收益：
- 能够将人工智能定位为生成收入/支出预测假设场景的助手
- 能够根据历史数据和明确的假设编写具有范围和敏感性的预测提示
- 能够认识人工智能预测的局限性并将其与人类判断相结合
“明年我们的营业额是多少？”对于财务团队来说，这是最困难的问题之一。预测是根据过去的数据和假设对未来进行预测。人工智能（AI）可以成为这里的有力助手；但有必要从一开始就接受一个事实：模型不知道未来。它只处理您给出的模式和假设。在本单元中，我们将学习如何将人工智能定位在预测中的正确角色并认识到其局限性。
人工智能在预测中做什么和不做什么？
它的作用是：总结过去的趋势，识别季节性（某些月份的反复波动），用不同的假设构建情景，解释预测逻辑，并将预测放入叙述中。
它不能：它不能给出准确的未来，它不能预测外部冲击（汇率危机、监管变化），它不能知道数据中没有的事实。聊天机器人给出的“明年你将增长 18%”这句话不是预言，而是你所做假设的数学反映。
提示：切勿向模特询问“单个号码”。始终询问一个范围以及该范围基于什么假设。 “基本情况下为 14-15M，条件：当前增长率继续”这句话比单个“14.6M”更加诚实和有用。
一步一步：建立可靠的预测
- 给出历史数据。至少发生几个时期；如果可能的话每月一次。
- 清楚地写出假设。增长率、季节性、已知变化。
- 指定方法。简单趋势、季节性调整还是基于情景？
- 询问范围和场景。乐观主义者/卑鄙主义者/悲观主义者。
- 求敏感度。 “哪种假设对结果的影响最大？”
弱提示/强提示
弱提示：预测我明年的营业额。今年我们赚了 1200 万。
这会产生一个没有基础的数字；目前还不清楚它基于什么假设，这对于决策来说是危险的。
强烈提示：您的角色：财务规划分析师。任务：根据以下月度收入数据预测未来 12 个月。方法：1) 首先总结历史数据中的趋势和季节性。2) 设定 3 个情景，假设如下： - 基础：过去 12 个月的平均增长率持续 - 乐观：增长 +3 分 - 悲观：增长 -5 分 3）给出每个情景的 12 个月总计和每月范围。4）“敏感性”部分：哪种假设变化，结果变化最大？约束：明确列出假设。说明该估计是预测而非确定性。请注意，您无法对外部冲击进行建模。<data>一月..十二月月度营业额数据</data>
这个提示；它产生的不是确切的数字，而是合理的范围、情景和敏感性分析，例如“最脆弱的假设收集/增长率”。决策者通过看到不确定性来做出决策。
季节性是预测中最常被忽视的话题。许多企业的销售额在某些月份定期上升和下降：冰淇淋制造商在夏季达到高峰，纪念品商店在假期期间达到高峰。平坦的趋势线看不到这种波动，并且会错误地设置库存、人员和现金计划。如果你给人工智能足够的历史数据（最好至少24个月），它会注意到这种重复模式并相应地调整预测。
预测方法和人工智能的作用
方法
什么时候合适？
人工智能贡献
边界
简单的趋势
稳定的非季节性数据
快速掌握潮流
看不到断点
季节性修正
销售额按月波动
解释季节性模式
太执着于过去
基于场景
高度不确定的时期
快速检验假设
取决于假设的质量
基于驱动程序
如果收入取决于几个因素
建立因素关系
人类验证关系
基于驾驶员的预测
用单一增长率来预测营业额通常是粗略的。更稳健的方法是将收入除以驱动因素：收入 = 客户数量 × 每个客户的平均销售额 × 重复频率。单独预测并乘以每个驱动程序可以得到更准确但更值得怀疑的预测；因为你清楚地看到哪个假设发生了变化。
根据司机估算我的收入。收入=活跃客户数×每客户平均月收入（ARPU）。分别提取过去 12 个月的这两个驱动因素，解释每个驱动因素的趋势，然后通过分别预测这两个驱动因素来预测未来 12 个月。清楚地写出每个驱动程序的假设；指定哪个驱动程序更不清楚。仅使用数据中的数字，显示公式。
