การสนับสนุนการคาดการณ์และการพยากรณ์

กำไร:

• ความสามารถในการวางตำแหน่ง AI ในฐานะผู้ช่วยที่สร้างสถานการณ์สมมติในการพยากรณ์รายได้/ค่าใช้จ่าย
• ความสามารถในการเขียนพรอมต์การคาดการณ์ด้วยช่วงและความละเอียดอ่อนโดยอิงตามข้อมูลในอดีตและสมมติฐานที่ชัดเจน
• ความสามารถในการรับรู้ข้อจำกัดของการคาดการณ์ของ AI และผสมผสานเข้ากับวิจารณญาณของมนุษย์

“ปีหน้าผลประกอบการของเราจะเป็นเท่าไหร่?” เป็นหนึ่งในคำถามที่ยากที่สุดสำหรับทีมการเงิน การพยากรณ์คือการคาดการณ์เกี่ยวกับอนาคตโดยอาศัยข้อมูลและสมมติฐานในอดีต ปัญญาประดิษฐ์ (AI) สามารถเป็นผู้ช่วยที่ทรงพลังได้ที่นี่ แต่จำเป็นต้องยอมรับความจริงตั้งแต่เริ่มต้น: โมเดลไม่รู้อนาคต มันจะประมวลผลรูปแบบและสมมติฐานที่คุณให้เท่านั้น ในหน่วยนี้ เราจะเรียนรู้การวางตำแหน่ง AI ในบทบาทที่ถูกต้องในการคาดการณ์และตระหนักถึงขีดจำกัดของมัน

AI ทำอะไรและไม่ทำอะไรในการพยากรณ์?

โดยทำ: สรุปแนวโน้มในอดีต รับรู้ถึงฤดูกาล (ความผันผวนซ้ำๆ ในบางเดือน) สร้างสถานการณ์สมมติที่มีสมมติฐานที่แตกต่างกัน อธิบายตรรกะการคาดการณ์ และนำการคาดการณ์ไปใช้ในการเล่าเรื่อง

ไม่ได้: ไม่สามารถให้อนาคตที่แม่นยำ ไม่สามารถคาดการณ์การเปลี่ยนแปลงจากภายนอกได้ (วิกฤตอัตราแลกเปลี่ยน การเปลี่ยนแปลงกฎระเบียบ) ไม่สามารถทราบข้อเท็จจริงที่ไม่ได้อยู่ในข้อมูลได้ ประโยค "คุณจะเติบโต 18% ในปีหน้า" ที่แชทบอทมอบให้ไม่ใช่คำทำนาย แต่เป็นการสะท้อนทางคณิตศาสตร์ของสมมติฐานที่คุณตั้งไว้

เคล็ดลับ: อย่าถามโมเดลว่าใช้ "เลขตัวเดียว" ควรถามช่วงและสมมติฐานที่เป็นพื้นฐานของช่วงนั้นเสมอ ประโยค "14-15M ในกรณีฐาน เงื่อนไข: อัตราการเติบโตในปัจจุบันดำเนินต่อไป" มีความตรงไปตรงมาและมีประโยชน์มากกว่าประโยคเดียว "14.6M"

ทีละขั้นตอน: สร้างการพยากรณ์ที่มั่นคง

1. ให้ข้อมูลทางประวัติศาสตร์ เกิดขึ้นอย่างน้อยสองสามช่วง; รายเดือนถ้าเป็นไปได้
2. เขียนสมมติฐานให้ชัดเจน อัตราการเติบโต ฤดูกาล การเปลี่ยนแปลงที่ทราบ
3. ระบุวิธีการ แนวโน้มง่ายๆ ปรับตามฤดูกาลหรือตามสถานการณ์?
4. ขอช่วงและสถานการณ์ มองโลกในแง่ดี / ฐาน / มองโลกในแง่ร้าย
5. ขอความไว. “สมมติฐานข้อใดเปลี่ยนแปลงผลลัพธ์ได้มากที่สุด”

