Lợi nhuận:
- Khả năng phân tách rõ ràng các lớp giả định, trình điều khiển và đầu ra của mô hình tài chính bằng AI
- Khả năng thiết lập các kịch bản lạc quan/cơ bản/bi quan và bảng độ nhạy đơn biến với sự hỗ trợ của AI
- Khả năng xác minh logic mô hình của AI về mặt tham chiếu vòng tròn, tính nhất quán của công thức và giả định
Mô hình tài chính là một khung kế toán có cấu trúc mô phỏng tương lai của một công ty hoặc dự án bằng các con số. Đơn giản nhất, đó là thiết lập "đặt một vài giả định, nhận kết quả": lợi nhuận, tiền mặt và giá trị thay đổi như thế nào khi bạn thay đổi tốc độ tăng trưởng, tỷ lệ chi phí và số tiền đầu tư? Một mô hình tốt bao gồm ba lớp rõ ràng: giả định (những con số bạn nhập vào), yếu tố thúc đẩy (logic kết nối những con số đó với đầu ra) và đầu ra (lợi nhuận, tiền mặt, lãi suất). AI tăng tốc quá trình mô hình hóa theo nhiều cách: nó đề xuất khung mô hình, thiết lập logic công thức, tái tạo các kịch bản và chuẩn bị các bảng độ nhạy. Nhưng những lỗi nguy hiểm nhất của mô hình là những lỗi vô hình: một công thức sai, một tham chiếu vòng ẩn hoặc một giả định không nhất quán âm thầm làm cho mô hình sai. Bản chất của đơn vị này là kiểm tra logic mô hình mà AI xây dựng.
Trong phần này, chúng ta sẽ học cách tách ba lớp của mô hình, thiết lập các kịch bản và bảng tình cảm lạc quan/cơ bản/bi quan, đồng thời xác thực logic mô hình của AI.
Khái niệm: Giả định: Con số bạn nhập thủ công vào mô hình (ví dụ: tăng trưởng 10%). Trình điều khiển: Logic công thức kết nối giả định với đầu ra. Kịch bản: Thay đổi hoàn toàn một bộ giả định (lạc quan/cơ bản/bi quan). Phân tích độ nhạy: Thay đổi từng bước một giả định và xem ảnh hưởng đến đầu ra. Tham chiếu vòng: Kết nối trực tiếp/gián tiếp của một ô với chính nó.
Ba lớp của mô hình
Nguyên tắc kỷ luật quan trọng nhất của một mô hình là tách các giả định khỏi tính toán. Các giả định được thu thập ở một nơi, tài khoản được gắn với chúng; để khi bạn thay đổi một giả định, toàn bộ mô hình sẽ được cập nhật một cách nhất quán. Thực thi sự khác biệt này khi có mô hình xây dựng AI.
lớp
Nội dung
Quy tắc thiết kế tốt
Giả định
Tăng trưởng, lợi nhuận, kỳ hạn, chiết khấu, đầu tư
Một nơi, nhãn mở
Trình điều khiển
Các công thức như doanh thu = giá × khối lượng
Đề cập đến giả định, không có số nhúng cố định
đầu ra
Lợi nhuận, tiền mặt, lãi suất, giá trị
Nó chỉ bắt nguồn từ tính toán, nó không được viết bằng tay.
Mẹo: Không bao giờ nhúng số "cố định" vào công thức trong mô hình (ví dụ: =Doanh thu*0,55). Thay vào đó, hãy đặt 0,55 vào ô giả định và tham chiếu nó. Bằng cách này, khi giả định thay đổi, mô hình sẽ được cập nhật từ một điểm duy nhất và bạn có thể dễ dàng nắm bắt được các hằng số ẩn mà AI đã nhúng.
Kịch bản và sự nhạy cảm
Kịch bản và độ nhạy là những thứ khác nhau và có thể bị nhầm lẫn. Kịch bản thay đổi nhiều giả định cùng nhau (trong thế giới bi quan, cả tăng trưởng đều giảm và chi phí đều tăng). Độ nhạy tách biệt một giả định duy nhất và đo lường tác động của nó đến sản lượng (giá trị thay đổi như thế nào nếu chỉ có tỷ lệ chiết khấu thay đổi). Họ cùng nhau chỉ ra điểm yếu của mô hình.
