Keuntungan:
- Keupayaan untuk meletakkan AI sebagai pembantu yang menjana senario hipotesis dalam ramalan pendapatan/perbelanjaan
- Keupayaan untuk menulis gesaan ramalan dengan julat dan sensitiviti berdasarkan data sejarah dan andaian yang jelas
- Keupayaan untuk mengenali batasan ramalan AI dan menggabungkannya dengan pertimbangan manusia
"Apakah perolehan kami tahun depan?" adalah salah satu soalan yang paling sukar untuk pasukan kewangan. Ramalan adalah membuat ramalan tentang masa depan berdasarkan data dan andaian masa lalu. Kecerdasan buatan (AI) boleh menjadi pembantu yang berkuasa di sini; Tetapi adalah perlu untuk menerima fakta dari awal lagi: model tidak tahu masa depan. Ia hanya memproses corak dan andaian yang anda berikan. Dalam unit ini, kita akan belajar untuk meletakkan AI dalam peranannya yang betul dalam meramal dan mengenali hadnya.
Apa yang AI Lakukan dan Tidak Lakukan dalam Ramalan?
Ianya: Merumuskan aliran lalu, mengiktiraf kemusim (turun naik berulang dalam bulan tertentu), membina senario dengan andaian berbeza, menerangkan logik ramalan dan meletakkan ramalan ke dalam naratif.
Ia tidak: Ia tidak dapat memberikan masa depan yang tepat, ia tidak dapat meramalkan kejutan luaran (krisis kadar pertukaran, perubahan peraturan), ia tidak dapat mengetahui fakta yang tiada dalam data. Ayat "anda akan berkembang 18% tahun depan" yang diberikan oleh chatbot bukanlah ramalan, tetapi refleksi matematik tentang andaian yang anda buat.
Petua: Jangan sekali-kali meminta model untuk "nombor tunggal." Sentiasa minta julat dan andaian yang berdasarkan julat itu. Ayat "14-15M dalam kes asas, keadaan: kadar pertumbuhan semasa berterusan" adalah lebih jujur dan berguna daripada tunggal "14.6M".
Langkah demi Langkah: Membina Ramalan Pejal
- Beri data sejarah. Berlaku sekurang-kurangnya beberapa tempoh; bulanan jika boleh.
- Tulis andaian dengan jelas. Kadar pertumbuhan, bermusim, perubahan yang diketahui.
- Nyatakan kaedah. Aliran mudah, pelarasan bermusim atau berdasarkan senario?
- Minta julat dan senario. Optimis / asas / pesimis.
- Minta sensitiviti. "Andaian manakah yang paling banyak mengubah keputusan?"
Gesaan Lemah / Gesaan Kuat
Gesaan lemah: Ramalkan perolehan saya tahun depan. Tahun ini kami membuat 12J.
Ini menghasilkan nombor tunggal tanpa asas; Tidak jelas andaian itu berdasarkan apa, yang berbahaya untuk keputusan itu.
Gesaan yang kuat:Peranan anda: penganalisis perancangan kewangan.Tugas: Ramalan 12 bulan akan datang daripada data pendapatan bulanan berikut.Kaedah:1) Ringkaskan dahulu arah aliran dan kemusim dalam data sejarah.2) Sediakan 3 senario dengan andaian berikut: - Asas: kadar pertumbuhan purata 12 bulan lepas berterusan - Optimis: mata pertumbuhan +3) Gith5: pertumbuhan +3) Gith. jumlah dan julat bulanan untuk setiap senario.4) Bahagian "Sensitiviti": andaian manakah yang berubah, keputusan yang paling banyak berubah? Kekangan: Senaraikan andaian secara eksplisit. Nyatakan bahawa anggaran adalah ramalan dan bukan kepastian. Ambil perhatian bahawa anda tidak boleh memodelkan kejutan luaran.<data>Januari..Angka pusing ganti bulanan Disember</data>
Gesaan ini; Daripada nombor yang tepat, ia menghasilkan julat yang munasabah, senario dan analisis sensitiviti seperti "kadar pengumpulan/pertumbuhan andaian yang paling terdedah". Pembuat keputusan membuat keputusan dengan melihat ketidakpastian.
