第 8.7 節的模型測試架構，整合多重目標、敏感度分析、假設情境分析與目標搜尋（Goal Seek）。
區分「改變輸入看輸出」與「指定輸出反推輸入」，並理解敏感度範圍對管理決策信心的作用。
處方性模型的結果取決於假設與輸入資料。管理者需要知道當假設改變時，解是否仍穩健，以及要達成指定目標需要什麼輸入條件。
| 原書範例 | 原始值 | 變更後／結果 |
|---|---|---|
| 現金流模型初始銷售額 | 100 | 120 |
| 季度銷售成長率 | 3% | 4% |
| 年度淨利 | $127 | $182 |
| 目標搜尋的目標值 | 淨現值（Net Present Value, NPV） | 0 |
| 目標搜尋的變動輸入 | 利率 | 內部報酬率（Internal Rate of Return, IRR）= 38.77059% |
自動敏感度分析由線性規劃（Linear Programming, LP）／Solver 報表提供輸入可變範圍與影響；試誤式敏感度則可分成假設情境分析（改輸入、看結果）與目標搜尋（先指定希望達成的輸出，再反推輸入）。多重目標則可使用效用、目標規劃、把目標改寫為限制條件或計分制處理。
現金流範例中，初始銷售額從 100 增至 120、季度成長率從 3% 增至 4% 後，年度淨利由 $127 增至 $182，增加 $55。另一個目標搜尋範例把 NPV 設為 0，得到 IRR = 38.77059%。
敏感度分析不只是尋找更高的輸出，也可用來辨識哪些假設最脆弱。目標搜尋則是反向求解：先說明想達到什麼結果，再找出所需輸入。
比較自動敏感度分析、假設情境分析與目標搜尋，並用原書 $127→$182 與 IRR 38.77059% 的兩個範例解釋；不得把兩個不同範例混成同一現金流案例。
問題： 原書現金流假設情境分析的年度淨利增加多少？
參考解答： $182 − $127 = $55。