Lời nhắc khung mô hình: "Thiết lập mô hình doanh thu-lợi nhuận 3 năm đơn giản cho một công ty SaaS. Tách các lớp: (1) GIẢ ĐỊNH (khách hàng ban đầu là 500, tăng trưởng hàng tháng 4%, đăng ký hàng tháng 1.200 TL, tỷ suất lợi nhuận gộp 78%, chi phí cố định hàng tháng 900 nghìn TL), (2) ĐỘNG LỰC (số lượng khách hàng, công thức doanh thu, chi phí), (3) ĐẦU RA (doanh thu hàng tháng, lợi nhuận gộp, lợi nhuận hoạt động) Không đặt các số không đổi vào công thức, chỉ cần giả sử tất cả."
Lời nhắc kịch bản: "Thêm ba kịch bản vào mô hình này. CƠ SỞ: các giả định đã cho. LỰA CHỌN: tăng trưởng hàng tháng 6%, lợi nhuận 80%. PESIMIST: tăng trưởng hàng tháng 2%, lợi nhuận 72%, chi phí cố định thêm 10%. Lập bảng lợi nhuận hoạt động tháng thứ 36 của ba kịch bản cạnh nhau."
Lời nhắc về bảng độ nhạy: "Hiển thị độ nhạy của lợi nhuận hoạt động ở tháng thứ 36 với tốc độ tăng trưởng hàng tháng. Thay đổi mức tăng trưởng từ 1% thành 7% theo từng bước 1 điểm, giữ nguyên các giả định khác và ghi lại lợi nhuận ở mỗi bước trong bảng. Tóm tắt mức độ nhạy cảm của lợi nhuận đối với tăng trưởng trong một câu."
Lời nhắc kiểm tra mô hình: "Trong mô hình bạn đã xây dựng: (1) có các số cố định được nhúng trong các công thức không dựa trên các giả định không? (2) có rủi ro tham chiếu vòng tròn nào không? (3) các đơn vị có nhất quán không (hàng tháng/hàng năm, TL/nghìn TL)? Hãy báo cáo từng rủi ro bạn tìm thấy bằng cách chia thành từng khoản."
Nhắc yếu / Nhắc mạnh
YẾU: “Làm cho tôi mô hình tài chính 3 năm.” (Kết quả: một phép tính với các lớp hỗn hợp, các hằng số được nhúng, khó kiểm tra.) MẠNH MẼ: "Xây dựng mô hình 3 năm với các lớp giả định/điều khiển/đầu ra riêng biệt, không có nội dung cố định nào được nhúng trong các công thức, các giả định về mức tăng trưởng và biên lợi nhuận có thể được thay đổi ở một nơi; sau đó thêm bảng độ nhạy tăng trưởng và kiểm tra các rủi ro về tham chiếu theo chu kỳ và sự không nhất quán của đơn vị trong mô hình."
Hộp đựng nhỏ
Trường hợp 1 - Chi phí của hằng số nhúng. Một nhà phân tích giảm tỷ suất lợi nhuận từ 78% xuống 75% trong mô hình do AI xây dựng, nhưng lợi nhuận hoạt động thay đổi ít hơn dự kiến. Khi chạy lời nhắc điều khiển, anh ấy thấy rằng công thức chi phí dựa trên hằng số 0,22 được nhúng chứ không phải giả định. Ngay cả khi ô lề thay đổi thì công thức vẫn sử dụng giá trị cũ. Mô hình phản hồi chính xác khi dựa trên một giả định cố định.
Trường hợp 2 - Giá trị dễ vỡ. Trong mô hình quyết định đầu tư, kịch bản cơ bản có vẻ hấp dẫn. Khi nhà phân tích xây dựng bảng độ nhạy, anh ta thấy rằng lợi nhuận hoạt động giảm một nửa khi tăng trưởng giảm từ 5% xuống 3%. Vì vậy, toàn bộ sự hấp dẫn của mô hình dựa trên một giả định tăng trưởng lạc quan duy nhất. Nhận thức này thay đổi quyết định từ “chắc chắn có” thành “thận trọng trước khi xác nhận tăng trưởng”.
Trường hợp 3 - Bẫy tuần hoàn. Trong mô hình đi vay, chi phí lãi vay phụ thuộc vào số dư nợ, số dư nợ phụ thuộc vào nhu cầu tiền mặt và nhu cầu tiền mặt phụ thuộc vào lãi suất. Trong khi cài đặt AI, xảy ra tham chiếu vòng tròn và Excel đưa ra cảnh báo. Thay vì đóng cảnh báo và tiếp tục, nhà phân tích sẽ sửa lại logic và phá vỡ chuỗi để tính lãi trên số dư kỳ trước. Vì vậy, kết quả vừa chính xác vừa có thể theo dõi được.
