Gains :
- Capacité à positionner l'IA comme un assistant qui génère des scénarios hypothétiques dans la prévision des revenus/dépenses
- Capacité à rédiger des invites de prévision avec une plage et une sensibilité basées sur des données historiques et des hypothèses explicites
- Capacité à reconnaître les limites des prédictions de l’IA et à les intégrer au jugement humain
"Quel sera notre chiffre d'affaires l'année prochaine ?" est l’une des questions les plus difficiles pour l’équipe financière. La prévision consiste à faire une prédiction sur l’avenir sur la base de données et d’hypothèses passées. L’intelligence artificielle (IA) peut être ici un assistant puissant ; Mais il faut dès le départ accepter un fait : le modèle ne connaît pas l’avenir. Il traite uniquement les modèles et les hypothèses que vous donnez. Dans cette unité, nous apprendrons à positionner l’IA dans son rôle de prévision et à reconnaître ses limites.
Que fait et ne fait pas l’IA dans les prévisions ?
C'est le cas : résume la tendance passée, reconnaît la saisonnalité (fluctuation répétée au cours de certains mois), construit des scénarios avec différentes hypothèses, explique la logique des prévisions et met les prévisions dans un récit.
Ce n’est pas le cas : il ne peut pas donner un avenir précis, il ne peut pas prédire les chocs externes (crise des taux de change, changement de réglementation), il ne peut pas connaître un fait qui ne figure pas dans les données. La phrase « vous grandirez de 18 % l’année prochaine » prononcée par un chatbot n’est pas une prophétie, mais le reflet mathématique des hypothèses que vous faites.
Astuce : Ne demandez jamais au modèle un « numéro unique ». Demandez toujours une fourchette et sur quelles hypothèses elle est basée. La phrase « 14-15 millions dans le scénario de base, condition : le taux de croissance actuel se poursuit » est bien plus honnête et utile que le simple « 14,6 millions ».
Étape par étape : créer une prévision solide
- Donnez des données historiques. Se produisant pendant au moins quelques périodes ; mensuellement si possible.
- Écrivez clairement les hypothèses. Taux de croissance, saisonnalité, changements connus.
- Précisez la méthode. Tendance simple, désaisonnalisée ou basée sur un scénario ?
- Demandez la portée et le scénario. Optimiste / base / pessimiste.
- Demandez de la sensibilité. « Quelle hypothèse change le plus le résultat ? »
Invite faible/Invite forte
Invite faible : prédisez mon chiffre d’affaires l’année prochaine. Cette année, nous en avons réalisé 12 millions.
Cela produit un nombre unique sans base ; On ne sait pas sur quelle hypothèse elle repose, ce qui est dangereux pour la décision.
Invite forte : Votre rôle : un analyste de la planification financière. Tâche : Projeter les 12 prochains mois à partir des données de revenus mensuelles suivantes. Méthode : 1) Résumez d'abord la tendance et la saisonnalité des données historiques. Section « Sensibilité » : quelle hypothèse change, le résultat change le plus ? Contrainte : Lister explicitement les hypothèses. Déclarez que l’estimation est une prédiction et non une certitude. Notez que vous ne pouvez pas modéliser les chocs externes.<data>Janvier..Chiffres d'affaires mensuels de décembre</data>
Cette invite ; Au lieu d'un nombre exact, il produit une fourchette raisonnée, des scénarios et une analyse de sensibilité telle que « taux de collecte/taux de croissance des hypothèses les plus vulnérables ». Le décideur prend des décisions en voyant l’incertitude.
La saisonnalité est le sujet le plus souvent négligé en prévision. Les ventes de nombreuses entreprises augmentent et diminuent régulièrement certains mois : une sorbetière atteint son apogée en été, une boutique de souvenirs atteint son apogée pendant les vacances. Une ligne de tendance plate ne peut pas voir cette fluctuation et établira de manière incorrecte le plan de stock, de personnel et de trésorerie. Si vous fournissez à l’IA suffisamment de données historiques (idéalement au moins 24 mois), elle remarquera ce schéma répétitif et ajustera les prévisions en conséquence.
