ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਸਹਾਇਤਾ

ਲਾਭ:

• AI ਨੂੰ ਇੱਕ ਸਹਾਇਕ ਵਜੋਂ ਸਥਿਤੀ ਦੇਣ ਦੀ ਸਮਰੱਥਾ ਜੋ ਆਮਦਨ/ਖਰਚ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਕਲਪਨਾਤਮਕ ਦ੍ਰਿਸ਼ ਪੈਦਾ ਕਰਦੀ ਹੈ
• ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਸਪਸ਼ਟ ਧਾਰਨਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਰੇਂਜ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਪ੍ਰੋਂਪਟ ਲਿਖਣ ਦੀ ਸਮਰੱਥਾ
• AI ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਨੁੱਖੀ ਨਿਰਣੇ ਨਾਲ ਮਿਲਾਉਣ ਦੀ ਸਮਰੱਥਾ

"ਅਗਲੇ ਸਾਲ ਸਾਡਾ ਟਰਨਓਵਰ ਕੀ ਹੋਵੇਗਾ?" ਵਿੱਤ ਟੀਮ ਲਈ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਸਵਾਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਪੂਰਵ ਅਨੁਮਾਨ ਪਿਛਲੇ ਡੇਟਾ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਭਵਿੱਖ ਬਾਰੇ ਭਵਿੱਖਬਾਣੀ ਕਰ ਰਿਹਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਇੱਥੇ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੋ ਸਕਦਾ ਹੈ; ਪਰ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਇੱਕ ਤੱਥ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ: ਮਾਡਲ ਭਵਿੱਖ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ. ਇਹ ਸਿਰਫ ਤੁਹਾਡੇ ਦੁਆਰਾ ਦਿੱਤੇ ਪੈਟਰਨਾਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਇਸਦੀ ਸਹੀ ਭੂਮਿਕਾ ਵਿੱਚ AI ਦੀ ਸਥਿਤੀ ਅਤੇ ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਛਾਣਨਾ ਸਿੱਖਾਂਗੇ।

ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ AI ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ ਕਰਦਾ?

ਇਹ ਕਰਦਾ ਹੈ: ਪਿਛਲੇ ਰੁਝਾਨ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ, ਮੌਸਮੀਤਾ ਨੂੰ ਪਛਾਣਦਾ ਹੈ (ਕੁਝ ਮਹੀਨਿਆਂ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ), ਵੱਖ-ਵੱਖ ਧਾਰਨਾਵਾਂ ਦੇ ਨਾਲ ਦ੍ਰਿਸ਼ ਬਣਾਉਂਦਾ ਹੈ, ਪੂਰਵ ਅਨੁਮਾਨ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਬਿਰਤਾਂਤ ਵਿੱਚ ਰੱਖਦਾ ਹੈ।

ਇਹ ਨਹੀਂ ਕਰਦਾ: ਇਹ ਸਹੀ ਭਵਿੱਖ ਨਹੀਂ ਦੇ ਸਕਦਾ, ਇਹ ਬਾਹਰੀ ਝਟਕਿਆਂ (ਐਕਸਚੇਂਜ ਦਰ ਸੰਕਟ, ਰੈਗੂਲੇਸ਼ਨ ਤਬਦੀਲੀ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਇਹ ਕਿਸੇ ਅਜਿਹੇ ਤੱਥ ਨੂੰ ਨਹੀਂ ਜਾਣ ਸਕਦਾ ਜੋ ਡੇਟਾ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਇੱਕ ਚੈਟਬੋਟ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਵਾਕ "ਤੁਸੀਂ ਅਗਲੇ ਸਾਲ 18% ਵਧੋਗੇ" ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਬਣਾਈਆਂ ਗਈਆਂ ਧਾਰਨਾਵਾਂ ਦਾ ਇੱਕ ਗਣਿਤਿਕ ਪ੍ਰਤੀਬਿੰਬ ਹੈ।

