പ്രവചനവും പ്രവചന പിന്തുണയും

നേട്ടങ്ങൾ:

• വരുമാനം/ചെലവ് പ്രവചനത്തിൽ സാങ്കൽപ്പിക സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്ന ഒരു സഹായിയായി AI യെ സ്ഥാപിക്കാനുള്ള കഴിവ്
• ചരിത്രപരമായ ഡാറ്റയുടെയും വ്യക്തമായ അനുമാനങ്ങളുടെയും അടിസ്ഥാനത്തിൽ റേഞ്ചും സെൻസിറ്റിവിറ്റിയും ഉപയോഗിച്ച് പ്രവചന നിർദ്ദേശങ്ങൾ എഴുതാനുള്ള കഴിവ്
• AI പ്രവചനങ്ങളുടെ പരിമിതികൾ തിരിച്ചറിയാനും അവയെ മാനുഷിക വിധിയുമായി സംയോജിപ്പിക്കാനുമുള്ള കഴിവ്

"അടുത്ത വർഷം ഞങ്ങളുടെ വിറ്റുവരവ് എന്തായിരിക്കും?" എന്നത് ഫിനാൻസ് ടീമിന് ഏറ്റവും ബുദ്ധിമുട്ടുള്ള ചോദ്യങ്ങളിലൊന്നാണ്. മുൻകാല ഡാറ്റയുടെയും അനുമാനങ്ങളുടെയും അടിസ്ഥാനത്തിൽ ഭാവിയെക്കുറിച്ച് പ്രവചനം നടത്തുകയാണ് പ്രവചനം. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ഇവിടെ ഒരു ശക്തമായ സഹായിയാകാം; എന്നാൽ തുടക്കം മുതൽ ഒരു വസ്തുത അംഗീകരിക്കേണ്ടത് ആവശ്യമാണ്: മോഡലിന് ഭാവി അറിയില്ല. നിങ്ങൾ നൽകുന്ന പാറ്റേണുകളും അനുമാനങ്ങളും മാത്രമേ ഇത് പ്രോസസ്സ് ചെയ്യുന്നുള്ളൂ. ഈ യൂണിറ്റിൽ, പ്രവചിക്കുന്നതിലും അതിൻ്റെ പരിധികൾ തിരിച്ചറിയുന്നതിലും AI-യെ അതിൻ്റെ ശരിയായ റോളിൽ സ്ഥാപിക്കാൻ ഞങ്ങൾ പഠിക്കും.

പ്രവചനത്തിൽ AI എന്തുചെയ്യുകയും ചെയ്യാതിരിക്കുകയും ചെയ്യുന്നു?

ഇത് ചെയ്യുന്നു: മുൻകാല പ്രവണതയെ സംഗ്രഹിക്കുന്നു, കാലാനുസൃതത തിരിച്ചറിയുന്നു (ചില മാസങ്ങളിൽ ആവർത്തിച്ചുള്ള ഏറ്റക്കുറച്ചിലുകൾ), വ്യത്യസ്ത അനുമാനങ്ങളോടെ സാഹചര്യങ്ങൾ നിർമ്മിക്കുന്നു, പ്രവചന യുക്തി വിശദീകരിക്കുന്നു, പ്രവചനത്തെ ഒരു വിവരണത്തിലേക്ക് മാറ്റുന്നു.

ഇത് ചെയ്യുന്നില്ല: ഇതിന് കൃത്യമായ ഭാവി നൽകാൻ കഴിയില്ല, ബാഹ്യ ആഘാതങ്ങൾ പ്രവചിക്കാൻ കഴിയില്ല (വിനിമയ നിരക്ക് പ്രതിസന്ധി, നിയന്ത്രണ മാറ്റം), ഡാറ്റയിൽ ഇല്ലാത്ത ഒരു വസ്തുത അറിയാൻ കഴിയില്ല. ഒരു ചാറ്റ്ബോട്ട് നൽകിയ "നിങ്ങൾ അടുത്ത വർഷം 18% വളരും" എന്ന വാചകം ഒരു പ്രവചനമല്ല, മറിച്ച് നിങ്ങൾ ഉണ്ടാക്കുന്ന അനുമാനങ്ങളുടെ ഗണിതശാസ്ത്ര പ്രതിഫലനമാണ്.

