Κέρδη:
- Δυνατότητα τοποθέτησης του AI ως βοηθού που δημιουργεί υποθετικά σενάρια στην πρόβλεψη εσόδων/εξόδων
- Δυνατότητα σύνταξης προτροπών πρόβλεψης με εύρος και ευαισθησία με βάση ιστορικά δεδομένα και ρητές υποθέσεις
- Δυνατότητα αναγνώρισης των περιορισμών των προβλέψεων AI και συνδυασμού τους με την ανθρώπινη κρίση
«Ποιος θα είναι ο τζίρος μας του χρόνου;» είναι ένα από τα πιο δύσκολα ερωτήματα για την οικονομική ομάδα. Η πρόβλεψη κάνει μια πρόβλεψη για το μέλλον με βάση δεδομένα και υποθέσεις του παρελθόντος. Η τεχνητή νοημοσύνη (AI) μπορεί να είναι ένας ισχυρός βοηθός εδώ. Αλλά είναι απαραίτητο να αποδεχτούμε ένα γεγονός από την αρχή: το μοντέλο δεν γνωρίζει το μέλλον. Επεξεργάζεται μόνο μοτίβα και υποθέσεις που δίνετε. Σε αυτή την ενότητα, θα μάθουμε να τοποθετούμε την τεχνητή νοημοσύνη στον σωστό ρόλο της στην πρόβλεψη και να αναγνωρίζουμε τα όριά της.
Τι κάνει και τι δεν κάνει η AI στην πρόβλεψη;
Κάνει: Συνοψίζει την τάση του παρελθόντος, αναγνωρίζει την εποχικότητα (επαναλαμβανόμενες διακυμάνσεις σε συγκεκριμένους μήνες), χτίζει σενάρια με διαφορετικές υποθέσεις, εξηγεί τη λογική της πρόβλεψης και τοποθετεί την πρόβλεψη σε μια αφήγηση.
Δεν το κάνει: Δεν μπορεί να δώσει ακριβές μέλλον, δεν μπορεί να προβλέψει εξωτερικούς κραδασμούς (συναλλαγματική κρίση, αλλαγή ρύθμισης), δεν μπορεί να γνωρίζει ένα γεγονός που δεν υπάρχει στα δεδομένα. Η πρόταση "θα αυξηθείς 18% τον επόμενο χρόνο" που δίνεται από ένα chatbot δεν είναι μια προφητεία, αλλά μια μαθηματική αντανάκλαση των υποθέσεων που κάνεις.
Συμβουλή: Ποτέ μην ζητάτε από το μοντέλο έναν «μονό αριθμό». Πάντα να ζητάτε ένα εύρος και σε ποιες υποθέσεις βασίζεται αυτό το εύρος. Η πρόταση "14-15 εκατ. στη βασική περίπτωση, προϋπόθεση: ο τρέχων ρυθμός ανάπτυξης συνεχίζεται" είναι πολύ πιο ειλικρινής και χρήσιμη από το ενιαίο "14,6 εκατ.".
Βήμα προς βήμα: Χτίζοντας μια σταθερή πρόβλεψη
- Δώστε ιστορικά στοιχεία. Εμφανίζονται για τουλάχιστον μερικές περιόδους. μηνιαία αν είναι δυνατόν.
- Γράψτε τις υποθέσεις καθαρά. Ρυθμός ανάπτυξης, εποχικότητα, γνωστές αλλαγές.
- Προσδιορίστε τη μέθοδο. Απλή τάση, εποχιακά προσαρμοσμένη ή σενάριο;
- Ζητήστε εμβέλεια και σενάριο. Αισιόδοξος / βάση / απαισιόδοξος.
- Ζητήστε ευαισθησία. «Ποια υπόθεση αλλάζει περισσότερο το αποτέλεσμα;»
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή: Προβλέψτε τον κύκλο εργασιών μου το επόμενο έτος. Φέτος κάναμε 12 εκ.
Αυτό παράγει έναν μόνο αριθμό χωρίς βάση. Δεν είναι σαφές σε ποια υπόθεση βασίζεται, κάτι που είναι επικίνδυνο για την απόφαση.