ਸੰਕੇਤ: ਮਾਡਲ ਨੂੰ ਕਦੇ ਵੀ "ਸਿੰਗਲ ਨੰਬਰ" ਲਈ ਨਾ ਪੁੱਛੋ. ਹਮੇਸ਼ਾ ਇੱਕ ਰੇਂਜ ਲਈ ਪੁੱਛੋ ਅਤੇ ਉਹ ਰੇਂਜ ਕਿਹੜੀਆਂ ਧਾਰਨਾਵਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ। ਵਾਕ "ਬੇਸ ਕੇਸ ਵਿੱਚ 14-15M, ਸਥਿਤੀ: ਮੌਜੂਦਾ ਵਿਕਾਸ ਦਰ ਜਾਰੀ ਹੈ" ਸਿੰਗਲ "14.6M" ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਇਮਾਨਦਾਰ ਅਤੇ ਉਪਯੋਗੀ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਠੋਸ ਪੂਰਵ ਅਨੁਮਾਨ ਬਣਾਉਣਾ

1. ਇਤਿਹਾਸਕ ਅੰਕੜੇ ਦਿਓ। ਘੱਟੋ-ਘੱਟ ਕੁਝ ਸਮੇਂ ਲਈ ਵਾਪਰਨਾ; ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਮਹੀਨਾਵਾਰ.
2. ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਲਿਖੋ। ਵਿਕਾਸ ਦਰ, ਮੌਸਮੀ, ਜਾਣੇ-ਪਛਾਣੇ ਬਦਲਾਅ।
3. ਵਿਧੀ ਨਿਰਧਾਰਤ ਕਰੋ। ਸਧਾਰਨ ਰੁਝਾਨ, ਮੌਸਮੀ ਵਿਵਸਥਿਤ ਜਾਂ ਦ੍ਰਿਸ਼ ਆਧਾਰਿਤ?
4. ਸੀਮਾ ਅਤੇ ਦ੍ਰਿਸ਼ ਲਈ ਪੁੱਛੋ। ਆਸ਼ਾਵਾਦੀ / ਅਧਾਰ / ਨਿਰਾਸ਼ਾਵਾਦੀ।
5. ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਲਈ ਪੁੱਛੋ. "ਕਿਹੜੀ ਧਾਰਨਾ ਨਤੀਜੇ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਬਦਲਦੀ ਹੈ?"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: ਅਗਲੇ ਸਾਲ ਮੇਰੇ ਟਰਨਓਵਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਇਸ ਸਾਲ ਅਸੀਂ 12 ਐੱਮ.

ਇਹ ਬਿਨਾਂ ਆਧਾਰ ਦੇ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਇਹ ਕਿਸ ਧਾਰਨਾ 'ਤੇ ਆਧਾਰਿਤ ਹੈ, ਜੋ ਕਿ ਫੈਸਲੇ ਲਈ ਖਤਰਨਾਕ ਹੈ.

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ:ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇੱਕ ਵਿੱਤੀ ਯੋਜਨਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਮਾਸਿਕ ਆਮਦਨੀ ਡੇਟਾ ਤੋਂ ਅਗਲੇ 12 ਮਹੀਨਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਢੰਗ: 1) ਪਹਿਲਾਂ ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਦਾ ਸਾਰ ਦਿਓ। 2) ਨਿਮਨਲਿਖਤ ਧਾਰਨਾਵਾਂ ਦੇ ਨਾਲ 3 ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸੈਟ ਕਰੋ: - ਅਧਾਰ: ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਦੀ ਔਸਤ ਵਿਕਾਸ ਦਰ: -3 ਉੱਚ ਪੱਧਰੀ ਵਿਕਾਸ ਦਰ: -3 ਉੱਚ ਪੱਧਰੀ ਵਾਧਾ ਜਾਰੀ ਹੈ: -5. ਅੰਕ 3) ਹਰੇਕ ਦ੍ਰਿਸ਼ ਲਈ 12-ਮਹੀਨੇ ਦੀ ਕੁੱਲ ਅਤੇ ਮਹੀਨਾਵਾਰ ਰੇਂਜ ਦਿਓ। 4) "ਸੰਵੇਦਨਸ਼ੀਲਤਾ" ਭਾਗ: ਕਿਹੜੀ ਧਾਰਨਾ ਬਦਲਦੀ ਹੈ, ਨਤੀਜਾ ਸਭ ਤੋਂ ਵੱਧ ਬਦਲਦਾ ਹੈ? ਪਾਬੰਦੀ: ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸੂਚੀਬੱਧ ਕਰੋ। ਦੱਸੋ ਕਿ ਅਨੁਮਾਨ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਹੈ ਨਾ ਕਿ ਇੱਕ ਨਿਸ਼ਚਿਤਤਾ। ਨੋਟ ਕਰੋ ਕਿ ਤੁਸੀਂ ਬਾਹਰੀ ਝਟਕਿਆਂ ਦਾ ਮਾਡਲ ਨਹੀਂ ਬਣਾ ਸਕਦੇ।<data>ਜਨਵਰੀ..ਦਸੰਬਰ ਦੇ ਮਾਸਿਕ ਟਰਨਓਵਰ ਅੰਕੜੇ</data>