这种方法的强大之处在于，你不用说“营业额增加了 15%”，而是说“客户数量增加了 8%，每个客户的收入增加了 6%”。两者可以分开询问；如果不切实际，您可以从那里调整估计。管理层还问“我们依赖什么假设？”可以具体回答问题。
敏感性和假设规则
预测的质量就是假设的质量。始终保持假设对人工智能可见，并在发生时返回并更新它们（滚动预测，即每月更新的滚动预测）。
以表格形式列出您在下面的预测中使用的所有假设：假设|价值|来源/原因 |如果该值变化 10%，则会对年度结果产生影响。勾选3个最脆弱的假设。
当向管理层展示人工智能的预测输出时，请包含一张“假设卡”：三个最关键的假设、它们的值及其来源。这样，预测就不再是一个黑匣子了；每个人都看到他们赌的是什么。当实现发生偏差时，您可以快速诊断哪个假设不成立，从而改进下一个预测。
注意：不要通过说“这就是模型所说的”来捍卫人工智能生成的预测。预测的责任在于提出预测的人。始终向管理层提出“这是基于这些假设的场景，实际情况可能会有所不同”的框架。
迷你箱
案例 1 — 季节性预测。一家零售公司向 AI 提供 24 个月的销售数据。该模型注意到 11 月至 12 月稳定增长 40%，并相应调整了明年的预测。如果采用平盘趋势，那么年终库存计划就大错特错了。
情况2——奇数的陷阱。一家初创公司的预算基于 AI 的“明年 1800 万”预测。但这是基于“增长继续保持现状”的假设。当两个主要客户离开时，我们实现了 1100 万美元。吸取教训后，团队就转向场景范围；明年的预测范围涵盖了实际发生的情况。
案例 3 — 敏感性改变了决定。 AI在一份制造商预测中表示，“最脆弱的假设是原材料价格”，显示价格上涨10%将导致年利润减少22%。管理层随后与供应商签订了固定价格的年度合同。预测的真正价值不是数字，而是这种情绪洞察力。
案例 4 — 滚动预测获胜。一家零售商每月根据实际情况更新其年度预测，而不是设置一次后就忘记了。第三个月可以看出，“增长12%”的假设实际上是7%；提前修正预测，并相应调整年末库存和人员配置计划。如果维持固定预测，年底就会出现严重的库存积压和现金紧缩。经验教训：预测是一份活的文件，它不是一次建立就收起来的。
常见错误
- 要求奇数。没有范围和脚本的预测会产生错误的确定性。
- 隐藏假设。隐形假设是指无法质疑和更新的预测。
- 过于依赖过去。该模式延续了过去的模式；看不到骨折和外部冲击。
- 将预测误认为是预言。人工智能不知道未来；它只是考虑您的假设。
- 不做滚动预测。设定一次预测就可以忘记它；没有及时更新。
总之
- 人工智能预测的得力助手：提取趋势和季节性、构建场景、解释逻辑；但它不知道未来，看不到外部冲击。
- 始终要求假设范围和乐观/基线/悲观情景，而不是单个数字。
- 清楚地列出假设，并通过敏感性分析确定最脆弱的假设。
- 预测的责任在于提出预测的人；向管理层展示“情景而非确定性”框架。
- 通过滚动预测实时更新预测；安装一次就不会忘记。
应用任务
获取至少 12 个月的实际收入数据（实际或样本）。使用强大的提示模板创建三种场景的 12 个月预测。然后用敏感性提示去除三个最脆弱的假设。手动验证模型基本情况的月增长率一次，并使用“情景而非确定性”框架在幻灯片上总结预测。
清单
- [ ] 我已经提供了足够的历史数据（最好是每月的）。
- [ ] 我明确列出了假设并将它们列在模型中。
- [ ] 我想要一个脚本化的范围，而不是一个数字。
- [ ] 我通过敏感性分析确定了最脆弱的假设。
- [ ] 我手动验证了基本情况的增长计算。
- [ ] 我在“情景而非确定性”框架中提出了这一估计。