Ισχυρή προτροπή: Ο ρόλος σας: αναλυτής οικονομικού σχεδιασμού. Εργασία: Πρόβλεψη για τους επόμενους 12 μήνες από τα ακόλουθα δεδομένα μηνιαίου εισοδήματος. Μέθοδος: 1) Πρώτα συνοψίστε την τάση και την εποχικότητα στα ιστορικά δεδομένα. 2) Ορίστε 3 σενάρια με τις ακόλουθες παραδοχές: - Βάση: μέσος ρυθμός ανάπτυξης των τελευταίων 12 μηνών: Αισιόδοξη ανάπτυξη - 5 μονάδες: Αισιόδοξη ανάπτυξη - 5 μονάδες Συνολικό εύρος 12 μηνών και μηνιαίο εύρος για κάθε σενάριο.4) Ενότητα "Ευαισθησία": ποια υπόθεση αλλάζει, το αποτέλεσμα αλλάζει περισσότερο; Περιορισμός: Αναφέρετε ρητά τις υποθέσεις. Δηλώστε ότι η εκτίμηση είναι πρόβλεψη και όχι βεβαιότητα. Λάβετε υπόψη ότι δεν μπορείτε να μοντελοποιήσετε εξωτερικά σοκ.<data>Στοιχεία μηνιαίου κύκλου εργασιών για τον Ιανουάριο..Δεκέμβριος</data>
Αυτή η προτροπή? Αντί για έναν ακριβή αριθμό, παράγει ένα αιτιολογημένο εύρος, σενάρια και μια ανάλυση ευαισθησίας όπως "πιο ευάλωτη συλλογή υποθέσεων/ρυθμός ανάπτυξης". Ο λήπτης των αποφάσεων λαμβάνει αποφάσεις βλέποντας την αβεβαιότητα.
Η εποχικότητα είναι το πιο συχνά παραβλέπεται θέμα στις προβλέψεις. Οι πωλήσεις πολλών επιχειρήσεων αυξάνονται και μειώνονται τακτικά σε συγκεκριμένους μήνες: μια παγωτομηχανή κορυφώνεται το καλοκαίρι, ένα κατάστημα με σουβενίρ κορυφώνεται τις γιορτές. Μια επίπεδη γραμμή τάσης δεν μπορεί να δει αυτή τη διακύμανση και θα δημιουργήσει λανθασμένα το απόθεμα, το προσωπικό και το πρόγραμμα μετρητών. Εάν δώσετε στο AI αρκετά ιστορικά δεδομένα (ιδανικά τουλάχιστον 24 μήνες), θα παρατηρήσει αυτό το επαναλαμβανόμενο μοτίβο και θα προσαρμόσει ανάλογα την πρόβλεψη.
Μέθοδοι Πρόβλεψης και ο Ρόλος της ΤΝ
Μέθοδος
Πότε είναι κατάλληλο;
συνεισφορά AI
σύνορο
απλή τάση
Σταθερά, μη εποχιακά δεδομένα
Αποκτά γρήγορα την τάση
Δεν μπορώ να δω τα διαλείμματα
εποχιακή διόρθωση
Οι πωλήσεις κυμαίνονται ανά μήνα
Εξηγεί το εποχιακό μοτίβο
Υπερβολικά προσκολλημένος στο παρελθόν
Βασισμένο σε σενάριο
Μια περίοδος υψηλής αβεβαιότητας
Δοκιμάζει γρήγορα υποθέσεις
Εξαρτάται από την ποιότητα της υπόθεσης
Βασισμένο σε προγράμματα οδήγησης
Εάν το εισόδημα εξαρτάται από πολλούς παράγοντες
Καθιερώνει σχέση παραγόντων
Ο άνθρωπος επαληθεύει τη σχέση
Πρόβλεψη βάσει προγράμματος οδήγησης
Η πρόβλεψη του κύκλου εργασιών με ένα ενιαίο ποσοστό ανάπτυξης είναι συχνά ωμή. Ο πιο εύρωστος τρόπος είναι να διαιρέσετε τα έσοδα με τους οδηγούς του: έσοδα = αριθμός πελατών × μέσες πωλήσεις ανά πελάτη × συχνότητα επανάληψης. Η πρόβλεψη και ο πολλαπλασιασμός κάθε προγράμματος οδήγησης ξεχωριστά δίνει μια πρόβλεψη που είναι και πιο ακριβής και πιο αμφισβητήσιμη. γιατί βλέπεις καθαρά ποια υπόθεση έχει αλλάξει.
Υπολογίστε το εισόδημά μου με βάση τους οδηγούς. Έσοδα = αριθμός ενεργών πελατών × μέσος όρος μηνιαίων εσόδων ανά πελάτη (ARPU). Εξάγετε αυτά τα δύο προγράμματα οδήγησης ξεχωριστά για τους τελευταίους 12 μήνες, ερμηνεύστε την τάση του καθενός και, στη συνέχεια, προβλέψτε τους επόμενους 12 μήνες προβάλλοντας τα δύο προγράμματα οδήγησης ξεχωριστά. Γράψτε την υπόθεση ξεκάθαρα για κάθε οδηγό. Καθορίστε ποιο πρόγραμμα οδήγησης είναι πιο ασαφές. Χρησιμοποιήστε μόνο αριθμούς στα δεδομένα, εμφανίστε τύπους.