ਇਹ ਪ੍ਰੋਂਪਟ; ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਦੀ ਬਜਾਏ, ਇਹ ਇੱਕ ਤਰਕਸ਼ੀਲ ਰੇਂਜ, ਦ੍ਰਿਸ਼ਾਂ ਅਤੇ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਧਾਰਨਾ ਸੰਗ੍ਰਹਿ/ਵਿਕਾਸ ਦਰ"। ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦੇਖ ਕੇ ਫੈਸਲੇ ਕਰਦਾ ਹੈ।

ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਮੌਸਮੀਤਾ ਸਭ ਤੋਂ ਵੱਧ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਣ ਵਾਲਾ ਵਿਸ਼ਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਕਾਰੋਬਾਰਾਂ ਦੀ ਵਿਕਰੀ ਕੁਝ ਮਹੀਨਿਆਂ ਵਿੱਚ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਵਧਦੀ ਅਤੇ ਘਟਦੀ ਹੈ: ਗਰਮੀਆਂ ਵਿੱਚ ਇੱਕ ਆਈਸਕ੍ਰੀਮ ਨਿਰਮਾਤਾ ਸਿਖਰ 'ਤੇ ਹੁੰਦਾ ਹੈ, ਇੱਕ ਯਾਦਗਾਰੀ ਦੁਕਾਨ ਛੁੱਟੀਆਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸਿਖਰ 'ਤੇ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਫਲੈਟ ਰੁਝਾਨ ਲਾਈਨ ਇਸ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦੀ ਅਤੇ ਸਟਾਕ, ਕਰਮਚਾਰੀਆਂ ਅਤੇ ਨਕਦ ਯੋਜਨਾ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕਰੇਗੀ। ਜੇ ਤੁਸੀਂ ਏਆਈ ਨੂੰ ਕਾਫ਼ੀ ਇਤਿਹਾਸਕ ਡੇਟਾ (ਆਦਰਸ਼ ਤੌਰ 'ਤੇ ਘੱਟੋ ਘੱਟ 24 ਮਹੀਨੇ) ਦਿੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਇਸ ਦੁਹਰਾਉਣ ਵਾਲੇ ਪੈਟਰਨ ਨੂੰ ਨੋਟਿਸ ਕਰੇਗਾ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੇਗਾ।

ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਢੰਗ ਅਤੇ ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਵਿਧੀ

ਇਹ ਕਦੋਂ ਢੁਕਵਾਂ ਹੈ?

