Keuntungan:
- Kemampuan untuk memposisikan AI sebagai asisten yang menghasilkan skenario hipotetis dalam perkiraan pendapatan/pengeluaran
- Kemampuan untuk menulis petunjuk perkiraan dengan jangkauan dan sensitivitas berdasarkan data historis dan asumsi eksplisit
- Kemampuan untuk mengenali keterbatasan prediksi AI dan memadukannya dengan penilaian manusia
“Berapa omzet kita tahun depan?” adalah salah satu pertanyaan tersulit bagi tim keuangan. Peramalan adalah membuat prediksi tentang masa depan berdasarkan data dan asumsi masa lalu. Kecerdasan buatan (AI) dapat menjadi asisten yang ampuh dalam hal ini; Namun kita perlu menerima fakta sejak awal: model tidak mengetahui masa depan. Itu hanya memproses pola dan asumsi yang Anda berikan. Dalam unit ini, kita akan belajar memposisikan AI pada perannya yang tepat dalam memperkirakan dan mengenali batasannya.
Apa yang Dilakukan dan Tidak Dilakukan AI dalam Prakiraan?
Hal ini dilakukan: Meringkas tren masa lalu, mengenali musiman (fluktuasi yang berulang pada bulan-bulan tertentu), membuat skenario dengan asumsi yang berbeda, menjelaskan logika perkiraan, dan memasukkan perkiraan ke dalam sebuah narasi.
Hal ini tidak terjadi: tidak dapat memberikan masa depan yang akurat, tidak dapat memprediksi guncangan eksternal (krisis nilai tukar, perubahan peraturan), tidak dapat mengetahui fakta yang tidak ada dalam data. Kalimat “Anda akan tumbuh 18% tahun depan” yang diberikan oleh chatbot bukanlah sebuah ramalan, melainkan cerminan matematis dari asumsi yang Anda buat.
Tip: Jangan pernah menanyakan "satu nomor" kepada model. Selalu tanyakan rentang dan asumsi apa yang mendasari rentang tersebut. Kalimat "14-15M dalam kasus dasar, kondisi: tingkat pertumbuhan saat ini berlanjut" jauh lebih jujur dan berguna daripada kalimat tunggal "14.6M".
Langkah demi Langkah: Membangun Prakiraan yang Solid
- Berikan data historis. Terjadi setidaknya selama beberapa periode; bulanan jika memungkinkan.
- Tuliskan asumsinya dengan jelas. Tingkat pertumbuhan, musim, perubahan yang diketahui.
- Tentukan metode. Tren sederhana, disesuaikan secara musiman atau berdasarkan skenario?
- Tanyakan jangkauan dan skenario. Optimis / mendasar / pesimis.
- Mintalah kepekaan. “Asumsi manakah yang paling mengubah hasil?”
Prompt Lemah / Prompt Kuat
Permintaan lemah: Prediksi omzet saya tahun depan. Tahun ini kami menghasilkan 12 juta.
Ini menghasilkan satu angka tanpa dasar; Tidak jelas asumsi apa yang mendasarinya, yang berbahaya bagi keputusan tersebut.
Perintah yang kuat:Peran Anda: seorang analis perencanaan keuangan.Tugas: Memprediksi 12 bulan ke depan dari data pendapatan bulanan berikut.Metode:1) Pertama, rangkum tren dan musim dalam data historis.2) Siapkan 3 skenario dengan asumsi berikut: - Basis: tingkat pertumbuhan rata-rata dalam 12 bulan terakhir terus berlanjut - Optimis: pertumbuhan +3 poin - Pesimis: pertumbuhan -5 poin3) Berikan total 12 bulan dan kisaran bulanan untuk setiap skenario.4) "Sensitivitas" bagian: asumsi mana yang berubah, hasilnya paling banyak berubah? Kendala: Cantumkan asumsi secara eksplisit. Nyatakan bahwa perkiraan tersebut merupakan prediksi dan bukan suatu kepastian. Perhatikan bahwa Anda tidak dapat membuat model guncangan eksternal.<data>Januari..Angka omset bulanan bulan Desember</data>
Perintah ini; Alih-alih memberikan angka pasti, analisis ini menghasilkan rentang yang masuk akal, skenario, dan analisis sensitivitas seperti "pengumpulan asumsi/tingkat pertumbuhan yang paling rentan". Pengambil keputusan mengambil keputusan dengan melihat ketidakpastian.
