Lợi nhuận:
- Khả năng định vị AI như một trợ lý tạo ra các kịch bản giả định trong dự báo thu nhập/chi phí
- Khả năng viết lời nhắc dự báo với phạm vi và độ nhạy dựa trên dữ liệu lịch sử và các giả định rõ ràng
- Khả năng nhận ra những hạn chế của dự đoán AI và kết hợp chúng với phán đoán của con người
"Doanh thu của chúng tôi sẽ là bao nhiêu trong năm tới?" là một trong những câu hỏi khó nhất đối với đội ngũ tài chính. Dự báo là đưa ra dự đoán về tương lai dựa trên dữ liệu và giả định trong quá khứ. Trí tuệ nhân tạo (AI) có thể là trợ thủ đắc lực ở đây; Nhưng cần phải chấp nhận một thực tế ngay từ đầu: mô hình không biết trước được tương lai. Nó chỉ xử lý các mẫu và giả định mà bạn đưa ra. Trong phần này, chúng ta sẽ học cách xác định vị trí chính xác của AI trong việc dự báo và nhận ra các giới hạn của nó.
AI làm gì và không làm gì trong dự báo?
Nó thực hiện: Tóm tắt xu hướng trong quá khứ, nhận biết tính thời vụ (biến động lặp đi lặp lại trong một số tháng nhất định), xây dựng các kịch bản với các giả định khác nhau, giải thích logic dự báo và đưa dự báo vào một câu chuyện.
Nó không: Nó không thể đưa ra một tương lai chính xác, nó không thể dự đoán những cú sốc bên ngoài (khủng hoảng tỷ giá hối đoái, thay đổi quy định), nó không thể biết một sự thật không có trong dữ liệu. Câu “bạn sẽ tăng trưởng 18% vào năm tới” do chatbot đưa ra không phải là một lời tiên tri mà là sự phản ánh toán học về những giả định mà bạn đưa ra.
Mẹo: Đừng bao giờ yêu cầu người mẫu cung cấp "một số duy nhất". Luôn yêu cầu một phạm vi và phạm vi đó dựa trên những giả định nào. Câu "14-15M trong trường hợp cơ sở, điều kiện: tốc độ tăng trưởng hiện tại vẫn tiếp tục" trung thực và hữu ích hơn nhiều so với câu "14,6M" đơn lẻ.
Từng bước: Xây dựng dự báo vững chắc
- Đưa ra dữ liệu lịch sử. Xảy ra ít nhất một vài kỳ; hàng tháng nếu có thể.
- Viết các giả định một cách rõ ràng. Tốc độ tăng trưởng, tính thời vụ, những thay đổi đã biết.
- Chỉ định phương pháp. Xu hướng đơn giản, điều chỉnh theo mùa hay dựa trên kịch bản?
- Yêu cầu phạm vi và kịch bản. Người lạc quan/cơ bản/bi quan.
- Yêu cầu độ nhạy. “Giả định nào làm thay đổi kết quả nhiều nhất?”
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu: Dự đoán doanh thu của tôi vào năm tới. Năm nay chúng tôi kiếm được 12 triệu.
Điều này tạo ra một số duy nhất không có cơ sở; Không rõ nó dựa trên giả định nào, điều này gây nguy hiểm cho quyết định.
Lời nhắc mạnh mẽ:Vai trò của bạn: một nhà phân tích lập kế hoạch tài chính.Nhiệm vụ: Dự báo 12 tháng tiếp theo từ dữ liệu thu nhập hàng tháng sau.Phương pháp:1) Đầu tiên tóm tắt xu hướng và tính thời vụ trong dữ liệu lịch sử.2) Thiết lập 3 kịch bản với các giả định sau: - Cơ sở: tốc độ tăng trưởng trung bình trong 12 tháng qua tiếp tục - Lạc quan: tăng trưởng +3 điểm - Bi quan: tăng trưởng -5 điểm3) Đưa ra tổng số 12 tháng và phạm vi hàng tháng cho mỗi kịch bản.4) Phần "Độ nhạy": mà giả định thay đổi thì kết quả thay đổi nhiều nhất? Ràng buộc: Liệt kê các giả định một cách rõ ràng. Nêu rõ rằng ước tính này là một dự đoán chứ không phải là một điều chắc chắn. Lưu ý rằng bạn không thể lập mô hình các cú sốc bên ngoài.<data>Số liệu doanh thu hàng tháng tháng 1..tháng 12</data>
Lời nhắc này; Thay vì một con số chính xác, nó tạo ra một phạm vi hợp lý, các kịch bản và phân tích độ nhạy, chẳng hạn như "tốc độ tăng trưởng/thu thập giả định dễ bị tổn thương nhất". Người ra quyết định đưa ra quyết định bằng cách nhìn thấy sự không chắc chắn.
