આગાહી અને આગાહી આધાર

નફો:

• AI ને સહાયક તરીકે સ્થાન આપવાની ક્ષમતા જે આવક/ખર્ચની આગાહીમાં અનુમાનિત દૃશ્યો પેદા કરે છે
• ઐતિહાસિક ડેટા અને સ્પષ્ટ ધારણાઓના આધારે શ્રેણી અને સંવેદનશીલતા સાથે આગાહી સંકેતો લખવાની ક્ષમતા
• AI આગાહીઓની મર્યાદાઓને ઓળખવાની અને તેને માનવ ચુકાદા સાથે મિશ્રિત કરવાની ક્ષમતા

"આવતા વર્ષે અમારું ટર્નઓવર શું હશે?" ફાઇનાન્સ ટીમ માટે સૌથી મુશ્કેલ પ્રશ્નો પૈકી એક છે. આગાહી એ ભૂતકાળના ડેટા અને ધારણાઓના આધારે ભવિષ્ય વિશે આગાહી કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) અહીં એક શક્તિશાળી સહાયક બની શકે છે; પરંતુ શરૂઆતથી જ એક હકીકત સ્વીકારવી જરૂરી છે: મોડેલ ભવિષ્ય જાણતું નથી. તે ફક્ત તમે આપેલી પેટર્ન અને ધારણાઓ પર પ્રક્રિયા કરે છે. આ એકમમાં, આપણે એઆઈને આગાહીમાં તેની સાચી ભૂમિકામાં સ્થાન આપતા શીખીશું અને તેની મર્યાદાઓને ઓળખીશું.

આગાહીમાં AI શું કરે છે અને શું નથી કરતું?

તે કરે છે: ભૂતકાળના વલણનો સારાંશ આપે છે, મોસમને ઓળખે છે (ચોક્કસ મહિનામાં પુનરાવર્તિત વધઘટ), વિવિધ ધારણાઓ સાથે દૃશ્યો બનાવે છે, આગાહીના તર્કને સમજાવે છે અને આગાહીને વર્ણનમાં મૂકે છે.

તે આવું કરતું નથી: તે ચોક્કસ ભવિષ્ય આપી શકતું નથી, તે બાહ્ય આંચકાઓ (વિનિમય દર કટોકટી, નિયમનમાં ફેરફાર) ની આગાહી કરી શકતું નથી, તે ડેટામાં નથી તે હકીકતને જાણી શકતું નથી. ચેટબોટ દ્વારા આપવામાં આવેલ વાક્ય "તમે આવતા વર્ષે 18% વૃદ્ધિ પામશો" એ કોઈ ભવિષ્યવાણી નથી, પરંતુ તમે જે ધારણાઓ કરો છો તેનું ગાણિતિક પ્રતિબિંબ છે.

ટીપ: મોડેલને ક્યારેય "સિંગલ નંબર" માટે પૂછશો નહીં. હંમેશા શ્રેણી માટે પૂછો અને તે શ્રેણી કઈ ધારણાઓ પર આધારિત છે. "બેઝ કેસમાં 14-15M, શરત: વર્તમાન વૃદ્ધિ દર ચાલુ છે" વાક્ય એકલ "14.6M" કરતાં વધુ પ્રમાણિક અને ઉપયોગી છે.

પગલું દ્વારા પગલું: એક નક્કર આગાહી બનાવવી

1. ઐતિહાસિક માહિતી આપો. ઓછામાં ઓછા થોડા સમયગાળા માટે થાય છે; જો શક્ય હોય તો માસિક.
2. ધારણાઓ સ્પષ્ટ રીતે લખો. વૃદ્ધિ દર, મોસમ, જાણીતા ફેરફારો.
3. પદ્ધતિ સ્પષ્ટ કરો. સિમ્પલ ટ્રેન્ડ, સિઝનલી એડજસ્ટેડ કે સિનારીયો આધારિત?
4. શ્રેણી અને દૃશ્ય માટે પૂછો. આશાવાદી / આધાર / નિરાશાવાદી.
5. સંવેદનશીલતા માટે પૂછો. "કઈ ધારણા પરિણામને સૌથી વધુ બદલે છે?"

