การสร้างแบบจำลองทางการเงิน สถานการณ์ และการวิเคราะห์ความอ่อนไหว

กำไร:

• ความสามารถในการแยกชั้นสมมติฐาน ตัวขับเคลื่อน และผลลัพธ์ของโมเดลทางการเงินด้วย AI อย่างชัดเจน
• ความสามารถในการตั้งค่าสถานการณ์ในแง่ดี/ฐาน/แง่ร้าย และตารางความไวที่ไม่แปรเปลี่ยนด้วยการสนับสนุน AI
• ความสามารถในการตรวจสอบตรรกะแบบจำลองของ AI ในแง่ของการอ้างอิงแบบวงกลม สูตร และความสอดคล้องของสมมติฐาน

แบบจำลองทางการเงินคือกรอบงานการบัญชีที่มีโครงสร้างซึ่งจำลองอนาคตของบริษัทหรือโครงการด้วยตัวเลข ที่ง่ายที่สุดคือการตั้งค่า "ตั้งสมมติฐานสองสามข้อ รับผลลัพธ์": กำไร เงินสด และมูลค่าจะเปลี่ยนแปลงอย่างไรเมื่อคุณเปลี่ยนอัตราการเติบโต อัตราต้นทุน และจำนวนเงินลงทุน โมเดลที่ดีประกอบด้วยสามชั้นที่ชัดเจน: สมมติฐาน (ตัวเลขที่คุณป้อน) ตัวขับเคลื่อน (ตรรกะที่เชื่อมโยงตัวเลขเหล่านั้นกับผลลัพธ์) และผลลัพธ์ (กำไร เงินสด อัตรา) AI ช่วยเร่งกระบวนการสร้างแบบจำลองได้หลายวิธี: โดยเสนอโครงกระดูกของโมเดล สร้างตรรกะของสูตร จำลองสถานการณ์ และเตรียมตารางความไว แต่ข้อผิดพลาดที่อันตรายที่สุดของแบบจำลองคือข้อผิดพลาดที่มองไม่เห็น เช่น สูตรที่ไม่ถูกต้อง การอ้างอิงแบบวงกลมที่ซ่อนอยู่ หรือการสันนิษฐานที่ไม่สอดคล้องกันจะทำให้แบบจำลองผิดโดยไม่รู้ตัว สาระสำคัญของหน่วยนี้คือการตรวจสอบตรรกะโมเดลที่ AI สร้างขึ้น

ในหน่วยนี้ เราจะเรียนรู้ที่จะแยกแบบจำลองสามชั้น ตั้งค่าสถานการณ์ในแง่ดี/พื้นฐาน/ในแง่ร้าย และตารางความคิดเห็น และตรวจสอบความถูกต้องของตรรกะแบบจำลองของ AI

แนวคิด: สมมติฐาน: จำนวนที่คุณป้อนลงในโมเดลด้วยตนเอง (เช่น การเติบโต 10%) ตัวขับเคลื่อน: ตรรกะของสูตรที่เชื่อมโยงสมมติฐานกับเอาต์พุต สถานการณ์: การเปลี่ยนแปลงชุดสมมติฐานโดยสมบูรณ์ (ในแง่ดี/ฐาน/แง่ร้าย) การวิเคราะห์ความไว: การเปลี่ยนแปลงสมมติฐานทีละขั้นตอนและดูผลกระทบต่อผลลัพธ์ การอ้างอิงแบบวงกลม: การเชื่อมต่อโดยตรง/โดยอ้อมของเซลล์กับเซลล์เอง

โมเดลสามชั้น

กฎทางวินัยที่สำคัญที่สุดของแบบจำลองคือการแยกสมมติฐานออกจากการคำนวณ สมมติฐานจะถูกรวบรวมไว้ในที่เดียว บัญชีจะเชื่อมโยงกับสิ่งเหล่านั้น เพื่อว่าเมื่อคุณเปลี่ยนสมมติฐาน โมเดลทั้งหมดจะได้รับการอัปเดตอย่างสม่ำเสมอ บังคับใช้ความแตกต่างนี้เมื่อมีแบบจำลองการสร้าง AI