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

จุดอ่อน: คาดการณ์ผลประกอบการของฉันในปีหน้า ปีนี้เราทำได้ 12M

สิ่งนี้จะสร้างตัวเลขเดียวโดยไม่มีพื้นฐาน ยังไม่ชัดเจนว่ามีพื้นฐานอยู่บนสมมติฐานใด ซึ่งเป็นอันตรายต่อการตัดสินใจ

สถานการณ์ที่รวดเร็ว: บทบาทของคุณ: นักวิเคราะห์การวางแผนทางการเงิน งาน: คาดการณ์ 12 เดือนข้างหน้าจากข้อมูลรายได้ต่อเดือนต่อไปนี้ วิธีการ: 1) สรุปแนวโน้มและฤดูกาลในข้อมูลในอดีตก่อน 2) ตั้งค่า 3 สถานการณ์โดยมีข้อสันนิษฐานต่อไปนี้: - ฐาน: อัตราการเติบโตเฉลี่ยในช่วง 12 เดือนที่ผ่านมายังคงดำเนินต่อไป - ในแง่ดี: การเติบโต +3 คะแนน - แง่ร้าย: การเติบโต -5 คะแนน3) ให้ยอดรวมและช่วงรายเดือน 12 เดือนสำหรับแต่ละสถานการณ์ 4) ส่วน "ความอ่อนไหว": สมมติฐานใดเปลี่ยนแปลง ผลลัพธ์เปลี่ยนแปลงมากที่สุด ข้อจำกัด: แสดงรายการสมมติฐานอย่างชัดเจน ระบุว่าการประมาณการเป็นการคาดการณ์ไม่ใช่ความแน่นอน โปรดทราบว่าคุณไม่สามารถจำลองแรงสั่นสะเทือนจากภายนอกได้<data>มกราคม..ตัวเลขมูลค่าการซื้อขายรายเดือนของเดือนธันวาคม</data>

พรอมต์นี้; แทนที่จะเป็นตัวเลขที่แน่นอน ระบบจะสร้างช่วงที่มีเหตุผล สถานการณ์ และการวิเคราะห์ความอ่อนไหว เช่น "อัตราการรวบรวม/การเติบโตตามสมมติฐานที่เปราะบางที่สุด" ผู้มีอำนาจตัดสินใจตัดสินใจโดยการมองเห็นความไม่แน่นอน

ฤดูกาลเป็นหัวข้อที่ถูกมองข้ามบ่อยที่สุดในการพยากรณ์ ยอดขายของธุรกิจจำนวนมากขึ้นๆ ลงๆ เป็นประจำในบางเดือน เช่น ผู้ผลิตไอศกรีมจะพุ่งสูงสุดในฤดูร้อน และร้านขายของที่ระลึกจะพุ่งสูงสุดในช่วงวันหยุด เส้นแนวโน้มทรงตัวไม่สามารถมองเห็นความผันผวนนี้ได้ และจะตั้งค่าสต็อก บุคลากร และแผนเงินสดไม่ถูกต้อง หากคุณให้ข้อมูลประวัติแก่ AI เพียงพอ (ควรเป็นเวลาอย่างน้อย 24 เดือน) AI จะสังเกตเห็นรูปแบบที่ซ้ำกันนี้และปรับการคาดการณ์ให้เหมาะสม

วิธีการทำนายและบทบาทของ AI

วิธีการ

เมื่อไหร่จึงจะเหมาะสม?