നുറുങ്ങ്: മോഡലിനോട് ഒരിക്കലും "ഒറ്റ നമ്പർ" ചോദിക്കരുത്. എല്ലായ്‌പ്പോഴും ഒരു ശ്രേണിയും ആ ശ്രേണിയെ അടിസ്ഥാനമാക്കിയുള്ള അനുമാനങ്ങളും ആവശ്യപ്പെടുക. "അടിസ്ഥാന കേസിൽ 14-15M, വ്യവസ്ഥ: നിലവിലെ വളർച്ചാ നിരക്ക് തുടരുന്നു" എന്ന വാചകം "14.6M" എന്ന സിംഗിളിനേക്കാൾ വളരെ സത്യസന്ധവും ഉപയോഗപ്രദവുമാണ്.

ഘട്ടം ഘട്ടമായി: ഒരു സോളിഡ് പ്രവചനം നിർമ്മിക്കുക

1. ചരിത്രപരമായ വിവരങ്ങൾ നൽകുക. കുറഞ്ഞത് കുറച്ച് കാലയളവുകളെങ്കിലും സംഭവിക്കുന്നത്; സാധ്യമെങ്കിൽ പ്രതിമാസം.
2. അനുമാനങ്ങൾ വ്യക്തമായി എഴുതുക. വളർച്ചാ നിരക്ക്, കാലാനുസൃതത, അറിയപ്പെടുന്ന മാറ്റങ്ങൾ.
3. രീതി വ്യക്തമാക്കുക. ലളിതമായ ട്രെൻഡ്, കാലാനുസൃതമായി ക്രമീകരിച്ചതോ അല്ലെങ്കിൽ സാഹചര്യത്തെ അടിസ്ഥാനമാക്കിയുള്ളതോ?
4. ശ്രേണിയും സാഹചര്യവും ചോദിക്കുക. ശുഭാപ്തിവിശ്വാസി / അടിസ്ഥാനം / അശുഭാപ്തിവിശ്വാസി.
5. സംവേദനക്ഷമത ആവശ്യപ്പെടുക. "ഏത് അനുമാനമാണ് ഫലത്തെ ഏറ്റവും കൂടുതൽ മാറ്റുന്നത്?"

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്: അടുത്ത വർഷം എൻ്റെ വിറ്റുവരവ് പ്രവചിക്കുക. ഈ വർഷം ഞങ്ങൾ 12 മി.

ഇത് അടിസ്ഥാനമില്ലാതെ ഒരൊറ്റ സംഖ്യ ഉണ്ടാക്കുന്നു; ഏത് അനുമാനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് വ്യക്തമല്ല, ഇത് തീരുമാനത്തിന് അപകടകരമാണ്.