Musiman adalah topik yang paling sering diabaikan dalam peramalan. Penjualan di banyak bisnis naik dan turun secara teratur pada bulan-bulan tertentu: puncak penjualan pembuat es krim terjadi pada musim panas, dan toko suvenir mencapai puncaknya pada saat hari libur. Garis tren datar tidak dapat melihat fluktuasi ini dan akan salah mengatur stok, personel, dan rencana kas. Jika Anda memberikan data historis yang cukup kepada AI (idealnya setidaknya 24 bulan), AI akan melihat pola berulang ini dan menyesuaikan perkiraannya.
Metode Prediksi dan Peran AI
Metode
Kapan waktu yang tepat?
Kontribusi AI
perbatasan
tren sederhana
Data yang stabil dan tidak musiman
Mendapatkan tren dengan cepat
Tidak bisa melihat jedanya
koreksi musiman
Penjualan berfluktuasi berdasarkan bulan
Menjelaskan pola musiman
Terlalu terikat dengan masa lalu
Berdasarkan skenario
Periode ketidakpastian yang tinggi
Menguji hipotesis dengan cepat
Tergantung kualitas asumsinya
Berbasis pengemudi
Jika pendapatan tergantung pada beberapa faktor
Menetapkan hubungan faktor
Manusia memverifikasi hubungan itu
Prediksi Berbasis Pengemudi
Memprediksi omzet dengan persentase pertumbuhan tunggal sering kali merupakan hal yang kasar. Cara yang lebih tepat adalah dengan membagi pendapatan berdasarkan faktor pendorongnya: pendapatan = jumlah pelanggan × rata-rata penjualan per pelanggan × frekuensi berulang. Memprediksi dan mengalikan masing-masing pendorong secara terpisah memberikan prediksi yang lebih akurat dan lebih dipertanyakan; karena Anda melihat dengan jelas asumsi mana yang berubah.
Perkirakan penghasilan saya berdasarkan pengemudi. Pendapatan = jumlah pelanggan aktif × pendapatan bulanan rata-rata per pelanggan (ARPU). Ekstrak kedua faktor pendorong ini secara terpisah selama 12 bulan terakhir, tafsirkan tren masing-masing faktor, lalu perkirakan 12 bulan berikutnya dengan memproyeksikan kedua faktor pendorong tersebut secara terpisah. Tuliskan asumsi dengan jelas untuk setiap pengemudi; Tentukan driver mana yang lebih tidak jelas. Gunakan hanya angka dalam data, tampilkan rumus.
Kekuatan metode ini adalah alih-alih mengatakan "omset meningkat sebesar 15%", Anda mengatakan "jumlah pelanggan meningkat sebesar 8%, pendapatan per pelanggan meningkat sebesar 6%". Keduanya dapat dipertanyakan secara terpisah; Jika ada yang tidak realistis, sesuaikan estimasi dari sana. Manajemen juga menanyakan “asumsi apa yang kami andalkan?” dapat menjawab pertanyaan tersebut secara konkrit.
Sensitivitas dan Disiplin Asumsi
Kualitas ramalan adalah kualitas asumsi. Selalu jaga agar asumsi tetap terlihat oleh AI dan kembali serta perbarui saat terjadi (perkiraan bergulir, yaitu perkiraan bergulir yang diperbarui setiap bulan).
Cantumkan SEMUA asumsi yang Anda gunakan dalam ramalan di bawah ini dalam bentuk tabel: asumsi | nilai | sumber/alasan | Jika nilai ini berubah sebesar 10%, pengaruhnya terhadap hasil tahunan. Centang 3 asumsi paling rapuh.
Saat menyajikan keluaran prediksi AI kepada manajemen, sertakan “kartu asumsi”: tiga asumsi paling penting, nilai-nilainya, dan sumbernya. Dengan demikian, prediksi bukan lagi sebuah kotak hitam; Semua orang melihat apa yang mereka pertaruhkan. Dan ketika realisasinya menyimpang, Anda dapat dengan cepat mendiagnosis asumsi mana yang tidak terpenuhi, sehingga meningkatkan perkiraan berikutnya.
Perhatian: Jangan membela prediksi yang dihasilkan AI dengan mengatakan "itulah yang dikatakan model". Tanggung jawab atas prediksi tersebut terletak pada orang yang menyampaikannya. Selalu hadir kepada manajemen dengan kerangka “ini adalah skenario berdasarkan asumsi-asumsi tersebut, aktualisasinya mungkin berbeda”.