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: આવતા વર્ષે મારા ટર્નઓવરની આગાહી કરો. આ વર્ષે અમે 12M બનાવ્યા.

આ કોઈ આધાર વિના એકલ સંખ્યા પેદા કરે છે; તે અસ્પષ્ટ છે કે તે કઈ ધારણા પર આધારિત છે, જે નિર્ણય માટે જોખમી છે.

સ્ટ્રોંગ પ્રોમ્પ્ટ:તમારી ભૂમિકા: નાણાકીય આયોજન વિશ્લેષક.કાર્ય: નીચેના માસિક આવકના ડેટામાંથી આગામી 12 મહિનાની આગાહી કરો. પદ્ધતિ:1) પ્રથમ ઐતિહાસિક ડેટામાં વલણ અને મોસમનો સારાંશ આપો.2) નીચેની ધારણાઓ સાથે 3 દૃશ્યો સેટ કરો: - આધાર: છેલ્લા 12 મહિનાનો સરેરાશ વૃદ્ધિ દર: -5 સિમિસ્ટિક વૃદ્ધિ ચાલુ રાખો: -5 સિમિસ્ટિક વૃદ્ધિ ચાલુ રાખો. પોઈન્ટ્સ3) દરેક દૃશ્ય માટે 12-મહિનાની કુલ અને માસિક શ્રેણી આપો. 4) "સંવેદનશીલતા" વિભાગ: કઈ ધારણા બદલાય છે, પરિણામ સૌથી વધુ બદલાય છે? અવરોધ: ધારણાઓને સ્પષ્ટપણે સૂચિબદ્ધ કરો. જણાવો કે અંદાજ એ આગાહી છે અને નિશ્ચિતતા નથી. નોંધ કરો કે તમે બાહ્ય આંચકાનું મોડેલ કરી શકતા નથી.<data>જાન્યુઆરી..ડિસેમ્બર માસિક ટર્નઓવરના આંકડા</data>

આ પ્રોમ્પ્ટ; ચોક્કસ સંખ્યાને બદલે, તે તર્કબદ્ધ શ્રેણી, દૃશ્યો અને "સૌથી વધુ સંવેદનશીલ ધારણા સંગ્રહ/વૃદ્ધિ દર" જેવા સંવેદનશીલતા વિશ્લેષણનું નિર્માણ કરે છે. નિર્ણય લેનાર અનિશ્ચિતતા જોઈને નિર્ણય લે છે.

મોસમ એ આગાહીમાં સૌથી વધુ વારંવાર અવગણવામાં આવતો વિષય છે. ઘણા વ્યવસાયોનું વેચાણ અમુક મહિનાઓમાં નિયમિતપણે વધે છે અને ઘટે છે: ઉનાળામાં આઈસ્ક્રીમ ઉત્પાદક ટોચ પર હોય છે, રજાઓની આસપાસ સંભારણું દુકાન ટોચ પર હોય છે. ફ્લેટ ટ્રેન્ડ લાઇન આ વધઘટ જોઈ શકતી નથી અને સ્ટોક, કર્મચારીઓ અને રોકડ યોજનાને ખોટી રીતે સેટ કરશે. જો તમે AI ને પૂરતો ઐતિહાસિક ડેટા આપો (આદર્શ રીતે ઓછામાં ઓછા 24 મહિના), તો તે આ પુનરાવર્તિત પેટર્નની નોંધ લેશે અને તે મુજબ આગાહીને સમાયોજિત કરશે.

આગાહી પદ્ધતિઓ અને AI ની ભૂમિકા

પદ્ધતિ

તે ક્યારે યોગ્ય છે?