ശക്തമായ നിർദ്ദേശം: നിങ്ങളുടെ പങ്ക്: ഒരു സാമ്പത്തിക ആസൂത്രണ വിശകലന വിദഗ്ധൻ. ടാസ്‌ക്: ഇനിപ്പറയുന്ന പ്രതിമാസ വരുമാന ഡാറ്റയിൽ നിന്ന് അടുത്ത 12 മാസത്തെ പ്രവചനം. രീതി: 1) ചരിത്രപരമായ ഡാറ്റയിലെ ട്രെൻഡും കാലാനുസൃതതയും ആദ്യം സംഗ്രഹിക്കുക.2) ഇനിപ്പറയുന്ന അനുമാനങ്ങൾ ഉപയോഗിച്ച് 3 സാഹചര്യങ്ങൾ സജ്ജമാക്കുക: - അടിസ്ഥാനം: കഴിഞ്ഞ 12 മാസത്തെ ശരാശരി വളർച്ചാ നിരക്ക്: മികച്ച വളർച്ചാ നിരക്ക് - 12 മാസത്തെ ശരാശരി വളർച്ചാ നിരക്ക് - 5 തുടരുന്നു. പോയിൻ്റ്3) ഓരോ സാഹചര്യത്തിനും 12 മാസത്തെ മൊത്തവും പ്രതിമാസ ശ്രേണിയും നൽകുക.4) "സെൻസിറ്റിവിറ്റി" വിഭാഗം: ഏത് അനുമാനമാണ് മാറുന്നത്, ഫലം ഏറ്റവും കൂടുതൽ മാറുന്നു? നിയന്ത്രണങ്ങൾ: അനുമാനങ്ങൾ വ്യക്തമായി പട്ടികപ്പെടുത്തുക. എസ്റ്റിമേറ്റ് ഒരു പ്രവചനമാണെന്നും ഉറപ്പല്ലെന്നും പ്രസ്താവിക്കുക. നിങ്ങൾക്ക് ബാഹ്യ ആഘാതങ്ങളെ മാതൃകയാക്കാനാകില്ലെന്ന കാര്യം ശ്രദ്ധിക്കുക.<data>ജനുവരി..ഡിസംബർ മാസത്തെ വിറ്റുവരവ് കണക്കുകൾ</data>

ഈ പ്രോംപ്റ്റ്; കൃത്യമായ ഒരു സംഖ്യയ്ക്ക് പകരം, ഇത് യുക്തിസഹമായ ശ്രേണിയും സാഹചര്യങ്ങളും "ഏറ്റവും ദുർബലമായ അനുമാന ശേഖരണം/വളർച്ച നിരക്ക്" പോലെയുള്ള ഒരു സെൻസിറ്റിവിറ്റി വിശകലനം ഉണ്ടാക്കുന്നു. അനിശ്ചിതത്വം കണ്ടാണ് തീരുമാനമെടുക്കുന്നയാൾ തീരുമാനങ്ങൾ എടുക്കുന്നത്.

പ്രവചനത്തിൽ ഏറ്റവുമധികം ശ്രദ്ധിക്കപ്പെടാത്ത വിഷയമാണ് സീസണാലിറ്റി. പല ബിസിനസ്സുകളുടെയും വിൽപ്പന ചില മാസങ്ങളിൽ ക്രമാനുഗതമായി ഉയരുകയും കുറയുകയും ചെയ്യുന്നു: ഒരു ഐസ്ക്രീം നിർമ്മാതാവ് വേനൽക്കാലത്ത് അത്യുന്നതങ്ങളിൽ എത്തുന്നു, ഒരു സുവനീർ ഷോപ്പ് അവധി ദിവസങ്ങളിൽ ഉയർന്നുവരുന്നു. ഒരു ഫ്ലാറ്റ് ട്രെൻഡ് ലൈനിന് ഈ ഏറ്റക്കുറച്ചിലുകൾ കാണാൻ കഴിയില്ല, കൂടാതെ സ്റ്റോക്ക്, പെഴ്സണൽ, ക്യാഷ് പ്ലാൻ എന്നിവ തെറ്റായി സജ്ജീകരിക്കും. നിങ്ങൾ AI-ക്ക് മതിയായ ചരിത്രപരമായ ഡാറ്റ നൽകുകയാണെങ്കിൽ (കുറഞ്ഞത് 24 മാസമെങ്കിലും), അത് ആവർത്തിക്കുന്ന ഈ പാറ്റേൺ ശ്രദ്ധിക്കുകയും അതിനനുസരിച്ച് പ്രവചനം ക്രമീകരിക്കുകയും ചെയ്യും.

