مقایسه‌ی دو نسخه‌ی مدل مالی کاری است که هر مدل‌ساز بارها انجام می‌دهد: داده‌ها تازه شده، ساختار عوض شده و می‌خواهید بدانید دقیقاً چه چیزی جابه‌جا شده است. سال‌ها این کار با جست‌وجوی دستی بین دو فایل و لینک‌های خارجی انجام می‌شد. حالا می‌توان با یک دستیار هوش مصنوعی که هر دو فایل را همزمان می‌بیند، در چند دقیقه گزارش داد. در این نوشته روش و احتیاط‌های کار را می‌خوانید.
پیش‌نیاز: گزارش انحراف زنده در برابر ثابت
پیش از هر چیز، مدل باید یک نمای کلان داشته باشد که «حالت زنده» را با «حالت ثابت» مقایسه کند. اسم آن را «گزارش انحراف» بگذاریم. روش ساخت ساده است:
۱. مقادیر حالت جاری مدل را کپی و به‌صورت مقدار در ستون‌های حالت ثابت بچسبانید تا همه‌ی انحراف‌ها صفر شوند. ۲. از این لحظه هر تغییری در مدل (فرض، داده یا فرمول) در ستون‌های زنده اعمال می‌شود. ۳. اختلاف زنده و ثابت، همه‌ی تغییرات را یک‌جا نشان می‌دهد.
این گزارش در مدل واقعی خیلی دقیق‌تر از یک مثال ساده است، اما ایده همین است. اگر مدل شما ساختار «واقعی در برابر پیش‌بینی» دارد، ساختار مدل واقعی و پیش‌بینی را مرور کنید.
مسئله: مدل قدیم و جدید در یک فایل نیستند
فرض کنید پروژه‌ای دارید که داده‌ی چند ماه آن ناقص بوده و حالا با بازسازی کامل داده، سمت پشتیبان مدل عوض شده است. نسخه‌ی دوم آماده شده و در گزارش انحراف، تغییرات قابل‌توجهی در هزینه‌های عملیاتی می‌بینید. انتظارش را داشتید چون داده‌ی قبلی ناقص بود، اما می‌خواهید بفهمید چه اتفاقی افتاده است.
مشکل این است که مدل قدیم داده‌ی قدیم و مدل جدید داده‌ی جدید دارد، پس نمی‌شود در یک فایل مقایسه کرد. راه سنتی این است که هر دو را باز کنید، با ترکیب‌های سنگین جست‌وجو و پیوند خارجی اختلاف‌ها را بیرون بکشید. جواب می‌دهد اما کند است و پر از ارجاع خارجی.
راه تازه: دستیاری که دو فایل باز را می‌بیند
بعضی دستیارهای هوش مصنوعی اجازه می‌دهند وقتی دو فایل همزمان باز است و با یک حساب کاربری وارد هستید، هر دو را ببینند. در تنظیمات باید گزینه‌ی کار روی چند فایل را روشن کنید. پیش از این کار، حتماً مطمئن شوید که مجوز کارفرما و سیاست‌های امنیتی سازمان اجازه می‌دهند.
سپس درخواستی شبیه این بنویسید:
گزارش انحراف را در مدل دوم بررسی کن و بگو تفاوت‌های اصلی با مدل اول چیست. احتمالاً به‌دلیل تازه‌شدن داده است که پیش‌تر ناقص بود، اما لطفاً تغییرات را کمّی کن تا بفهمم چه چیزی جابه‌جا شده. هر سوگیری احتمالی مرا کاملاً نادیده بگیر.
چند ثانیه بعد، یافته‌های مفیدی بیرون می‌آید. در یک نمونه‌ی گزارش‌شده این‌ها بود: بزرگ‌ترین تغییر ناشی از کامل‌شدن داده‌ی ماه‌های ناقص بود؛ یک هزینه‌ی بزرگ و غیرتکراری که بازبینی انسانی از آن غافل شده بود علامت‌گذاری شد؛ و تغییر تعداد مشتریان به‌خاطر بازطبقه‌بندی بخش‌هایی از کسب‌وکار توضیح داده شد.
