Winst:
- Mogelijkheid om AI te positioneren als een assistent die hypothetische scenario's genereert bij het voorspellen van inkomsten en uitgaven
- Mogelijkheid om prognoseprompts te schrijven met bereik en gevoeligheid op basis van historische gegevens en expliciete aannames
- Vermogen om de beperkingen van AI-voorspellingen te herkennen en deze te combineren met menselijk oordeel
"Wat zal onze omzet volgend jaar zijn?" is een van de moeilijkste vragen voor het financiële team. Voorspellen is het maken van een voorspelling over de toekomst op basis van gegevens en aannames uit het verleden. Kunstmatige intelligentie (AI) kan hierbij een krachtige assistent zijn; Maar het is noodzakelijk om vanaf het allereerste begin een feit te accepteren: het model kent de toekomst niet. Het verwerkt alleen patronen en aannames die u geeft. In deze unit leren we AI in de juiste rol bij het voorspellen te positioneren en de grenzen ervan te herkennen.
Wat doet AI wel en niet in de prognose?
Dat doet het wel: vat de trend uit het verleden samen, herkent seizoensinvloeden (herhaalde fluctuaties in bepaalde maanden), bouwt scenario's op met verschillende aannames, legt de voorspellingslogica uit en zet de voorspelling in een verhaal.
Dat is niet het geval: het kan geen nauwkeurige toekomst geven, het kan geen externe schokken voorspellen (wisselkoerscrisis, verandering in de regelgeving), het kan geen feit kennen dat niet in de gegevens staat. De zin ‘volgend jaar zul je 18% groeien’ van een chatbot is geen profetie, maar een wiskundige weerspiegeling van de aannames die je doet.
Tip: Vraag het model nooit om een ‘enkel nummer’. Vraag altijd naar een bereik en op welke aannames dat bereik is gebaseerd. De zin "14-15 miljoen in het basisscenario, voorwaarde: het huidige groeitempo gaat door" is veel eerlijker en nuttiger dan de enkele zin "14,6 miljoen".
Stap voor stap: een solide prognose opstellen
- Geef historische gegevens. Komt minstens een paar perioden voor; maandelijks indien mogelijk.
- Schrijf de aannames duidelijk op. Groeisnelheid, seizoensinvloeden, bekende veranderingen.
- Specificeer methode. Eenvoudige trend, seizoensgecorrigeerd of scenariogebaseerd?
- Vraag naar bereik en scenario. Optimist/basis/pessimist.
- Vraag om gevoeligheid. “Welke veronderstelling verandert de uitkomst het meest?”
Zwakke prompt/sterke prompt
Zwakke prompt: Voorspel mijn omzet volgend jaar. Dit jaar hebben we 12 miljoen verdiend.
Dit levert één enkel getal op zonder basis; Het is onduidelijk op welke aanname deze is gebaseerd, wat gevaarlijk is voor de beslissing.
Sterke opdracht: Jouw rol: een analist op het gebied van financiële planning. Taak: Voorspel de komende 12 maanden op basis van de volgende maandelijkse inkomensgegevens. Methode: 1) Vat eerst de trend en seizoensinvloeden samen in historische gegevens. 2) Stel 3 scenario's op met de volgende aannames: - Basis: het gemiddelde groeipercentage van de afgelopen 12 maanden zet zich voort - Optimistisch: groei +3 punten - Pessimistisch: groei -5 punten 3) Geef voor elk scenario een totaal en maandelijks bereik voor 12 maanden. 4) "Gevoeligheid" sectie: welke aanname verandert, het resultaat verandert het meest? Beperking: Geef de aannames expliciet weer. Geef aan dat de schatting een voorspelling is en geen zekerheid. Houd er rekening mee dat u geen externe schokken kunt modelleren.<data>Maandelijkse omzetcijfers januari..december</data>
Deze prompt; In plaats van een exact getal levert het een beredeneerd bereik, scenario's en een gevoeligheidsanalyse op, zoals "meest kwetsbare aannameverzameling/groeipercentage". De beslisser neemt beslissingen door onzekerheid te zien.
