پیش‌بینی نقد ۱۳ هفته‌ای با هوش مصنوعی؛ سه روش و سه ابزار

پیش‌بینی جریان نقد ۱۳ هفته‌ای را امروز می‌توان با کمک هوش مصنوعی در چند دقیقه ساخت، اما پرسش مهم‌تر از «کدام مدل زبانی» این است که آن را در چه ابزاری بسازیم. در این نوشته یک پیش‌بینی واحد را به سه روش مرور می‌کنیم: اکسل، پایتون و دستیار هوش مصنوعی درون اکسل، و معیار انتخاب بین آن‌ها را روشن می‌کنیم.

هدف تاج‌گذاشتن بر سر یک برنده نیست. پاسخ درست به «تیم ما از کدام استفاده کند؟» به شرایط شما بستگی دارد، و این پاسخ فقط وقتی مفید است که بده‌بستان‌ها را بشناسید. مدل‌ها را عمداً ساده نگه می‌داریم؛ یک مدل پیش‌بینی خوب باید ساده شروع شود تا هشتاد درصد نتیجه را بدهد و بعد تا جایی دقیق‌تر شود که همچنان قابل مدیریت و فهم برای دیگران باشد. اگر با منطق خود این پیش‌بینی آشنا نیستید، ابتدا عادت هفتگی پیش‌بینی جریان نقد ۱۳ هفته‌ای را بخوانید.

ساختار پایه‌ی پیش‌بینی ۱۳ هفته‌ای در چهار گام

هر سه روش روی همین چهار گام بنا می‌شوند:

1. از مانده‌ی بانک شروع کنید. نقد ابتدای دوره از صورت‌حساب بانک می‌آید، نه از سیستم حسابداری. همه‌ی اعداد بعدی از این عدد ارث می‌برند، پس آن را از منبع بگیرید.
2. دریافت‌ها را بر اساس شرایط پرداخت زمان‌بندی کنید، نه تاریخ فروش. محصولی با مهلت پرداخت دوهفته‌ای و محصولی با مهلت سه‌هفته‌ای دو ردیف جدا هستند، حتی اگر در یک روز فاکتور شده باشند. از تاریخ سررسید فاکتور یا میانگین تاریخی هر مشتری استفاده کنید.
3. هر پرداخت را در هفته‌ای بگذارید که پول واقعاً خارج می‌شود. هزینه‌های مستقیم مثل مواد اولیه اغلب یک تا سه هفته پیش از فروش مربوط پرداخت می‌شوند؛ همین‌جاست که بیشتر پیش‌بینی‌های دستی خطا می‌کنند.
4. خط نقد پایانی را بسازید و هفته‌های منفی را علامت بزنید. نقد ابتدا، دریافت‌ها، پرداخت‌ها، خالص تغییر و نقد پایانی در یک جدول، با قالب‌بندی شرطی روی هر هفته‌ای که قرمز می‌شود.

یک مثال عددی ساده

فرض کنید نقد ابتدای دوره ۵۰۰ میلیون تومان است. هر هفته ۱۰۰ میلیون فروش با مهلت دوهفته‌ای دارید، ۶۰ میلیون مواد اولیه یک هفته پیش از فروش و ۸۰ میلیون حقوق هفتگی می‌پردازید.

با اینکه فروش ثابت است، نقد هر هفته ۴۰ میلیون کم می‌شود و دو هفته‌ی اول، که دریافتی نیست، بیشترین فشار را دارند. اگر مدل فروش را در هفته‌ی فروش ثبت می‌کرد، این کسری هرگز دیده نمی‌شد.

روش اول: ساخت مدل اکسل با کمک هوش مصنوعی

برای یک واحد کوچک با یک حساب بانکی، این روش همچنان کافی است. داده را در ابزار هوش مصنوعی بارگذاری کنید (اگر داده حساس است، مطمئن شوید ابزار گواهی امنیتی معتبر دارد) و دستوری مثل این بدهید:

یک پیش‌بینی جریان نقد ۱۳ هفته‌ای در برگه‌ای جدید به نام «پیش‌بینی ۱۳ هفته» بساز.
نقد ابتدا: [از صورت‌حساب بانک]
محصول الف: [X] واحد در هفته با قیمت [X]، مهلت پرداخت ۱۴ روز
محصول ب: [X] واحد در هفته با قیمت [X]، مهلت پرداخت ۲۱ روز
هزینه‌ها ۱ تا ۲ هفته پیش از فروش مربوط پرداخت می‌شوند
حقوق هفتگی: [X] | اجاره‌ی ماهانه: [X]
ستون‌ها: هفته | نقد ابتدا | دریافت | پرداخت | خالص جریان نقد | نقد پایانی
فقط از فرمول استفاده کن. هر هفته با نقد پایانی منفی را قرمز کن.
یک برگه‌ی «فرض‌ها» با همه‌ی ورودی‌ها اضافه کن.

محدودیت‌ها: ورود دستی داده همه‌جا هست. خودکارسازی فقط وقتی هست که کسی ماکرو نوشته باشد، و آن فرد معمولاً سال‌هاست شرکت را ترک کرده. با بزرگ‌شدن داده، فایل کند می‌شود و از کار می‌افتد، و چیزی برای حسابرسی ندارید جز کپی‌وچسباندن‌های خودتان.

روش دوم: پایتون برای داده‌ی حجیم و نتیجه‌ی تکرارپذیر

لازم نیست برنامه‌نویس باشید تا از پایتون استفاده کنید. پایتون وقتی می‌درخشد که داده زیاد است یا الگوریتم پیش‌بینی‌ای لازم دارید که در اکسل یا یک گفت‌وگوی ساده با هوش مصنوعی در دسترس نیست. تجمیع میلیون‌ها ردیف با یک اسکریپت چند ثانیه طول می‌کشد؛ همان کار در اکسل می‌تواند روزها وقت بگیرد.

1. کار را توصیف کنید. در ابزار هوش مصنوعی، کار و ساختار فایل‌ها را شرح دهید و اسکریپتی بخواهید که در محیطی مثل Google Colab اجرا شود. از هوش مصنوعی نمی‌پرسید نقدتان چقدر است؛ از آن می‌خواهید ابزاری بسازد که آن را محاسبه کند.
2. محیط اجرا را باز کنید. Colab در مرورگر و رایگان اجرا می‌شود، اما با حساب گوگل کار می‌کند؛ پیش از بارگذاری داده‌ی محرمانه، سیاست شرکت را بررسی کنید.
3. اجرا کنید و پیش از باور به خروجی، کد را خط‌به‌خط بخوانید. در کدی که قابل خواندن است توهمی پنهان نمی‌ماند؛ این همان قابلیت حسابرسی است که گفت‌وگوی صرف با هوش مصنوعی نمی‌دهد.
4. هفته‌ی بعد فقط داده را عوض کنید و همان اسکریپت را اجرا کنید. ورودی یکسان، خروجی یکسان.

دستور نمونه همان ورودی‌های روش اول را دارد، به‌اضافه‌ی این خواسته‌ها: خروجی را به فایل اکسل صادر کن، هفته‌های منفی را قرمز کن و برای هر بخش از کد توضیح بنویس تا بفهمم چه می‌کند.

نکته‌ی اصلی اینجاست: بیشتر مدل‌های هوش مصنوعی احتمالاتی‌اند و محتمل‌ترین پاسخ را می‌دهند، نه لزوماً درست‌ترین را. پایتون قطعی است. برای عددی که جلوی وام‌دهنده می‌گذارید، این تفاوت بسیار مهم است.

روش سوم: دستیار هوش مصنوعی درون اکسل

قابلیت ویرایش با Copilot در اکسل (یا افزونه‌های مشابه دستیارهای هوش مصنوعی دیگر) می‌تواند با فایل چندبرگه‌ای کار کند و فرمول‌های واقعی اکسل تحویل دهد که می‌توانید روی آن‌ها کلیک و ویرایش کنید.

1. مجوز را بررسی کنید. این قابلیت به اشتراک تجاری مناسب نیاز دارد؛ برای داده‌ی حساس، نسخه‌ی سازمانی امن‌تر است.
2. کل شرح کار را در یک دستور بدهید، همان‌طور که به یک تحلیلگر تازه‌کار توضیح می‌دهید: محصولات، حجم و قیمت، مهلت پرداخت هر کدام، هزینه‌هایی که پیش از فروش پرداخت می‌شوند، اجاره، حقوق و پیش‌پرداخت‌های خاص مثلاً برای خرید دستگاه در هفته‌های مشخص.
3. توضیحات کناری را در حین ساخت دنبال کنید و سپس روی سلول‌ها کلیک کنید. در پایان، برگه‌ای ۱۳ هفته‌ای با دریافت‌های تفکیک‌شده بر اساس محصول و نموداری از هفته‌های منفی دارید.

دستور را محدود کنید: بگویید مانده‌ی بانک در کدام برگه و سلول است، ورودی‌ها در کدام برگه‌اند و از هیچ برگه‌ی دیگری استفاده نکند.

یک هشدار: خروجی دستیار هوش مصنوعی در اجراهای مختلف احتمالاتی است و ممکن است یک دستور دو بار یک پیش‌بینی را یکسان نسازد. راه‌حل عملی، ترکیب آن با Power Query است تا به‌روزرسانی داده قطعی بماند و فقط ساخت ساختار به هوش مصنوعی سپرده شود.

کدام روش را انتخاب کنیم؟

به‌جای «کدام ابزار بهتر است»، بپرسید «این پیش‌بینی را چند وقت یک‌بار می‌سازم؟»

هر روشی که انتخاب کنید، کار نهایی یکی است: بازبینی، به چالش کشیدن و پذیرفتن مسئولیت عدد. هیچ ابزاری پیش‌بینی را امضا نمی‌کند؛ شما امضا می‌کنید. برای اصول بازبینی خروجی هوش مصنوعی پیش از ارائه، بازبینی تحلیل مالی هوش مصنوعی را ببینید، و برای مبانی روش مستقیم، پیش‌بینی جریان نقد به روش مستقیم را.

پرسش‌های متداول

چرا مانده‌ی ابتدای دوره را از بانک بگیریم و نه از دفاتر؟

چون دفاتر ممکن است تراکنش‌های ثبت‌نشده یا در راه داشته باشند. پیش‌بینی نقد باید از پولی شروع شود که واقعاً در حساب است.

آیا برای روش پایتون باید برنامه‌نویسی بلد باشم؟

نه برای نوشتن کد؛ هوش مصنوعی آن را می‌نویسد. اما باید بتوانید منطق کد را با کمک توضیحاتش بخوانید و بررسی کنید.

چرا خروجی دستیار هوش مصنوعی در دو اجرا متفاوت است؟

چون این مدل‌ها احتمالاتی‌اند. اگر ثبات لازم دارید، داده را با ابزار قطعی مثل Power Query یا اسکریپت به‌روز کنید و فقط ساخت اولیه را به هوش مصنوعی بسپارید.

جمع‌بندی

پیش‌بینی جریان نقد ۱۳ هفته‌ای روی چهار گام ثابت بنا می‌شود: مانده‌ی بانک، دریافت بر اساس مهلت پرداخت، پرداخت در هفته‌ی خروج واقعی پول و علامت‌گذاری هفته‌های منفی. هوش مصنوعی می‌تواند آن را در اکسل، پایتون یا دستیار درون اکسل بسازد. برای کار یک‌باره اکسل کافی است، برای تکرار با داده‌ی حجیم پایتون، و برای تکرار در فایل مشترک تیم، دستیار درون اکسل. مسئولیت عدد اما همیشه با شماست.