AI ਯੋਗਦਾਨ

ਸਰਹੱਦ

ਸਧਾਰਨ ਰੁਝਾਨ

ਸਥਿਰ, ਬੇਮੌਸਮੀ ਡੇਟਾ

ਰੁਝਾਨ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ

ਬਰੇਕਾਂ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦੇ

ਮੌਸਮੀ ਸੁਧਾਰ

ਮਹੀਨੇ ਦੇ ਹਿਸਾਬ ਨਾਲ ਵਿਕਰੀ ਵਿੱਚ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ

ਮੌਸਮੀ ਪੈਟਰਨ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ

ਅਤੀਤ ਨਾਲ ਬਹੁਤ ਜੁੜਿਆ ਹੋਇਆ ਹੈ

ਦ੍ਰਿਸ਼ ਆਧਾਰਿਤ

ਉੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਮਿਆਦ

ਅਨੁਮਾਨਾਂ ਦੀ ਜਲਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ

ਧਾਰਨਾ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ

ਡਰਾਈਵਰ-ਅਧਾਰਿਤ

ਜੇਕਰ ਆਮਦਨ ਕਈ ਕਾਰਕਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ

ਕਾਰਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਦਾ ਹੈ

ਮਨੁੱਖ ਰਿਸ਼ਤੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ

ਡਰਾਈਵਰ-ਆਧਾਰਿਤ ਭਵਿੱਖਬਾਣੀ

ਇੱਕਲੇ ਵਿਕਾਸ ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਨਾਲ ਟਰਨਓਵਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਅਕਸਰ ਕੱਚਾ ਹੁੰਦਾ ਹੈ। ਵਧੇਰੇ ਮਜ਼ਬੂਤ ​​ਤਰੀਕਾ ਹੈ ਮਾਲੀਏ ਨੂੰ ਇਸਦੇ ਡਰਾਈਵਰਾਂ ਦੁਆਰਾ ਵੰਡਣਾ: ਮਾਲੀਆ = ਗਾਹਕਾਂ ਦੀ ਸੰਖਿਆ × ਪ੍ਰਤੀ ਗਾਹਕ ਔਸਤ ਵਿਕਰੀ × ਦੁਹਰਾਉਣ ਦੀ ਬਾਰੰਬਾਰਤਾ। ਹਰੇਕ ਡਰਾਈਵਰ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਅਤੇ ਗੁਣਾ ਕਰਨਾ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ ਜੋ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਵਧੇਰੇ ਪ੍ਰਸ਼ਨਾਤਮਕ ਹੈ; ਕਿਉਂਕਿ ਤੁਸੀਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੇਖਦੇ ਹੋ ਕਿ ਕਿਹੜੀ ਧਾਰਨਾ ਬਦਲ ਗਈ ਹੈ।

ਡਰਾਈਵਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮੇਰੀ ਆਮਦਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ। ਮਾਲੀਆ = ਕਿਰਿਆਸ਼ੀਲ ਗਾਹਕਾਂ ਦੀ ਸੰਖਿਆ × ਪ੍ਰਤੀ ਗਾਹਕ ਔਸਤ ਮਹੀਨਾਵਾਰ ਆਮਦਨ (ARPU)। ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਤੋਂ ਇਹਨਾਂ ਦੋਨਾਂ ਡਰਾਈਵਰਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਕੱਢੋ, ਹਰੇਕ ਦੇ ਰੁਝਾਨ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਫਿਰ ਦੋਵਾਂ ਡਰਾਈਵਰਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਪੇਸ਼ ਕਰਕੇ ਅਗਲੇ 12 ਮਹੀਨਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਹਰੇਕ ਡ੍ਰਾਈਵਰ ਲਈ ਧਾਰਨਾ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਲਿਖੋ; ਦੱਸੋ ਕਿ ਕਿਹੜਾ ਡਰਾਈਵਰ ਵਧੇਰੇ ਅਸਪਸ਼ਟ ਹੈ। ਡੇਟਾ ਵਿੱਚ ਸਿਰਫ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਫਾਰਮੂਲੇ ਦਿਖਾਓ।