Seizoensgebondenheid is het meest over het hoofd geziene onderwerp bij prognoses. De omzet van veel bedrijven stijgt en daalt in bepaalde maanden regelmatig: een ijsmachine piekt in de zomer, een souvenirwinkel piekt rond de feestdagen. Een vlakke trendlijn kan deze fluctuatie niet zien en zal het aandelen-, personeels- en kasplan verkeerd instellen. Als je de AI voldoende historische data geeft (idealiter minimaal 24 maanden), zal hij dit zich herhalende patroon opmerken en de voorspelling dienovereenkomstig aanpassen.
Voorspellingsmethoden en de rol van AI
Methode
Wanneer is het passend?
AI-bijdrage
grens
simpele tendens
Stabiele, niet-seizoensgebonden gegevens
Krijgt de trend snel
Ik kan de pauzes niet zien
seizoenscorrectie
De omzet fluctueert per maand
Verklaart het seizoenspatroon
Te gehecht aan het verleden
Scenariogebaseerd
Een periode van grote onzekerheid
Test hypotheses snel
Hangt af van de kwaliteit van de aanname
Op stuurprogramma gebaseerd
Als het inkomen afhankelijk is van meerdere factoren
Brengt een factorrelatie tot stand
Mens verifieert de relatie
Op bestuurder gebaseerde voorspelling
Omzet voorspellen met één groeipercentage is vaak grof. De robuustere manier is om de omzet te delen door de drijfveren: omzet = aantal klanten x gemiddelde omzet per klant x herhalingsfrequentie. Het voorspellen en vermenigvuldigen van elke driver afzonderlijk levert een voorspelling op die zowel nauwkeuriger als twijfelachtiger is; omdat je duidelijk ziet welke aanname veranderd is.
Schat mijn inkomen op basis van chauffeurs. Omzet = aantal actieve klanten x gemiddelde maandelijkse omzet per klant (ARPU). Haal deze twee factoren afzonderlijk uit de afgelopen twaalf maanden, interpreteer de trend van elk en voorspel vervolgens de komende twaalf maanden door de twee factoren afzonderlijk te projecteren. Schrijf de aanname duidelijk voor elke bestuurder; Geef aan welke driver onduidelijker is. Gebruik alleen getallen in de gegevens, toon formules.
De kracht van deze methode is dat je in plaats van te zeggen ‘de omzet stijgt met 15%’, zegt ‘het aantal klanten stijgt met 8%, de omzet per klant stijgt met 6%’. De twee kunnen afzonderlijk worden ondervraagd; Als één ervan onrealistisch is, pas je de schatting vanaf daar aan. Het management vraagt zich ook af: "Op welke veronderstelling vertrouwen we?" kan de vraag concreet beantwoorden.
Gevoeligheid en veronderstellingsdiscipline
De kwaliteit van de voorspelling is de kwaliteit van de aannames. Houd de aannames altijd zichtbaar voor de AI en ga terug en update ze zodra ze zich voordoen (rolling forecast, dat wil zeggen een rolling forecast die elke maand wordt bijgewerkt).
Vermeld ALLE aannames die je in de onderstaande voorspelling hebt gebruikt in tabelvorm: aanname | waarde | bron/reden | Als deze waarde met 10% verandert, heeft dit effect op het jaarresultaat. Vink de 3 meest kwetsbare aannames aan.
Wanneer u de voorspellende output van de AI aan het management presenteert, neem dan een ‘aannamekaart’ mee: de drie meest kritische aannames, hun waarden en hun bronnen. De voorspelling is dus niet langer een zwarte doos; Iedereen ziet waar hij op inzet. En als de realisatie afwijkt, kunt u snel vaststellen welke aanname niet klopte, wat de volgende voorspelling verbetert.
Let op: Verdedig de door AI gegenereerde voorspelling niet door te zeggen: "dat is wat het model zei." De verantwoordelijkheid voor de voorspelling ligt bij de persoon die deze presenteert. Presenteer altijd aan het management met het raamwerk van “dit is een scenario gebaseerd op deze aannames, de actualisatie kan verschillen”.
Mini-hoesjes
Geval 1 – Prognose die rekening houdt met seizoensinvloeden. Een detailhandelsbedrijf heeft 24 maanden aan verkoopgegevens aan AI doorgegeven. Het model noteerde een gestage stijging van 40% in november-december en paste zijn voorspelling voor volgend jaar dienovereenkomstig aan. Als er gebruik was gemaakt van een vlakke trend, zou het aandelenplan aan het einde van het jaar ernstig verkeerd zijn geweest.