Tính thời vụ là chủ đề thường bị bỏ qua nhất trong dự báo. Doanh thu của nhiều cơ sở kinh doanh tăng giảm đều đặn trong những tháng nhất định: cửa hàng kem đạt đỉnh vào mùa hè, cửa hàng lưu niệm đạt đỉnh vào dịp lễ. Đường xu hướng phẳng không thể nhìn thấy sự biến động này và sẽ thiết lập kế hoạch cổ phiếu, nhân sự và tiền mặt không chính xác. Nếu bạn cung cấp cho AI đủ dữ liệu lịch sử (lý tưởng là ít nhất 24 tháng), nó sẽ nhận thấy mô hình lặp lại này và điều chỉnh dự báo cho phù hợp.
Phương pháp dự đoán và vai trò của AI
phương pháp
Khi nào thì thích hợp?
Đóng góp của AI
biên giới
xu hướng đơn giản
Dữ liệu ổn định, trái mùa
Bắt xu hướng nhanh chóng
Không thể nhìn thấy giờ nghỉ
sự điều chỉnh theo mùa
Doanh số dao động theo tháng
Giải thích mô hình theo mùa
Quá gắn bó với quá khứ
Dựa trên kịch bản
Một thời kỳ có sự không chắc chắn cao
Kiểm tra giả thuyết một cách nhanh chóng
Phụ thuộc vào chất lượng của giả định
Dựa trên trình điều khiển
Nếu thu nhập phụ thuộc vào nhiều yếu tố
Thiết lập mối quan hệ yếu tố
Con người xác minh mối quan hệ
Dự đoán dựa trên trình điều khiển
Dự đoán doanh thu với một tỷ lệ phần trăm tăng trưởng duy nhất thường là thô thiển. Cách hiệu quả hơn là chia doanh thu theo các yếu tố thúc đẩy: doanh thu = số lượng khách hàng × doanh số trung bình trên mỗi khách hàng × tần suất lặp lại. Việc dự đoán và nhân từng trình điều khiển riêng biệt sẽ đưa ra dự đoán vừa chính xác hơn vừa đáng nghi vấn hơn; bởi vì bạn thấy rõ giả định nào đã thay đổi.
Ước tính thu nhập của tôi dựa trên trình điều khiển. Doanh thu = số lượng khách hàng đang hoạt động × doanh thu trung bình hàng tháng trên mỗi khách hàng (ARPU). Trích xuất hai yếu tố thúc đẩy này một cách riêng biệt trong 12 tháng qua, giải thích xu hướng của từng yếu tố, sau đó dự báo 12 tháng tiếp theo bằng cách dự báo hai yếu tố đó một cách riêng biệt. Viết rõ ràng giả định cho từng người lái xe; Chỉ định driver nào thì rõ ràng hơn. Chỉ sử dụng số trong dữ liệu, hiển thị công thức.
Ưu điểm của phương pháp này là thay vì nói “doanh thu tăng 15%” bạn lại nói “số lượng khách hàng tăng 8%, doanh thu trên mỗi khách hàng tăng 6%”. Cả hai có thể được thẩm vấn riêng biệt; Nếu một điều không thực tế, bạn sẽ điều chỉnh ước tính từ đó. Ban quản lý cũng hỏi "chúng ta dựa vào giả định nào?" có thể trả lời câu hỏi một cách cụ thể.
Kỷ luật nhạy cảm và giả định
Chất lượng của dự báo chính là chất lượng của các giả định. Luôn hiển thị các giả định cho AI và quay lại và cập nhật chúng khi chúng xảy ra (dự báo luân phiên, nghĩa là dự báo luân phiên được cập nhật hàng tháng).
Liệt kê TẤT CẢ các giả định bạn đã sử dụng trong dự báo bên dưới dưới dạng bảng: giả định | giá trị | nguồn/lý do | Nếu giá trị này thay đổi 10% thì ảnh hưởng của nó đến kết quả hàng năm. Đánh dấu vào 3 giả định mong manh nhất.
Khi trình bày kết quả dự đoán của AI cho ban quản lý, hãy bao gồm "thẻ giả định": ba giả định quan trọng nhất, giá trị và nguồn của chúng. Như vậy, dự đoán không còn là hộp đen nữa; Mọi người đều thấy những gì họ đang đặt cược. Và khi nhận thức sai lệch, bạn có thể nhanh chóng chẩn đoán giả định nào không đúng, điều này sẽ cải thiện dự báo tiếp theo.
Thận trọng: Không bảo vệ dự đoán do AI tạo ra bằng cách nói "đó là những gì mô hình đã nói". Trách nhiệm dự đoán thuộc về người trình bày nó. Luôn trình bày trước ban quản lý với khuôn khổ “đây là một kịch bản dựa trên những giả định này, việc thực hiện có thể khác”.
Hộp đựng nhỏ
Trường hợp 1 - Dự báo có tính thời vụ. Một công ty bán lẻ đã cung cấp dữ liệu bán hàng trong 24 tháng cho AI. Mô hình này nhận thấy mức tăng trưởng ổn định 40% trong tháng 11-tháng 12 và điều chỉnh dự báo cho năm tới cho phù hợp. Nếu sử dụng xu hướng đi ngang thì kế hoạch tồn kho cuối năm sẽ sai lầm nghiêm trọng.