ਇਸ ਵਿਧੀ ਦੀ ਸ਼ਕਤੀ ਇਹ ਹੈ ਕਿ "ਟਰਨਓਵਰ 15% ਵਧਦਾ ਹੈ" ਕਹਿਣ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਕਹਿੰਦੇ ਹੋ "ਗਾਹਕਾਂ ਦੀ ਗਿਣਤੀ 8% ਵਧਦੀ ਹੈ, ਪ੍ਰਤੀ ਗਾਹਕ ਆਮਦਨ 6% ਵਧਦੀ ਹੈ"। ਦੋਹਾਂ ਤੋਂ ਅਲੱਗ-ਅਲੱਗ ਪੁੱਛਗਿੱਛ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਜੇਕਰ ਕੋਈ ਅਵਾਸਤਵਿਕ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਉਥੋਂ ਅਨੁਮਾਨ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੋ। ਪ੍ਰਬੰਧਨ ਇਹ ਵੀ ਪੁੱਛਦਾ ਹੈ ਕਿ "ਅਸੀਂ ਕਿਸ ਧਾਰਨਾ 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹਾਂ?" ਸਵਾਲ ਦਾ ਠੋਸ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ।

ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਧਾਰਨਾ ਅਨੁਸ਼ਾਸਨ

ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਧਾਰਨਾਵਾਂ ਦੀ ਗੁਣਵੱਤਾ ਹੈ. ਧਾਰਨਾਵਾਂ ਨੂੰ ਹਮੇਸ਼ਾਂ AI ਲਈ ਦ੍ਰਿਸ਼ਮਾਨ ਰੱਖੋ ਅਤੇ ਵਾਪਸ ਜਾਓ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਪਡੇਟ ਕਰੋ ਜਿਵੇਂ ਕਿ ਉਹ ਵਾਪਰਦੇ ਹਨ (ਰੋਲਿੰਗ ਪੂਰਵ-ਅਨੁਮਾਨ, ਅਰਥਾਤ, ਇੱਕ ਰੋਲਿੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਜੋ ਹਰ ਮਹੀਨੇ ਅਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ)।

ਉਹਨਾਂ ਸਾਰੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰੋ ਜੋ ਤੁਸੀਂ ਹੇਠਾਂ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਵਰਤੇ ਹਨ ਇੱਕ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ: ਧਾਰਨਾ | ਮੁੱਲ | ਸਰੋਤ/ਕਾਰਨ | ਜੇਕਰ ਇਹ ਮੁੱਲ 10% ਬਦਲਦਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਸਾਲਾਨਾ ਨਤੀਜੇ 'ਤੇ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ। 3 ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਧਾਰਨਾਵਾਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ।

ਪ੍ਰਬੰਧਨ ਲਈ AI ਦੇ ਭਵਿੱਖਬਾਣੀ ਆਉਟਪੁੱਟ ਨੂੰ ਪੇਸ਼ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ "ਧਾਰਨਾ ਕਾਰਡ" ਸ਼ਾਮਲ ਕਰੋ: ਤਿੰਨ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾਵਾਂ, ਉਹਨਾਂ ਦੇ ਮੁੱਲ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਰੋਤ। ਇਸ ਤਰ੍ਹਾਂ, ਭਵਿੱਖਬਾਣੀ ਹੁਣ ਬਲੈਕ ਬਾਕਸ ਨਹੀਂ ਹੈ; ਹਰ ਕੋਈ ਦੇਖਦਾ ਹੈ ਕਿ ਉਹ ਕਿਸ 'ਤੇ ਸੱਟਾ ਲਗਾ ਰਹੇ ਹਨ। ਅਤੇ ਜਦੋਂ ਅਹਿਸਾਸ ਭਟਕ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਜਲਦੀ ਨਿਦਾਨ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕਿਹੜੀ ਧਾਰਨਾ ਨਹੀਂ ਰੱਖੀ ਗਈ, ਜੋ ਅਗਲੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ।