Η δύναμη αυτής της μεθόδου είναι ότι αντί να πείτε "ο τζίρος αυξάνεται κατά 15%", λέτε "ο αριθμός των πελατών αυξάνεται κατά 8%, τα έσοδα ανά πελάτη αυξάνονται κατά 6%. Τα δύο μπορούν να αμφισβητηθούν χωριστά. Εάν ένα δεν είναι ρεαλιστικό, προσαρμόζετε την εκτίμηση από εκεί. Η διοίκηση ρωτά επίσης "σε ποια υπόθεση βασιζόμαστε;" μπορεί να απαντήσει συγκεκριμένα στην ερώτηση.
Ευαισθησία και Πειθαρχία Υποθέσεων
Η ποιότητα της πρόβλεψης είναι η ποιότητα των υποθέσεων. Διατηρείτε πάντα τις υποθέσεις ορατές στο AI και πηγαίνετε πίσω και ενημερώνετε τις καθώς συμβαίνουν (κυλιόμενη πρόβλεψη, δηλαδή μια κυλιόμενη πρόβλεψη που ενημερώνεται κάθε μήνα).
Καταγράψτε ΟΛΕΣ τις παραδοχές που χρησιμοποιήσατε στην πρόβλεψη παρακάτω σε μορφή πίνακα: υπόθεση | αξία | πηγή/λόγος | Εάν αυτή η τιμή αλλάξει κατά 10%, η επίδρασή της στο ετήσιο αποτέλεσμα. Σημειώστε τις 3 πιο εύθραυστες υποθέσεις.
Κατά την παρουσίαση του προγνωστικού αποτελέσματος της τεχνητής νοημοσύνης στη διοίκηση, συμπεριλάβετε μια "κάρτα υποθέσεων": τις τρεις πιο κρίσιμες παραδοχές, τις τιμές τους και τις πηγές τους. Έτσι, η πρόβλεψη δεν είναι πλέον μαύρο κουτί. Ο καθένας βλέπει σε τι ποντάρει. Και όταν η συνειδητοποίηση αποκλίνει, μπορείτε γρήγορα να διαγνώσετε ποια υπόθεση δεν ίσχυε, κάτι που βελτιώνει την επόμενη πρόβλεψη.
Προσοχή: Μην υπερασπιστείτε την πρόβλεψη που δημιουργείται από την τεχνητή νοημοσύνη λέγοντας "αυτό είπε το μοντέλο". Η ευθύνη για την πρόβλεψη ανήκει στο άτομο που την παρουσιάζει. Πάντα παρουσία στη διοίκηση με το πλαίσιο «αυτό είναι ένα σενάριο που βασίζεται σε αυτές τις παραδοχές, η πραγματοποίηση μπορεί να διαφέρει».
Μίνι Θήκες
Περίπτωση 1 — Πρόβλεψη που δείχνει εποχικότητα. Μια εταιρεία λιανικής τροφοδότησε 24 μήνες με δεδομένα πωλήσεων στην τεχνητή νοημοσύνη. Το μοντέλο παρατήρησε ένα σταθερό άλμα 40% το Νοέμβριο-Δεκέμβριο και προσάρμοσε την πρόβλεψή του για το επόμενο έτος ανάλογα. Εάν είχε χρησιμοποιηθεί μια σταθερή τάση, το σχέδιο μετοχών για το τέλος του έτους θα ήταν σοβαρά λάθος.
Περίπτωση 2 — Η παγίδα του περιττού αριθμού. Μια startup βασίζει τον προϋπολογισμό της στην πρόβλεψη της AI «18 εκατομμύρια το επόμενο έτος». Αλλά αυτό βασίστηκε στην υπόθεση ότι «η ανάπτυξη συνεχίζεται ως έχει». Το 11M έγινε αντιληπτό όταν έφυγαν δύο μεγάλοι πελάτες. Μόλις μαθεύτηκε το μάθημα, η ομάδα προχώρησε στο εύρος του σεναρίου. Το συγκρότημα προβλέψεων του επόμενου έτους κάλυψε τι πραγματικά συνέβη.
Περίπτωση 3 — Η ευαισθησία άλλαξε την απόφαση. «Η πιο ευάλωτη υπόθεση είναι η τιμή της πρώτης ύλης», ανέφερε η AI στην πρόβλεψη ενός κατασκευαστή, δείχνοντας ότι μια αύξηση της τιμής κατά 10% θα μείωνε τα ετήσια κέρδη κατά 22%. Στη συνέχεια, η διοίκηση υπέγραψε ετήσια σύμβαση σταθερής τιμής με τον προμηθευτή. Η πραγματική αξία της πρόβλεψης δεν ήταν ο αριθμός, αλλά αυτή η εικόνα του συναισθήματος.
