Mga nadagdag:
- Kakayahang iposisyon ang AI bilang isang katulong na bumubuo ng mga hypothetical na sitwasyon sa pagtataya ng kita/gastos
- Kakayahang magsulat ng mga prompt ng hula na may saklaw at sensitivity batay sa makasaysayang data at tahasang pagpapalagay
- Kakayahang kilalanin ang mga limitasyon ng mga hula ng AI at ihalo ang mga ito sa paghatol ng tao
"Ano ang magiging turnover natin sa susunod na taon?" ay isa sa pinakamahirap na tanong para sa finance team. Ang pagtataya ay paggawa ng hula tungkol sa hinaharap batay sa nakaraang data at pagpapalagay. Ang artificial intelligence (AI) ay maaaring maging isang makapangyarihang katulong dito; Ngunit ito ay kinakailangan upang tanggapin ang isang katotohanan mula sa pinakadulo simula: ang modelo ay hindi alam ang hinaharap. Pinoproseso lamang nito ang mga pattern at pagpapalagay na ibinibigay mo. Sa unit na ito, matututunan nating iposisyon ang AI sa tamang papel nito sa pagtataya at kilalanin ang mga limitasyon nito.
Ano ang Ginagawa at Hindi Ginagawa ng AI sa Pagtataya?
Ginagawa nito: Binubuod ang nakaraang trend, kinikilala ang seasonality (paulit-ulit na pagbabagu-bago sa ilang buwan), bubuo ng mga senaryo na may iba't ibang mga pagpapalagay, ipinapaliwanag ang lohika ng hula, at inilalagay ang hula sa isang salaysay.
Hindi ito: Hindi ito makapagbibigay ng tumpak na hinaharap, hindi nito mahulaan ang mga panlabas na pagkabigla (krisis sa exchange rate, pagbabago ng regulasyon), hindi nito malalaman ang isang katotohanan na wala sa data. Ang pangungusap na "ikaw ay lalago ng 18% sa susunod na taon" na ibinigay ng isang chatbot ay hindi isang propesiya, ngunit isang mathematical na pagmuni-muni ng mga pagpapalagay na ginawa mo.
Tip: Huwag kailanman humingi sa modelo ng "isang numero." Palaging humingi ng hanay at kung anong mga pagpapalagay ang nakabatay sa hanay na iyon. Ang pangungusap na "14-15M sa batayang kaso, kundisyon: ang kasalukuyang rate ng paglago ay patuloy" ay higit na tapat at kapaki-pakinabang kaysa sa nag-iisang "14.6M".
Hakbang sa Hakbang: Pagbuo ng Solid na Pagtataya
- Magbigay ng makasaysayang datos. Nangyayari nang hindi bababa sa ilang mga panahon; buwanan kung maaari.
- Isulat nang malinaw ang mga pagpapalagay. Rate ng paglago, seasonality, mga kilalang pagbabago.
- Tukuyin ang paraan. Simpleng trend, seasonally adjusted o scenario based?
- Humingi ng saklaw at senaryo. Optimist / base / pesimist.
- Humingi ng sensitivity. "Aling palagay ang higit na nagbabago sa kinalabasan?"
Mahina Prompt / Malakas na Prompt
Mahinang prompt: Hulaan ang aking turnover sa susunod na taon. Ngayong taon ay nakagawa kami ng 12M.
Ito ay gumagawa ng isang solong numero na walang batayan; Hindi malinaw kung saang palagay ito nakabatay, na mapanganib para sa desisyon.
Malakas na prompt:Ang iyong tungkulin: isang financial planning analyst.Gawain: Pagtataya sa susunod na 12 buwan mula sa sumusunod na buwanang data ng kita.Paraan:1) Ibuod muna ang trend at seasonality sa historical data.2) Mag-set up ng 3 sitwasyon na may sumusunod na mga pagpapalagay: - Base: nagpapatuloy ang average na rate ng paglago ng huling 12 buwan - Optimistic: growth +3 puntos: -Mga puntos ng paglago +3) -Mga puntos ng pag-unlad kabuuan at buwanang hanay para sa bawat senaryo.4) seksyong "Sensitivity": aling pagpapalagay ang nagbabago, ang resulta ay higit na nagbabago?Paghihigpit: Ilista ang mga pagpapalagay nang tahasan. Sabihin na ang pagtatantya ay isang hula at hindi isang katiyakan. Tandaan na hindi ka maaaring magmodelo ng mga panlabas na shocks.<data>Enero..Disyembre buwanang turnover na numero</data>
Ang prompt na ito; Sa halip na isang eksaktong numero, gumagawa ito ng isang makatwirang saklaw, mga sitwasyon at pagsusuri sa pagiging sensitibo gaya ng "pinaka-mahina na pagkolekta ng palagay/rate ng paglago." Ang gumagawa ng desisyon ay gumagawa ng mga desisyon sa pamamagitan ng pagtingin sa kawalan ng katiyakan.