AI યોગદાન

સરહદ

સરળ વલણ

સ્થિર, બિનમોસમી ડેટા

ટ્રેન્ડ ઝડપથી મેળવે છે

વિરામ જોઈ શકતા નથી

મોસમી કરેક્શન

મહિના પ્રમાણે વેચાણમાં વધઘટ

મોસમી પેટર્ન સમજાવે છે

ભૂતકાળ સાથે ખૂબ જોડાયેલ

દૃશ્ય આધારિત

ઉચ્ચ અનિશ્ચિતતાનો સમયગાળો

પૂર્વધારણાઓનું ઝડપથી પરીક્ષણ કરે છે

ધારણાની ગુણવત્તા પર આધાર રાખે છે

ડ્રાઈવર આધારિત

જો આવક ઘણા પરિબળો પર આધાર રાખે છે

પરિબળ સંબંધ સ્થાપિત કરે છે

માનવ સંબંધની ચકાસણી કરે છે

ડ્રાઇવર-આધારિત અનુમાન

એક વૃદ્ધિની ટકાવારી સાથે ટર્નઓવરની આગાહી ઘણી વખત ક્રૂડ હોય છે. તેના ડ્રાઇવરો દ્વારા આવકને વિભાજિત કરવાનો વધુ મજબૂત રસ્તો છે: આવક = ગ્રાહકોની સંખ્યા × ગ્રાહક દીઠ સરેરાશ વેચાણ × પુનરાવર્તિત આવર્તન. દરેક ડ્રાઇવરને અલગથી અનુમાન લગાવવું અને ગુણાકાર કરવાથી એક એવી આગાહી મળે છે જે વધુ સચોટ અને વધુ શંકાસ્પદ છે; કારણ કે તમે સ્પષ્ટપણે જોઈ શકો છો કે કઈ ધારણા બદલાઈ ગઈ છે.

ડ્રાઇવરોના આધારે મારી આવકનો અંદાજ કાઢો. આવક = સક્રિય ગ્રાહકોની સંખ્યા × ગ્રાહક દીઠ સરેરાશ માસિક આવક (ARPU). છેલ્લા 12 મહિનાથી આ બે ડ્રાઈવરોને અલગથી કાઢો, દરેકના વલણનું અર્થઘટન કરો, પછી બે ડ્રાઈવરોને અલગથી પ્રોજેક્ટ કરીને આગામી 12 મહિનાની આગાહી કરો. દરેક ડ્રાઇવર માટે ધારણા સ્પષ્ટ રીતે લખો; કયો ડ્રાઈવર વધુ અસ્પષ્ટ છે તે સ્પષ્ટ કરો. ડેટામાં માત્ર સંખ્યાઓનો ઉપયોગ કરો, સૂત્રો બતાવો.

આ પદ્ધતિની શક્તિ એ છે કે "ટર્નઓવર 15% વધે છે" કહેવાને બદલે તમે કહો છો કે "ગ્રાહકોની સંખ્યા 8% વધે છે, ગ્રાહક દીઠ આવક 6% વધે છે". બંનેને અલગથી પૂછપરછ કરી શકાય છે; જો એક અવાસ્તવિક હોય, તો તમે ત્યાંથી અંદાજ ગોઠવો. મેનેજમેન્ટ પણ પૂછે છે કે "આપણે કઈ ધારણા પર આધાર રાખીએ છીએ?" પ્રશ્નનો નક્કર જવાબ આપી શકે છે.

સંવેદનશીલતા અને ધારણા શિસ્ત

આગાહીની ગુણવત્તા એ ધારણાઓની ગુણવત્તા છે. ધારણાઓને હંમેશા AI ને દૃશ્યમાન રાખો અને પાછા જાઓ અને જેમ જેમ થાય તેમ તેને અપડેટ કરો (રોલિંગ આગાહી, એટલે કે, એક રોલિંગ આગાહી જે દર મહિને અપડેટ થાય છે).

તમે નીચે આપેલા અનુમાનમાં ઉપયોગમાં લીધેલ તમામ ધારણાઓને ટેબ્યુલર સ્વરૂપમાં સૂચિબદ્ધ કરો: ધારણા | મૂલ્ય | સ્ત્રોત/કારણ | જો આ મૂલ્ય 10% બદલાય છે, તો વાર્ષિક પરિણામ પર તેની અસર પડશે. 3 સૌથી નાજુક ધારણાઓને ટિક કરો.

AI નું અનુમાનિત આઉટપુટ મેનેજમેન્ટ સમક્ષ રજૂ કરતી વખતે, "ધારણા કાર્ડ" શામેલ કરો: ત્રણ સૌથી નિર્ણાયક ધારણાઓ, તેમના મૂલ્યો અને તેમના સ્ત્રોતો. આમ, આગાહી હવે બ્લેક બોક્સ નથી; દરેક વ્યક્તિ જુએ છે કે તેઓ શું દાવ લગાવી રહ્યા છે. અને જ્યારે અનુભૂતિ વિચલિત થાય છે, ત્યારે તમે ઝડપથી નિદાન કરી શકો છો કે કઈ ધારણા પકડી ન હતી, જે આગામી આગાહીને સુધારે છે.

