Ganancias:
- Capacidad de posicionar la IA como un asistente que genera escenarios hipotéticos en la previsión de ingresos/gastos.
- Capacidad para escribir indicaciones de pronóstico con rango y sensibilidad basados en datos históricos y suposiciones explícitas.
- Capacidad para reconocer las limitaciones de las predicciones de la IA y combinarlas con el juicio humano.
"¿Cuál será nuestra facturación el próximo año?" es una de las preguntas más difíciles para el equipo de finanzas. Pronosticar es hacer una predicción sobre el futuro basada en datos y suposiciones del pasado. La inteligencia artificial (IA) puede ser una poderosa ayuda en este caso; Pero es necesario aceptar un hecho desde el principio: el modelo no conoce el futuro. Sólo procesa patrones y suposiciones que usted da. En esta unidad, aprenderemos a posicionar la IA en su papel correcto en la previsión y reconoceremos sus límites.
¿Qué hace y qué no hace la IA en la previsión?
Lo hace: resume la tendencia pasada, reconoce la estacionalidad (fluctuación repetida en ciertos meses), construye escenarios con diferentes supuestos, explica la lógica del pronóstico y presenta el pronóstico en una narrativa.
No lo hace: no puede dar un futuro exacto, no puede predecir shocks externos (crisis cambiaria, cambios regulatorios), no puede conocer un hecho que no esté en los datos. La frase "crecerás un 18% el próximo año" dada por un chatbot no es una profecía, sino un reflejo matemático de las suposiciones que haces.
Consejo: Nunca le pidas al modelo un "único número". Pregunte siempre por un rango y en qué suposiciones se basa ese rango. La frase "14-15 millones en el caso base, condición: la tasa de crecimiento actual continúa" es mucho más honesta y útil que la frase "14,6 millones".
Paso a paso: construir un pronóstico sólido
- Dar datos históricos. Ocurriendo durante al menos algunos períodos; mensualmente si es posible.
- Escriba las suposiciones claramente. Tasa de crecimiento, estacionalidad, cambios conocidos.
- Especificar método. ¿Tendencia simple, desestacionalizada o basada en escenarios?
- Preguntar por alcance y escenario. Optimista/base/pesimista.
- Pide sensibilidad. "¿Qué suposición cambia más el resultado?"
Aviso débil / Aviso fuerte
Mensaje débil: Prediga mi facturación el próximo año. Este año hicimos 12M.
Esto produce un número único sin base; No está claro en qué supuesto se basa, lo cual es peligroso para la decisión.
Mensaje fuerte: Su función: analista de planificación financiera. Tarea: Pronosticar los próximos 12 meses a partir de los siguientes datos de ingresos mensuales. Método: 1) Primero resuma la tendencia y la estacionalidad en datos históricos. 2) Establezca 3 escenarios con los siguientes supuestos: - Base: la tasa de crecimiento promedio de los últimos 12 meses continúa - Optimista: crecimiento +3 puntos - Pesimista: crecimiento -5 puntos 3) Proporcione el total de 12 meses y el rango mensual para cada escenario. 4) Sección "Sensibilidad": ¿qué supuesto cambia y el resultado cambia más? Restricción: enumere los supuestos explícitamente. Indique que la estimación es una predicción y no una certeza. Tenga en cuenta que no se pueden modelar shocks externos.<data>Cifras de facturación mensual de enero a diciembre</data>
Este mensaje; En lugar de un número exacto, produce un rango razonado, escenarios y un análisis de sensibilidad como "tasa de crecimiento/recopilación de supuestos más vulnerables". Quien toma decisiones toma decisiones al ver la incertidumbre.
La estacionalidad es el tema que con más frecuencia se pasa por alto en la elaboración de pronósticos. Las ventas de muchas empresas aumentan y disminuyen regularmente en ciertos meses: una heladera alcanza su punto máximo en verano, y una tienda de souvenirs alcanza su punto máximo durante las vacaciones. Una línea de tendencia plana no puede ver esta fluctuación y configurará incorrectamente el plan de existencias, personal y efectivo. Si le proporciona a la IA suficientes datos históricos (idealmente, al menos 24 meses), notará este patrón repetitivo y ajustará el pronóstico en consecuencia.
Métodos de predicción y el papel de la IA
Método
¿Cuándo es apropiado?
Contribución de la IA
frontera
tendencia sencilla
Datos estables y no estacionales
Consigue la tendencia rápidamente
No puedo ver los descansos
corrección estacional
Ventas que fluctúan por mes
Explica el patrón estacional
Demasiado apegado al pasado
Basado en escenarios
Un período de gran incertidumbre
Prueba hipótesis rápidamente
Depende de la calidad del supuesto.
Basado en controlador
Si los ingresos dependen de varios factores
Establece la relación entre factores.
Humano verifica la relación.
Predicción basada en el conductor
Predecir la facturación con un único porcentaje de crecimiento suele ser tosco. La forma más sólida es dividir los ingresos por sus impulsores: ingresos = número de clientes × ventas promedio por cliente × frecuencia de repetición. Predecir y multiplicar cada factor por separado da una predicción que es más precisa y más cuestionable; porque ves claramente qué suposición ha cambiado.
Calcule mis ingresos en función de los conductores. Ingresos = número de clientes activos × ingresos mensuales promedio por cliente (ARPU). Extraiga estos dos factores por separado durante los últimos 12 meses, interprete la tendencia de cada uno y luego pronostique los próximos 12 meses proyectando los dos factores por separado. Escriba claramente el supuesto para cada conductor; Especifique qué controlador es menos claro. Utilice solo números en los datos, muestre fórmulas.