പ്രവചന രീതികളും AI യുടെ പങ്കും

രീതി

എപ്പോഴാണ് അത് ഉചിതം?

AI സംഭാവന

അതിർത്തി

ലളിതമായ പ്രവണത

സ്ഥിരതയുള്ള, കാലാനുസൃതമല്ലാത്ത ഡാറ്റ

ട്രെൻഡ് വേഗത്തിൽ ലഭിക്കുന്നു

ഇടവേളകൾ കാണാൻ കഴിയില്ല

സീസണൽ തിരുത്തൽ

മാസം തോറും വിൽപ്പനയിൽ ചാഞ്ചാട്ടം

സീസണൽ പാറ്റേൺ വിശദീകരിക്കുന്നു

ഭൂതകാലവുമായി വളരെയധികം ബന്ധപ്പെട്ടിരിക്കുന്നു

രംഗം അടിസ്ഥാനമാക്കിയുള്ളത്

ഉയർന്ന അനിശ്ചിതത്വത്തിൻ്റെ കാലഘട്ടം

അനുമാനങ്ങൾ വേഗത്തിൽ പരിശോധിക്കുന്നു

അനുമാനത്തിൻ്റെ ഗുണനിലവാരത്തെ ആശ്രയിച്ചിരിക്കുന്നു

ഡ്രൈവർ അടിസ്ഥാനമാക്കിയുള്ളത്

വരുമാനം പല ഘടകങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നുവെങ്കിൽ

ഘടകം ബന്ധം സ്ഥാപിക്കുന്നു

മനുഷ്യൻ ബന്ധം സ്ഥിരീകരിക്കുന്നു

ഡ്രൈവർ അടിസ്ഥാനമാക്കിയുള്ള പ്രവചനം

ഒരു വളർച്ചാ ശതമാനം ഉപയോഗിച്ച് വിറ്റുവരവ് പ്രവചിക്കുന്നത് പലപ്പോഴും അസംസ്കൃതമാണ്. വരുമാനം അതിൻ്റെ ഡ്രൈവർമാർ കൊണ്ട് ഹരിക്കുക എന്നതാണ് കൂടുതൽ ശക്തമായ മാർഗം: വരുമാനം = ഉപഭോക്താക്കളുടെ എണ്ണം × ഒരു ഉപഭോക്താവിന് ശരാശരി വിൽപ്പന × ആവർത്തന ആവൃത്തി. ഓരോ ഡ്രൈവറെയും വെവ്വേറെ പ്രവചിക്കുകയും ഗുണിക്കുകയും ചെയ്യുന്നത് കൂടുതൽ കൃത്യവും കൂടുതൽ സംശയാസ്പദവുമായ ഒരു പ്രവചനം നൽകുന്നു; കാരണം ഏത് അനുമാനമാണ് മാറിയതെന്ന് നിങ്ങൾ വ്യക്തമായി കാണുന്നു.

ഡ്രൈവർമാരെ അടിസ്ഥാനമാക്കി എൻ്റെ വരുമാനം കണക്കാക്കുക. വരുമാനം = സജീവ ഉപഭോക്താക്കളുടെ എണ്ണം × ഓരോ ഉപഭോക്താവിനും ശരാശരി പ്രതിമാസ വരുമാനം (ARPU). കഴിഞ്ഞ 12 മാസമായി ഈ രണ്ട് ഡ്രൈവർമാരെയും വെവ്വേറെ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക, ഓരോന്നിൻ്റെയും ട്രെൻഡ് വ്യാഖ്യാനിക്കുക, തുടർന്ന് രണ്ട് ഡ്രൈവർമാരെ വെവ്വേറെ പ്രൊജക്റ്റ് ചെയ്‌ത് അടുത്ത 12 മാസത്തേക്ക് പ്രവചിക്കുക. ഓരോ ഡ്രൈവർക്കും അനുമാനം വ്യക്തമായി എഴുതുക; ഏത് ഡ്രൈവറാണ് കൂടുതൽ അവ്യക്തമെന്ന് വ്യക്തമാക്കുക. ഡാറ്റയിൽ നമ്പറുകൾ മാത്രം ഉപയോഗിക്കുക, ഫോർമുലകൾ കാണിക്കുക.