સાવધાન: AI-જનરેટેડ અનુમાનનો બચાવ કરશો નહીં કે "આ મૉડેલ કહ્યું છે." આગાહીની જવાબદારી તેને રજૂ કરનાર વ્યક્તિની છે. "આ ધારણાઓ પર આધારિત એક દૃશ્ય છે, વાસ્તવિકતા અલગ હોઈ શકે છે" ના માળખા સાથે હંમેશા મેનેજમેન્ટ સમક્ષ હાજર રહો.

મીની કેસો

કેસ 1 - આગાહી જે મોસમી જુએ છે. એક રિટેલ કંપનીએ AIને 24 મહિનાનો સેલ્સ ડેટા આપ્યો. મોડેલે નવેમ્બર-ડિસેમ્બરમાં સતત 40% ઉછાળો નોંધ્યો અને તે મુજબ આગામી વર્ષ માટે તેની આગાહીને સમાયોજિત કરી. જો ફ્લેટ ટ્રેન્ડનો ઉપયોગ કરવામાં આવ્યો હોત, તો વર્ષના અંતે સ્ટોક પ્લાન ગંભીર રીતે ખોટો હોત.

કેસ 2 - એકી સંખ્યાની છટકું. એક સ્ટાર્ટઅપ તેના બજેટને AI ના "18M આગામી વર્ષ" અનુમાન પર આધારિત છે. પરંતુ આ એવી ધારણા પર આધારિત હતું કે "વૃદ્ધિ જેમ છે તેમ ચાલુ રહે છે". જ્યારે બે મુખ્ય ગ્રાહકો ગયા ત્યારે 11Mનો અહેસાસ થયો. એકવાર પાઠ શીખ્યા પછી, ટીમ દૃશ્ય શ્રેણી પર આગળ વધી; આગામી વર્ષના અનુમાન બેન્ડમાં ખરેખર શું થયું તે આવરી લેવામાં આવ્યું હતું.

કેસ 3 - સંવેદનશીલતાએ નિર્ણય બદલ્યો. "સૌથી વધુ સંવેદનશીલ ધારણા એ કાચા માલની કિંમત છે," AI એ ઉત્પાદકની આગાહીમાં જણાવ્યું હતું, જે દર્શાવે છે કે 10% ભાવ વધારો વાર્ષિક નફામાં 22% ઘટાડો કરશે. મેનેજમેન્ટે પછી સપ્લાયર સાથે નિયત-કિંમતના વાર્ષિક કરાર પર હસ્તાક્ષર કર્યા. આગાહીનું વાસ્તવિક મૂલ્ય સંખ્યા ન હતું, પરંતુ આ ભાવના સૂઝ હતી.

કેસ 4 - રોલિંગ આગાહી જીતે છે. એક રિટેલરે તેની વાર્ષિક આગાહીને એકવાર સેટ કરીને ભૂલી જવાને બદલે દર મહિને વાસ્તવિકતા સાથે અપડેટ કરી. ત્રીજા મહિનામાં, એવું જોવામાં આવ્યું હતું કે "વૃદ્ધિ 12%" ની ધારણા વાસ્તવમાં 7% હતી; પૂર્વાનુમાન વહેલું સુધારવામાં આવ્યું હતું અને વર્ષના અંતે ઇન્વેન્ટરી અને સ્ટાફિંગ પ્લાનને તે મુજબ એડજસ્ટ કરવામાં આવ્યો હતો. જો નિશ્ચિત આગાહી જાળવવામાં આવી હોત, તો વર્ષના અંતે ભારે ઓવરસ્ટોક અને રોકડની તંગી સર્જાઈ હોત. પાઠ: આગાહી એ જીવંત દસ્તાવેજ છે, તે એકવાર સેટ કરીને દૂર કરવામાં આવતો નથી.

