अंदाज आणि अंदाज समर्थन

नफा:

• AI ला सहाय्यक म्हणून स्थान देण्याची क्षमता जे उत्पन्न/खर्चाच्या अंदाजामध्ये काल्पनिक परिस्थिती निर्माण करते
• ऐतिहासिक डेटा आणि स्पष्ट गृहितकांवर आधारित श्रेणी आणि संवेदनशीलतेसह अंदाज प्रॉम्प्ट लिहिण्याची क्षमता
• एआय अंदाजांच्या मर्यादा ओळखण्याची आणि मानवी निर्णयासह त्यांचे मिश्रण करण्याची क्षमता

"पुढच्या वर्षी आमची उलाढाल काय असेल?" वित्त संघासाठी सर्वात कठीण प्रश्नांपैकी एक आहे. अंदाज म्हणजे भूतकाळातील डेटा आणि गृहितकांवर आधारित भविष्याबद्दल अंदाज बांधणे. कृत्रिम बुद्धिमत्ता (AI) येथे एक शक्तिशाली सहाय्यक असू शकते; परंतु अगदी सुरुवातीपासूनच एक तथ्य स्वीकारणे आवश्यक आहे: मॉडेलला भविष्य माहित नाही. हे केवळ तुम्ही दिलेल्या नमुन्यांची आणि गृहितकांवर प्रक्रिया करते. या युनिटमध्ये, आपण AI चे अंदाज लावण्याच्या योग्य भूमिकेत आणि त्याच्या मर्यादा ओळखण्यास शिकू.

अंदाजानुसार एआय काय करते आणि काय करत नाही?

हे असे करते: मागील ट्रेंडचा सारांश देते, ऋतूमानता ओळखते (विशिष्ट महिन्यांत वारंवार चढ-उतार), भिन्न गृहितकांसह परिस्थिती तयार करते, अंदाज तर्कशास्त्र स्पष्ट करते आणि अंदाज एका कथनात ठेवते.

हे असे नाही: ते अचूक भविष्य देऊ शकत नाही, ते बाह्य धक्क्यांचा अंदाज लावू शकत नाही (विनिमय दर संकट, नियमन बदल), ते डेटामध्ये नसलेली वस्तुस्थिती जाणून घेऊ शकत नाही. चॅटबॉटने दिलेले "पुढच्या वर्षी तुम्ही 18% वाढवाल" हे वाक्य भाकीत नाही, तर तुम्ही करत असलेल्या गृहितकांचे गणितीय प्रतिबिंब आहे.

टीप: मॉडेलला कधीही "सिंगल नंबर" विचारू नका. नेहमी श्रेणी विचारा आणि ती श्रेणी कोणत्या गृहितकांवर आधारित आहे. "बेस केसमध्ये 14-15M, स्थिती: वर्तमान वाढीचा दर चालू आहे" हे वाक्य "14.6M" पेक्षा जास्त प्रामाणिक आणि उपयुक्त आहे.

स्टेप बाय स्टेप: एक ठोस अंदाज तयार करणे

1. ऐतिहासिक माहिती द्या. कमीतकमी काही कालावधीसाठी उद्भवणारे; शक्य असल्यास मासिक.
2. गृहीतके स्पष्टपणे लिहा. वाढीचा दर, ऋतुमानता, ज्ञात बदल.
3. पद्धत निर्दिष्ट करा. साधा ट्रेंड, हंगामी समायोजित किंवा परिस्थिती आधारित?
4. श्रेणी आणि परिस्थिती विचारा. आशावादी / बेस / निराशावादी.
5. संवेदनशीलता विचारा. "कोणती गृहीतक परिणाम सर्वात जास्त बदलते?"

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट: पुढील वर्षी माझ्या उलाढालीचा अंदाज लावा. या वर्षी आम्ही 12M केले.

यामुळे आधार नसलेली एकच संख्या निर्माण होते; ते कोणत्या गृहीतकावर आधारित आहे हे स्पष्ट नाही, जे निर्णयासाठी धोकादायक आहे.