"വിറ്റുവരവ് 15% വർദ്ധിക്കുന്നു" എന്ന് പറയുന്നതിന് പകരം "ഉപഭോക്താക്കളുടെ എണ്ണം 8% വർദ്ധിക്കുന്നു, ഒരു ഉപഭോക്താവിൻ്റെ വരുമാനം 6% വർദ്ധിക്കുന്നു" എന്നതാണ് ഈ രീതിയുടെ ശക്തി. ഇരുവരെയും വെവ്വേറെ ചോദ്യം ചെയ്യാം; ഒരെണ്ണം യാഥാർത്ഥ്യമല്ലെങ്കിൽ, നിങ്ങൾ അവിടെ നിന്ന് എസ്റ്റിമേറ്റ് ക്രമീകരിക്കുക. മാനേജ്മെൻ്റ് ചോദിക്കുന്നു "ഞങ്ങൾ എന്ത് അനുമാനത്തിലാണ് ആശ്രയിക്കുന്നത്?" ചോദ്യത്തിന് കൃത്യമായ ഉത്തരം നൽകാൻ കഴിയും.

സംവേദനക്ഷമതയും അനുമാന അച്ചടക്കവും

പ്രവചനത്തിൻ്റെ ഗുണനിലവാരം അനുമാനങ്ങളുടെ ഗുണനിലവാരമാണ്. എല്ലായ്‌പ്പോഴും അനുമാനങ്ങൾ AI-യ്‌ക്ക് ദൃശ്യമായി നിലനിർത്തുക, തിരികെ പോയി അവ സംഭവിക്കുമ്പോൾ അപ്‌ഡേറ്റ് ചെയ്യുക (റോളിംഗ് പ്രവചനം, അതായത്, എല്ലാ മാസവും അപ്‌ഡേറ്റ് ചെയ്യുന്ന ഒരു റോളിംഗ് പ്രവചനം).

ചുവടെയുള്ള പ്രവചനത്തിൽ നിങ്ങൾ ഉപയോഗിച്ച എല്ലാ അനുമാനങ്ങളും ഒരു പട്ടിക രൂപത്തിൽ ലിസ്റ്റ് ചെയ്യുക: അനുമാനം | മൂല്യം | ഉറവിടം/കാരണം | ഈ മൂല്യം 10% മാറുകയാണെങ്കിൽ, വാർഷിക ഫലത്തിൽ അതിൻ്റെ പ്രഭാവം. ഏറ്റവും ദുർബലമായ 3 അനുമാനങ്ങൾ ടിക്ക് ചെയ്യുക.

AI-യുടെ പ്രവചന ഔട്ട്‌പുട്ട് മാനേജുമെൻ്റിന് അവതരിപ്പിക്കുമ്പോൾ, ഒരു "അസംപ്ഷൻ കാർഡ്" ഉൾപ്പെടുത്തുക: ഏറ്റവും നിർണായകമായ മൂന്ന് അനുമാനങ്ങൾ, അവയുടെ മൂല്യങ്ങൾ, അവയുടെ ഉറവിടങ്ങൾ. അതിനാൽ, പ്രവചനം ഇനി ഒരു ബ്ലാക്ക് ബോക്സല്ല; അവർ വാതുവെക്കുന്നത് എന്താണെന്ന് എല്ലാവരും കാണുന്നു. തിരിച്ചറിവ് വ്യതിചലിക്കുമ്പോൾ, ഏത് അനുമാനമാണ് നിലനിൽക്കാത്തതെന്ന് നിങ്ങൾക്ക് പെട്ടെന്ന് നിർണ്ണയിക്കാനാകും, അത് അടുത്ത പ്രവചനം മെച്ചപ്പെടുത്തുന്നു.

