Keuntungan:
- Kemampuan untuk secara jelas memisahkan lapisan asumsi, pendorong, dan keluaran model keuangan dengan AI
- Kemampuan untuk menyiapkan skenario optimis/dasar/pesimis dan tabel sensitivitas univariat dengan dukungan AI
- Kemampuan untuk memverifikasi logika model AI dalam hal referensi melingkar, konsistensi formula dan asumsi
Model keuangan adalah kerangka akuntansi terstruktur yang mensimulasikan masa depan perusahaan atau proyek dengan angka. Sederhananya, ini adalah pengaturan "masukkan beberapa asumsi, dapatkan hasil": bagaimana laba, uang tunai, dan nilai berubah ketika Anda mengubah tingkat pertumbuhan, tingkat biaya, dan jumlah investasi? Model yang baik terdiri dari tiga lapisan yang jelas: asumsi (angka-angka yang Anda masukkan), pendorong (logika yang menghubungkan angka-angka tersebut dengan keluaran), dan keluaran (keuntungan, uang tunai, tarif). AI mempercepat proses pemodelan dalam banyak cara: mengusulkan kerangka model, menetapkan logika rumus, mereplikasi skenario, dan menyiapkan tabel sensitivitas. Namun kesalahan model yang paling berbahaya adalah kesalahan yang tidak terlihat: rumus yang salah, referensi melingkar yang tersembunyi, atau asumsi yang tidak konsisten secara diam-diam membuat model menjadi salah. Inti dari unit ini adalah untuk memeriksa logika model yang dibangun AI.
Dalam unit ini, kita akan belajar memisahkan tiga lapisan model, menyiapkan skenario optimis/baseline/pesimistis dan tabel sentimen, serta memvalidasi logika model AI.
Konsep: Asumsi: Angka yang Anda masukkan secara manual ke dalam model (misalnya pertumbuhan 10%). Driver : Rumus logika yang menghubungkan asumsi dengan output. Skenario: Perubahan total pada serangkaian asumsi (optimis/dasar/pesimis). Analisis sensitivitas: Mengubah asumsi tunggal selangkah demi selangkah dan melihat pengaruhnya terhadap keluaran. Referensi melingkar: Koneksi langsung/tidak langsung dari suatu sel ke dirinya sendiri.
Tiga Lapisan Model
Aturan disiplin yang paling penting dalam suatu model adalah memisahkan asumsi dari perhitungan. Asumsi dikumpulkan di satu tempat, akun ditautkan ke sana; sehingga ketika Anda mengubah asumsi, seluruh model diperbarui secara konsisten. Terapkan perbedaan ini saat membuat model AI.
lapisan
Konten
Aturan desain yang bagus
Asumsi
Pertumbuhan, margin, jatuh tempo, diskon, investasi
Satu tempat, label terbuka
Pengemudi
Rumusnya seperti pendapatan = harga × volume
Mengacu pada asumsi, tidak ada angka pasti yang disematkan
Keluaran
Keuntungan, uang tunai, tarif, nilai
Itu hanya didapat dari perhitungan, tidak ditulis dengan tangan.
Tip: Jangan pernah menyematkan angka "tetap" ke dalam rumus di model (misalnya =Perputaran*0,55). Sebagai gantinya, masukkan 0,55 ke dalam sel asumsi dan referensikan. Dengan cara ini, ketika asumsi berubah, model diperbarui dari satu titik dan Anda dapat dengan mudah menangkap konstanta tersembunyi yang telah ditanamkan AI.
Naskah dan Sensibilitas
Skenario dan sensitivitas adalah hal yang berbeda dan dapat membingungkan. Skenario ini mengubah beberapa asumsi secara bersamaan (di dunia yang pesimis, pertumbuhan menurun dan biaya meningkat). Sensitivitas mengisolasi satu asumsi dan mengukur dampaknya terhadap output (bagaimana nilai berubah jika hanya tingkat diskonto yang berubah). Bersama-sama mereka menunjukkan di mana model tersebut rapuh.