मजबूत तत्पर: तुमची भूमिका: आर्थिक नियोजन विश्लेषक. कार्य: पुढील मासिक उत्पन्न डेटावरून पुढील 12 महिन्यांचा अंदाज लावा. पद्धत: 1) प्रथम ऐतिहासिक डेटामधील ट्रेंड आणि हंगामाचा सारांश द्या. 2) खालील गृहितकांसह 3 परिस्थिती सेट करा: - आधार: गेल्या 12 महिन्यांचा सरासरी वाढीचा दर: -3 अनुकूल वाढ चालू ठेवा: -5 बिंदूंची सरासरी वाढ. पॉइंट्स3) प्रत्येक परिस्थितीसाठी 12-महिन्यांची एकूण आणि मासिक श्रेणी द्या. 4) "संवेदनशीलता" विभाग: कोणते गृहितक बदलते, परिणाम सर्वात जास्त बदलतो? निर्बंध: गृहीतके स्पष्टपणे सूचीबद्ध करा. सांगा की अंदाज एक अंदाज आहे आणि निश्चितता नाही. लक्षात घ्या की तुम्ही बाह्य धक्क्यांचे मॉडेल करू शकत नाही.<data>जानेवारी..डिसेंबर मासिक उलाढालीचे आकडे</data>

हे प्रॉम्प्ट; अचूक संख्येऐवजी, ते तर्कसंगत श्रेणी, परिस्थिती आणि संवेदनशीलता विश्लेषण तयार करते जसे की "सर्वात असुरक्षित गृहितक संग्रह/वाढीचा दर". निर्णय घेणारा अनिश्चितता पाहून निर्णय घेतो.

ऋतूमानता हा अंदाज वर्तवताना सर्वाधिक दुर्लक्षित केलेला विषय आहे. बऱ्याच व्यवसायांची विक्री ठराविक महिन्यांत नियमितपणे वाढते आणि कमी होते: उन्हाळ्यात आइस्क्रीम बनवणारी कंपनी शिखरावर असते, स्मरणिका दुकान सुट्टीच्या आसपास शिखरावर असते. फ्लॅट ट्रेंड लाइन हे चढउतार पाहू शकत नाही आणि स्टॉक, कर्मचारी आणि रोख योजना चुकीच्या पद्धतीने सेट करेल. तुम्ही AI ला पुरेसा ऐतिहासिक डेटा दिल्यास (आदर्श किमान 24 महिने), तो हा पुनरावृत्ती होणारा नमुना लक्षात घेईल आणि त्यानुसार अंदाज समायोजित करेल.

अंदाज पद्धती आणि AI ची भूमिका

पद्धत

ते केव्हा योग्य आहे?

AI योगदान

सीमा

साधा कल

स्थिर, अवकाळी डेटा

ट्रेंड जलद मिळतो

ब्रेक्स पाहू शकत नाही

हंगामी सुधारणा

महिन्यानुसार विक्रीत चढ-उतार

हंगामी नमुना स्पष्ट करतो

भूतकाळाशी खूप संलग्न

परिस्थिती आधारित

उच्च अनिश्चिततेचा काळ

गृहीतके लवकर तपासतात

गृहीतकांच्या गुणवत्तेवर अवलंबून असते

चालक-आधारित

जर उत्पन्न अनेक घटकांवर अवलंबून असेल

घटक संबंध प्रस्थापित करते

मनुष्य संबंध पडताळतो

ड्रायव्हर-आधारित अंदाज

एकल वाढीच्या टक्केवारीसह उलाढालीचा अंदाज लावणे अनेकदा क्रूड असते. अधिक मजबूत मार्ग म्हणजे त्याच्या चालकांद्वारे महसूल विभागणे: महसूल = ग्राहकांची संख्या × प्रति ग्राहक सरासरी विक्री × पुनरावृत्ती वारंवारता. प्रत्येक ड्रायव्हरचा स्वतंत्रपणे अंदाज आणि गुणाकार केल्याने एक अंदाज येतो जो अधिक अचूक आणि अधिक शंकास्पद आहे; कारण कोणते गृहीतक बदलले आहे ते तुम्ही स्पष्टपणे पाहता.

ड्रायव्हर्सवर आधारित माझ्या उत्पन्नाचा अंदाज लावा. महसूल = सक्रिय ग्राहकांची संख्या × प्रति ग्राहक सरासरी मासिक महसूल (ARPU). या दोन ड्रायव्हर्सना मागील 12 महिन्यांपासून वेगळे काढा, प्रत्येकाच्या ट्रेंडचा अर्थ लावा, त्यानंतर दोन ड्रायव्हर्सना स्वतंत्रपणे प्रोजेक्ट करून पुढील 12 महिन्यांचा अंदाज लावा. प्रत्येक ड्रायव्हरसाठी गृहीतक स्पष्टपणे लिहा; कोणता ड्रायव्हर अधिक अस्पष्ट आहे ते निर्दिष्ट करा. डेटामध्ये फक्त संख्या वापरा, सूत्रे दाखवा.