ਸਾਵਧਾਨ: "ਮਾਡਲ ਨੇ ਇਹੀ ਕਿਹਾ ਹੈ" ਕਹਿ ਕੇ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਭਵਿੱਖਬਾਣੀ ਦਾ ਬਚਾਅ ਨਾ ਕਰੋ। ਭਵਿੱਖਬਾਣੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਇਸ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦੀ ਹੈ। "ਇਹ ਇਹਨਾਂ ਧਾਰਨਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਦ੍ਰਿਸ਼ ਹੈ, ਅਸਲੀਅਤ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ" ਦੇ ਫਰੇਮਵਰਕ ਦੇ ਨਾਲ ਪ੍ਰਬੰਧਨ ਲਈ ਹਮੇਸ਼ਾਂ ਹਾਜ਼ਰ ਰਹੋ।

ਮਿੰਨੀ ਕੇਸ

ਕੇਸ 1 - ਪੂਰਵ ਅਨੁਮਾਨ ਜੋ ਮੌਸਮੀਤਾ ਨੂੰ ਵੇਖਦਾ ਹੈ। ਇੱਕ ਰਿਟੇਲ ਕੰਪਨੀ ਨੇ AI ਨੂੰ 24 ਮਹੀਨਿਆਂ ਦਾ ਸੇਲ ਡਾਟਾ ਦਿੱਤਾ। ਮਾਡਲ ਨੇ ਨਵੰਬਰ-ਦਸੰਬਰ ਵਿੱਚ ਇੱਕ ਸਥਿਰ 40% ਦੀ ਛਾਲ ਵੇਖੀ ਅਤੇ ਅਗਲੇ ਸਾਲ ਲਈ ਆਪਣੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਉਸੇ ਅਨੁਸਾਰ ਵਿਵਸਥਿਤ ਕੀਤਾ। ਜੇਕਰ ਇੱਕ ਫਲੈਟ ਰੁਝਾਨ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਤਾਂ ਸਾਲ ਦੇ ਅੰਤ ਦੀ ਸਟਾਕ ਯੋਜਨਾ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਗਲਤ ਹੋਵੇਗੀ।

ਕੇਸ 2 - ਬੇਜੋੜ ਸੰਖਿਆ ਦਾ ਜਾਲ। ਇੱਕ ਸਟਾਰਟਅੱਪ ਆਪਣੇ ਬਜਟ ਨੂੰ AI ਦੇ "ਅਗਲੇ ਸਾਲ 18M" ਪੂਰਵ ਅਨੁਮਾਨ 'ਤੇ ਅਧਾਰਤ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਇਸ ਧਾਰਨਾ 'ਤੇ ਅਧਾਰਤ ਸੀ ਕਿ "ਵਿਕਾਸ ਜਿਵੇਂ ਕਿ ਇਹ ਜਾਰੀ ਹੈ"। 11M ਦਾ ਅਹਿਸਾਸ ਹੋਇਆ ਜਦੋਂ ਦੋ ਵੱਡੇ ਗਾਹਕ ਚਲੇ ਗਏ। ਇੱਕ ਵਾਰ ਸਬਕ ਸਿੱਖਣ ਤੋਂ ਬਾਅਦ, ਟੀਮ ਦ੍ਰਿਸ਼ ਰੇਂਜ 'ਤੇ ਚਲੀ ਗਈ; ਅਗਲੇ ਸਾਲ ਦੇ ਪੂਰਵ ਅਨੁਮਾਨ ਬੈਂਡ ਨੇ ਅਸਲ ਵਿੱਚ ਕੀ ਹੋਇਆ ਸੀ ਨੂੰ ਕਵਰ ਕੀਤਾ।

ਕੇਸ 3 - ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੇ ਫੈਸਲਾ ਬਦਲ ਦਿੱਤਾ। "ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਧਾਰਨਾ ਕੱਚੇ ਮਾਲ ਦੀ ਕੀਮਤ ਹੈ," ਏਆਈ ਨੇ ਇੱਕ ਨਿਰਮਾਤਾ ਦੇ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਕਿਹਾ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ 10% ਕੀਮਤਾਂ ਵਿੱਚ ਵਾਧਾ ਸਾਲਾਨਾ ਮੁਨਾਫੇ ਨੂੰ 22% ਤੱਕ ਘਟਾ ਦੇਵੇਗਾ। ਪ੍ਰਬੰਧਨ ਨੇ ਫਿਰ ਸਪਲਾਇਰ ਨਾਲ ਇੱਕ ਨਿਸ਼ਚਿਤ-ਕੀਮਤ ਸਾਲਾਨਾ ਇਕਰਾਰਨਾਮੇ 'ਤੇ ਹਸਤਾਖਰ ਕੀਤੇ। ਪੂਰਵ ਅਨੁਮਾਨ ਦਾ ਅਸਲ ਮੁੱਲ ਨੰਬਰ ਨਹੀਂ ਸੀ, ਪਰ ਇਹ ਭਾਵਨਾਤਮਕ ਸਮਝ ਸੀ.