El poder de este método es que en lugar de decir "la facturación aumenta un 15%", se dice "el número de clientes aumenta un 8%, los ingresos por cliente aumentan un 6%". Los dos pueden cuestionarse por separado; Si uno no es realista, ajusta la estimación a partir de ahí. La gerencia también pregunta "¿en qué supuesto confiamos?" puede responder la pregunta concretamente.
Disciplina de Sensibilidad y Asunción
La calidad del pronóstico es la calidad de los supuestos. Mantenga siempre los supuestos visibles para la IA y regrese y actualícelos a medida que ocurren (pronóstico móvil, es decir, un pronóstico móvil que se actualiza cada mes).
Enumere TODOS los supuestos que utilizó en el pronóstico a continuación en forma de tabla: supuesto | valor | fuente/razón | Si este valor varía un 10%, su efecto en el resultado anual. Marque los 3 supuestos más frágiles.
Al presentar el resultado predictivo de la IA a la gerencia, incluya una "tarjeta de suposiciones": las tres suposiciones más críticas, sus valores y sus fuentes. Por tanto, la predicción ya no es una caja negra; Todos ven a qué están apostando. Y cuando la realización se desvía, puede diagnosticar rápidamente qué suposición no se cumplió, lo que mejora el próximo pronóstico.
Precaución: No defienda la predicción generada por la IA diciendo "eso es lo que dijo el modelo". La responsabilidad de la predicción recae en quien la presenta. Siempre presente a la gerencia con el marco de “este es un escenario basado en estos supuestos, la actualización puede diferir”.
Mini casos
Caso 1: Pronóstico que ve estacionalidad. Una empresa minorista envió 24 meses de datos de ventas a IA. El modelo experimentó un aumento constante del 40% entre noviembre y diciembre y ajustó en consecuencia su pronóstico para el próximo año. Si se hubiera utilizado una tendencia plana, el plan de acciones de fin de año habría sido seriamente erróneo.
Caso 2: La trampa del número impar. Una startup basa su presupuesto en la previsión de AI de "18 millones el próximo año". Pero esto se basó en el supuesto de que "el crecimiento continúa como está". El 11M se realizó cuando dos clientes importantes se marcharon. Una vez aprendida la lección, el equipo pasó al rango de escenarios; La banda de pronóstico del próximo año cubrió lo que realmente sucedió.
Caso 3: La sensibilidad cambió la decisión. "El supuesto más vulnerable es el precio de la materia prima", dijo AI en el pronóstico de un fabricante, mostrando que un aumento de precio del 10% reduciría las ganancias anuales en un 22%. Luego, la dirección firmó un contrato anual de precio fijo con el proveedor. El valor real del pronóstico no fue el número, sino esta percepción del sentimiento.
Caso 4: El pronóstico móvil gana. Un minorista actualizó su pronóstico anual con cifras reales cada mes, en lugar de establecerlo una vez y olvidarlo. En el tercer mes, se vio que el supuesto de "crecimiento del 12%" era en realidad del 7%; El pronóstico se corrigió anticipadamente y el inventario de fin de año y el plan de dotación de personal se ajustaron en consecuencia. Si se hubiera mantenido el pronóstico fijo, habría habido un enorme exceso de existencias y una escasez de efectivo a finales de año. Lección: una previsión es un documento vivo, no se elabora y se guarda una vez.
Errores comunes
- Pidiendo un número impar. Hacer pronósticos sin rango ni guión crea una falsa certeza.
- Ocultar suposiciones. Suposición invisible significa una predicción que no se puede cuestionar ni actualizar.
- Depender demasiado del pasado. El patrón extiende el patrón pasado; No puedo ver fracturas y choques externos.
- Confundir una predicción con una profecía. La IA no conoce el futuro; Simplemente tiene en cuenta sus suposiciones.
- No hacer un pronóstico móvil. Establece el pronóstico una vez y olvídalo; no se actualiza cuando sucede.
En resumen
- Es un poderoso asistente en el pronóstico de IA: extrae tendencias y estacionalidades, construye escenarios, explica la lógica; pero no conoce el futuro y no puede ver las crisis externas.
- Pregunte siempre por un rango hipotético y escenarios optimistas/base/pesimistas en lugar de un solo número.
- Tenga los supuestos claramente enumerados e identifique el supuesto más vulnerable mediante un análisis de sensibilidad.
- La responsabilidad de la predicción recae en quien la presenta; Presente a la gerencia un marco de "escenario, no de certeza".
- Actualizar el pronóstico como ocurre con el pronóstico móvil; Instálalo una vez y no lo olvides.
Tarea de aplicación
Obtenga al menos 12 meses de datos de ingresos reales (reales o de muestra). Cree un pronóstico de 12 meses de tres escenarios con una potente plantilla de mensajes. Luego elimine las tres suposiciones más frágiles con el mensaje de sensibilidad. Verifique manualmente la tasa de crecimiento mensual del caso base del modelo una vez y resuma el pronóstico en una diapositiva con un marco de "escenario, no de certeza".
lista de verificación
- [ ] He proporcionado suficientes datos históricos (preferiblemente mensuales).
- [] Enumeré los supuestos explícitamente y los enumeré en el modelo.
- [] Quería un rango escrito, no un solo número.
- [ ] Identifiqué el supuesto más frágil a través del análisis de sensibilidad.
- [] Verifiqué manualmente el cálculo de crecimiento del caso base.
- [ ] Presenté la estimación en un marco de "escenario, no de certeza".