پشتیبانی از پیش بینی و پیش بینی

سود:

• توانایی قرار دادن هوش مصنوعی به عنوان دستیار که سناریوهای فرضی را در پیش بینی درآمد/هزینه ایجاد می کند.
• امکان نوشتن دستورات پیش بینی با دامنه و حساسیت بر اساس داده های تاریخی و فرضیات صریح
• توانایی تشخیص محدودیت های پیش بینی های هوش مصنوعی و ترکیب آنها با قضاوت انسان

گردش مالی ما در سال آینده چقدر خواهد بود؟ یکی از سخت ترین سوالات برای تیم مالی است. پیش‌بینی، پیش‌بینی آینده بر اساس داده‌ها و مفروضات گذشته است. هوش مصنوعی (AI) می تواند دستیار قدرتمندی در اینجا باشد. اما باید از همان ابتدا یک واقعیت را پذیرفت: مدل آینده را نمی شناسد. این فقط الگوها و مفروضاتی را که شما ارائه می دهید پردازش می کند. در این بخش، ما یاد خواهیم گرفت که هوش مصنوعی را در نقش صحیح خود در پیش بینی قرار دهیم و محدودیت های آن را تشخیص دهیم.

هوش مصنوعی در پیش بینی چه می کند و چه نمی کند؟

این کار را انجام می دهد: روند گذشته را خلاصه می کند، فصلی بودن را تشخیص می دهد (نوسانات مکرر در ماه های خاص)، سناریوهایی با مفروضات مختلف می سازد، منطق پیش بینی را توضیح می دهد و پیش بینی را در یک روایت قرار می دهد.

نمی‌کند: نمی‌تواند آینده دقیقی ارائه دهد، نمی‌تواند شوک‌های خارجی (بحران نرخ ارز، تغییر مقررات) را پیش‌بینی کند، نمی‌تواند واقعیتی را بداند که در داده‌ها نیست. جمله «سال آینده 18 درصد رشد خواهید کرد» که توسط یک ربات چت داده می شود یک پیشگویی نیست، بلکه بازتابی ریاضی از فرضیاتی است که شما می کنید.

نکته: هرگز از مدل «تک شماره» نخواهید. همیشه یک محدوده را بپرسید و آن محدوده بر چه مفروضاتی استوار است. جمله "14-15M در حالت پایه، شرط: نرخ رشد فعلی ادامه دارد" بسیار صادقانه تر و مفیدتر از تک "14.6M" است.

گام به گام: ایجاد یک پیش بینی جامد

1. داده های تاریخی بدهید حداقل برای چند دوره رخ می دهد. در صورت امکان ماهانه
2. فرضیات را به وضوح بنویسید. نرخ رشد، فصلی، تغییرات شناخته شده.
3. روش را مشخص کنید روند ساده، فصلی تنظیم شده یا سناریو؟
4. محدوده و سناریو را بخواهید. خوش بین / پایه / بدبین.
5. حساسیت بخواهید "کدام فرض بیشتر نتیجه را تغییر می دهد؟"

اعلان ضعیف / اعلان قوی

اعلان ضعیف: گردش مالی من در سال آینده را پیش بینی کنید. امسال 12 میلیون داشتیم.

این یک عدد واحد را بدون هیچ مبنایی تولید می کند. معلوم نیست بر چه فرضی استوار است که برای تصمیم خطرناک است.

پیشنهاد قوی: نقش شما: یک تحلیلگر برنامه ریزی مالی. وظیفه: 12 ماه آینده را از روی داده های درآمد ماهانه زیر پیش بینی کنید. روش: 1) ابتدا روند و فصلی بودن را در داده های تاریخی خلاصه کنید. 2) 3 سناریو را با مفروضات زیر تنظیم کنید: - پایه: متوسط نرخ رشد 12 ماه گذشته: رشد بدبینانه +3 امتیاز: رشد بدبینانه - 3 امتیاز: رشد بدبینانه - 3 امتیاز: رشد بدبینانه - 5 امتیاز محدوده 12 ماهه کل و ماهانه برای هر سناریو. 4) بخش "حساسیت": کدام فرض تغییر می کند، نتیجه بیشتر تغییر می کند؟ محدودیت: مفروضات را به صراحت فهرست کنید. بیان کنید که تخمین یک پیش بینی است نه قطعیت. توجه داشته باشید که نمی‌توانید شوک‌های خارجی را مدل‌سازی کنید.<data>اعداد گردش مالی ماهانه ژانویه.. دسامبر</data>

این اعلان؛ به جای یک عدد دقیق، یک محدوده منطقی، سناریوها و یک تحلیل حساسیت مانند "آسیب پذیرترین فرض جمع آوری/نرخ رشد" تولید می کند. تصمیم گیرنده با مشاهده عدم قطعیت تصمیم می گیرد.