Méthodes de prédiction et rôle de l’IA
Méthode
Quand est-ce approprié ?
Contribution de l'IA
frontière
tendance simple
Données stables et non saisonnières
Obtient rapidement la tendance
Je ne vois pas les pauses
correction saisonnière
Ventes fluctuantes selon les mois
Explique le modèle saisonnier
Trop attaché au passé
Basé sur un scénario
Une période de forte incertitude
Teste rapidement les hypothèses
Cela dépend de la qualité de l'hypothèse
Basé sur le pilote
Si le revenu dépend de plusieurs facteurs
Établit une relation factorielle
L'humain vérifie la relation
Prédiction basée sur le pilote
Prédire le chiffre d’affaires avec un seul pourcentage de croissance est souvent grossier. La méthode la plus robuste consiste à diviser les revenus en fonction de leurs facteurs déterminants : chiffre d'affaires = nombre de clients × ventes moyennes par client × fréquence de répétition. Prédire et multiplier chaque facteur séparément donne une prédiction à la fois plus précise et plus discutable ; parce que vous voyez clairement quelle hypothèse a changé.
Estimer mes revenus en fonction des conducteurs. Revenu = nombre de clients actifs × revenu mensuel moyen par client (ARPU). Extrayez ces deux facteurs séparément pour les 12 derniers mois, interprétez la tendance de chacun, puis prévoyez les 12 prochains mois en projetant les deux facteurs séparément. Écrivez clairement l'hypothèse pour chaque facteur ; Spécifiez quel pilote est le plus flou. Utilisez uniquement des nombres dans les données, affichez les formules.
La puissance de cette méthode est qu'au lieu de dire « le chiffre d'affaires augmente de 15 % », vous dites « le nombre de clients augmente de 8 %, le revenu par client augmente de 6 % ». Les deux peuvent être interrogés séparément ; Si l’une d’elles n’est pas réaliste, vous ajustez l’estimation à partir de là. La direction demande également « sur quelle hypothèse nous appuyons-nous ? » peut répondre concrètement à la question.
Discipline de sensibilité et d’hypothèse
La qualité des prévisions dépend de la qualité des hypothèses. Gardez toujours les hypothèses visibles pour l'IA et revenez en arrière et mettez-les à jour au fur et à mesure qu'elles se produisent (prévision glissante, c'est-à-dire une prévision glissante mise à jour chaque mois).
Répertoriez TOUTES les hypothèses que vous avez utilisées dans la prévision ci-dessous sous forme de tableau : hypothèse | valeur | source/raison | Si cette valeur change de 10%, son effet sur le résultat annuel. Cochez les 3 hypothèses les plus fragiles.
Lorsque vous présentez les résultats prédictifs de l'IA à la direction, incluez une « carte d'hypothèses » : les trois hypothèses les plus critiques, leurs valeurs et leurs sources. Ainsi, la prédiction n’est plus une boîte noire ; Tout le monde voit sur quoi il parie. Et lorsque la réalisation s'écarte, vous pouvez rapidement diagnostiquer quelle hypothèse n'est pas valable, ce qui améliore la prévision suivante.
Attention : ne défendez pas la prédiction générée par l'IA en disant « c'est ce que dit le modèle ». La responsabilité de la prédiction incombe à celui qui la présente. Présentez toujours à la direction avec le cadre du « ceci est un scénario basé sur ces hypothèses, la réalisation peut différer ».
Mini-étuis
Cas 1 – Prévision qui voit la saisonnalité. Une entreprise de vente au détail a transmis 24 mois de données de ventes à l'IA. Le modèle a constaté une hausse constante de 40 % en novembre-décembre et a ajusté ses prévisions pour l'année prochaine en conséquence. Si une tendance plate avait été utilisée, le plan de stock de fin d'année aurait été gravement erroné.
