سود:
- توانایی جداسازی واضح لایههای فرضی، محرک و خروجی یک مدل مالی با هوش مصنوعی
- امکان تنظیم سناریوهای خوش بینانه/پایه/بدبینانه و جداول حساسیت تک متغیره با پشتیبانی هوش مصنوعی
- توانایی تایید منطق مدل هوش مصنوعی از نظر ارجاع دایره ای، فرمول و سازگاری فرضی
مدل مالی یک چارچوب حسابداری ساختار یافته است که آینده یک شرکت یا پروژه را با اعداد شبیه سازی می کند. در سادهترین حالت، این یک تنظیم «چند فرضی را وارد کنید، نتیجه بگیرید» است: وقتی نرخ رشد، نرخ هزینه و میزان سرمایهگذاری را تغییر میدهید، چگونه سود، پول نقد و ارزش تغییر میکند؟ یک مدل خوب از سه لایه واضح تشکیل شده است: مفروضات (اعدادی که وارد میکنید)، محرکها (منطقی که آن اعداد را به خروجی متصل میکند) و خروجیها (سود، پول نقد، نرخها). هوش مصنوعی فرآیند مدلسازی را از بسیاری جهات سرعت میبخشد: اسکلت مدل را پیشنهاد میکند، منطق فرمول را ایجاد میکند، سناریوها را تکرار میکند، و جداول حساسیت را آماده میکند. اما خطرناکترین خطاهای مدل، خطاهای نامرئی هستند: یک فرمول نادرست، یک مرجع دایرهای پنهان، یا یک فرض ناسازگار، مدل را در سکوت اشتباه میکند. ماهیت این واحد بررسی منطق مدلی است که هوش مصنوعی ایجاد می کند.
در این بخش، ما یاد میگیریم که سه لایه مدل را جدا کنیم، سناریوهای خوشبینانه/پایه/بدبینانه و جدول احساسات را تنظیم کنیم و منطق مدل هوش مصنوعی را تایید کنیم.
مفاهیم: فرض: عددی که به صورت دستی در مدل وارد میکنید (مثلاً رشد 10%). درایور: منطق فرمولی که فرض را به خروجی متصل می کند. سناریو: تغییر کامل مجموعه ای از مفروضات (خوشبینانه/پایه/بدبینانه). تجزیه و تحلیل حساسیت: تغییر گام به گام یک فرض و مشاهده تأثیر بر خروجی. مرجع دایره ای: اتصال مستقیم/غیر مستقیم یک سلول به خودش.
سه لایه مدل
مهمترین قانون انضباطی یک مدل، جداسازی مفروضات از محاسبات است. مفروضات در یک مکان جمع آوری می شوند، حساب به آنها گره خورده است. به طوری که وقتی یک فرض را تغییر می دهید، کل مدل به طور مداوم به روز می شود. هنگام داشتن مدلهای ساخت هوش مصنوعی، این تمایز را اعمال کنید.
لایه
محتوا
قانون طراحی خوب
مفروضات
رشد، حاشیه، سررسید، تخفیف، سرمایه گذاری
یک مکان، برچسب باز
رانندگان
فرمول هایی مانند درآمد = قیمت × حجم
با اشاره به این فرض، هیچ عدد تعبیه شده ثابتی وجود ندارد
خروجی ها
سود، پول نقد، نرخ، ارزش
فقط از محاسبه به دست می آید، با دست نوشته نمی شود.
نکته: هرگز یک عدد "ثابت" را در فرمول مدل قرار ندهید (مثلا =Turnover*0.55). در عوض، 0.55 را در سلول فرض قرار دهید و به آن ارجاع دهید. به این ترتیب، زمانی که فرض تغییر می کند، مدل از یک نقطه به روز می شود و شما به راحتی می توانید ثابت های پنهانی را که هوش مصنوعی تعبیه کرده است، ضبط کنید.
فیلمنامه و حساسیت
سناریو و حساسیت چیزهای متفاوتی هستند و ممکن است اشتباه گرفته شوند. این سناریو چندین فرضیه را با هم تغییر می دهد (در دنیای بدبینانه، هم رشد کاهش می یابد و هم هزینه ها افزایش می یابد). حساسیت یک فرض واحد را جدا می کند و تأثیر آن را بر تولید اندازه می گیرد (چگونه ارزش تغییر می کند اگر فقط نرخ تنزیل تغییر کند). آنها با هم نشان می دهند که مدل در کجا شکننده است.
