Nyereség:
- Képes a mesterséges intelligencia asszisztensként pozicionálni, amely hipotetikus forgatókönyveket generál a bevételek/kiadások előrejelzésében
- Képes előrejelzési üzeneteket írni tartományban és érzékenységgel korábbi adatok és explicit feltételezések alapján
- Képes felismerni a mesterséges intelligencia előrejelzéseinek korlátait, és ötvözni azokat az emberi ítélőképességgel
– Mekkora lesz a forgalmunk jövőre? ez az egyik legnehezebb kérdés a pénzügyi csapat számára. Az előrejelzés a múltbeli adatok és feltételezések alapján a jövőre vonatkozó jóslást jelent. A mesterséges intelligencia (AI) hatékony asszisztens lehet itt; De el kell fogadni egy tényt a kezdetektől fogva: a modell nem ismeri a jövőt. Csak az általad megadott mintákat és feltételezéseket dolgozza fel. Ebben a részben megtanuljuk az AI-t az előrejelzésben betöltött helyes szerepébe pozícionálni és felismerni annak határait.
Mit tesz és mit nem tesz az AI az előrejelzésben?
A következőket teszi: Összefoglalja a múltbeli trendet, felismeri a szezonalitást (ismétlődő ingadozás bizonyos hónapokban), forgatókönyveket épít fel különböző feltételezések alapján, elmagyarázza az előrejelzési logikát, és az előrejelzést narratívába helyezi.
Nem tud: Nem tud pontos jövőt adni, nem tud előre jelezni külső sokkokat (árfolyamválság, szabályozásváltozás), nem tud olyan tényt, ami nem szerepel az adatokban. A chatbot által adott "18%-ot fogsz nőni jövőre" mondat nem prófécia, hanem az általad feltett feltételezések matematikai tükre.
Tipp: Soha ne kérjen "egyetlen számot" a modelltől. Mindig kérdezzen meg egy tartományt, és azt, hogy ez a tartomány milyen feltételezéseken alapul. A "14-15M alapesetben, feltétel: a jelenlegi növekedési ütem folytatódik" mondat sokkal őszintébb és hasznosabb, mint a "14,6M" kislemez.
Lépésről lépésre: Szilárd előrejelzés készítése
- Adjon meg történelmi adatokat. Legalább néhány ideig előfordul; ha lehet, havonta.
- Írd le világosan a feltételezéseket! Növekedési ütem, szezonalitás, ismert változások.
- Adja meg a módszert. Egyszerű trend, szezonálisan kiigazított vagy forgatókönyv alapú?
- Kérjen hatótávolságot és forgatókönyvet. Optimista / bázis / pesszimista.
- Kérjen érzékenységet. – Melyik feltételezés változtatja meg leginkább az eredményt?
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás: Jósold meg a jövő évi forgalmomat. Idén 12 milliót csináltunk.
Ez egyetlen alap nélküli számot eredményez; Nem világos, hogy milyen feltevésen alapul, ami veszélyes a döntésre.
Erős felszólítás:Az Ön szerepe: pénzügyi tervezési elemző.Feladat: Előrejelzés a következő 12 hónapra a következő havi jövedelmi adatokból.Módszer:1) Először foglalja össze a trendet és a szezonalitást a múltbeli adatokban.2) Állítson fel 3 forgatókönyvet a következő feltevések alapján: - Bázis: az elmúlt 12 hónap átlagos növekedési üteme folytatódik - Optimista: 5 pont növekedés +3 pont 12 hónapos teljes és havi tartomány minden forgatókönyvre.4) "Érzékenység" szakasz: melyik feltevés változik, az eredmény változik a legtöbbet? Megkötés: Sorolja fel kifejezetten a feltételezéseket. Mondja el, hogy a becslés előrejelzés és nem bizonyosság. Vegye figyelembe, hogy nem modellezheti a külső sokkot.<data>Január..Decemberi havi forgalmi adatok</data>
Ez a felszólítás; Pontos szám helyett indokolt tartományt, forgatókönyveket és érzékenységi elemzést készít, például „legsebezhetőbb feltételezések gyűjtése/növekedési üteme”. A döntéshozó úgy dönt, hogy látja a bizonytalanságot.