Cas 2 — Le piège du nombre impair. Une startup base son budget sur les prévisions d'IA "18M l'année prochaine". Mais cela reposait sur l’hypothèse selon laquelle « la croissance continue telle qu’elle est ». 11 millions ont été réalisés suite au départ de deux clients majeurs. Une fois la leçon apprise, l’équipe est passée à la gamme de scénarios ; La fourchette de prévision de l’année suivante couvrait ce qui s’est réellement passé.
Cas 3 — La sensibilité a modifié la décision. "L'hypothèse la plus vulnérable est le prix des matières premières", a déclaré AI dans les prévisions d'un fabricant, montrant qu'une augmentation des prix de 10 % réduirait les bénéfices annuels de 22 %. La direction a alors signé un contrat annuel à prix forfaitaire avec le fournisseur. La véritable valeur de la prévision n’était pas le chiffre, mais cette idée du sentiment.
Cas 4 — Les prévisions glissantes gagnent. Un détaillant a mis à jour ses prévisions annuelles avec les chiffres réels chaque mois, plutôt que de les définir une seule fois et de les oublier. Au cours du troisième mois, on a constaté que l'hypothèse d'une « croissance de 12 % » était en réalité de 7 % ; Les prévisions ont été corrigées plus tôt et l'inventaire de fin d'année et le plan de dotation en personnel ont été ajustés en conséquence. Si la prévision fixée avait été maintenue, il y aurait eu un énorme surstock et un manque de liquidités à la fin de l'année. Leçon : une prévision est un document évolutif, elle ne s'établit pas une seule fois et se range.
Erreurs courantes
- Demander un nombre impair. Les prévisions sans portée ni script créent une fausse certitude.
- Cacher des hypothèses. Une hypothèse invisible signifie une prédiction qui ne peut être remise en question et mise à jour.
- Trop compter sur le passé. Le modèle prolonge le modèle passé ; ne peut pas voir les fractures et les chocs externes.
- Confondre une prédiction avec une prophétie. L’IA ne connaît pas l’avenir ; Cela prend simplement en compte vos hypothèses.
- Ne pas faire de prévisions glissantes. Réglez la prévision une fois et oubliez-la ; pas de mise à jour comme cela se produit.
En résumé
- C'est un assistant puissant dans les prévisions de l'IA : extrait la tendance et la saisonnalité, construit un scénario, explique la logique ; mais il ne connaît pas l’avenir et ne peut pas voir les chocs extérieurs.
- Demandez toujours une fourchette hypothétique et des scénarios optimistes/de base/pessimistes plutôt qu’un chiffre unique.
- Faites clairement énumérer les hypothèses et identifiez l’hypothèse la plus vulnérable grâce à une analyse de sensibilité.
- La responsabilité de la prédiction incombe à celui qui la présente ; Présenter à la direction un cadre « scénario, pas de certitude ».
- Mettez à jour les prévisions au fur et à mesure avec les prévisions glissantes ; Installez-le une fois et n'oubliez pas.
Tâche de candidature
Obtenez au moins 12 mois de données sur les revenus réels (réels ou échantillons). Créez une prévision de trois scénarios sur 12 mois avec un modèle d'invite puissant. Supprimez ensuite les trois hypothèses les plus fragiles à l’aide de l’invite de sensibilité. Vérifiez manuellement une fois le taux de croissance mensuel du scénario de base du modèle et résumez les prévisions sur une diapositive avec un cadre de « scénario, pas de certitude ».
liste de contrôle
- [ ] J'ai fourni suffisamment de données historiques (de préférence mensuelles).
- [ ] J'ai énuméré explicitement les hypothèses et je les ai répertoriées dans le modèle.
- [ ] Je voulais une plage scriptée, pas un seul chiffre.
- [ ] J'ai identifié l'hypothèse la plus fragile grâce à une analyse de sensibilité.
- [ ] J'ai vérifié manuellement le calcul de croissance du cas de base.
- [ ] J'ai présenté l'estimation dans un cadre de « scénario, pas de certitude ».