ชั้น

เนื้อหา

กฎการออกแบบที่ดี

สมมติฐาน

การเจริญเติบโต อัตรากำไร การครบกำหนด ส่วนลด การลงทุน

ที่เดียวเปิดป้าย

ไดรเวอร์

สูตร เช่น รายได้ = ราคา × ปริมาณ

ตามสมมติฐานไม่มีจำนวนฝังคงที่

เอาท์พุต

กำไร เงินสด อัตรา มูลค่า

มาจากการคำนวณเท่านั้น ไม่ได้เขียนด้วยมือ

เคล็ดลับ: อย่าฝังตัวเลข "คงที่" ลงในสูตรในโมเดล (เช่น =มูลค่าการซื้อขาย*0.55) ให้ใส่ 0.55 ลงในเซลล์สมมติฐานแล้วอ้างอิงแทน ด้วยวิธีนี้เมื่อสมมติฐานเปลี่ยนไป โมเดลก็จะถูกอัพเดตจากจุดเดียว และคุณสามารถจับค่าคงที่ที่ซ่อนอยู่ที่ AI ฝังไว้ได้อย่างง่ายดาย

สคริปต์และความรู้สึก

สถานการณ์และความละเอียดอ่อนเป็นคนละเรื่องกันและอาจสับสนได้ สถานการณ์นี้เปลี่ยนแปลงสมมติฐานหลายประการร่วมกัน (ในโลกที่มองโลกในแง่ร้าย ทั้งการเติบโตลดลงและต้นทุนเพิ่มขึ้น) ความไวจะแยกสมมติฐานเดียวและวัดผลกระทบต่อผลผลิต (มูลค่าจะเปลี่ยนแปลงอย่างไรหากเพียงอัตราคิดลดเท่านั้นที่เปลี่ยนแปลง) พวกเขาช่วยกันแสดงให้เห็นว่าโมเดลนั้นเปราะบางตรงไหน

พรอมต์โครงกระดูกโมเดล: "ตั้งค่าโมเดลผลกำไรและรายได้ 3 ปีง่ายๆ สำหรับบริษัท SaaS แยกเลเยอร์: (1) สมมติฐาน (ลูกค้าเริ่มต้น 500 การเติบโตรายเดือน 4% การสมัครสมาชิกรายเดือน 1,200 TL อัตรากำไรขั้นต้น 78% ค่าใช้จ่ายคงที่รายเดือน 900,000 TL) (2) ไดรเวอร์ (จำนวนลูกค้า รายได้ สูตรค่าใช้จ่าย) (3) เอาต์พุต (รายได้รายเดือน กำไรขั้นต้น การดำเนินงาน กำไร) อย่าใส่ตัวเลขคงที่ในสูตร แค่สมมติมันทั้งหมด"

พร้อมท์สถานการณ์: "เพิ่มสามสถานการณ์ให้กับโมเดลนี้ ฐาน: สมมติฐานที่กำหนด ในแง่ดี: การเติบโตรายเดือน 6%, อัตรากำไรขั้นต้น 80% นักมองในแง่ร้าย: การเติบโตรายเดือน 2%, อัตรากำไรขั้นต้น 72%, ค่าใช้จ่ายคงที่เพิ่มขึ้น 10% ตารางกำไรจากการดำเนินงานเดือนที่ 36 ของสถานการณ์ทั้งสามแบบเคียงข้างกัน"

ข้อความแจ้งตารางความไว: "แสดงความอ่อนไหวของกำไรจากการดำเนินงานเดือนที่ 36 ต่ออัตราการเติบโตรายเดือน เปลี่ยนการเติบโตจาก 1% เป็น 7% ในขั้นตอน 1 จุด รักษาสมมติฐานอื่นๆ ให้คงที่ และบันทึกกำไรในแต่ละขั้นตอนในตาราง สรุปความละเอียดอ่อนของกำไรต่อการเติบโตในประโยคเดียว"

พร้อมท์การตรวจสอบโมเดล: "ในแบบจำลองที่คุณสร้างขึ้น: (1) มีตัวเลขคงที่ฝังอยู่ในสูตรที่ไม่ได้ขึ้นอยู่กับสมมติฐานหรือไม่ (2) มีความเสี่ยงในการอ้างอิงแบบวงกลมหรือไม่ (3) หน่วยมีความสอดคล้องกัน (รายเดือน/รายปี, TL/พัน TL) หรือไม่ รายงานความเสี่ยงแต่ละรายการที่คุณพบโดยแยกรายการ"

