry Classification Standard) atau NAICS. Masalahnya, batas-batas industri saat ini kian kabur akibat disrupsi teknologi.

Ambil contoh Alphabet (Google). GICS memasukkannya ke dalam kategori "Media and Entertainment", sementara NAICS mengategorikannya sebagai "Computing Infrastructure Providers". Google jelas bergerak di kedua ranah tersebut. Inkonsistensi klasifikasi seperti ini otomatis melahirkan estimasi valuasi yang bias. Lebih jauh lagi, mengasumsikan semua perusahaan dalam satu industri memiliki margin, tingkat pertumbuhan, atau profil risiko yang sama adalah langkah yang terlalu simplistik.

Pendekatan Baru: Valuasi Berbasis Gradient Boosting Machines (GBMs)

Untuk mengatasi bias subjektif ini, riset terbaru dari Paul Geertsema dan Helen Lu yang dipublikasikan di Journal of Accounting Research menawarkan sebuah terobosan analitis. Mereka merancang metodologi berbasis kecerdasan buatan (AI)—khususnya menggunakan Gradient Boosting Machines (GBMs)—untuk mendeteksi pola dan hubungan historis yang kerap luput dari analisis tradisional.

Yang menarik dari pendekatan ini bukan sekadar kemampuan prediksinya, melainkan lapisan transparansi yang ditawarkan melalui "peer weights". Model AI ini mampu memecah estimasi valuasi individu menjadi rata-rata tertimbang dari kelipatan perusahaan sejenis (peer-firm multiples). Hasilnya? Para profesional dapat melihat dengan transparan seberapa besar kontribusi spesifik dari setiap perusahaan pembanding terhadap angka valuasi akhir.

Studi Kasus Mastercard: Ketika Data Mengabaikan Label Tradisional

Kejutan terbesar muncul saat model AI ini diaplikasikan pada Mastercard. Secara tradisional, Mastercard akan dikelompokkan bersama lembaga keuangan atau bank. Padahal, berbeda dengan Citigroup atau Wells Fargo, Mastercard tidak menanggung risiko kredit (credit risk) langsung.

Ketika algoritma AI dilatih menggunakan data historis perusahaan besar di AS untuk memprediksi valuasi, lima perusahaan pembanding teratas (top-5 peers) untuk Mastercard yang dipilih oleh sistem justru adalah:

1. Apple

2. S&P Global

3. Eli Lilly and Company

4. Lockheed Martin

5. United Parcel Service (UPS)

Daftar ini kemudian diikuti oleh deretan panjang perusahaan teknologi lainnya. Data secara objektif menunjukkan bahwa dalam konteks valuasi keuangan, karakteristik Mastercard jauh lebih selaras dengan perusahaan teknologi dan penyedia jasa spesifik ketimbang institusi finansial tradisional. Hubungan ini didorong oleh kemiripan yang ketat pada variabel prediktif utama seperti Return on Equity (ROE) dan Return on Assets (ROA) kuartalan.

Langkah Integrasi AI dalam Proses Valuasi Perusahaan

Bagi para eksekutif dan praktisi strategi yang ingin mengintegrasikan AI ke dalam proses valuasi atau evaluasi kinerja cross-industry, riset ini menyarankan empat langkah taktis:

1. Seleksi Input Kunci: Jangan membatasi diri pada metrik keuangan kuantitatif saja; masukkan pula faktor kualitatif seperti kekuatan merek (brand strength) dan kualitas manajemen.

2. Melatih dan Menguji Model: Gunakan data historis yang kaya untuk melatih model machine learning agar mampu memprediksi rasio valuasi secara akurat.

3. Menghasilkan Output Transparan: Ekstrak komponen peer-weights untuk mengidentifikasi dan menjelaskan bagaimana bobot relasi valuasi antarperusahaan terbentuk.

4. Evaluasi dan Validasi Manusia: Lakukan cross-check hasil AI dengan model keuangan tradisional dan intuisi para pakar. Lakukan penyesuaian (fine-tuning) input sesuai kebutuhan aplikasi akhir.

Sinergi Kekuatan Komputasi dan Intuisi Manusia

Meski algoritma bebas dari bias emosi manusia, teknologi ini tetap tidak maksum. Valuasi bisnis yang kokoh tidak bisa bersandar pada angka mutlak hasil kalkulasi mesin semata. Sebagaimana ditekankan oleh pakar valuasi Aswath Damodaran, "soft data"—seperti wawasan kualitatif mengenai visi manajemen dan dinamika pasar—merupakan konteks krusial yang tidak bisa ditangkap sepenuhnya oleh algoritma.

Kunci keberhasilan transformasi digital di area finansial ini terletak pada keseimbangan (balance): mengombinasikan kekuatan komputasi analitis AI dengan kreativitas, fleksibilitas, dan skeptisisme sehat dari para analis manusia yang berpengalaman. Dengan begitu, proses relative-valuation tidak lagi menjadi perdebatan subjektif, melainkan sebuah keputusan strategis yang berbasis data, transparan, dan dapat dipertanggungjawabkan.