മുന്നറിയിപ്പ്: "അതാണ് മോഡൽ പറഞ്ഞത്" എന്ന് പറഞ്ഞ് AI സൃഷ്ടിച്ച പ്രവചനത്തെ പ്രതിരോധിക്കരുത്. പ്രവചനത്തിൻ്റെ ഉത്തരവാദിത്തം അത് അവതരിപ്പിക്കുന്ന വ്യക്തിക്കാണ്. "ഇത് ഈ അനുമാനങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു സാഹചര്യമാണ്, യാഥാർത്ഥ്യമാക്കൽ വ്യത്യസ്തമായിരിക്കാം" എന്ന ചട്ടക്കൂടിനൊപ്പം എല്ലായ്പ്പോഴും മാനേജ്മെൻ്റിന് മുന്നിൽ അവതരിപ്പിക്കുക.

മിനി കേസുകൾ

കേസ് 1 - കാലാനുസൃതത കാണുന്ന പ്രവചനം. ഒരു റീട്ടെയിൽ കമ്പനി 24 മാസത്തെ വിൽപ്പന ഡാറ്റ AI-ക്ക് നൽകി. നവംബർ-ഡിസംബർ മാസങ്ങളിൽ മോഡൽ സ്ഥിരമായ 40% കുതിപ്പ് കാണുകയും അതിനനുസരിച്ച് അടുത്ത വർഷത്തേക്കുള്ള പ്രവചനം ക്രമീകരിക്കുകയും ചെയ്തു. ഒരു ഫ്ലാറ്റ് ട്രെൻഡ് ഉപയോഗിച്ചിരുന്നെങ്കിൽ, വർഷാവസാന സ്റ്റോക്ക് പ്ലാൻ ഗുരുതരമായ തെറ്റാകുമായിരുന്നു.

കേസ് 2 - ഒറ്റ സംഖ്യയുടെ കെണി. ഒരു സ്റ്റാർട്ടപ്പ് അതിൻ്റെ ബജറ്റ് AI-യുടെ "അടുത്ത വർഷം 18M" പ്രവചനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. എന്നാൽ ഇത് "വളർച്ച അതേപടി തുടരുന്നു" എന്ന അനുമാനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതായിരുന്നു. രണ്ട് പ്രധാന ഉപഭോക്താക്കൾ പോയപ്പോൾ 11M തിരിച്ചറിഞ്ഞു. പാഠം പഠിച്ചുകഴിഞ്ഞാൽ, ടീം സീനാരിയോ ശ്രേണിയിലേക്ക് നീങ്ങി; അടുത്ത വർഷത്തെ പ്രവചന ബാൻഡ് യഥാർത്ഥത്തിൽ എന്താണ് സംഭവിച്ചതെന്ന് കവർ ചെയ്തു.

കേസ് 3 - സെൻസിറ്റിവിറ്റി തീരുമാനം മാറ്റി. "ഏറ്റവും ദുർബലമായ അനുമാനം അസംസ്കൃത വസ്തുക്കളുടെ വിലയാണ്," AI ഒരു നിർമ്മാതാവിൻ്റെ പ്രവചനത്തിൽ പറഞ്ഞു, 10% വില വർദ്ധനവ് വാർഷിക ലാഭം 22% കുറയ്ക്കുമെന്ന് കാണിക്കുന്നു. തുടർന്ന് മാനേജ്മെൻ്റ് വിതരണക്കാരനുമായി ഒരു നിശ്ചിത വില വാർഷിക കരാർ ഒപ്പിട്ടു. പ്രവചനത്തിൻ്റെ യഥാർത്ഥ മൂല്യം സംഖ്യയല്ല, മറിച്ച് ഈ വികാര ഉൾക്കാഴ്ചയാണ്.