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

อ่อนแอ: "สร้างแบบจำลองทางการเงิน 3 ปีให้ฉันหน่อย" (ผลลัพธ์: การคำนวณด้วยเลเยอร์แบบผสม ค่าคงที่ที่ฝังไว้ และยากต่อการตรวจสอบ) แข็งแกร่ง: "สร้างแบบจำลอง 3 ปีโดยมีเลเยอร์สมมติฐาน/ตัวขับเคลื่อน/เอาต์พุตแยกกัน ไม่มีการฝังคงที่ในสูตร สมมติฐานการเติบโตและระยะขอบที่สามารถเปลี่ยนแปลงได้ในที่เดียว จากนั้นเพิ่มตารางความไวต่อการเติบโต และตรวจสอบความเสี่ยงของการอ้างอิงแบบวัฏจักรและความไม่สอดคล้องกันของหน่วยในแบบจำลอง"

เคสมินิ

กรณีที่ 1 - ต้นทุนของค่าคงที่ฝังตัว นักวิเคราะห์ลดอัตรากำไรจาก 78% เหลือ 75% ในโมเดลที่สร้างโดย AI แต่กำไรจากการดำเนินงานเปลี่ยนแปลงน้อยกว่าที่คาดไว้ เมื่อเขารันพร้อมท์การควบคุม เขาเห็นว่าสูตรต้นทุนขึ้นอยู่กับค่าคงที่ 0.22 ที่ฝังไว้ ไม่ใช่สมมติฐาน แม้ว่าเซลล์ระยะขอบจะเปลี่ยนไป สูตรก็ใช้ค่าเก่า โมเดลตอบสนองอย่างถูกต้องเมื่อยึดตามสมมติฐานที่ตายตัว

กรณีที่ 2 — มูลค่าเปราะบาง ในรูปแบบการตัดสินใจลงทุน ภาพจำลองพื้นฐานดูน่าสนใจ เมื่อนักวิเคราะห์สร้างตารางความไว เขาเห็นว่ากำไรจากการดำเนินงานลดลงครึ่งหนึ่งเมื่อการเติบโตลดลงจาก 5% เป็น 3% ดังนั้นความน่าสนใจทั้งหมดของโมเดลจึงขึ้นอยู่กับสมมติฐานการเติบโตในแง่ดีเพียงข้อเดียว ความตระหนักรู้นี้เปลี่ยนการตัดสินใจจาก "ใช่แน่นอน" เป็น "ระมัดระวังก่อนที่จะยืนยันการเติบโต"

กรณีที่ 3 — กับดักแบบวน ในรูปแบบการกู้ยืม ดอกเบี้ยจ่ายขึ้นอยู่กับยอดหนี้ ยอดหนี้ขึ้นอยู่กับความต้องการเงินสด และความต้องการเงินสดขึ้นอยู่กับดอกเบี้ย ขณะติดตั้ง AI จะมีการอ้างอิงแบบวงกลมเกิดขึ้น และ Excel จะส่งคำเตือน แทนที่จะปิดคำเตือนและดำเนินการต่อ นักวิเคราะห์จะแก้ไขตรรกะและแยกห่วงโซ่เพื่อคำนวณดอกเบี้ยจากยอดคงเหลืองวดก่อนหน้า ผลลัพธ์จึงแม่นยำและตรวจสอบย้อนกลับได้

ข้อควรระวัง: โมเดลไม่เคยได้รับการพิสูจน์ด้วยสถานการณ์เดียวที่ดูดี ประโยค "ทำกำไรได้มากในสถานการณ์พื้นฐาน" ไม่สามารถเป็นเหตุผลในการตัดสินใจโดยไม่รู้ว่าจะเกิดอะไรขึ้นในสถานการณ์ที่มองโลกในแง่ร้าย ในแต่ละแบบจำลอง ให้ถามกลุ่มสามกลุ่มที่มองโลกในแง่ดี/ฐาน/ในแง่ร้ายน้อยที่สุด และความอ่อนไหวต่อสมมติฐานที่สำคัญ

คำถามสี่ข้อในการตรวจสอบแบบจำลอง

ถามแต่ละโมเดลว่า AI จะสร้างคำถามสี่ข้อนี้:

• มีการฝังตัวแก้ไขหรือไม่? แต่ละตัวเลขเป็นไปตามสมมติฐานหรือฝังอยู่ในสูตรหรือไม่?
• หน่วยมีความสอดคล้องกันหรือไม่? รายเดือนและรายปี TL และพัน TL ผสมกันหรือไม่
• มีการอ้างอิงแบบวงกลมหรือไม่? เซลล์เชื่อมต่อกับตัวเองหรือไม่?
• ผลลัพธ์ตอบสนองต่อสมมติฐานอย่างถูกต้องหรือไม่? เมื่อคุณเปลี่ยนสมมติฐาน ผลลัพธ์ที่ได้จะเปลี่ยนไปในทิศทางที่คาดไว้หรือไม่?