فصلی بودن موضوعی است که اغلب در پیش بینی نادیده گرفته می شود. فروش بسیاری از مشاغل در ماه‌های خاص مرتباً افزایش و کاهش می‌یابد: یک بستنی‌ساز در تابستان به اوج خود می‌رسد، یک فروشگاه سوغاتی در حوالی تعطیلات به اوج می‌رسد. یک خط روند صاف نمی تواند این نوسان را ببیند و سهام، پرسنل و طرح نقدی را به اشتباه تنظیم می کند. اگر داده‌های تاریخی کافی (در حالت ایده‌آل حداقل 24 ماه) به هوش مصنوعی بدهید، متوجه این الگوی تکراری می‌شود و پیش‌بینی را بر این اساس تنظیم می‌کند.

روش های پیش بینی و نقش هوش مصنوعی

روش

چه زمانی مناسب است؟

سهم هوش مصنوعی

مرز

روند ساده

داده های پایدار و غیر فصلی

به سرعت روند را دریافت می کند

نمی توان وقفه ها را دید

اصلاح فصلی

فروش در نوسان ماهانه

الگوی فصلی را توضیح می دهد

بیش از حد به گذشته وابسته است

بر اساس سناریو

دوره ای از عدم قطعیت بالا

به سرعت فرضیه ها را آزمایش می کند

بستگی به کیفیت فرض دارد

مبتنی بر راننده

اگر درآمد به چند عامل بستگی دارد

رابطه عاملی برقرار می کند

انسان رابطه را تأیید می کند

پیش بینی مبتنی بر راننده

پیش‌بینی گردش مالی با یک درصد رشد اغلب خام است. راه قوی‌تر تقسیم درآمد بر محرک‌های آن است: درآمد = تعداد مشتریان × میانگین فروش به ازای هر مشتری × دفعات تکرار. پیش‌بینی و ضرب هر درایور به‌طور جداگانه، پیش‌بینی دقیق‌تر و مشکوک‌تری به دست می‌دهد. زیرا شما به وضوح می بینید که کدام فرض تغییر کرده است.

درآمد من را بر اساس رانندگان تخمین بزنید. درآمد = تعداد مشتریان فعال × متوسط ​​درآمد ماهانه هر مشتری (ARPU). این دو محرک را به طور جداگانه برای 12 ماه گذشته استخراج کنید، روند هر کدام را تفسیر کنید، سپس 12 ماه آینده را با نمایش دو محرک جداگانه پیش بینی کنید. فرض را به وضوح برای هر راننده بنویسید. مشخص کنید کدام درایور نامشخص تر است. فقط از اعداد در داده ها استفاده کنید، فرمول ها را نشان دهید.

قدرت این روش این است که به جای گفتن «تعداد گردش مالی 15 درصد افزایش می یابد»، می گویید «تعداد مشتریان 8 درصد افزایش می یابد، درآمد هر مشتری 6 درصد افزایش می یابد». این دو را می توان جداگانه مورد پرسش قرار داد. اگر یکی غیر واقعی است، شما برآورد را از آنجا تنظیم می کنید. مدیریت همچنین می پرسد "ما بر چه فرضی تکیه می کنیم؟" می تواند به طور مشخص به سوال پاسخ دهد.

انضباط حساسیت و فرض

کیفیت پیش بینی کیفیت مفروضات است. همیشه مفروضات را برای هوش مصنوعی قابل مشاهده نگه دارید و به عقب برگردید و در صورت وقوع آنها را به روز کنید (پیش بینی متحرک، یعنی یک پیش بینی متحرک که هر ماه به روز می شود).

همه مفروضاتی را که در پیش‌بینی استفاده کرده‌اید به صورت جدولی فهرست کنید: فرض | ارزش | منبع/دلیل | اگر این مقدار 10 درصد تغییر کند، تأثیر آن بر نتیجه سالانه است. 3 شکننده ترین فرض را علامت بزنید.

هنگام ارائه خروجی پیش‌بینی هوش مصنوعی به مدیریت، یک "کارت فرض" را شامل کنید: سه فرض مهم، مقادیر آنها و منابع آنها. بنابراین، پیش بینی دیگر یک جعبه سیاه نیست. همه می بینند که روی چه چیزی شرط بندی می کنند. و هنگامی که درک منحرف می شود، می توانید به سرعت تشخیص دهید که کدام فرض برقرار نیست، که پیش بینی بعدی را بهبود می بخشد.

احتیاط: با گفتن "این چیزی است که مدل گفته است" از پیش بینی تولید شده توسط هوش مصنوعی دفاع نکنید. مسئولیت پیش بینی بر عهده شخصی است که آن را ارائه می دهد. همیشه با این چارچوب به مدیریت ارائه شود که «این یک سناریو بر اساس این مفروضات است، واقعی سازی ممکن است متفاوت باشد».