കേസ് 4 - റോളിംഗ് പ്രവചന വിജയങ്ങൾ. ഒരു റീട്ടെയിലർ അതിൻ്റെ വാർഷിക പ്രവചനം ഒരിക്കൽ സജ്ജീകരിച്ച് മറക്കുന്നതിനുപകരം, ഓരോ മാസവും യഥാർത്ഥ പ്രവചനങ്ങൾ ഉപയോഗിച്ച് അപ്ഡേറ്റ് ചെയ്തു. മൂന്നാം മാസത്തിൽ, "വളർച്ച 12%" എന്ന അനുമാനം യഥാർത്ഥത്തിൽ 7% ആണെന്ന് കണ്ടു; പ്രവചനം നേരത്തെ ശരിയാക്കുകയും വർഷാവസാന ഇൻവെൻ്ററിയും സ്റ്റാഫിംഗ് പ്ലാനും അതിനനുസരിച്ച് ക്രമീകരിക്കുകയും ചെയ്തു. നിശ്ചിത പ്രവചനം നിലനിർത്തിയിരുന്നെങ്കിൽ, വർഷാവസാനം വൻതോതിൽ അധിക സ്റ്റോക്കും പണക്ഷാമവും ഉണ്ടാകുമായിരുന്നു. പാഠം: ഒരു പ്രവചനം ഒരു ജീവനുള്ള രേഖയാണ്, അത് ഒരിക്കൽ സജ്ജീകരിച്ച് മാറ്റിവയ്ക്കില്ല.

സാധാരണ തെറ്റുകൾ

• ഒറ്റ സംഖ്യ ചോദിക്കുന്നു. റേഞ്ചും സ്ക്രിപ്റ്റും ഇല്ലാത്ത പ്രവചനം തെറ്റായ ഉറപ്പ് ഉണ്ടാക്കുന്നു.
• അനുമാനങ്ങൾ മറയ്ക്കുന്നു. അദൃശ്യമായ അനുമാനം എന്നാൽ ചോദ്യം ചെയ്യപ്പെടാനും അപ്ഡേറ്റ് ചെയ്യാനും കഴിയാത്ത ഒരു പ്രവചനമാണ്.
• ഭൂതകാലത്തെ അമിതമായി ആശ്രയിക്കുന്നു. പാറ്റേൺ കഴിഞ്ഞ പാറ്റേൺ വിപുലീകരിക്കുന്നു; ഒടിവുകളും ബാഹ്യ ഷോക്കുകളും കാണാൻ കഴിയില്ല.
• ഒരു പ്രവചനം ഒരു പ്രവചനമായി തെറ്റിദ്ധരിക്കുന്നു. AIക്ക് ഭാവി അറിയില്ല; ഇത് നിങ്ങളുടെ അനുമാനങ്ങൾ കണക്കിലെടുക്കുന്നു.
• റോളിംഗ് പ്രവചനം ഉണ്ടാക്കുന്നില്ല. പ്രവചനം ഒരിക്കൽ സജ്ജീകരിച്ച് അത് മറക്കുക; സംഭവിക്കുന്നത് പോലെ അപ്ഡേറ്റ് ചെയ്യുന്നില്ല.