Perintah kerangka model: "Siapkan model pendapatan-laba 3 tahun sederhana untuk perusahaan SaaS. Pisahkan lapisannya: (1) ASUMSI (pelanggan awal 500, pertumbuhan bulanan 4%, langganan bulanan 1.200 TL, margin kotor 78%, biaya tetap bulanan 900 ribu TL), (2) DRIVER (jumlah pelanggan, pendapatan, rumus pengeluaran), (3) OUTPUT (pendapatan bulanan, laba kotor, laba operasi) Jangan memasukkan angka konstan ke dalam rumus, asumsikan saja semuanya.”
Perintah skenario: "Tambahkan tiga skenario ke model ini. DASAR: asumsi yang diberikan. OPTIMIS: pertumbuhan bulanan 6%, margin 80%. PESIMIST: pertumbuhan bulanan 2%, margin 72%, biaya tetap 10% lebih banyak. Tabel laba operasional bulan ke-36 dari tiga skenario secara berdampingan."
Perintah tabel sensitivitas: "Tunjukkan sensitivitas laba operasional bulan ke-36 terhadap tingkat pertumbuhan bulanan. Ubah pertumbuhan dari 1% menjadi 7% dalam langkah 1 poin, pertahankan asumsi lain tetap konstan dan catat laba pada setiap langkah dalam tabel. Ringkaslah betapa sensitifnya laba terhadap pertumbuhan dalam satu kalimat."
Perintah audit model: "Dalam model yang Anda buat: (1) apakah ada angka tetap yang tertanam dalam rumus yang tidak didasarkan pada asumsi? (2) apakah ada risiko referensi melingkar? (3) apakah unitnya konsisten (bulanan/tahunan, TL/seribu TL)? Laporkan setiap risiko yang Anda temukan dengan memerincinya."
Prompt Lemah / Prompt Kuat
LEMAH: "Jadikan saya model keuangan 3 tahun." (Hasil: perhitungan dengan lapisan campuran, konstanta tertanam, sulit diaudit.) KUAT: "Bangun model 3 tahun dengan lapisan asumsi/pendorong/output terpisah, tidak ada rumus tetap yang tertanam dalam rumus, asumsi pertumbuhan dan margin yang dapat diubah di satu tempat; lalu tambahkan tabel sensitivitas pertumbuhan dan periksa risiko referensi siklus dan inkonsistensi unit dalam model."
Kasus Mini
Kasus 1 — Biaya konstanta tertanam. Seorang analis mengurangi margin dari 78% menjadi 75% dalam model yang dibuat oleh AI, namun perubahan laba operasional kurang dari yang diharapkan. Ketika dia menjalankan perintah kontrol, dia melihat bahwa rumus biaya didasarkan pada konstanta 0,22 yang tertanam, bukan asumsi. Meskipun sel margin berubah, rumusnya menggunakan nilai lama. Model merespons dengan benar jika didasarkan pada asumsi yang tetap.
Kasus 2 — Nilai rapuh. Dalam model keputusan investasi, skenario dasar terlihat menarik. Ketika analis membuat tabel sensitivitas, dia melihat bahwa laba operasional berkurang setengahnya ketika pertumbuhan menurun dari 5% menjadi 3%. Jadi keseluruhan daya tarik model ini bertumpu pada satu asumsi pertumbuhan yang optimis. Kesadaran ini mengubah keputusan dari “pasti ya” menjadi “hati-hati sebelum pertumbuhan dipastikan.”
Kasus 3 — Perangkap siklik. Dalam model pinjaman, beban bunga bergantung pada saldo utang, saldo utang bergantung pada kebutuhan uang tunai, dan kebutuhan uang tunai bergantung pada bunga. Saat menginstal AI, terjadi referensi melingkar dan Excel memberikan peringatan. Alih-alih menutup peringatan dan melanjutkan, analis malah merevisi logika dan memutus rantai untuk menghitung bunga pada saldo periode sebelumnya. Dengan demikian, hasilnya akurat dan dapat dilacak.