موارد کوچک

مورد 1 - پیش بینی که فصلی بودن را می بیند. یک شرکت خرده‌فروشی داده‌های 24 ماهه فروش را به هوش مصنوعی داده است. این مدل در ماه های نوامبر-دسامبر جهش 40 درصدی را مشاهده کرد و پیش بینی خود را برای سال آینده بر این اساس تعدیل کرد. اگر از یک روند ثابت استفاده می شد، برنامه سهام پایان سال به طور جدی اشتباه می شد.

مورد 2 - تله اعداد فرد. یک استارت‌آپ بودجه خود را بر اساس پیش‌بینی «18 میلیون سال آینده» هوش مصنوعی قرار می‌دهد. اما این بر این فرض استوار بود که "رشد همچنان ادامه دارد". 11M با خروج دو مشتری اصلی محقق شد. وقتی این درس آموخته شد، تیم به محدوده سناریو رفت. گروه پیش‌بینی سال بعد اتفاقات واقعی را پوشش می‌دهد.

مورد 3 - حساسیت تصمیم را تغییر داد. هوش مصنوعی در پیش‌بینی یک تولیدکننده گفت: «آسیب‌پذیرترین فرض، قیمت مواد خام است. سپس مدیریت یک قرارداد سالانه با قیمت ثابت با تامین کننده امضا کرد. ارزش واقعی پیش بینی عدد نبود، بلکه این بینش احساسی بود.

مورد 4 - پیش بینی چرخشی برنده می شود. یک خرده فروش هر ماه پیش بینی سالانه خود را با واقعیات به روز می کرد، نه اینکه یک بار آن را تنظیم کند و فراموشش کند. در ماه سوم، مشاهده شد که فرض «رشد 12 درصد» در واقع 7 درصد است. پیش‌بینی زودهنگام اصلاح شد و موجودی و برنامه پرسنلی پایان سال بر این اساس تعدیل شد. اگر پیش‌بینی ثابت حفظ می‌شد، در پایان سال مازاد موجودی و بحران نقدینگی بزرگ وجود داشت. درس: پیش بینی یک سند زنده است، یک بار تنظیم نمی شود و کنار گذاشته نمی شود.

اشتباهات رایج

• درخواست یک عدد فرد پیش بینی بدون محدوده و اسکریپت باعث ایجاد اطمینان کاذب می شود.
• پنهان کردن فرضیات فرض نامرئی به معنای پیش بینی ای است که نمی توان آن را زیر سوال برد و به روز کرد.
• اتکای بیش از حد به گذشته الگو الگوی گذشته را گسترش می دهد. نمی تواند شکستگی ها و شوک های خارجی را ببیند.
• اشتباه گرفتن یک پیشگویی به عنوان یک پیشگویی هوش مصنوعی از آینده خبر ندارد. این فقط فرضیات شما را در نظر می گیرد.
• پیش بینی متوالی انجام نمی دهد. یک بار پیش بینی را تنظیم کنید و آن را فراموش کنید. همانطور که اتفاق می افتد به روز نمی شود.

به طور خلاصه

• این یک دستیار قدرتمند در پیش بینی هوش مصنوعی است: روند و فصلی را استخراج می کند، سناریو می سازد، منطق را توضیح می دهد. اما آینده را نمی شناسد و نمی تواند شوک های خارجی را ببیند.
• همیشه به جای یک عدد، یک محدوده فرضی و سناریوهای خوش بینانه/پایه/بدبینانه بخواهید.
• مفروضات را به وضوح فهرست کنید و آسیب پذیرترین فرض را از طریق تحلیل حساسیت شناسایی کنید.
• مسئولیت پیش بینی بر عهده شخصی است که آن را ارائه می دهد. با چارچوب «سناریو، نه قطعیت» به مدیریت ارائه شود.
• پیش‌بینی را همانطور که با Rolling forecast اتفاق می‌افتد، به‌روزرسانی کنید. یکبار نصب کنید و فراموش نکنید.

وظیفه کاربردی

حداقل 12 ماه اطلاعات درآمد واقعی (واقعی یا نمونه) را به دست آورید. یک پیش بینی 12 ماهه سه سناریویی با یک الگوی سریع قدرتمند ایجاد کنید. سپس سه شکننده ترین فرض را با اعلان حساسیت حذف کنید. یک بار نرخ رشد ماهانه مورد پایه مدل را به صورت دستی تأیید کنید و پیش‌بینی را در یک اسلاید با چارچوب «سناریو، نه قطعیت» خلاصه کنید.

چک لیست

• [ ] من داده های تاریخی کافی (ترجیحا ماهانه) ارائه کرده ام.
• [ ] من مفروضات را به صراحت فهرست کردم و آنها را در مدل فهرست کردم.
• [ ] من یک محدوده اسکریپت شده می خواستم، نه یک عدد.
• [ ] من شکننده ترین فرض را از طریق تحلیل حساسیت شناسایی کردم.
• [ ] من به صورت دستی محاسبه رشد کیس پایه را تأیید کردم.
• [ ] من برآورد را در چارچوب «سناریو، نه قطعیت» ارائه کردم.