การมีส่วนร่วมของ AI

ชายแดน

แนวโน้มง่ายๆ

ข้อมูลที่เสถียรและไม่เป็นไปตามฤดูกาล

ตกเทรนด์อย่างรวดเร็ว

ไม่เห็นการหยุดพัก

การแก้ไขตามฤดูกาล

ยอดขายผันผวนตามเดือน

อธิบายรูปแบบตามฤดูกาล

ยึดติดกับอดีตมากเกินไป

ตามสถานการณ์

ช่วงเวลาที่มีความไม่แน่นอนสูง

ทดสอบสมมติฐานอย่างรวดเร็ว

ขึ้นอยู่กับคุณภาพของสมมติฐาน

อิงคนขับ

หากรายได้ขึ้นอยู่กับหลายปัจจัย

สร้างความสัมพันธ์แบบแฟคเตอร์

มนุษย์ยืนยันความสัมพันธ์

การทำนายตามไดรเวอร์

การคาดการณ์มูลค่าการซื้อขายด้วยเปอร์เซ็นต์การเติบโตเพียงเปอร์เซ็นต์เดียวมักเป็นการคาดการณ์อย่างหยาบๆ วิธีที่มีประสิทธิภาพมากกว่าคือการแบ่งรายได้ตามปัจจัยขับเคลื่อน: รายได้ = จำนวนลูกค้า × ยอดขายเฉลี่ยต่อลูกค้า × ความถี่ในการทำซ้ำ การทำนายและการคูณไดรเวอร์แต่ละตัวแยกกันจะทำให้การทำนายมีความแม่นยำและน่าสงสัยมากขึ้น เพราะเห็นได้ชัดเจนว่าสมมติฐานใดเปลี่ยนแปลงไป

ประมาณการรายได้ของฉันตามไดรเวอร์ รายได้ = จำนวนลูกค้าที่ใช้งานอยู่ × รายได้เฉลี่ยต่อเดือนต่อลูกค้า (ARPU) แยกปัจจัยขับเคลื่อนทั้งสองนี้แยกกันในช่วง 12 เดือนที่ผ่านมา ตีความแนวโน้มของแต่ละรายการ จากนั้นคาดการณ์ในอีก 12 เดือนข้างหน้าโดยคาดการณ์ปัจจัยขับเคลื่อนทั้งสองแยกกัน เขียนสมมติฐานให้ชัดเจนสำหรับผู้ขับขี่แต่ละคน ระบุว่าไดรเวอร์ใดไม่ชัดเจนมากกว่า ใช้เฉพาะตัวเลขในข้อมูล แสดงสูตร

พลังของวิธีนี้คือแทนที่จะพูดว่า "มูลค่าการซื้อขายเพิ่มขึ้น 15%" คุณพูดว่า "จำนวนลูกค้าเพิ่มขึ้น 8% รายได้ต่อลูกค้าเพิ่มขึ้น 6%" ทั้งสองสามารถซักถามแยกกันได้ หากสิ่งใดไม่สมจริง คุณจะต้องปรับค่าประมาณจากจุดนั้น ฝ่ายบริหารยังถามอีกว่า "เราอาศัยสมมติฐานอะไร" สามารถตอบคำถามได้อย่างเป็นรูปธรรม

ความอ่อนไหวและวินัยในการสันนิษฐาน

คุณภาพของการคาดการณ์คือคุณภาพของสมมติฐาน ให้ AI มองเห็นสมมติฐานเสมอ และย้อนกลับและอัปเดตเมื่อเกิดขึ้น (การคาดการณ์แบบ Rolling คือการคาดการณ์แบบ Rolling ที่อัปเดตทุกเดือน)

แสดงรายการสมมติฐานทั้งหมดที่คุณใช้ในการพยากรณ์ด้านล่างในรูปแบบตาราง: assumption | ค่า | แหล่งที่มา/เหตุผล | หากค่านี้เปลี่ยนแปลง 10% จะส่งผลต่อผลลัพธ์ประจำปี ติ๊ก 3 สมมติฐานที่เปราะบางที่สุด