Trường hợp 2 - Bẫy số lẻ. Một công ty khởi nghiệp đặt ngân sách dựa trên dự báo "18 triệu vào năm tới" của AI. Nhưng điều này dựa trên giả định rằng "tăng trưởng vẫn tiếp tục như hiện tại". 11 triệu được hiện thực hóa khi hai khách hàng lớn rời đi. Sau khi học xong bài học, nhóm chuyển sang phạm vi kịch bản; Dự báo của năm tiếp theo đề cập đến những gì thực sự đã xảy ra.
Trường hợp 3 - Sự nhạy cảm đã thay đổi quyết định. AI cho biết trong dự báo của một nhà sản xuất: “Giả định dễ bị tổn thương nhất là giá nguyên liệu thô”, cho thấy rằng giá tăng 10% sẽ làm giảm 22% lợi nhuận hàng năm. Sau đó, ban quản lý đã ký hợp đồng giá cố định hàng năm với nhà cung cấp. Giá trị thực sự của dự báo không phải là con số mà là cái nhìn sâu sắc về tình cảm.
Trường hợp 4 - Dự báo cuộn sẽ thắng. Một nhà bán lẻ đã cập nhật dự báo hàng năm của mình bằng số liệu thực tế mỗi tháng, thay vì đặt ra một lần rồi quên mất. Sang tháng thứ ba, người ta thấy giả định “tăng trưởng 12%” thực chất là 7%; Dự báo đã được điều chỉnh sớm và kế hoạch tồn kho, nhân sự cuối năm cũng được điều chỉnh cho phù hợp. Nếu dự báo cố định được giữ nguyên thì sẽ xảy ra tình trạng dư thừa hàng tồn kho và khủng hoảng tiền mặt vào cuối năm. Bài học: dự báo là một tài liệu sống, không phải lập một lần rồi cất đi.
Những lỗi thường gặp
- Hỏi số lẻ. Dự báo không có phạm vi và kịch bản sẽ tạo ra sự chắc chắn sai lầm.
- Ẩn các giả định Giả định vô hình có nghĩa là một dự đoán không thể đặt câu hỏi và cập nhật.
- Dựa quá nhiều vào quá khứ. Mô hình này mở rộng mô hình quá khứ; không thể nhìn thấy gãy xương và các cú sốc bên ngoài.
- Nhầm một lời tiên đoán là một lời tiên tri. AI không biết tương lai; Nó chỉ tính đến các giả định của bạn.
- Không đưa ra dự báo cuốn chiếu. Đặt dự báo một lần và quên nó đi; không cập nhật khi nó xảy ra.
Tóm lại
- Nó là trợ thủ đắc lực trong dự báo AI: trích xuất xu hướng và tính thời vụ, xây dựng kịch bản, giải thích logic; nhưng nó không biết trước tương lai và không thể nhìn thấy những cú sốc bên ngoài.
- Luôn yêu cầu một phạm vi giả định và các kịch bản lạc quan/cơ sở/bi quan hơn là một con số duy nhất.
- Liệt kê rõ ràng các giả định và xác định giả định dễ bị ảnh hưởng nhất thông qua phân tích độ nhạy.
- Trách nhiệm dự đoán thuộc về người đưa ra nó; Trình bày với ban quản lý theo khuôn khổ "kịch bản chứ không phải chắc chắn".
- Cập nhật dự báo như diễn ra với dự báo Rolling; Cài đặt nó một lần và đừng quên.
Nhiệm vụ ứng dụng
Có được số liệu doanh thu thực tế ít nhất 12 tháng (thực tế hoặc mẫu). Tạo dự báo 12 tháng gồm ba kịch bản với mẫu lời nhắc mạnh mẽ. Sau đó loại bỏ ba giả định dễ vỡ nhất bằng dấu nhắc nhạy cảm. Xác minh thủ công tốc độ tăng trưởng hàng tháng của trường hợp cơ sở của mô hình một lần và tóm tắt dự báo trên một slide với khung "kịch bản, không chắc chắn".
danh sách kiểm tra
- [ ] Tôi đã cung cấp đủ dữ liệu lịch sử (tốt nhất là hàng tháng).
- [ ] Tôi đã liệt kê các giả định một cách rõ ràng và đưa chúng vào mô hình.
- [ ] Tôi muốn một phạm vi theo kịch bản chứ không phải một con số.
- [ ] Tôi đã xác định được giả định dễ vỡ nhất thông qua phân tích độ nhạy.
- [ ] Tôi đã xác minh thủ công cách tính tăng trưởng của trường hợp cơ sở.
- [ ] Tôi đã trình bày ước tính theo khuôn khổ "kịch bản, không chắc chắn".