Kemusim ialah topik yang paling kerap diabaikan dalam peramalan. Jualan banyak perniagaan naik dan turun secara tetap pada bulan-bulan tertentu: pembuat ais krim memuncak pada musim panas, kedai cenderamata memuncak menjelang cuti. Garis arah aliran rata tidak dapat melihat turun naik ini dan akan menyediakan stok, kakitangan dan pelan tunai dengan tidak betul. Jika anda memberikan data sejarah AI yang mencukupi (sebaik-baiknya sekurang-kurangnya 24 bulan), ia akan melihat corak berulang ini dan melaraskan ramalan dengan sewajarnya.
Kaedah Ramalan dan Peranan AI
Kaedah
Bilakah ia sesuai?
Sumbangan AI
sempadan
trend mudah
Data yang stabil dan tidak bermusim
Mendapat trend dengan pantas
Tidak dapat melihat waktu rehat
pembetulan bermusim
Jualan turun naik mengikut bulan
Menerangkan corak bermusim
Terlalu terikat dengan masa lalu
Berasaskan senario
Tempoh ketidakpastian yang tinggi
Menguji hipotesis dengan cepat
Bergantung pada kualiti andaian
Berasaskan pemandu
Jika pendapatan bergantung kepada beberapa faktor
Mewujudkan hubungan faktor
Manusia mengesahkan hubungan itu
Ramalan Berasaskan Pemandu
Meramalkan perolehan dengan peratusan pertumbuhan tunggal selalunya kasar. Cara yang lebih mantap ialah membahagikan hasil mengikut pemacunya: hasil = bilangan pelanggan × purata jualan bagi setiap pelanggan × kekerapan ulangan. Meramal dan mendarab setiap pemandu secara berasingan memberikan ramalan yang lebih tepat dan lebih dipersoalkan; kerana anda melihat dengan jelas andaian mana yang telah berubah.
Anggarkan pendapatan saya berdasarkan pemandu. Hasil = bilangan pelanggan aktif × purata hasil bulanan bagi setiap pelanggan (ARPU). Ekstrak kedua-dua pemandu ini secara berasingan selama 12 bulan yang lalu, tafsirkan arah aliran setiap satu, kemudian ramalkan 12 bulan akan datang dengan mengunjurkan kedua-dua pemandu secara berasingan. Tulis andaian dengan jelas untuk setiap pemandu; Nyatakan pemandu mana yang lebih tidak jelas. Gunakan hanya nombor dalam data, tunjukkan formula.
Kuasa kaedah ini ialah daripada mengatakan "perolehan meningkat sebanyak 15%", anda menyebut "bilangan pelanggan meningkat sebanyak 8%, hasil setiap pelanggan meningkat sebanyak 6%". Kedua-duanya boleh disoal secara berasingan; Jika satu tidak realistik, anda laraskan anggaran dari sana. Pengurusan juga bertanya "apa andaian yang kita harapkan?" boleh menjawab soalan secara konkrit.
Sensitiviti dan Disiplin Andaian
Kualiti ramalan adalah kualiti andaian. Sentiasa pastikan andaian kelihatan kepada AI dan kembali dan kemas kini apabila ia berlaku (ramalan bergulir, iaitu ramalan bergulir yang dikemas kini setiap bulan).
Senaraikan SEMUA andaian yang anda gunakan dalam ramalan di bawah dalam bentuk jadual: andaian | nilai | sumber/sebab | Jika nilai ini berubah sebanyak 10%, kesannya terhadap keputusan tahunan. Tandakan 3 andaian yang paling rapuh.
Apabila membentangkan output ramalan AI kepada pengurusan, sertakan "kad andaian": tiga andaian paling kritikal, nilainya dan sumbernya. Oleh itu, ramalan itu bukan lagi kotak hitam; Semua orang melihat apa yang mereka pertaruhkan. Dan apabila kesedaran menyimpang, anda boleh dengan cepat mendiagnosis andaian mana yang tidak berlaku, yang meningkatkan ramalan seterusnya.
Awas: Jangan pertahankan ramalan yang dijana AI dengan mengatakan "itulah yang dikatakan model." Tanggungjawab untuk ramalan itu terletak pada orang yang menyampaikannya. Sentiasa hadirkan kepada pihak pengurusan dengan rangka kerja "ini adalah senario berdasarkan andaian ini, aktualisasinya mungkin berbeza".
Kes Mini
Kes 1 — Ramalan yang melihat kemusim. Sebuah syarikat runcit menyalurkan data jualan selama 24 bulan kepada AI. Model itu melihat lonjakan 40% yang stabil pada November-Disember dan menyesuaikan ramalannya untuk tahun depan dengan sewajarnya. Sekiranya aliran mendatar telah digunakan, pelan saham akhir tahun akan menjadi sangat salah.