या पद्धतीची ताकद अशी आहे की "उलाढाल 15% वाढली" असे म्हणण्याऐवजी तुम्ही म्हणता "ग्राहकांची संख्या 8% वाढते, प्रति ग्राहक महसूल 6% वाढतो". दोघांची स्वतंत्रपणे चौकशी केली जाऊ शकते; एक अवास्तव असल्यास, तुम्ही तिथून अंदाज समायोजित करा. व्यवस्थापन देखील "आम्ही कोणत्या गृहीतकावर अवलंबून आहोत?" प्रश्नाचे ठोस उत्तर देऊ शकतो.

संवेदनशीलता आणि गृहीतक शिस्त

अंदाजाची गुणवत्ता ही गृहितकांची गुणवत्ता आहे. गृहीतके नेहमी AI ला दृश्यमान ठेवा आणि परत जा आणि ते जसे घडतील तसे अद्यतनित करा (रोलिंग अंदाज, म्हणजेच रोलिंग अंदाज जो दरमहा अपडेट केला जातो).

तुम्ही खालील अंदाजात वापरलेल्या सर्व गृहितकांची सारणी स्वरूपात यादी करा: गृहीतक | मूल्य | स्रोत/कारण | जर हे मूल्य 10% ने बदलले तर त्याचा परिणाम वार्षिक निकालावर होतो. 3 सर्वात नाजूक गृहितकांवर टिक करा.

AI चे भविष्यसूचक आउटपुट व्यवस्थापनाला सादर करताना, एक "असम्प्शन कार्ड" समाविष्ट करा: तीन सर्वात गंभीर गृहीतके, त्यांची मूल्ये आणि त्यांचे स्रोत. अशा प्रकारे, अंदाज यापुढे ब्लॅक बॉक्स नाही; ते कशावर सट्टा लावत आहेत हे प्रत्येकजण पाहतो. आणि जेव्हा प्राप्ती विचलित होते, तेव्हा कोणती गृहितक धारण केली नाही हे तुम्ही त्वरीत निदान करू शकता, जे पुढील अंदाज सुधारते.

खबरदारी: "मॉडेलने तेच सांगितले आहे" असे सांगून AI-व्युत्पन्न केलेल्या अंदाजाचे रक्षण करू नका. भविष्यवाणीची जबाबदारी ती सादर करणाऱ्या व्यक्तीची असते. व्यवस्थापनास नेहमी "या गृहितकांवर आधारित परिस्थिती आहे, वास्तविकता भिन्न असू शकते" या चौकटीसह उपस्थित रहा.

मिनी केसेस

केस 1 - ऋतू पाहणारा अंदाज. एका रिटेल कंपनीने AI ला 24 महिन्यांचा विक्री डेटा दिला. मॉडेलने नोव्हेंबर-डिसेंबरमध्ये स्थिर 40% झेप पाहिली आणि त्यानुसार पुढील वर्षाचा अंदाज समायोजित केला. जर फ्लॅट ट्रेंड वापरला गेला असता, तर वर्षअखेरीचा स्टॉक प्लॅन गंभीरपणे चुकीचा ठरला असता.

केस 2 - विषम संख्येचा सापळा. एक स्टार्टअप AI च्या "पुढच्या वर्षी 18M" च्या अंदाजावर त्याचे बजेट आधारित आहे. पण हे "वाढ जशी आहे तशीच चालू राहते" या गृहीतकावर आधारित होती. दोन प्रमुख ग्राहक निघून गेल्यावर 11M प्राप्त झाले. एकदा धडा शिकल्यानंतर, संघ परिस्थिती श्रेणीकडे गेला; पुढील वर्षाच्या अंदाज बँडने प्रत्यक्षात काय घडले ते कव्हर केले.

केस 3 - संवेदनशीलतेने निर्णय बदलला. "सर्वात असुरक्षित गृहितक कच्च्या मालाची किंमत आहे," AI ने एका निर्मात्याच्या अंदाजात म्हटले आहे की 10% किमतीत वाढ केल्यास वार्षिक नफा 22% कमी होईल. व्यवस्थापनाने नंतर पुरवठादाराशी निश्चित-किंमत वार्षिक करारावर स्वाक्षरी केली. अंदाजाचे खरे मूल्य संख्या नव्हते, परंतु ही भावना अंतर्दृष्टी होती.

