מודלים פיננסיים, תרחישים וניתוח רגישות

רווחים:

• יכולת להפריד בבירור בין שכבות ההנחה, הדרייבר והפלט של מודל פיננסי עם AI
• יכולת להגדיר תרחישים אופטימיים/בסיסיים/פסימיים וטבלאות רגישות חד משתנים עם תמיכה בבינה מלאכותית
• יכולת לאמת את היגיון המודל של AI במונחים של הפניה מעגלית, נוסחה ועקביות ההנחה

מודל פיננסי הוא מסגרת חשבונאית מובנית המדמה את העתיד של חברה או פרויקט עם מספרים. במקרה הפשוט ביותר, מדובר במערך "הכנס כמה הנחות, השג תוצאות": כיצד משתנים רווחים, מזומנים וערך כאשר משנים את קצב הצמיחה, קצב העלות וסכום ההשקעה? מודל טוב מורכב משלוש שכבות ברורות: הנחות (המספרים שאתה מזין), דרייברים (ההיגיון שמחבר את המספרים הללו לפלט), ותפוקות (רווח, מזומן, תעריפים). בינה מלאכותית מזרזת את תהליך הדוגמנות במובנים רבים: היא מציעה את שלד המודל, קובעת לוגיקה של נוסחאות, משכפלת תרחישים ומכינה טבלאות רגישות. אבל השגיאות המסוכנות ביותר של המודל הן הבלתי נראות: נוסחה שגויה, הפניה מעגלית נסתרת או הנחה לא עקבית הופכים את המודל לטעות בשקט. המהות של יחידה זו היא לבדוק את היגיון המודל שה-AI בונה.

ביחידה זו נלמד להפריד בין שלושת השכבות של המודל, להגדיר תרחישים אופטימיים/בסיסיים/פסימיים וטבלת סנטימנטים, ולאמת את היגיון המודל של AI.

מושגים: הנחה: המספר שאתה מזין ידנית למודל (למשל צמיחה של 10%). דרייבר: לוגיקה של נוסחה שמחברת את ההנחה לפלט. תרחיש: שינוי מוחלט של מערכת הנחות (אופטימית/בסיסית/פסימית). ניתוח רגישות: שינוי הנחה בודדת צעד אחר צעד וראיית ההשפעה על הפלט. הפניה מעגלית: חיבור ישיר/עקיף של תא לעצמו.

שלוש שכבות של הדגם

הכלל המשמעתי החשוב ביותר של מודל הוא להפריד בין הנחות לחישוב. ההנחות נאספות במקום אחד, החשבון קשור אליהן; כך שכאשר אתה משנה הנחה, המודל כולו מתעדכן באופן עקבי. אכוף את ההבחנה הזו כאשר בניית מודלים של AI.

שכבה

תוכן

כלל עיצוב טוב

הנחות

צמיחה, מרווח, בגרות, הנחה, השקעה

מקום אחד, תווית פתוחה

נהגים

נוסחאות כגון הכנסה = מחיר × נפח

בהתייחס להנחה, אין מספר מוטבע קבוע

פלטים

רווח, מזומן, תעריפים, ערך

זה נגזר רק מחישוב, זה לא כתוב ביד.

טיפ: לעולם אל תטמיע מספר "קבוע" בנוסחה במודל (למשל =Turnover*0.55). במקום זאת, הכנס 0.55 בתא ההנחה והפנה אליו. בדרך זו, כאשר ההנחה משתנה, המודל מתעדכן מנקודה אחת ותוכלו ללכוד בקלות את הקבועים הנסתרים שה-AI הטמיע.

תסריט ורגישות

תרחיש ורגישות הם דברים שונים ויכולים להתבלבל. התרחיש משנה מספר הנחות יחד (בעולם הפסימי, גם הצמיחה יורדת וגם העלויות עולות). הרגישות מבודדת הנחה אחת ומודדת את השפעתה על התפוקה (איך הערך משתנה אם רק שיעור ההיוון משתנה). יחד הם מראים היכן הדגם שביר.

הנחיה שלד הדגם: "הגדר מודל הכנסה-רווח פשוט ל-3 שנים עבור חברת SaaS. הפרד את השכבות: (1) השערות (לקוחות מתחילים 500, צמיחה חודשית 4%, מנוי חודשי 1,200 TL, רווח גולמי 78%, הוצאה קבועה חודשית של DRI, הכנסה קבועה של 900,000 לקוחות, מספר הכנסה של לקוחות, (מספר הכנסות) (3) תפוקות (הכנסה חודשית, רווח גולמי, רווח תפעולי) אל תכניס מספרים קבועים בנוסחאות, פשוט תניח הכל."

הנחיית תרחיש: "הוסף שלושה תרחישים למודל זה. בסיס: הנחות נתונות. אופטימיות: צמיחה חודשית 6%, מרווח 80%. פסימיסט: צמיחה חודשית 2%, מרווח 72%, הוצאה קבועה 10% יותר. טבל את הרווח התפעולי החודשי ה-36 של שלושת התרחישים זה לצד זה".

הנחיה בטבלת הרגישות: "הצג את רגישות הרווח התפעולי החודשי ה-36 לקצב הצמיחה החודשי. שנה את הצמיחה מ-1% ל-7% בשלבים של 1 נקודה, שמור על הנחות אחרות קבועות ורשום את הרווח בכל שלב בטבלה. סכמו עד כמה הרווח רגיש לצמיחה במשפט אחד".

הנחיה לביקורת מודל: "במודל שבנית: (1) האם יש מספרים קבועים המוטבעים בנוסחאות שאינם מבוססים על הנחות? (2) האם יש סיכון התייחסות מעגלי? (3) האם היחידות עקביות (חודשית/שנתית, TL/אלף TL)? דווח על כל סיכון שאתה מוצא על ידי פירוטו".

הנחיה חלשה / הנחיה חזקה

WEAK: "עשה לי מודל פיננסי לשלוש שנים". (תוצאה: חישוב עם שכבות מעורבות, קבועים משובצים, קשה לביקורת.) STRONG: "בנה מודל ל-3 שנים עם שכבות הנחה/דרייבר/תפוקה נפרדות, ללא מוטמעים קבועים בנוסחאות, הנחות צמיחה ושוליים שניתנות לשינוי במקום אחד; לאחר מכן הוסף טבלת רגישות לצמיחה ובדקו את הסיכונים ביחידת ההתייחסות המחזורית וביחידת ההתייחסות המחזורית."

מיני מארזים

מקרה 1 - עלות קבוע משובץ. אנליסט מקטין את המרווח מ-78% ל-75% במודל הבנוי בינה מלאכותית, אך הרווח התפעולי משתנה פחות מהצפוי. כשהוא מריץ את שורת הבקרה, הוא רואה שנוסחת העלות מבוססת על קבוע 0.22 המוטבע, לא על ההנחה. גם אם תא השוליים השתנה, הנוסחה השתמשה בערך הישן. המודל מגיב נכון כאשר הוא מבוסס על הנחה קבועה.

מקרה 2 - ערך שביר. במודל החלטות השקעה, תרחיש הבסיס נראה אטרקטיבי. כאשר האנליסט בונה טבלת רגישות, הוא רואה שהרווח התפעולי פוחת בחצי כאשר הצמיחה יורדת מ-5% ל-3%. אז כל הערעור של המודל נשען על הנחת צמיחה אופטימית אחת. מודעות זו משנה את ההחלטה מ"כן ברור" ל"זהיר לפני אישור הצמיחה".

מקרה 3 - מלכודת מחזורית. במודל הלוואות, הוצאות הריבית תלויות ביתרת החוב, יתרת החוב תלויה בצורך במזומן, והצורך במזומן תלוי בריבית. בזמן התקנת AI, מתרחשת הפניה מעגלית ו-Excel נותן אזהרה. במקום לסגור את האזהרה ולהמשיך, האנליסט משנה את ההיגיון ושובר את השרשרת כדי לחשב את הריבית על יתרת התקופה הקודמת. לפיכך, התוצאה מדויקת וניתנת למעקב כאחד.

זהירות: מודל לעולם אינו מוצדק על ידי תרחיש בודד שנראה טוב. המשפט "זה מאוד משתלם בתרחיש הבסיס" לא יכול להוות הצדקה להחלטה בלי לדעת מה קורה בתרחיש הפסימי. בכל מודל, בקשו את הטריאדה הכי פחות אופטימית/בסיסית/פסימית ורגישות להנחה הקריטית.

ארבע שאלות של בדיקת דגם

שאל כל דגם שה-AI בונה את ארבע השאלות האלה:

• האם יש מוטבע קבוע? האם כל מספר מבוסס על הנחה או מוטבע בנוסחה?
• האם היחידות עקביות? האם חודשי ושנתי, TL ואלף TL מעורבבים?
• האם יש הפניה מעגלית? האם תא מתחבר לעצמו?
• האם הפלט מגיב נכון להנחה? כאשר אתה משנה הנחה, האם התפוקה משתנה בכיוון הצפוי?

טעויות נפוצות

• לא מפריד בין הנחה לחישוב. כאשר קבועים מוטמעים בנוסחה, לא ניתן לשלוט במודל והוא מגיב בצורה לא נכונה.
• החלטה עם תרחיש בודד. החלטה שמתקבלת מבלי לראות מצב פסימי היא מסוכנת.
• כבה את האזהרה המחזורית. אזהרה היא סימן לטעות, לא מטרד שיש להשתיק.
• דילוג על רגישות. לא ניתן למדוד את חוסנו של המודל מבלי לדעת באיזו הנחה תלויה התוצאה.
• בלבול יחידה. פערים חודשיים/שנתיים ו-TL/אלף TL יוצרים שגיאות שקטות אך גדולות.

לסיכום

מודל פיננסי הוא מסגרת חשבונאית המדמה את העתיד בהנחות, וכוחו נובע מבהירות השכבות. מסגרת הבינה המלאכותית בונה במהירות תרחישים וטבלאות סנטימנטים; אבל זה יכול להציג שגיאות בלתי נראות כמו קבוע משובץ, התייחסות מעגלית וחוסר עקביות ביחידה. הפרידו את ההנחה מהחישוב, הוסיפו את השלישייה האופטימית/בסיסית/פסימיסטית ורגישות להנחה הקריטית לכל מודל, שאלו את ארבע שאלות הביקורת בכל פעם. תרחיש טוב אחד לא יכול להצדיק החלטה.

משימת יישום

בקש מה-AI לבנות מודל הכנסות-רווח פשוט לשלוש שנים המחולק לשלוש שכבות (הנחה/נהג/תפוקה) ולבקש לא להטמיע קבועים בנוסחאות. הוסף שלושה תרחישים אופטימיים/בסיסיים/פסימיים ושם את הרווח התפעולי האחרון זה לצד זה. לאחר מכן בקשו טבלת רגישות להנחה הקריטית ביותר (למשל צמיחה). לבסוף, הפעל את שורת בדיקת המודל ובדוק אם קיימים קבועים מוטבעים, הפניות מחזוריות ואי-עקביות של יחידות ורשום את הממצאים.

רשימת בדיקה

• [ ] הפרדתי את שכבות ההנחה, הדרייבר והפלט.
• [ ] וידאתי שאין קבועים משובצים בנוסחאות.
• [ ] הגדרתי לפחות שלושה תרחישים אופטימיים/כמה/פסימיים.
• [ ] הוספתי טבלת רגישות להנחה הקריטית.
• [ ] בדקתי אם יש הפניה מעגלית.
• [ ] אימתתי את עקביות היחידה (חודשי/שנתי, TL/אלף TL).
• [ ] שיניתי הנחה ובדקתי שהפלט הגיב נכון.