Kes 2 — Perangkap nombor ganjil. Sebuah syarikat permulaan mendasarkan belanjawannya pada ramalan AI "18M tahun depan". Tetapi ini berdasarkan andaian bahawa "pertumbuhan berterusan sebagaimana adanya". 11M direalisasikan apabila dua pelanggan utama pergi. Setelah pelajaran dipelajari, pasukan bergerak ke julat senario; Band ramalan tahun depan meliputi apa yang sebenarnya berlaku.
Kes 3 — Sensitiviti mengubah keputusan. "Andaian yang paling terdedah ialah harga bahan mentah," kata AI dalam ramalan pengeluar, menunjukkan bahawa kenaikan harga 10% akan mengurangkan keuntungan tahunan sebanyak 22%. Pengurusan kemudiannya menandatangani kontrak tahunan harga tetap dengan pembekal. Nilai sebenar ramalan itu bukanlah nombor, tetapi cerapan sentimen ini.
Kes 4 — Ramalan bergulir menang. Seorang peruncit mengemas kini ramalan tahunannya dengan yang sebenar setiap bulan, bukannya menetapkannya sekali dan melupakannya. Pada bulan ketiga, ia dilihat bahawa andaian "pertumbuhan 12%" sebenarnya adalah 7%; Ramalan telah diperbetulkan lebih awal dan inventori akhir tahun dan rancangan kakitangan telah diselaraskan dengan sewajarnya. Sekiranya ramalan tetap dikekalkan, akan berlaku lebihan stok dan masalah tunai yang besar pada akhir tahun. Pengajaran: ramalan adalah dokumen hidup, ia tidak disediakan sekali dan disimpan.
Kesilapan biasa
- Meminta nombor ganjil. Ramalan tanpa julat dan skrip mencipta kepastian palsu.
- Menyembunyikan andaian. Andaian halimunan bermaksud ramalan yang tidak boleh dipersoalkan dan dikemas kini.
- Terlalu bergantung pada masa lalu. Corak memanjangkan corak masa lalu; tidak dapat melihat patah tulang dan kejutan luaran.
- Menganggap ramalan sebagai ramalan. AI tidak tahu masa depan; Ia hanya mengambil kira andaian anda.
- Tidak membuat ramalan bergulir. Tetapkan ramalan sekali dan lupakannya; tidak mengemas kini seperti yang berlaku.
Secara ringkasnya
- Ia adalah pembantu yang berkuasa dalam ramalan AI: mengekstrak arah aliran dan bermusim, membina senario, menerangkan logik; tetapi ia tidak mengetahui masa depan dan tidak dapat melihat kejutan luaran.
- Sentiasa minta julat hipotesis dan senario optimis/garis dasar/pesimis berbanding nombor tunggal.
- Sediakan andaian disenaraikan dengan jelas dan kenal pasti andaian yang paling terdedah melalui analisis sensitiviti.
- Tanggungjawab untuk ramalan itu terletak pada orang yang menyampaikannya; Bentangkan kepada pihak pengurusan dengan rangka kerja "senario, bukan kepastian".
- Kemas kini ramalan seperti yang berlaku dengan ramalan bergulir; Pasang sekali dan jangan lupa.
Tugasan permohonan
Dapatkan sekurang-kurangnya 12 bulan data hasil sebenar (sebenar atau sampel). Buat ramalan 12 bulan tiga senario dengan templat segera yang berkuasa. Kemudian alih keluar tiga andaian yang paling rapuh dengan gesaan kepekaan. Sahkan secara manual kadar pertumbuhan bulanan bagi kes asas model dan ringkaskan ramalan pada slaid dengan rangka kerja "senario, bukan kepastian".
senarai semak
- [ ] Saya telah menyediakan data sejarah yang mencukupi (sebaik-baiknya setiap bulan).
- [ ] Saya menyenaraikan andaian secara eksplisit dan menyenaraikannya dalam model.
- [ ] Saya mahukan julat skrip, bukan satu nombor.
- [ ] Saya mengenal pasti andaian yang paling rapuh melalui analisis sensitiviti.
- [ ] Saya mengesahkan pengiraan pertumbuhan kes asas secara manual.
- [ ] Saya membentangkan anggaran dalam rangka kerja "senario, bukan kepastian".