A szezonalitás a leggyakrabban figyelmen kívül hagyott téma az előrejelzésekben. Számos vállalkozás eladásai bizonyos hónapokban rendszeresen emelkednek és csökkennek: egy fagylaltkészítő nyáron, egy ajándékbolt pedig az ünnepek körül tetőzik. Egy lapos trendvonal nem látja ezt az ingadozást, és helytelenül állítja be az állomány-, személyi- és készpénztervet. Ha elegendő előzményadatot ad meg a mesterséges intelligencia számára (ideális esetben legalább 24 hónap), akkor észreveszi ezt az ismétlődő mintát, és ennek megfelelően módosítja az előrejelzést.
Előrejelzési módszerek és az AI szerepe
módszer
Mikor megfelelő?
AI hozzájárulás
határ
egyszerű trend
Stabil, szezonális adat
Gyorsan megkapja a trendet
Nem látni a szüneteket
szezonális korrekció
Az eladások hónaponként ingadoznak
Megmagyarázza a szezonális mintát
Túlságosan ragaszkodnak a múlthoz
Forgatókönyv alapú
Nagy bizonytalanság időszaka
Gyorsan teszteli a hipotéziseket
A feltételezés minőségétől függ
Illesztőprogram alapú
Ha a jövedelem több tényezőtől függ
Tényezőkapcsolatot hoz létre
Az ember ellenőrzi a kapcsolatot
Driver-Based Prediction
A forgalom egyetlen növekedési százalékos előrejelzése gyakran nyers. A robusztusabb módszer a bevétel elosztása a tényezőkkel: bevétel = ügyfelek száma × ügyfelenkénti átlagos értékesítés × ismétlés gyakorisága. Az egyes vezetők külön előrejelzése és szorzása pontosabb és megkérdőjelezhetőbb előrejelzést ad; mert világosan látja, melyik feltevés változott meg.
Becsülje meg a jövedelmemet a sofőrök alapján. Bevétel = az aktív ügyfelek száma × átlagos havi egy ügyfélre jutó bevétel (ARPU). Külön bontsa ki ezt a két illesztőprogramot az elmúlt 12 hónapra vonatkozóan, értelmezze mindegyik trendjét, majd előrejelezze a következő 12 hónapot a két illesztőprogram külön kivetítésével. Írja le egyértelműen a feltételezést minden járművezető számára; Adja meg, hogy melyik illesztőprogram nem egyértelmű. Csak számokat használjon az adatokban, mutasson képleteket.
Ennek a módszernek az az ereje, hogy ahelyett, hogy azt mondanád, hogy "15%-kal nő a forgalom", azt mondod, hogy "az ügyfelek száma 8%-kal nő, az egy vásárlóra jutó bevétel 6%-kal nő". A kettő külön-külön is megkérdőjelezhető; Ha az egyik irreális, akkor onnan módosítja a becslést. A vezetőség azt is megkérdezi, hogy "milyen feltételezésre támaszkodunk?" konkrét választ tud adni a kérdésre.
Érzékenység és feltételezés fegyelme
Az előrejelzés minősége a feltételezések minősége. Mindig tartsa láthatóan a feltételezéseket a mesterséges intelligencia számára, és menjen vissza, és frissítse őket, ahogy történnek (gördülő előrejelzés, azaz gördülő előrejelzés, amelyet havonta frissítenek).
Sorolja fel az alábbi táblázatos formában az ÖSSZES feltételezést, amelyet az előrejelzésben használt: feltételezés | érték | forrás/ok | Ha ez az érték 10%-kal változik, annak hatása az éves eredményre. Jelölje be a 3 legtörékenyebb feltételezést.
Amikor bemutatja az AI prediktív kimenetét a menedzsmentnek, adjon meg egy „feltételezési kártyát”: a három legkritikusabb feltételezést, azok értékeit és forrásait. Így a jóslat már nem fekete doboz; Mindenki látja, mire tippel. És amikor a felismerés eltér, gyorsan diagnosztizálhatja, hogy melyik feltevés nem vált be, ami javítja a következő előrejelzést.
Vigyázat: Ne védje a mesterséges intelligencia által generált előrejelzést azzal, hogy „ezt mondta a modell”. A jóslatért az azt előadó személy felelőssége. Mindig a „ez egy forgatókönyv ezeken a feltételezéseken alapul, az aktualizálás eltérő lehet” kerettel tárja a vezetés elé.
Mini tokok
1. eset – A szezonalitást figyelembe vevő előrejelzés. Egy kiskereskedelmi vállalat 24 hónap eladási adatait szolgáltatta az AI-nak. A modell november-decemberben folyamatos 40%-os ugrást észlelt, és ennek megfelelően módosította jövő évi előrejelzését. Lapos trend alkalmazása esetén az év végi részvényterv súlyosan hibás lett volna.