เมื่อนำเสนอผลลัพธ์เชิงคาดการณ์ของ AI ต่อฝ่ายบริหาร ให้รวม "บัตรสมมติฐาน": สมมติฐานที่สำคัญที่สุดสามข้อ ค่านิยม และแหล่งที่มา ดังนั้นคำทำนายจึงไม่ใช่กล่องดำอีกต่อไป ทุกคนเห็นสิ่งที่พวกเขากำลังเดิมพัน และเมื่อการรับรู้เบี่ยงเบนไป คุณสามารถวินิจฉัยได้อย่างรวดเร็วว่าสมมติฐานใดไม่เป็นไปตามนั้น ซึ่งจะช่วยปรับปรุงการคาดการณ์ครั้งต่อไป

ข้อควรระวัง: อย่าปกป้องการทำนายที่สร้างโดย AI ด้วยการพูดว่า "นั่นคือสิ่งที่โมเดลพูด" ความรับผิดชอบในการทำนายนั้นขึ้นอยู่กับผู้นำเสนอ นำเสนอต่อฝ่ายบริหารเสมอโดยมีกรอบการทำงานว่า “นี่เป็นสถานการณ์ที่อิงตามสมมติฐานเหล่านี้ การทำให้เป็นจริงอาจแตกต่างกัน”

เคสมินิ

กรณีที่ 1 — การคาดการณ์ที่มองเห็นฤดูกาล บริษัทค้าปลีกแห่งหนึ่งป้อนข้อมูลการขายเป็นเวลา 24 เดือนให้กับ AI โมเดลดังกล่าวสังเกตเห็นการเพิ่มขึ้น 40% อย่างต่อเนื่องในเดือนพฤศจิกายน-ธันวาคม และได้ปรับการคาดการณ์ในปีหน้าตามนั้น หากใช้แนวโน้มทรงตัว แผนหุ้นสิ้นปีคงผิดอย่างร้ายแรง

กรณีที่ 2 — กับดักของเลขคี่ สตาร์ทอัพตั้งงบประมาณตามการคาดการณ์ "18 ล้านในปีหน้า" ของ AI แต่สิ่งนี้มีพื้นฐานอยู่บนสมมติฐานที่ว่า "การเติบโตยังคงดำเนินต่อไปอย่างที่เป็นอยู่" 11M เกิดขึ้นจริงเมื่อลูกค้ารายใหญ่สองรายจากไป เมื่อเรียนรู้บทเรียนแล้ว ทีมก็ย้ายไปยังช่วงสถานการณ์ วงพยากรณ์ในปีหน้าครอบคลุมถึงสิ่งที่เกิดขึ้นจริง

กรณีที่ 3 — ความอ่อนไหวเปลี่ยนการตัดสินใจ “สมมติฐานที่เปราะบางที่สุดคือราคาวัตถุดิบ” AI กล่าวในการคาดการณ์ของผู้ผลิต โดยแสดงให้เห็นว่าการขึ้นราคา 10% จะทำให้กำไรต่อปีลดลง 22% จากนั้นฝ่ายบริหารได้ลงนามในสัญญารายปีที่มีราคาคงที่กับซัพพลายเออร์ มูลค่าที่แท้จริงของการคาดการณ์ไม่ใช่ตัวเลข แต่เป็นข้อมูลเชิงลึกด้านความรู้สึก

กรณีที่ 4 — การทายผลแบบ Rolling ชนะ ผู้ค้าปลีกรายหนึ่งอัปเดตการคาดการณ์รายปีตามจริงในแต่ละเดือน แทนที่จะตั้งค่าเพียงครั้งเดียวแล้วลืมไป ในเดือนที่สาม พบว่าสมมติฐาน "การเติบโต 12%" จริงๆ แล้วอยู่ที่ 7% การคาดการณ์ได้รับการแก้ไขตั้งแต่เนิ่นๆ และแผนสินค้าคงคลังและการจัดพนักงานสิ้นปีก็ได้รับการปรับปรุงตามนั้น หากรักษาการคาดการณ์คงที่ไว้ จะเกิดภาวะล้นสต็อกและวิกฤติเงินสดครั้งใหญ่ในช่วงปลายปี บทเรียน: การคาดการณ์เป็นเอกสารที่มีชีวิต ไม่ได้ถูกจัดทำขึ้นเพียงครั้งเดียวและถูกทิ้งไป