مرحله‌ی حیاتی: آهسته شوید
نتایج ستایش‌برانگیزند، اما درست همین‌جا باید ترمز کنید. از پشت میز بلند شوید، چند لحظه فاصله بگیرید و برگردید. حالا هر یافته را دستی بازبینی کنید و کاملاً بفهمید چه اتفاقی افتاده است. یک آزمون ساده بگذارید: اگر الان مدیر یا مشتری در یک تماس بی‌مقدمه از شما درباره‌ی این یافته بپرسد، می‌توانید درست پاسخ دهید؟ اگر نه، کار انسانی هنوز باقی است.
توصیه‌ی عملی: یافته‌های مهم را با قلم و کاغذ بنویسید. نوشتن با دست مغز را مجبور می‌کند چند لحظه فکر کند و اطلاعات را پردازش کند. یک مشکل شناخته‌شده این است که در لحظه می‌فهمیم هوش مصنوعی چه می‌کند، اما یکی دو هفته بعد از جزئیاتش هیچ چیز یادمان نیست. تکنیک‌های سنتی یادگیری مثل نوشتن و خلاصه‌کردن، ارزش افزوده‌ی ما را در ذهن ثابت می‌کنند. برای نمونه، روش‌های یادگیری و به‌خاطرسپردن در همین زمینه است.
گزارش به مدیر یا مشتری
حتی پس از این بازبینی آهسته، در مجموع زمان کمتری صرف کرده‌اید، مدل بهتری دارید و نکات ارزشمندتری برای بحث پیدا کرده‌اید. پیشنهاد می‌شود متن گزارش را خودتان و با دست بنویسید، حتی با همان عبارت‌های محتاطانه‌ی انسانی. این کار تأییدی است که از ابزار برای بهتر شدن کارتان استفاده کرده‌اید، نه برای جایگزینی خودتان؛ و آخرین بازبینی هم هست که ببینید واقعاً مطلب را می‌دانید.
ایده‌ی بعدی: مدل الگو
اگر دو فایل را همزمان باز کنیم، می‌توان به‌جای نوشتن «مهارت‌های» پنهان در جعبه‌سیاه، یک «مدل الگو» نگه داشت که همیشه قابل ویرایش است و مدل زنده به آن ارجاع می‌دهد. شاید در آینده فهرست حساب‌ها را بدهید، مدل الگو را کنار آن باز کنید و از هوش مصنوعی بخواهید طبق الگو یک مدل سه‌صورتی بسازد. این هنوز ایده‌ای آزمایشی است، اما چشم‌انداز جالبی دارد: ابزار را به زبانی تنظیم می‌کنیم که خودمان می‌فهمیم.
پرسش‌های متداول
گزارش انحراف زنده و ثابت چه فایده‌ای دارد؟ هر تغییری را آنی نشان می‌دهد، چون در آغاز همه‌ی انحراف‌ها صفرند.
آیا هوش مصنوعی جایگزین بازبینی انسانی است؟ نه. فقط یافته‌ها را زودتر نشان می‌دهد؛ بازبینی و فهم نهایی با شماست.
ریسک امنیتی چیست؟ باز بودن همزمان فایل‌ها برای ابزار ممکن است داده‌ی حساس را در معرض قرار دهد. قبل از فعال‌کردن، سیاست سازمان را بررسی کنید.
اگر دو مدل ساختار متفاوت داشته باشند؟ باز هم می‌شود، ولی درخواست باید روشن کند کدام ردیف‌ها معادل‌اند. فرایند به‌روزرسانی ماهانه‌ی مدل هم کمک می‌کند ساختار ثابت بماند.
جمع‌بندی
برای مقایسه‌ی دو نسخه‌ی مدل مالی، ابتدا گزارش انحراف زنده در برابر ثابت بسازید، سپس با دستیاری که دو فایل را می‌بیند اختلاف‌ها را کمّی کنید و بعد آهسته و دستی هر یافته را بازبینی کنید. هوش مصنوعی در دست متخصص بسیار قدرتمند است؛ فقط عامل انسانی را فراموش نکنید.