Perhatian: Sebuah model tidak pernah dibenarkan oleh satu skenario yang terlihat bagus. Kalimat “Sangat menguntungkan pada skenario dasar” tidak bisa menjadi pembenaran suatu keputusan tanpa mengetahui apa yang terjadi pada skenario pesimistis. Pada setiap model, mintalah triad yang paling tidak optimis/dasar/pesimis dan kepekaan terhadap asumsi kritis.
Empat Pertanyaan Pemeriksaan Model
Tanyakan pada setiap model bahwa AI membuat empat pertanyaan berikut:
- Apakah ada perbaikan yang tertanam? Apakah setiap angka berdasarkan asumsi atau tertanam dalam rumus?
- Apakah satuannya konsisten? Apakah bulanan dan tahunan, TL dan ribuan TL dicampur?
- Apakah ada referensi melingkar? Apakah sel terhubung dengan dirinya sendiri?
- Apakah keluarannya bereaksi dengan benar terhadap asumsi tersebut? Ketika Anda mengubah asumsi, apakah keluarannya berubah ke arah yang diharapkan?
Kesalahan umum
- Tidak memisahkan asumsi dari perhitungan. Jika konstanta dimasukkan ke dalam rumus, model tidak dapat dikontrol dan bereaksi secara tidak benar.
- Memutuskan dengan satu skenario. Keputusan yang diambil tanpa melihat situasi pesimistis memang berisiko.
- Matikan peringatan siklik. Peringatan adalah tanda kesalahan, bukan gangguan yang harus dibungkam.
- Melewatkan sensitivitas. Kekokohan model tidak dapat diukur tanpa mengetahui asumsi mana yang menjadi dasar hasil.
- Kebingungan satuan. Perbedaan bulanan/tahunan dan TL/seribu TL menciptakan kesalahan diam-diam namun besar.
Singkatnya
Model keuangan adalah kerangka akuntansi yang mensimulasikan masa depan dengan asumsi, dan kekuatannya berasal dari kejelasan lapisannya. Kerangka AI dengan cepat membuat skenario dan tabel sentimen; tetapi hal ini dapat menimbulkan kesalahan yang tidak terlihat seperti konstanta yang tertanam, referensi melingkar, dan inkonsistensi unit. Pisahkan asumsi dari perhitungan, tambahkan triad optimis/dasar/pesimis dan sensitivitas terhadap asumsi kritis pada setiap model, ajukan empat pertanyaan audit sekaligus. Satu skenario yang baik tidak dapat membenarkan suatu keputusan.
Tugas aplikasi
Minta AI membangun model pendapatan-laba 3 tahun sederhana yang dibagi menjadi tiga lapisan (asumsi/penggerak/output) dan tidak meminta konstanta yang dimasukkan ke dalam rumus. Tambahkan tiga skenario optimis/dasar/pesimis dan gabungkan laba operasional terkini. Kemudian mintalah tabel sensitivitas untuk asumsi yang paling kritis (misalnya pertumbuhan). Terakhir, jalankan perintah pemeriksaan model dan periksa konstanta yang tertanam, referensi siklik, dan inkonsistensi unit, lalu catat temuannya.
daftar periksa
- [ ] Saya memisahkan lapisan asumsi, driver dan output.
- [ ] Saya memverifikasi bahwa tidak ada konstanta yang tertanam dalam rumus.
- [ ] Saya menyiapkan setidaknya tiga skenario optimis/sebagian/pesimis.
- [ ] Saya menambahkan tabel sensitivitas untuk asumsi kritis.
- [] Saya memeriksa referensi melingkar.
- [ ] Saya memverifikasi konsistensi unit (bulanan/tahunan, TL/ribu TL).
- [] Saya mengubah asumsi dan menguji apakah output merespons dengan benar.