ചുരുക്കത്തിൽ

• ഇത് AI പ്രവചനത്തിലെ ഒരു ശക്തമായ സഹായിയാണ്: പ്രവണതയും കാലാനുസൃതതയും വേർതിരിച്ചെടുക്കുന്നു, സാഹചര്യം നിർമ്മിക്കുന്നു, യുക്തി വിശദീകരിക്കുന്നു; എന്നാൽ അത് ഭാവിയെ അറിയുന്നില്ല, ബാഹ്യ ആഘാതങ്ങൾ കാണാൻ കഴിയില്ല.
• എല്ലായ്‌പ്പോഴും ഒരു സാങ്കൽപ്പിക ശ്രേണിയും ശുഭാപ്തിവിശ്വാസം/അടിസ്ഥാന/അശുഭാപ്തിപരമായ സാഹചര്യങ്ങളും ഒരു സംഖ്യയ്ക്ക് പകരം ചോദിക്കുക.
• അനുമാനങ്ങൾ വ്യക്തമായി പട്ടികപ്പെടുത്തുകയും സെൻസിറ്റിവിറ്റി വിശകലനത്തിലൂടെ ഏറ്റവും ദുർബലമായ അനുമാനം തിരിച്ചറിയുകയും ചെയ്യുക.
• പ്രവചനത്തിൻ്റെ ഉത്തരവാദിത്തം അത് അവതരിപ്പിക്കുന്ന വ്യക്തിക്കാണ്; മാനേജുമെൻ്റിന് ഒരു "സാഹചര്യം, ഒരു ഉറപ്പല്ല" ചട്ടക്കൂട് ഉപയോഗിച്ച് അവതരിപ്പിക്കുക.
• റോളിംഗ് പ്രവചനത്തിൽ സംഭവിക്കുന്നതുപോലെ പ്രവചനം അപ്‌ഡേറ്റ് ചെയ്യുക; ഇത് ഒരിക്കൽ ഇൻസ്റ്റാൾ ചെയ്യുക, മറക്കരുത്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

കുറഞ്ഞത് 12 മാസത്തെ യഥാർത്ഥ വരുമാന ഡാറ്റ (യഥാർത്ഥ അല്ലെങ്കിൽ സാമ്പിൾ) നേടുക. ശക്തമായ പ്രോംപ്റ്റ് ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് മൂന്ന് സാഹചര്യങ്ങളുള്ള 12 മാസത്തെ പ്രവചനം സൃഷ്ടിക്കുക. തുടർന്ന് സെൻസിറ്റിവിറ്റി പ്രോംപ്റ്റ് ഉപയോഗിച്ച് ഏറ്റവും ദുർബലമായ മൂന്ന് അനുമാനങ്ങൾ നീക്കം ചെയ്യുക. മോഡലിൻ്റെ അടിസ്ഥാന കേസിൻ്റെ പ്രതിമാസ വളർച്ചാ നിരക്ക് ഒരിക്കൽ സ്വമേധയാ പരിശോധിച്ച് ഒരു സ്ലൈഡിലെ പ്രവചനം "സാഹചര്യമല്ല, ഉറപ്പില്ല" എന്ന ചട്ടക്കൂട് ഉപയോഗിച്ച് സംഗ്രഹിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] മതിയായ ചരിത്രപരമായ ഡാറ്റ ഞാൻ നൽകിയിട്ടുണ്ട് (പ്രതിമാസം നല്ലത്).
• [ ] ഞാൻ അനുമാനങ്ങൾ വ്യക്തമായി പട്ടികപ്പെടുത്തുകയും അവ മോഡലിൽ പട്ടികപ്പെടുത്തുകയും ചെയ്തു.
• [ ] എനിക്ക് ഒരു സ്‌ക്രിപ്റ്റഡ് ശ്രേണിയാണ് വേണ്ടത്, ഒരൊറ്റ സംഖ്യയല്ല.
• [ ] സെൻസിറ്റിവിറ്റി വിശകലനത്തിലൂടെ ഏറ്റവും ദുർബലമായ അനുമാനം ഞാൻ തിരിച്ചറിഞ്ഞു.
• [ ] അടിസ്ഥാന കേസിൻ്റെ വളർച്ചാ കണക്കുകൂട്ടൽ ഞാൻ സ്വമേധയാ പരിശോധിച്ചു.
• [ ] ഞാൻ എസ്റ്റിമേറ്റ് അവതരിപ്പിച്ചത് "സാഹചര്യമല്ല, ഉറപ്പല്ല" എന്ന ചട്ടക്കൂടിലാണ്.