Ang seasonality ay ang pinaka-madalas na hindi napapansing paksa sa pagtataya. Regular na tumataas at bumababa ang mga benta ng maraming negosyo sa ilang partikular na buwan: sumikat ang gumagawa ng ice cream sa tag-araw, sumikat ang souvenir shop tuwing holiday. Ang isang patag na linya ng trend ay hindi makikita ang pagbabagu-bagong ito at ise-set up ang stock, tauhan at cash plan nang hindi tama. Kung bibigyan mo ang AI ng sapat na makasaysayang data (perpektong hindi bababa sa 24 na buwan), mapapansin nito ang paulit-ulit na pattern na ito at ayusin ang forecast nang naaayon.
Mga Paraan ng Paghula at ang Papel ng AI
Pamamaraan
Kailan ito angkop?
kontribusyon ng AI
hangganan
simpleng uso
Matatag, hindi napapanahong data
Nakukuha ang trend nang mabilis
Hindi makita ang mga break
pana-panahong pagwawasto
Pabago-bago ang mga benta ayon sa buwan
Nagpapaliwanag ng seasonal pattern
Masyadong attached sa nakaraan
Nakabatay sa senaryo
Isang panahon ng mataas na kawalan ng katiyakan
Mabilis na sumusubok ng mga hypotheses
Depende sa kalidad ng pagpapalagay
Batay sa driver
Kung ang kita ay nakasalalay sa ilang mga kadahilanan
Nagtatatag ng ugnayang salik
Pinapatunayan ng tao ang relasyon
Hula na Batay sa Driver
Ang paghula ng turnover na may isang solong porsyento ng paglago ay kadalasang krudo. Ang mas matatag na paraan ay ang hatiin ang kita sa mga driver nito: kita = bilang ng mga customer × average na benta bawat customer × dalas ng pag-uulit. Ang paghula at pagpaparami ng bawat driver nang hiwalay ay nagbibigay ng hula na parehong mas tumpak at mas kaduda-dudang; dahil malinaw mong nakikita kung aling palagay ang nagbago.
Tantyahin ang aking kita batay sa mga driver. Kita = bilang ng mga aktibong customer × average na buwanang kita bawat customer (ARPU). I-extract ang dalawang driver na ito nang hiwalay sa nakalipas na 12 buwan, bigyang-kahulugan ang takbo ng bawat isa, pagkatapos ay hulaan ang susunod na 12 buwan sa pamamagitan ng pag-project nang magkahiwalay sa dalawang driver. Isulat nang malinaw ang palagay para sa bawat driver; Tukuyin kung aling driver ang mas hindi malinaw. Gumamit lamang ng mga numero sa data, ipakita ang mga formula.
Ang kapangyarihan ng pamamaraang ito ay na sa halip na sabihing "tumataas ng 15% ang turnover", sasabihin mong "tumataas ng 8% ang bilang ng mga customer, tataas ng 6% ang kita sa bawat customer." Ang dalawa ay maaaring tanungin nang magkahiwalay; Kung ang isa ay hindi makatotohanan, ayusin mo ang pagtatantya mula doon. Nagtatanong din ang management na "anong assumption ang ating pinagkakatiwalaan?" makasagot ng konkretong tanong.
Sensitivity at Assumption Discipline
Ang kalidad ng pagtataya ay ang kalidad ng mga pagpapalagay. Palaging panatilihing nakikita ng AI ang mga pagpapalagay at bumalik at i-update ang mga ito habang nangyayari ang mga ito (rolling forecast, iyon ay, isang rolling forecast na ina-update bawat buwan).
Ilista ang LAHAT ng mga pagpapalagay na ginamit mo sa hula sa ibaba sa isang tabular na anyo: palagay | halaga | pinagmulan/dahilan | Kung ang halagang ito ay nagbabago ng 10%, ang epekto nito sa taunang resulta. Lagyan ng tsek ang 3 pinaka-marupok na pagpapalagay.
Kapag ipinakita ang predictive na output ng AI sa pamamahala, isama ang isang "assumption card": ang tatlong pinaka-kritikal na pagpapalagay, ang kanilang mga halaga, at ang kanilang mga pinagmulan. Kaya, ang hula ay hindi na isang itim na kahon; Nakikita ng lahat kung ano ang kanilang itinaya. At kapag lumihis ang realization, maaari mong mabilis na masuri kung aling palagay ang hindi naganap, na magpapahusay sa susunod na hula.
Babala: Huwag ipagtanggol ang hula na binuo ng AI sa pamamagitan ng pagsasabi na "iyan ang sinabi ng modelo." Ang responsibilidad para sa hula ay nakasalalay sa taong nagtatanghal nito. Palaging iharap sa pamamahala na may balangkas na "ito ay isang senaryo batay sa mga pagpapalagay na ito, maaaring magkaiba ang aktuwalisasyon".