اعلان اسکلت مدل: "یک مدل درآمد-سود 3 ساله ساده برای یک شرکت SaaS تنظیم کنید. لایه ها را از هم جدا کنید: (1) فرضیات (مشتریان اولیه 500، رشد ماهانه 4٪، اشتراک ماهانه 1200 لیره، حاشیه ناخالص 78٪، درآمد ثابت ماهانه 900 TL مشتریان)، (ERSnu) هزینه ثابت ماهانه DRL (ERSnu) هزار TL فرمول ها)، (3) خروجی ها (درآمد ماهانه، سود ناخالص، سود عملیاتی) اعداد ثابت را در فرمول ها قرار ندهید، فقط همه را فرض کنید."
اعلان سناریو: "سه سناریو به این مدل اضافه کنید. پایه: مفروضات داده شده. خوش بینانه: رشد ماهانه 6٪، حاشیه 80٪. بدبین: رشد ماهانه 2٪، حاشیه 72٪، هزینه ثابت 10٪ بیشتر. سود عملیاتی ماهانه 36 سه سناریو را در کنار یکدیگر جدول کنید."
اعلان جدول حساسیت: "حساسیت سود عملیاتی ماه 36 را به نرخ رشد ماهانه نشان دهید. رشد را از 1% به 7% در گام های 1 امتیازی تغییر دهید، سایر مفروضات را ثابت نگه دارید و سود را در هر مرحله در جدول ثبت کنید. میزان حساسیت سود به رشد را در یک جمله خلاصه کنید."
درخواست ممیزی مدل: "در مدلی که ساخته اید: (1) آیا اعداد ثابتی در فرمول ها تعبیه شده است که مبتنی بر فرضیات نیستند؟ (2) آیا ریسک مرجع دایره ای وجود دارد؟ (3) آیا واحدها سازگار هستند (ماهانه/سالانه، TL/000 TL)؟ هر خطری را که پیدا می کنید با تفکیک آن گزارش دهید."
اعلان ضعیف / اعلان قوی
ضعیف: "من را یک مدل مالی 3 ساله بساز." (نتیجه: یک محاسبه با لایههای مختلط، ثابتهای تعبیهشده، حسابرسی دشوار است.) قوی: "یک مدل 3 ساله با لایههای فرضی/محرک/خروجی جداگانه، بدون تعبیه ثابت در فرمولها، فرضیات رشد و حاشیه که میتوانند در یک مکان تغییر کنند بسازید؛ سپس یک جدول حساسیت رشد را در جدول حساسیت رشد در مدلهای مرجع ریسک و مدلهای مرجع بررسی کنید."
موارد کوچک
مورد 1 - هزینه ثابت تعبیه شده. یک تحلیلگر در مدل ساخته شده با هوش مصنوعی حاشیه سود را از 78 درصد به 75 درصد کاهش می دهد، اما سود عملیاتی کمتر از حد انتظار تغییر می کند. وقتی فرمان کنترل را اجرا می کند، می بیند که فرمول هزینه بر اساس ثابت 0.22 تعبیه شده است، نه فرض. حتی اگر سلول حاشیه تغییر کند، فرمول از مقدار قدیمی استفاده می کند. مدل زمانی که بر اساس یک فرض ثابت باشد به درستی پاسخ می دهد.
مورد 2 - ارزش شکننده. در مدل تصمیم گیری سرمایه گذاری، سناریوی پایه جذاب به نظر می رسد. وقتی تحلیلگر یک جدول حساسیت می سازد، می بیند که سود عملیاتی زمانی نصف می شود که رشد از 5% به 3% کاهش یابد. بنابراین کل جذابیت مدل بر یک فرض رشد خوش بینانه تک است. این آگاهی تصمیم را از «بله قطعی» به «قبل از تأیید رشد محتاطانه» تغییر میدهد.
مورد 3 - تله چرخه ای. در مدل استقراض، هزینه بهره به مانده بدهی، مانده بدهی به نیاز نقدی و نیاز به وجه نقد به بهره بستگی دارد. هنگام نصب هوش مصنوعی، یک مرجع دایره ای رخ می دهد و اکسل یک هشدار می دهد. به جای بستن اخطار و ادامه، تحلیلگر منطق را بازبینی می کند و زنجیره را برای محاسبه سود موجودی دوره قبل می شکند. بنابراین، نتیجه هم دقیق و هم قابل ردیابی است.