સામાન્ય ભૂલો

• એક વિષમ નંબર માટે પૂછે છે. શ્રેણી અને સ્ક્રિપ્ટ વિના આગાહી ખોટી નિશ્ચિતતા બનાવે છે.
• ધારણાઓ છુપાવી. અદૃશ્ય ધારણાનો અર્થ છે એવી આગાહી કે જેના પર પ્રશ્ન અને અપડેટ કરી શકાતો નથી.
• ભૂતકાળ પર વધુ પડતો આધાર રાખવો. પેટર્ન ભૂતકાળની પેટર્નને વિસ્તૃત કરે છે; અસ્થિભંગ અને બાહ્ય આંચકા જોઈ શકતા નથી.
• ભવિષ્યવાણી તરીકેની આગાહીને ભૂલ કરવી. AI ભવિષ્ય જાણતું નથી; તે ફક્ત તમારી ધારણાઓને ધ્યાનમાં લે છે.
• રોલિંગ ફોરકાસ્ટ બનાવતા નથી. એકવાર આગાહી સેટ કરો અને તેને ભૂલી જાઓ; જેમ થાય છે તેમ અપડેટ થતું નથી.

સારાંશમાં

• તે AI આગાહીમાં એક શક્તિશાળી મદદનીશ છે: વલણ અને મોસમને બહાર કાઢે છે, દૃશ્ય બનાવે છે, તર્ક સમજાવે છે; પરંતુ તે ભવિષ્ય જાણતો નથી અને બાહ્ય આંચકા જોઈ શકતો નથી.
• હંમેશા એક જ સંખ્યાને બદલે અનુમાનિત શ્રેણી અને આશાવાદી/બેઝલાઇન/નિરાશાવાદી દૃશ્યો માટે પૂછો.
• ધારણાઓને સ્પષ્ટ રીતે સૂચિબદ્ધ કરો અને સંવેદનશીલતા વિશ્લેષણ દ્વારા સૌથી વધુ સંવેદનશીલ ધારણાને ઓળખો.
• આગાહી માટેની જવાબદારી તે રજૂ કરનાર વ્યક્તિની છે; "પરિદ્રશ્ય નહીં, નિશ્ચિતતા" ફ્રેમવર્ક સાથે મેનેજમેન્ટને પ્રસ્તુત કરો.
• રોલિંગ અનુમાન સાથે થાય છે તેમ આગાહીને અપડેટ કરો; એકવાર તેને ઇન્સ્ટોલ કરો અને ભૂલશો નહીં.

એપ્લિકેશન કાર્ય

ઓછામાં ઓછા 12 મહિનાનો વાસ્તવિક આવક ડેટા (વાસ્તવિક અથવા નમૂના) મેળવો. શક્તિશાળી પ્રોમ્પ્ટ નમૂના સાથે 12-મહિનાની આગાહી ત્રણ-દૃશ્ય બનાવો. પછી સંવેદનશીલતા પ્રોમ્પ્ટ સાથે ત્રણ સૌથી નાજુક ધારણાઓને દૂર કરો. મૉડલના બેઝ કેસના માસિક વૃદ્ધિ દરને મેન્યુઅલી એકવાર ચકાસો અને "પરિદ્રશ્ય, નિશ્ચિતતા નહીં" ફ્રેમવર્ક સાથે સ્લાઇડ પર અનુમાનનો સારાંશ આપો.

ચેકલિસ્ટ

• [ ] મેં પૂરતો ઐતિહાસિક ડેટા (પ્રાધાન્ય માસિક) પ્રદાન કર્યો છે.
• [ ] મેં ધારણાઓને સ્પષ્ટપણે સૂચિબદ્ધ કરી અને તેમને મોડેલમાં સૂચિબદ્ધ કર્યા.
• [ ] મને સ્ક્રિપ્ટેડ રેન્જ જોઈતી હતી, એક પણ સંખ્યા નહીં.
• મેં સંવેદનશીલતા વિશ્લેષણ દ્વારા સૌથી નાજુક ધારણાને ઓળખી.
• [ ] મેં મેન્યુઅલી બેઝ કેસની વૃદ્ધિની ગણતરીની ચકાસણી કરી.
• [ ] મેં અંદાજને "પરિદ્રશ્ય, નિશ્ચિતતા નહીં" ફ્રેમવર્કમાં રજૂ કર્યો.