ਕੇਸ 4 - ਰੋਲਿੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਜਿੱਤ। ਇੱਕ ਰਿਟੇਲਰ ਨੇ ਇਸ ਨੂੰ ਇੱਕ ਵਾਰ ਸੈੱਟ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਭੁੱਲਣ ਦੀ ਬਜਾਏ, ਹਰ ਮਹੀਨੇ ਅਸਲ ਵਿੱਚ ਇਸਦੀ ਸਲਾਨਾ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਅਪਡੇਟ ਕੀਤਾ। ਤੀਜੇ ਮਹੀਨੇ ਵਿੱਚ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਸੀ ਕਿ "ਵਿਕਾਸ 12%" ਦੀ ਧਾਰਨਾ ਅਸਲ ਵਿੱਚ 7% ਸੀ; ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਜਲਦੀ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਵਸਤੂ ਸੂਚੀ ਅਤੇ ਸਟਾਫਿੰਗ ਯੋਜਨਾ ਨੂੰ ਉਸ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤਾ ਗਿਆ ਸੀ। ਜੇਕਰ ਨਿਸ਼ਚਿਤ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਕਾਇਮ ਰੱਖਿਆ ਗਿਆ ਹੁੰਦਾ, ਤਾਂ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਓਵਰਸਟਾਕ ਅਤੇ ਨਕਦੀ ਦੀ ਕਮੀ ਹੋਣੀ ਸੀ। ਸਬਕ: ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਇੱਕ ਜੀਵਤ ਦਸਤਾਵੇਜ਼ ਹੈ, ਇਹ ਇੱਕ ਵਾਰ ਸਥਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਦੂਰ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਇੱਕ ਓਡ ਨੰਬਰ ਦੀ ਮੰਗ ਕਰ ਰਿਹਾ ਹੈ। ਰੇਂਜ ਅਤੇ ਸਕ੍ਰਿਪਟ ਤੋਂ ਬਿਨਾਂ ਪੂਰਵ ਅਨੁਮਾਨ ਗਲਤ ਨਿਸ਼ਚਤਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
• ਧਾਰਨਾਵਾਂ ਨੂੰ ਛੁਪਾਉਣਾ. ਅਦਿੱਖ ਧਾਰਨਾ ਦਾ ਅਰਥ ਹੈ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਜਿਸ ਬਾਰੇ ਸਵਾਲ ਅਤੇ ਅੱਪਡੇਟ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
• ਅਤੀਤ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸਾ ਕਰਨਾ. ਪੈਟਰਨ ਪਿਛਲੇ ਪੈਟਰਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ; ਫ੍ਰੈਕਚਰ ਅਤੇ ਬਾਹਰੀ ਝਟਕੇ ਨਹੀਂ ਦੇਖ ਸਕਦੇ।
• ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਗਲਤ ਕਰਨਾ. AI ਭਵਿੱਖ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ; ਇਹ ਸਿਰਫ਼ ਤੁਹਾਡੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ।
• ਰੋਲਿੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਨਹੀਂ ਬਣਾ ਰਿਹਾ। ਇੱਕ ਵਾਰ ਪੂਰਵ ਅਨੁਮਾਨ ਸੈਟ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਭੁੱਲ ਜਾਓ; ਅੱਪਡੇਟ ਨਹੀਂ ਹੋ ਰਿਹਾ ਜਿਵੇਂ ਕਿ ਇਹ ਵਾਪਰਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