احتیاط: یک مدل هرگز با یک سناریو که خوب به نظر می رسد توجیه نمی شود. جمله "در سناریوی پایه بسیار سودآور است" نمی تواند توجیهی برای تصمیم گیری باشد بدون اینکه بدانیم در سناریوی بدبینانه چه اتفاقی می افتد. در هر مدل، حداقل سه گانه خوش بینانه/پایه/بدبینانه و حساسیت به فرض انتقادی را بخواهید.
چهار سوال بررسی مدل
از هر مدلی که هوش مصنوعی این چهار سوال را می سازد بپرسید:
- آیا تعبیه شده ثابتی وجود دارد؟ آیا هر عدد بر اساس یک فرض است یا در فرمول تعبیه شده است؟
- آیا واحدها هماهنگ هستند؟ آیا ماهیانه و سالانه و هزار لیر و هزار لیر مخلوط می شوند؟
- آیا مرجع دایره ای وجود دارد؟ آیا یک سلول به خودش متصل است؟
- آیا خروجی به این فرض واکنش درستی نشان می دهد؟ وقتی یک فرض را تغییر می دهید، آیا خروجی در جهت مورد انتظار تغییر می کند؟
اشتباهات رایج
- عدم تفکیک فرض از محاسبه هنگامی که ثابت ها در فرمول قرار می گیرند، مدل قابل کنترل نیست و به اشتباه واکنش نشان می دهد.
- تصمیم گیری با یک سناریو واحد تصمیمی که بدون دیدن یک وضعیت بدبینانه گرفته شود، ریسکی است.
- هشدار چرخه ای را خاموش کنید. اخطار نشانه اشتباه است نه آزاردهنده ساکت شدن.
- رد شدن از حساسیت استحکام مدل را نمی توان بدون دانستن اینکه نتیجه به کدام فرض بستگی دارد اندازه گیری کرد.
- سردرگمی واحد اختلاف ماهانه/سالانه و TL/000 TL خطاهای بیصدا اما بزرگی ایجاد میکند.
به طور خلاصه
مدل مالی یک چارچوب حسابداری است که آینده را با مفروضات شبیهسازی میکند و قدرت آن از شفافیت لایهها ناشی میشود. چارچوب هوش مصنوعی به سرعت سناریوها و جداول احساسات را می سازد. اما می تواند خطاهای نامرئی مانند ثابت تعبیه شده، مرجع دایره ای و ناسازگاری واحد را معرفی کند. فرض را از محاسبه جدا کنید، سه گانه خوش بین/پایه/بدبین و حساسیت را به فرض انتقادی برای هر مدل اضافه کنید، چهار سوال حسابرسی را در یک زمان بپرسید. یک سناریوی خوب نمی تواند یک تصمیم را توجیه کند.
وظیفه کاربردی
از هوش مصنوعی بخواهید یک مدل درآمد-سود 3 ساله ساده بسازد که به سه لایه (فرض/درایور/خروجی) تقسیم شده است و درخواست کنید هیچ ثابتی در فرمول ها تعبیه نشده باشد. سه سناریوی خوش بینانه/پایه/بدبینانه را اضافه کنید و آخرین سود عملیاتی را در کنار هم قرار دهید. سپس یک جدول حساسیت برای مهم ترین فرض (مثلاً رشد) بخواهید. در نهایت، اعلان بررسی مدل را اجرا کنید و ثابت های جاسازی شده، مراجع چرخه ای و ناسازگاری های واحد را بررسی کنید و یافته ها را یادداشت کنید.
چک لیست
- [ ] من لایه های فرضی، درایور و خروجی را جدا کردم.
- [ ] من تأیید کردم که هیچ ثابتی در فرمول ها تعبیه نشده است.
- [ ] من حداقل سه سناریو خوش بینانه/بعضی/بدبینانه تنظیم کردم.
- [ ] من یک جدول حساسیت برای فرض بحرانی اضافه کردم.
- [ ] من برای مرجع دایره ای بررسی کردم.
- [ ] من سازگاری واحد را تأیید کردم (ماهانه/سالانه، TL/000 TL).
- [ ] من یک فرض را تغییر دادم و آزمایش کردم که خروجی به درستی پاسخ می دهد.