14_財務模型十大常見陷阱：複雜度、連結、交付與維護

核心表格

原書 Pitfall	主要觀點／方法	實務用途	重要條件／限制／延伸
1. The Numbers Don’t Add Up	必須能解釋結果與 calculation chain	建立對 outputs 的信心	沒有 Excel error 不等於數字可信
2. You’re Getting #REF! Errors	Reference 已不存在，通常需重建 formula	修復 structural error	不要用 IFERROR 預設隱藏
3. You Have Circular References	找出 formula 回到自身的 dependency loop	恢復可信 calculation	原書一般不允許未處理 circular references
4. The Model Has Too Much Detail	Detail 只保留決策或 calculation 必要程度	避免 false precision 與資訊超載	Model 是 estimate，不是 reality
5. The File Size Is Out of Control	縮減 rows、formatting、full-column refs、images、PivotTables、external links	提高計算、review、分享效率	約 >100,000 rows 可考慮 Power Pivot
6. Spaghetti Links	避免 link-to-link；直接 link original source	提高 maintainability	刪除中間 block 容易造成 #REF!
7. Long & Complicated Formulas	將 complex workings 拆成清楚 blocks	提高 auditability	As simple as possible, as complex as necessary
8. No One Is Paying Attention	讓 stakeholders 提前參與，使用 visuals，避免 information dump	提高 adoption	計算正確但沒人使用仍沒有決策價值
9. You Don’t Want to Let Go	Collaborative build、training、user guide	降低 key-person dependency	單一人壟斷模型是 poor business practice
10. Someone Messes Up Your Model	Audit log + clean copy + error checks + recovery controls	事故診斷與恢復	修復後應把 root cause 轉成新的 prevention control

Pitfalls 的共同根源：模型不只是算式

第 14 章把問題從 formula correctness 擴大到模型的完整生命週期：設計、結構、檔案效能、可審核性、使用者採納、handover、維護與 incident recovery。模型如果只有作者看得懂、檔案巨大、link chain 脆弱或根本沒人使用，即使當下 calculation 正確，也不是好的 financial model。

1–2：Numbers Confidence 與 #REF!

管理層最直接的問題通常是「我們對這些 numbers 有信心嗎？」Modeler 必須能說明結果如何從 assumptions 與 calculations 產生。

#REF! 則代表 formula 所引用的 cell 已不存在，常見於刪除 rows／columns 或覆蓋 references。原書指出這類錯誤通常需要回到原 formula intent 重建，而不是用 IFERROR 把問題藏起來。

3：Circular References

最簡單案例：B8 寫 =SUM(B3:B8)，直接引用自己。

更複雜的 Figure 14-2：interest income 用 =AVERAGE(B5,B9)*$B$2，但 cash／interest dependencies 最終又連回自己。

原書的 Figure 14-3 解法是在 interest 前先建立 working cash at end，再算 interest，最後才算 ending cash，以數學方式拆開 circular dependency。

4：Too Much Detail

模型只是對 future reality 的 representation。把 customer counts 算到不需要的精度，會製造「我們知道得比實際更多」的 false precision。