Kasus Mini
Kasus 1 — Perkiraan yang melihat musiman. Sebuah perusahaan ritel memasukkan data penjualan selama 24 bulan ke AI. Model ini mengalami lonjakan stabil sebesar 40% pada bulan November-Desember dan menyesuaikan perkiraannya untuk tahun depan. Jika tren datar yang digunakan, rencana persediaan akhir tahun akan salah besar.
Kasus 2 — Jebakan bilangan ganjil. Sebuah startup mendasarkan anggarannya pada perkiraan AI “18 juta tahun depan”. Namun hal ini didasarkan pada asumsi bahwa “pertumbuhan terus berlanjut sebagaimana adanya”. 11M terealisasi ketika dua pelanggan besar keluar. Setelah pelajaran diambil, tim beralih ke rentang skenario; Perkiraan tahun depan mencakup apa yang sebenarnya terjadi.
Kasus 3 — Sensitivitas mengubah keputusan. “Asumsi yang paling rentan adalah harga bahan mentah,” kata AI dalam perkiraan produsen, yang menunjukkan bahwa kenaikan harga sebesar 10% akan mengurangi keuntungan tahunan sebesar 22%. Manajemen kemudian menandatangani kontrak tahunan dengan harga tetap dengan pemasok. Nilai sebenarnya dari perkiraan tersebut bukanlah angkanya, namun wawasan sentimen ini.
Kasus 4 — Perkiraan bergulir menang. Salah satu pengecer memperbarui perkiraan tahunannya dengan perkiraan aktual setiap bulannya, daripada menetapkannya sekali dan melupakannya. Pada bulan ketiga terlihat asumsi “pertumbuhan 12%” sebenarnya sebesar 7%; Perkiraan tersebut dikoreksi lebih awal dan inventaris akhir tahun serta rencana kepegawaian disesuaikan. Jika perkiraan tetap dipertahankan, akan terjadi kelebihan stok dan krisis uang tunai pada akhir tahun. Pelajaran: prakiraan adalah dokumen yang hidup, tidak dibuat sekali dan kemudian disingkirkan.
Kesalahan umum
- Meminta angka ganjil. Peramalan tanpa rentang dan skrip menciptakan kepastian yang salah.
- Menyembunyikan asumsi. Asumsi yang tidak terlihat berarti prediksi yang tidak dapat dipertanyakan dan diperbarui.
- Terlalu mengandalkan masa lalu. Pola tersebut memperluas pola masa lalu; tidak dapat melihat retakan dan guncangan eksternal.
- Salah mengira prediksi sebagai ramalan. AI tidak mengetahui masa depan; Itu hanya memperhitungkan asumsi Anda.
- Tidak membuat ramalan bergulir. Tetapkan ramalan cuaca sekali dan lupakan; tidak memperbarui saat itu terjadi.
Singkatnya
- Ini adalah asisten yang kuat dalam perkiraan AI: mengekstrak tren dan musim, membuat skenario, menjelaskan logika; namun tidak mengetahui masa depan dan tidak dapat melihat guncangan eksternal.
- Selalu tanyakan kisaran hipotetis dan skenario optimis/dasar/pesimis, bukan hanya satu angka saja.
- Cantumkan asumsi dengan jelas dan identifikasi asumsi yang paling rentan melalui analisis sensitivitas.
- Tanggung jawab atas prediksi tersebut terletak pada orang yang menyampaikannya; Hadir kepada manajemen dengan kerangka “skenario, bukan kepastian”.
- Perbarui perkiraan seperti yang terjadi dengan perkiraan bergulir; Instal sekali dan jangan lupa.
Tugas aplikasi
Dapatkan setidaknya 12 bulan data pendapatan aktual (aktual atau sampel). Buat perkiraan tiga skenario 12 bulan dengan templat cepat yang canggih. Kemudian hilangkan tiga asumsi paling rapuh dengan perintah sensitivitas. Verifikasi secara manual tingkat pertumbuhan bulanan kasus dasar model satu kali dan rangkum perkiraan pada slide dengan kerangka "skenario, bukan kepastian".
daftar periksa
- [ ] Saya telah memberikan data historis yang memadai (sebaiknya bulanan).
- [ ] Saya mencantumkan asumsi secara eksplisit dan mencantumkannya dalam model.
- [ ] Saya menginginkan rentang yang dituliskan, bukan satu nomor pun.
- [ ] Saya mengidentifikasi asumsi yang paling rapuh melalui analisis sensitivitas.
- [ ] Saya secara manual memverifikasi perhitungan pertumbuhan kasus dasar.
- [ ] Saya menyajikan perkiraan dalam kerangka "skenario, bukan kepastian".