Geval 2 – De valkuil van het oneven getal. Een startup baseert zijn budget op AI's voorspelling van "18 miljoen volgend jaar". Maar dit was gebaseerd op de veronderstelling dat “de groei doorgaat zoals ze is”. 11M werd gerealiseerd toen twee grote klanten vertrokken. Nadat de les was geleerd, ging het team verder met scenariobereik; De voorspellingsband van het volgende jaar besloeg wat er feitelijk gebeurde.
Geval 3 — Gevoeligheid veranderde de beslissing. “De meest kwetsbare veronderstelling is de grondstofprijs”, zei AI in de voorspelling van een fabrikant, waaruit bleek dat een prijsstijging van 10% de jaarlijkse winst met 22% zou verminderen. Het management tekende vervolgens een jaarcontract met een vaste prijs met de leverancier. De werkelijke waarde van de voorspelling was niet het getal, maar dit inzicht in het sentiment.
Geval 4 – Rolling forecast wint. Eén detailhandelaar heeft zijn jaarprognose elke maand bijgewerkt met actuele cijfers, in plaats van deze één keer vast te stellen en vervolgens te vergeten. In de derde maand bleek dat de aanname van een “groei van 12%” feitelijk 7% bedroeg; De prognose werd vroegtijdig bijgesteld en de eindejaarsinventarisatie en het personeelsplan werden dienovereenkomstig aangepast. Als de vaste prognose was gehandhaafd, zou er aan het eind van het jaar een enorme overvoorraad en een cashcrisis zijn geweest. Les: een prognose is een levend document, het wordt niet één keer opgesteld en vervolgens weer opgeborgen.
Veel voorkomende fouten
- Vraag om een oneven nummer. Prognoses zonder bereik en script creëren valse zekerheid.
- Aannames verbergen. Onzichtbare veronderstelling betekent een voorspelling die niet in twijfel kan worden getrokken of kan worden bijgewerkt.
- Te veel vertrouwen op het verleden. Het patroon breidt het patroon uit het verleden uit; kan geen breuken en externe schokken zien.
- Een voorspelling als een profetie aanzien. AI kent de toekomst niet; Er wordt alleen rekening gehouden met uw aannames.
- Geen voortschrijdende voorspelling doen. Stel de voorspelling één keer in en vergeet hem; niet bijgewerkt terwijl het gebeurt.
Samengevat
- Het is een krachtige assistent bij AI-voorspellingen: extraheert trends en seizoensinvloeden, bouwt scenario's op, legt logica uit; maar het kent de toekomst niet en kan geen externe schokken zien.
- Vraag altijd naar een hypothetisch bereik en optimistische/basislijn/pessimistische scenario's in plaats van naar een enkel getal.
- Zorg ervoor dat de aannames duidelijk worden vermeld en identificeer de meest kwetsbare aanname door middel van gevoeligheidsanalyse.
- De verantwoordelijkheid voor de voorspelling ligt bij de persoon die deze presenteert; Presenteer aan het management met een raamwerk van ‘scenario, geen zekerheid’.
- Update de voorspelling zodra deze zich voordoet met Rolling forecast; Installeer het een keer en vergeet het niet.
Applicatie taak
Zorg voor minimaal 12 maanden aan feitelijke omzetgegevens (werkelijk of voorbeeld). Maak een prognose voor twaalf maanden in drie scenario's met een krachtige promptsjabloon. Verwijder vervolgens de drie meest kwetsbare aannames met de gevoeligheidsprompt. Verifieer het maandelijkse groeipercentage van het basisscenario van het model één keer handmatig en vat de voorspelling samen op een dia met een raamwerk van 'scenario, geen zekerheid'.
controlelijst
- [ ] Ik heb voldoende historische gegevens verstrekt (bij voorkeur maandelijks).
- [ ] Ik heb de aannames expliciet op een rij gezet en in het model laten zetten.
- [ ] Ik wilde een gescript bereik, geen enkel getal.
- [ ] Ik heb de meest kwetsbare veronderstelling geïdentificeerd via gevoeligheidsanalyse.
- [ ] Ik heb de groeiberekening van het basisscenario handmatig geverifieerd.
- [ ] Ik presenteerde de schatting in een raamwerk van "scenario, niet van zekerheid".