केस 4 - रोलिंग अंदाज जिंकला. एका किरकोळ विक्रेत्याने त्याचा वार्षिक अंदाज एकदा सेट करून विसरून जाण्याऐवजी दर महिन्याला त्याचा वास्तविक अंदाज अपडेट केला. तिसऱ्या महिन्यात, असे दिसून आले की "वाढ 12%" गृहीत धरून प्रत्यक्षात 7% होती; अंदाज लवकर दुरुस्त केला गेला आणि वर्षाच्या शेवटी इन्व्हेंटरी आणि स्टाफिंग प्लॅन त्यानुसार समायोजित केले गेले. निश्चित अंदाज कायम ठेवला असता तर वर्षाच्या अखेरीस मोठ्या प्रमाणावर ओव्हरस्टॉक आणि रोख तुटवडा निर्माण झाला असता. धडा: अंदाज एक जिवंत दस्तऐवज आहे, तो एकदा सेट केला जात नाही आणि टाकला जात नाही.

सामान्य चुका

• विषम संख्या विचारत आहे. श्रेणी आणि स्क्रिप्टशिवाय अंदाज चुकीची खात्री निर्माण करतो.
• गृहीतके लपवणे. अदृश्य गृहीतक म्हणजे एक अंदाज ज्यावर प्रश्नचिन्ह आणि अद्यतनित केले जाऊ शकत नाही.
• भूतकाळावर खूप अवलंबून राहणे. नमुना मागील नमुना वाढवतो; फ्रॅक्चर आणि बाह्य धक्के पाहू शकत नाहीत.
• एक भविष्यवाणी म्हणून चूक करणे. एआयला भविष्य माहीत नाही; हे फक्त तुमच्या गृहीतके विचारात घेते.
• रोलिंग अंदाज करत नाही. अंदाज एकदा सेट करा आणि विसरा; जसे घडते तसे अद्यतनित करत नाही.

सारांशात

• हे AI अंदाजामध्ये एक शक्तिशाली सहाय्यक आहे: ट्रेंड आणि हंगामीपणा काढतो, परिस्थिती तयार करतो, तर्क स्पष्ट करतो; पण त्याला भविष्य माहीत नाही आणि बाह्य धक्के पाहू शकत नाहीत.
• नेहमी एका संख्येपेक्षा एक काल्पनिक श्रेणी आणि आशावादी/बेसलाइन/निराशावादी परिस्थिती विचारा.
• गृहीतके स्पष्टपणे सूचीबद्ध करा आणि संवेदनशीलता विश्लेषणाद्वारे सर्वात असुरक्षित गृहितक ओळखा.
• भविष्यवाणीची जबाबदारी ती सादर करणाऱ्या व्यक्तीची असते; "परिदृश्य, निश्चितता नाही" फ्रेमवर्कसह व्यवस्थापनास सादर करा.
• रोलिंग अंदाजाप्रमाणेच अंदाज अपडेट करा; एकदा स्थापित करा आणि विसरू नका.

अर्ज कार्य

किमान 12 महिन्यांचा वास्तविक महसूल डेटा (वास्तविक किंवा नमुना) मिळवा. शक्तिशाली प्रॉम्प्ट टेम्पलेटसह तीन-परिदृश्य 12-महिन्यांचा अंदाज तयार करा. नंतर संवेदनशीलता प्रॉम्प्टसह तीन सर्वात नाजूक गृहितके काढून टाका. मॉडेलच्या बेस केसचा मासिक वाढीचा दर मॅन्युअली एकदा सत्यापित करा आणि "परिदृश्य, निश्चितता नाही" फ्रेमवर्कसह स्लाइडवर अंदाज सारांशित करा.

चेकलिस्ट

• मी पुरेसा ऐतिहासिक डेटा (शक्यतो मासिक) प्रदान केला आहे.
• [ ] मी गृहीतके स्पष्टपणे सूचीबद्ध केली आहेत आणि त्या मॉडेलमध्ये सूचीबद्ध केल्या आहेत.
• मला स्क्रिप्टेड रेंज हवी होती, एकच संख्या नाही.
• मी संवेदनशीलता विश्लेषणाद्वारे सर्वात नाजूक गृहीतक ओळखले.
• मी बेस केसच्या वाढीची गणना व्यक्तिचलितपणे सत्यापित केली.
• [ ] मी अंदाज "परिदृश्य, निश्चितता नाही" फ्रेमवर्कमध्ये सादर केला.