Περίπτωση 4 — Η κυλιόμενη πρόβλεψη κερδίζει. Ένας έμπορος λιανικής ενημέρωσε την ετήσια πρόβλεψή του με τις πραγματικές κάθε μήνα, αντί να την ορίσει μία φορά και να την ξεχάσει. Τον τρίτο μήνα, διαπιστώθηκε ότι η υπόθεση "ανάπτυξη 12%" ήταν στην πραγματικότητα 7%. Η πρόβλεψη διορθώθηκε νωρίς και η απογραφή και το πλάνο στελέχωσης στο τέλος του έτους προσαρμόστηκαν ανάλογα. Εάν η σταθερή πρόβλεψη είχε διατηρηθεί, θα υπήρχε τεράστια υπεραπόθεμα και κρίση μετρητών στο τέλος του έτους. Μάθημα: μια πρόβλεψη είναι ένα ζωντανό έγγραφο, δεν στήνεται μια φορά και δεν αφήνεται.
Συνήθη λάθη
- Ζητώντας έναν περιττό αριθμό. Η πρόβλεψη χωρίς εύρος και σενάριο δημιουργεί ψευδή βεβαιότητα.
- Απόκρυψη υποθέσεων. Αόρατη υπόθεση σημαίνει μια πρόβλεψη που δεν μπορεί να αμφισβητηθεί και να επικαιροποιηθεί.
- Να βασίζεσαι υπερβολικά στο παρελθόν. Το μοτίβο επεκτείνει το προηγούμενο μοτίβο. δεν μπορεί να δει κατάγματα και εξωτερικά σοκ.
- Παρεξήγηση μιας πρόβλεψης ως προφητεία. Το AI δεν γνωρίζει το μέλλον. Απλώς λαμβάνει υπόψη τις υποθέσεις σας.
- Δεν κάνει κυλιόμενη πρόβλεψη. Ορίστε την πρόβλεψη μία φορά και ξεχάστε την. δεν ενημερώνεται όπως συμβαίνει.
Συνοπτικά
- Είναι ένας ισχυρός βοηθός στις προβλέψεις τεχνητής νοημοσύνης: εξάγει την τάση και την εποχικότητα, δημιουργεί σενάρια, εξηγεί τη λογική. αλλά δεν γνωρίζει το μέλλον και δεν μπορεί να δει εξωτερικούς κραδασμούς.
- Να ζητάτε πάντα ένα υποθετικό εύρος και αισιόδοξα/βασικά/απαισιόδοξα σενάρια αντί για έναν μόνο αριθμό.
- Αναφέρετε τις υποθέσεις με σαφήνεια και προσδιορίστε την πιο ευάλωτη υπόθεση μέσω της ανάλυσης ευαισθησίας.
- Η ευθύνη για την πρόβλεψη ανήκει στο άτομο που την παρουσιάζει. Παρουσιάστε στη διοίκηση με πλαίσιο «σενάριο, όχι βεβαιότητα».
- Ενημερώστε την πρόβλεψη όπως συμβαίνει με την κυλιόμενη πρόβλεψη. Εγκαταστήστε το μια φορά και μην ξεχάσετε.
Εργασία εφαρμογής
Λάβετε δεδομένα πραγματικών εσόδων τουλάχιστον 12 μηνών (πραγματικά ή δείγματα). Δημιουργήστε μια πρόβλεψη 12 μηνών τριών σεναρίων με ένα ισχυρό πρότυπο προτροπής. Στη συνέχεια, αφαιρέστε τις τρεις πιο εύθραυστες υποθέσεις με την προτροπή ευαισθησίας. Επαληθεύστε με μη αυτόματο τρόπο τον μηνιαίο ρυθμό ανάπτυξης της βασικής περίπτωσης του μοντέλου μία φορά και συνοψίστε την πρόβλεψη σε μια διαφάνεια με ένα πλαίσιο "σενάριο, όχι βεβαιότητα".
λίστα ελέγχου
- [ ] Έχω παράσχει επαρκή ιστορικά δεδομένα (κατά προτίμηση μηνιαία).
- [ ] Παρέθεσα ρητά τις υποθέσεις και τις έβαλα να παραθέσω στο μοντέλο.
- [ ] Ήθελα ένα εύρος με σενάριο, όχι έναν αριθμό.
- [ ] Εντόπισα την πιο εύθραυστη υπόθεση μέσω της ανάλυσης ευαισθησίας.
- [ ] Επιβεβαίωσα με μη αυτόματο τρόπο τον υπολογισμό ανάπτυξης της βασικής θήκης.
- [ ] Παρουσίασα την εκτίμηση σε ένα πλαίσιο «σενάριο, όχι βεβαιότητα».