ข้อผิดพลาดทั่วไป

• ไม่แยกสมมติฐานออกจากการคำนวณ เมื่อค่าคงที่ฝังอยู่ในสูตร แบบจำลองจะไม่สามารถควบคุมและตอบสนองไม่ถูกต้อง
• การตัดสินใจด้วยสถานการณ์เดียว การตัดสินใจโดยไม่เห็นสถานการณ์ในแง่ร้ายถือเป็นความเสี่ยง
• ปิดคำเตือนแบบวนรอบ คำเตือนเป็นสัญญาณของความผิดพลาด ไม่ใช่การรบกวนที่ต้องเงียบไว้
• ข้ามความไว ไม่สามารถวัดความทนทานของแบบจำลองได้หากไม่ทราบว่าผลลัพธ์ขึ้นอยู่กับสมมติฐานใด
• ความสับสนของหน่วย ความคลาดเคลื่อนของ TL รายเดือน/รายปีและ TL/พัน ทำให้เกิดข้อผิดพลาดที่เงียบแต่มีขนาดใหญ่

โดยสรุป

แบบจำลองทางการเงินเป็นกรอบการบัญชีที่จำลองอนาคตด้วยสมมติฐาน และอำนาจของแบบจำลองนั้นมาจากความชัดเจนของชั้นต่างๆ กรอบงาน AI จะสร้างสถานการณ์และตารางความรู้สึกอย่างรวดเร็ว แต่อาจทำให้เกิดข้อผิดพลาดที่มองไม่เห็น เช่น ค่าคงที่แบบฝัง การอ้างอิงแบบวงกลม และความไม่สอดคล้องกันของหน่วย แยกสมมติฐานออกจากการคำนวณ เพิ่มกลุ่มสามกลุ่มในแง่ดี/ฐาน/กลุ่มมองโลกในแง่ร้าย และความอ่อนไหวของสมมติฐานที่สำคัญสำหรับแต่ละแบบจำลอง ถามคำถามการตรวจสอบสี่ข้อในแต่ละครั้ง สถานการณ์ที่ดีเพียงสถานการณ์เดียวไม่สามารถพิสูจน์การตัดสินใจได้

งานสมัคร

ให้ AI สร้างโมเดลรายได้-กำไรง่ายๆ 3 ปีโดยแบ่งออกเป็นสามชั้น (สมมติฐาน/ตัวขับเคลื่อน/เอาต์พุต) และขอให้ไม่มีค่าคงที่ฝังอยู่ในสูตร เพิ่มสถานการณ์ในแง่ดี/พื้นฐาน/แง่ร้ายสามสถานการณ์ และใส่ผลกำไรจากการดำเนินงานล่าสุดควบคู่กัน จากนั้นขอตารางความละเอียดอ่อนสำหรับสมมติฐานที่สำคัญที่สุด (เช่น การเติบโต) สุดท้าย ให้เรียกใช้พรอมต์การตรวจสอบโมเดลและตรวจสอบค่าคงที่ที่ฝังไว้ การอ้างอิงแบบวน และความไม่สอดคล้องกันของหน่วย และจดบันทึกผลการวิจัย

รายการตรวจสอบ

• [ ] ฉันแยกชั้นสมมติฐาน ไดรเวอร์ และเอาท์พุตออก
• [ ] ฉันตรวจสอบแล้วว่าไม่มีค่าคงที่ฝังอยู่ในสูตร
• [ ] ฉันตั้งค่าสถานการณ์ในแง่ดี/บางส่วน/แง่ร้ายไว้อย่างน้อยสามสถานการณ์
• [ ] ฉันได้เพิ่มตารางความไวสำหรับสมมติฐานที่สำคัญ
• [ ] ฉันตรวจสอบการอ้างอิงแบบวงกลม
• [ ] ฉันตรวจสอบความสอดคล้องของหน่วย (รายเดือน/รายปี TL/พัน TL)
• [ ] ฉันเปลี่ยนสมมติฐานและทดสอบว่าเอาต์พุตตอบสนองถูกต้อง