• ਇਹ AI ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ: ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਨੂੰ ਕੱਢਦਾ ਹੈ, ਦ੍ਰਿਸ਼ ਬਣਾਉਂਦਾ ਹੈ, ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਪਰ ਇਹ ਭਵਿੱਖ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ ਅਤੇ ਬਾਹਰੀ ਝਟਕਿਆਂ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ।
• ਹਮੇਸ਼ਾ ਇੱਕ ਸੰਖਿਆ ਦੀ ਬਜਾਏ ਇੱਕ ਕਾਲਪਨਿਕ ਰੇਂਜ ਅਤੇ ਆਸ਼ਾਵਾਦੀ/ਬੇਸਲਾਈਨ/ਨਿਰਾਸ਼ਾਵਾਦੀ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਮੰਗ ਕਰੋ।
• ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸੂਚੀਬੱਧ ਕਰੋ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਧਾਰਨਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰੋ।
• ਭਵਿੱਖਬਾਣੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਇਸ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦੀ ਹੈ; ਇੱਕ "ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਇੱਕ ਨਿਸ਼ਚਿਤਤਾ" ਫਰੇਮਵਰਕ ਦੇ ਨਾਲ ਪ੍ਰਬੰਧਨ ਨੂੰ ਪੇਸ਼ ਕਰੋ।
• ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਅਪਡੇਟ ਕਰੋ ਜਿਵੇਂ ਕਿ ਇਹ ਰੋਲਿੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਨਾਲ ਵਾਪਰਦਾ ਹੈ; ਇਸਨੂੰ ਇੱਕ ਵਾਰ ਸਥਾਪਿਤ ਕਰੋ ਅਤੇ ਨਾ ਭੁੱਲੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਘੱਟੋ-ਘੱਟ 12 ਮਹੀਨਿਆਂ ਦਾ ਅਸਲ ਮਾਲੀਆ ਡੇਟਾ (ਅਸਲ ਜਾਂ ਨਮੂਨਾ) ਪ੍ਰਾਪਤ ਕਰੋ। ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਟੈਮਪਲੇਟ ਨਾਲ 12-ਮਹੀਨਿਆਂ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਤਿੰਨ-ਸੀਮਾ ਬਣਾਓ। ਫਿਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਪ੍ਰੋਂਪਟ ਨਾਲ ਤਿੰਨ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਹਟਾਓ। ਮਾਡਲ ਦੇ ਬੇਸ ਕੇਸ ਦੀ ਮਾਸਿਕ ਵਿਕਾਸ ਦਰ ਨੂੰ ਇੱਕ ਵਾਰ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰੋ ਅਤੇ ਇੱਕ "ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਨਿਸ਼ਚਿਤਤਾ" ਫਰੇਮਵਰਕ ਦੇ ਨਾਲ ਇੱਕ ਸਲਾਈਡ 'ਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਸੰਖੇਪ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਕਾਫ਼ੀ ਇਤਿਹਾਸਕ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ (ਤਰਜੀਹੀ ਤੌਰ 'ਤੇ ਮਹੀਨਾਵਾਰ)।
• [ ] ਮੈਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸੂਚੀਬੱਧ ਕੀਤਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਸੂਚੀਬੱਧ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਇੱਕ ਸਕ੍ਰਿਪਟਡ ਰੇਂਜ ਚਾਹੁੰਦਾ ਸੀ, ਇੱਕ ਵੀ ਸੰਖਿਆ ਨਹੀਂ।
• [ ] ਮੈਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਧਾਰਨਾ ਦੀ ਪਛਾਣ ਕੀਤੀ।
• [ ] ਮੈਂ ਬੇਸ ਕੇਸ ਦੇ ਵਾਧੇ ਦੀ ਗਣਨਾ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਅੰਦਾਜ਼ੇ ਨੂੰ "ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਨਿਸ਼ਚਤਤਾ ਨਹੀਂ" ਫਰੇਮਵਰਕ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ।