برنامه‌ی سرمایه در گردش با کمک هوش مصنوعی: تجربه و هشدارها

برنامه‌ی سرمایه در گردش بخشی نسبتاً معمولی از مدل مالی است، اما همین بخش برای آزمودن توازن میان کار انسان و هوش مصنوعی جای خوبی است. در این یادداشت یک تجربه‌ی عملی را مرور می‌کنیم: چگونه می‌توان جدول حساب‌های دریافتنی را با کمک هوش مصنوعی منعطف‌تر کرد، کجا هوش مصنوعی اشتباه کرد و چرا بازبینی انسانی هنوز ضروری است.

روش سنتی و محدودیتش

برای حساب‌های دریافتنی معمولاً این‌طور شروع می‌کنیم:

1. فرض می‌کنیم درآمد، حساب‌های دریافتنی را می‌سازد.
2. میانگین روزهای وصول مطالبات (DSO) را بر اساس یک بازه‌ی تعریف‌شده، مثلاً ۹۰ روز، از داده‌ی گذشته حساب می‌کنیم.
3. همین DSO نود‌روزه را به آینده منتقل می‌کنیم و مانده‌ی حساب‌های دریافتنی را می‌سازیم.

این روش برای یک نسخه‌ی اولیه کاملاً کارآمد است، اما ایستاست. اگر بخواهید دوره‌ی مبنا را تغییر دهید، یا مدل را هر ماه به‌روز کنید، بدون فرمول‌های پیچیده و وقت‌گیر ممکن نیست. به‌خصوص در مدل‌هایی که برای مشتری ساخته می‌شود و باید به‌روزرسانی ماهانه‌ی ساده داشته باشد، این ایستایی دردسر می‌شود. برای مرور ساختار کلی مدل، اجزای مدل مالی را ببینید.

چه چیزی از هوش مصنوعی خواستیم؟

هدف این بود که محاسبه‌های سرمایه در گردش کاملاً بر اساس ورودی‌ای که در بازه‌ی مبنا وارد می‌شود خودکار شود: برای دوره‌ی گذشته، DSO ضمنی را از روی ورودی حساب کند و برای پیش‌بینی، آخرین DSO را به جلو ببرد و مانده‌ی حساب‌های دریافتنی را بر اساس همان بازه بسازد.

توصیه‌ی مهم: لازم نیست «مهندس پرامپت» ماهری باشید. ابزارها هر روز بهتر می‌شوند و جست‌وجوی پرامپت کامل وقت را هدر می‌دهد. توضیح روشن هدف کافی است.

هوش مصنوعی چه آورد؟

• اعتبارسنجی محرک‌ها. ابتدا بررسی کرد که درآمد حساب‌های دریافتنی را هدایت می‌کند، بهای تمام‌شده‌ی مستقیم، حساب‌های پرداختنی و موجودی را، و هزینه‌های غیرمستقیم، پیش‌پرداخت‌ها را. این همان چیزی بود که انتظار می‌رفت، ولی داشتن نگاه دوم مفید بود.
• یک ورودی بازه‌ی مبنا برای هر حساب (در اینجا ۹۰ روز).
• ماه‌های بسته، مانده‌ی واقعی را می‌گیرند؛ ماه‌های آینده میانگین درآمد روزانه در بازه‌ی مبنا را در DSO همان ماه ضرب می‌کنند.
• هر ماه خودکار بر اساس برچسب «واقعی/پیش‌بینی» وضعیتش را عوض می‌کند.
• یادداشت توضیح فرمول در هر بخش اضافه شد تا انسان بتواند مسیر منطق را دنبال کند.

کجا اشتباه کرد؟

اینجا باید آهسته‌تر پیش رفت. هوش مصنوعی گاهی فرمول را فقط در بخشی از ردیف ادامه می‌داد، چون طول واقعی مدل را درست نمی‌دید. گاهی هم یک فرمول را در جایی که داده‌های واقعی تمام می‌شد پایان می‌داد و فرمول دیگری برای پیش‌بینی شروع می‌کرد، که در مدل‌سازی مالی کار درستی نیست.

چند پیام بعدی لازم بود تا یک فرمول واحد برای کل ردیف به دست بیاید. فرمول واحد در هر ردیف باعث می‌شود به‌روزرسانی مدل کارآمد باشد و اگر این نکته از دست می‌رفت، بعداً حسرت می‌خوردید. جالب این‌که خودِ هوش مصنوعی در «خودبازبینی» هم ردیفِ دارای فرمول‌های ترکیبی را مشکل گزارش نکرد.

بازبینی انسانی

وقتی فرمول‌ها یکدست شد، دو بازبینی انجام شد: یک جمع‌بندی سالانه ساخته شد و با دست بررسی شد که روندها از آزمون شهود می‌گذرند یا نه. سپس از هوش مصنوعی خواسته شد مثل مدیر مالی روندها را ارزیابی کند تا نتیجه‌اش با نتیجه‌ی تحلیلگر مقایسه شود. با این حال، نظر نهایی باید با خود تحلیلگر باشد. برای این بازبینی‌ها، کنترل خطا در مدل مالی راهنمای خوبی است. و برای درک بیشتر نقش هوش مصنوعی در مدل‌سازی، هوش مصنوعی در مدل‌سازی مالی را هم بخوانید.

نتیجه

زمان صرف‌شده تقریباً برابر روش قدیم بود، اما مدل بهتر شد: محرک‌های اعتبارسنجی‌شده، بازه‌ی مبنای انعطاف‌پذیر و یک فرمول یکسان برای هر ردیف با توضیح قابل فهم. نکته این است که خطای ترکیب فرمول‌ها را فقط کسی می‌بیند که سال‌ها مدل را دستی ساخته باشد. نقش تحلیلگر از سازنده به بازرس تغییر می‌کند.

توصیه‌های عملی

• ابتدا خودتان با دانش تخصصی نتیجه‌گیری کنید، بعد از هوش مصنوعی بازبینی بخواهید.
• از هوش مصنوعی بخواهید محرک‌ها و همبستگی پشت هر رقم را بررسی کند، نه این‌که فرض کند.
• حتماً بخواهید در هر ردیف یک فرمول یکسان استفاده شود.
• توضیح کوتاه برای انسان کنار فرمول‌های پیچیده بگذارید.
• نهایتاً مسئولیت توصیه با شماست.

پرسش‌های متداول

آیا می‌شود تمام برنامه‌ی سرمایه در گردش را به هوش مصنوعی سپرد؟ نه؛ هوش مصنوعی سرعت می‌دهد ولی بازبینی و مسئولیت با تحلیلگر است.

DSO چیست؟ میانگین تعداد روزهایی که طول می‌کشد فروش اعتباری به وجه نقد تبدیل شود.

اگر پرامپت خوب ندارم چه کنم؟ هدف را ساده بنویسید و با پیام‌های بعدی اصلاح کنید.

چطور خطای فرمول‌های ترکیبی را پیدا کنیم؟ ردیف‌ها را در نمای فرمول مرور کنید و دنبال فرمولی بگردید که وسط ردیف تغییر شکل داده است.

جمع‌بندی

هوش مصنوعی می‌تواند برنامه‌ی سرمایه در گردش را انعطاف‌پذیرتر کند، به شرطی که محرک‌ها را اعتبارسنجی کنید، یک فرمول یکسان بخواهید و نتیجه را خودتان بررسی کنید. دانش پایه‌ی مدل‌سازی مالی هنوز همان چیزی است که اجازه می‌دهد خطای نامحسوس هوش مصنوعی را ببینید.