Thận trọng: Một mô hình không bao giờ được chứng minh bằng một kịch bản duy nhất có vẻ ổn. Câu “Trong kịch bản cơ bản rất có lợi” không thể biện minh cho một quyết định mà không biết điều gì sẽ xảy ra trong kịch bản bi quan. Trong mỗi mô hình, hãy yêu cầu bộ ba ít lạc quan/cơ bản/bi quan nhất và độ nhạy cảm với giả định quan trọng.
Bốn câu hỏi kiểm tra mô hình
Hãy hỏi mỗi mô hình để AI xây dựng bốn câu hỏi sau:
- Có bất kỳ nhúng cố định? Mỗi số dựa trên một giả định hay được nhúng trong công thức?
- Các đơn vị có nhất quán không? Hàng tháng và hàng năm, TL và nghìn TL có được trộn lẫn không?
- Có một tài liệu tham khảo vòng tròn? Một ô có kết nối với chính nó không?
- Đầu ra có phản ứng chính xác với giả định không? Khi bạn thay đổi một giả định, kết quả đầu ra có thay đổi theo hướng mong đợi không?
Những lỗi thường gặp
- Không tách rời giả định khỏi tính toán. Khi các hằng số được nhúng vào công thức, mô hình không thể được kiểm soát và phản ứng không chính xác.
- Quyết định bằng một kịch bản duy nhất. Một quyết định được đưa ra mà không nhìn thấy tình huống bi quan là rủi ro.
- Tắt cảnh báo theo chu kỳ. Cảnh cáo là dấu hiệu của sai lầm chứ không phải là sự khó chịu cần phải im lặng.
- Bỏ qua độ nhạy. Độ tin cậy của mô hình không thể được đo lường nếu không biết kết quả phụ thuộc vào giả định nào.
- Đơn vị nhầm lẫn. Sự khác biệt hàng tháng/hàng năm và TL/nghìn TL tạo ra những lỗi thầm lặng nhưng lớn.
Tóm lại
Mô hình tài chính là một khung kế toán mô phỏng tương lai bằng các giả định và sức mạnh của nó đến từ sự rõ ràng của các lớp. Khung AI nhanh chóng xây dựng các kịch bản và bảng cảm tính; nhưng nó có thể gây ra các lỗi vô hình như hằng số nhúng, tham chiếu vòng và sự không nhất quán đơn vị. Tách giả định khỏi phép tính, thêm bộ ba lạc quan/cơ bản/bi quan và độ nhạy cảm với giả định quan trọng cho từng mô hình, đặt bốn câu hỏi kiểm tra cùng một lúc. Một kịch bản tốt duy nhất không thể biện minh cho một quyết định.
Nhiệm vụ ứng dụng
Yêu cầu AI xây dựng mô hình doanh thu-lợi nhuận 3 năm đơn giản được chia thành ba lớp (giả định/điều khiển/đầu ra) và không yêu cầu không có hằng số nào được nhúng trong công thức. Thêm ba kịch bản lạc quan/cơ sở/bi quan và đặt lợi nhuận hoạt động mới nhất cạnh nhau. Sau đó yêu cầu bảng độ nhạy cho giả định quan trọng nhất (ví dụ: tăng trưởng). Cuối cùng, chạy lời nhắc kiểm tra mô hình và kiểm tra các hằng số được nhúng, tham chiếu tuần hoàn cũng như sự không nhất quán của đơn vị và ghi lại các phát hiện.
danh sách kiểm tra
- [ ] Tôi đã tách các lớp giả định, trình điều khiển và đầu ra.
- [ ] Tôi đã xác minh rằng không có hằng số nào được nhúng trong các công thức.
- [ ] Tôi đã thiết lập ít nhất ba kịch bản lạc quan/một số/bi quan.
- [ ] Tôi đã thêm bảng độ nhạy cho giả định quan trọng.
- [ ] Tôi đã kiểm tra tham chiếu vòng tròn.
- [ ] Tôi đã xác minh tính nhất quán của đơn vị (hàng tháng/hàng năm, TL/nghìn TL).
- [ ] Tôi đã thay đổi một giả định và kiểm tra xem kết quả đầu ra có phản hồi chính xác hay không.