2. eset – A páratlan szám csapdája. Egy startup az AI „jövő évre 18 milliós” előrejelzésére alapozza költségvetését. De ez azon a feltételezésen alapult, hogy „a növekedés úgy folytatódik, ahogy van”. 11 milliót realizáltak, amikor két nagyobb ügyfél távozott. Miután megtanulták a leckét, a csapat áttért a forgatókönyv-tartományra; A következő évi előrejelzési sáv azt fedte, hogy mi is történt valójában.
3. eset – Az érzékenység megváltoztatta a döntést. „A legsebezhetőbb feltételezés a nyersanyagár” – mondta az AI egy gyártó előrejelzésében, amely azt mutatja, hogy 10%-os áremelés 22%-kal csökkentené az éves nyereséget. A vezetőség ezután fix áras éves szerződést írt alá a szállítóval. Az előrejelzés valódi értéke nem a szám volt, hanem ez a hangulati betekintés.
4. eset – A gördülő előrejelzés nyer. Egy kiskereskedő havonta frissítette éves előrejelzését a tényleges adatokkal, ahelyett, hogy egyszer beállította volna és elfelejtette volna. A harmadik hónapban látható volt, hogy a "12%-os növekedés" feltételezése valójában 7% volt; Az előrejelzést korán korrigálták, és ennek megfelelően módosították az év végi készlet- és létszámtervet. Ha a fix előrejelzést tartották volna, akkor az év végén óriási készlet- és készpénzhiány alakult volna ki. Tanulság: az előrejelzés élő dokumentum, nem kell egyszer felállítani és eltenni.
Gyakori hibák
- Páratlan számot kér. A tartomány és szkript nélküli előrejelzés hamis bizonyosságot teremt.
- Feltételezések elrejtése. A láthatatlan feltételezés olyan előrejelzést jelent, amelyet nem lehet megkérdőjelezni és frissíteni.
- Túlságosan a múltra támaszkodva. A minta kiterjeszti a múltbeli mintát; nem lát töréseket és külső ütéseket.
- Egy jóslat próféciának tévesztése. A mesterséges intelligencia nem ismeri a jövőt; Csak az Ön feltételezéseit veszi figyelembe.
- Nem készít gördülő előrejelzést. Állítsa be egyszer az előrejelzést, és felejtse el; nem frissül, ahogy történik.
Összefoglalva
- Ez egy hatékony asszisztens a mesterséges intelligencia előrejelzésében: kivonja a trendeket és a szezonalitást, forgatókönyvet készít, logikát magyaráz; de nem ismeri a jövőt és nem látja a külső sokkokat.
- Mindig kérjen hipotetikus tartományt és optimista/alapvonal/pesszimista forgatókönyveket egyetlen szám helyett.
- Sorolja fel egyértelműen a feltételezéseket, és érzékenységi elemzéssel azonosítsa a legsebezhetőbb feltételezést.
- A jóslatért az azt előadó személy felelőssége; Mutasd be a vezetőségnek "forgatókönyv, nem bizonyosság" kerettel.
- Frissítse az előrejelzést, ahogy az a gördülő előrejelzéssel történik; Telepítse egyszer, és ne felejtse el.
Pályázati feladat
Szerezzen be legalább 12 havi tényleges bevételi adatokat (tényleges vagy minta). Hozzon létre egy három forgatókönyvből álló 12 hónapos előrejelzést egy hatékony prompt sablon segítségével. Ezután távolítsa el a három legsérülékenyebb feltételezést az érzékenységi kérdéssel. Egyszer ellenőrizze manuálisan a modell alapesetének havi növekedési ütemét, és foglalja össze az előrejelzést egy dián „forgatókönyv, nem bizonyosság” keretrendszerrel.
ellenőrző lista
- [ ] Elegendő előzményadatot adtam meg (lehetőleg havonta).
- [ ] A feltevéseket kifejezetten felsoroltam és felsoroltam a modellben.
- [ ] Szkriptelt tartományt akartam, nem egyetlen számot.
- [ ] A legsérülékenyebb feltételezést érzékenységi elemzéssel azonosítottam.
- [ ] Az alapeset növekedési számítását manuálisan ellenőriztem.
- [ ] A becslést "forgatókönyv, nem bizonyosság" keretben mutattam be.