ข้อผิดพลาดทั่วไป

• การขอเลขคี่ การคาดการณ์โดยไม่มีช่วงและสคริปต์ทำให้เกิดความแน่นอนที่ผิดพลาด
• การซ่อนสมมติฐาน สมมติฐานที่มองไม่เห็นหมายถึงการคาดการณ์ที่ไม่สามารถตั้งคำถามและอัปเดตได้
• ยึดติดกับอดีตมากเกินไป รูปแบบขยายรูปแบบที่ผ่านมา ไม่สามารถมองเห็นรอยแตกร้าวและแรงกระแทกจากภายนอกได้
• ทำนายผิดเป็นคำทำนาย AI ไม่รู้อนาคต เพียงใช้สมมติฐานของคุณมาพิจารณา
• ไม่ได้ทำการคาดการณ์แบบกลิ้ง คาดการณ์ครั้งเดียวแล้วลืมมันไปซะ ไม่อัปเดตตามที่เกิดขึ้น

โดยสรุป

• มันเป็นผู้ช่วยที่ทรงพลังในการคาดการณ์ของ AI: แยกแนวโน้มและฤดูกาล สร้างสถานการณ์ อธิบายตรรกะ แต่ไม่รู้อนาคตและไม่สามารถมองเห็นแรงกระแทกจากภายนอกได้
• ถามถึงช่วงสมมุติและสถานการณ์ในแง่ดี/พื้นฐาน/ในแง่ร้ายเสมอ แทนที่จะเป็นตัวเลขตัวเดียว
• แสดงรายการสมมติฐานไว้อย่างชัดเจน และระบุสมมติฐานที่เปราะบางที่สุดผ่านการวิเคราะห์ความอ่อนไหว
• ความรับผิดชอบในการทำนายนั้นขึ้นอยู่กับผู้นำเสนอ นำเสนอต่อฝ่ายบริหารด้วยกรอบการทำงาน "สถานการณ์ ไม่ใช่ความแน่นอน"
• อัปเดตการคาดการณ์ตามที่เกิดขึ้นด้วยการคาดการณ์แบบต่อเนื่อง ติดตั้งเพียงครั้งเดียวและอย่าลืม

งานสมัคร

รับข้อมูลรายได้จริงอย่างน้อย 12 เดือน (จริงหรือตัวอย่าง) สร้างการคาดการณ์ 12 เดือนแบบสามสถานการณ์ด้วยเทมเพลตพร้อมท์ที่มีประสิทธิภาพ จากนั้นลบสมมติฐานที่เปราะบางที่สุดสามข้อออกด้วยการแจ้งเตือนเรื่องความไว ตรวจสอบอัตราการเติบโตรายเดือนของกรณีฐานของแบบจำลองด้วยตนเองหนึ่งครั้ง และสรุปการคาดการณ์บนสไลด์ด้วยกรอบงาน "สถานการณ์ ไม่ใช่ความแน่นอน"

รายการตรวจสอบ

• [ ] ฉันได้ให้ข้อมูลประวัติที่เพียงพอแล้ว (ควรเป็นรายเดือน)
• [ ] ฉันระบุสมมติฐานไว้อย่างชัดเจนและระบุไว้ในแบบจำลอง
• [ ] ฉันต้องการช่วงที่มีสคริปต์ ไม่ใช่ตัวเลขตัวเดียว
• [ ] ฉันระบุข้อสันนิษฐานที่เปราะบางที่สุดผ่านการวิเคราะห์ความไว
• [ ] ฉันตรวจสอบการคำนวณการเติบโตของกรณีพื้นฐานด้วยตนเอง
• [ ] ฉันนำเสนอการประมาณการในกรอบ "สถานการณ์ ไม่ใช่ความแน่นอน"