Mga Mini Case
Case 1 — Pagtataya na nakikita ang seasonality. Isang retail na kumpanya ang nagbigay ng 24 na buwan ng data ng benta sa AI. Napansin ng modelo ang isang tuluy-tuloy na 40% na pagtaas noong Nobyembre-Disyembre at inayos ang forecast nito para sa susunod na taon nang naaayon. Kung ang isang flat trend ay ginamit, ang year-end na stock plan ay seryosong mali.
Case 2 — Ang bitag ng kakaibang numero. Ibinabatay ng isang startup ang badyet nito sa hula ng AI na "18M sa susunod na taon." Ngunit ito ay batay sa pag-aakalang "patuloy ang paglago kung ito ay". Napagtanto ang 11M nang umalis ang dalawang pangunahing customer. Sa sandaling natutunan ang aralin, lumipat ang koponan sa hanay ng senaryo; Sinakop ng banda ng pagtataya ng susunod na taon ang aktwal na nangyari.
Kaso 3 — Binago ng pagiging sensitibo ang desisyon. "Ang pinaka-mahina na palagay ay ang presyo ng hilaw na materyales," sabi ng AI sa forecast ng isang tagagawa, na nagpapakita na ang isang 10% na pagtaas ng presyo ay magbabawas ng taunang kita ng 22%. Pagkatapos ay nilagdaan ng pamamahala ang isang taunang kontrata na nakapirming presyo sa supplier. Ang tunay na halaga ng hula ay hindi ang bilang, ngunit ang pananaw na ito ng damdamin.
Case 4 — Panalo ang rolling forecast. Isang retailer ang nag-update ng taunang forecast nito sa mga aktwal bawat buwan, sa halip na itakda ito nang isang beses at kalimutan ito. Sa ikatlong buwan, nakita na ang "growth 12%" assumption ay aktwal na 7%; Ang pagtataya ay naitama nang maaga at ang imbentaryo sa pagtatapos ng taon at plano ng staffing ay inayos nang naaayon. Kung napanatili ang fixed forecast, magkakaroon ng malaking overstock at cash crunch sa katapusan ng taon. Aral: ang pagtataya ay isang buhay na dokumento, hindi ito naka-set up nang isang beses at itinapon.
Mga karaniwang pagkakamali
- Humihingi ng odd number. Ang paghula nang walang saklaw at script ay lumilikha ng maling katiyakan.
- Pagtatago ng mga pagpapalagay. Ang ibig sabihin ng invisible assumption ay isang hula na hindi maaaring tanungin at ma-update.
- Masyadong umasa sa nakaraan. Pinapalawak ng pattern ang nakaraang pattern; hindi makakita ng mga bali at panlabas na pagkabigla.
- Napagkakamalang hula bilang propesiya. Hindi alam ng AI ang hinaharap; Isinasaalang-alang lamang nito ang iyong mga pagpapalagay.
- Hindi gumagawa ng rolling forecast. Itakda ang hula nang isang beses at kalimutan ito; hindi nag-a-update tulad ng nangyayari.
Sa buod
- Isa itong makapangyarihang katulong sa pagtataya ng AI: kinukuha ang trend at seasonality, bumuo ng senaryo, nagpapaliwanag ng lohika; ngunit hindi nito alam ang hinaharap at hindi nakakakita ng mga panlabas na pagkabigla.
- Palaging humingi ng hypothetical range at optimistic/baseline/pessimistic na mga sitwasyon sa halip na isang numero.
- Ipalista nang malinaw ang mga pagpapalagay at tukuyin ang pinakamahina na pagpapalagay sa pamamagitan ng pagsusuri sa pagiging sensitibo.
- Ang responsibilidad para sa hula ay nakasalalay sa taong naglalahad nito; Ipakita sa pamamahala na may "scenario, hindi isang kasiguraduhan" na balangkas.
- I-update ang forecast habang nangyayari ito sa Rolling forecast; I-install ito nang isang beses at huwag kalimutan.
Gawain ng aplikasyon
Kumuha ng hindi bababa sa 12 buwan ng aktwal na data ng kita (aktwal o sample). Gumawa ng tatlong senaryo sa 12 buwang pagtataya na may malakas na template ng prompt. Pagkatapos ay alisin ang tatlong pinaka-marupok na pagpapalagay gamit ang sensitivity prompt. Manu-manong i-verify ang buwanang rate ng paglago ng base case ng modelo nang isang beses at ibuod ang hula sa isang slide na may balangkas na "scenario, hindi katiyakan."
checklist
- [ ] Nagbigay ako ng sapat na makasaysayang data (mas mabuti buwan-buwan).
- [ ] Inilista ko nang tahasan ang mga pagpapalagay at ipinalista ko ang mga ito sa modelo.
- [ ] Gusto ko ng scripted range, hindi isang solong numero.
- [ ] Natukoy ko ang pinaka-marupok na palagay sa pamamagitan ng sensitivity analysis.
- [ ] Manu-mano kong na-verify ang pagkalkula ng paglago ng base case.
- [ ] Iniharap ko ang pagtatantya sa isang balangkas na "scenario, hindi katiyakan".