مدل مالی با هوش مصنوعی؛ نقاط قوت و خطاهای پنهان
ساخت مدل مالی با هوش مصنوعی حالا ممکن است؛ سؤال این است که خروجی چقدر قابل اتکاست. یک مدل‌ساز باتجربه چهار آزمون ساده را روی دستیار هوش مصنوعی داخل اکسل اجرا کرد: مدل سه صورت مالی، مدل درآمد SaaS، پیش‌بینی نیروی انسانی و داشبورد. نتیجه ترکیبی از شگفتی و هشدار بود.
آزمون اول: مدل سه صورت مالی
آزمون با داده‌های واقعی شروع شد: یک صورت سود و زیان و یک ترازنامه تاریخی، و درخواست مدلی با پیش‌بینی تا دو سال بعد. نتیجه بهتر از انتظار بود. هوش مصنوعی بدون اینکه کسی بخواهد، چند مشکل را خودش پیدا و اصلاح کرد:
- فرمولی که به ستون اشتباه اشاره می‌کرد.
- سود خالص ترازنامه که هر ژانویه باید از صفر شروع شود و به سود انباشته منتقل شود.
- مرتب‌سازی ظاهری: ثابت‌کردن پنجره‌ها، تنظیم عرض ستون‌ها و یکدست‌کردن قالب.
وقتی صورت جریان وجوه نقد خواسته شد، آن را درست ساخت و ارقام با ترازنامه تطبیق داشت. برای مدل سه صورت مالی، که قلب هر مدل جدی است، این نقطه‌ی شروع قابل قبولی است. اگر با ساختار این مدل آشنا نیستید، مدل سه صورت مالی؛ مهم‌ترین مهارت یک مدل‌ساز پایه‌ی خوبی است.
آزمون دوم: مدل درآمد SaaS
در گام بعد مدل درآمد اشتراکی خواسته شد: درآمد تکرارشونده‌ی ماهانه (MRR)، نرخ ریزش مشتری، درآمد توسعه‌ی اشتراک و کوهورت‌های مشتری. هوش مصنوعی یک جدول آبشاری ساخت که حرکت درآمد را از ابتدا تا انتهای دوره نشان می‌داد و کوهورت‌ها را هم درست دنبال کرد. ساختار منطقی بود.
نتیجه‌ی کاربردی این است: برای یک مدل سریع جهت ارائه به سرمایه‌گذار یا یک پیش‌بینی تقریبی، هوش مصنوعی می‌تواند در چند دقیقه حدود هشتاد درصد راه را برود. بیست درصد باقی‌مانده جایی است که تخصص انسانی وارد می‌شود.
آزمون سوم: پیش‌بینی نیروی انسانی و جای خالی جزئیات
پیش‌بینی نیروی انسانی ساده به نظر می‌رسد: کارمندان، حقوق‌ها و برآورد آینده. اما همین‌جا ضعف‌ها آشکار شد:
- هزینه‌های جانبی نبود. فقط حقوق ناخالص محاسبه شده بود؛ بیمه و مالیات کارفرما، مزایا و هزینه‌های اداری لحاظ نشده بود.
- مقدارهای ثابت به‌جای فرمول. بخش زیادی از اعداد دستی وارد شده بودند و با تغییر فرض‌ها به‌روز نمی‌شدند.
- نسبت‌گیری زمانی انجام نشده بود. کارمندی که اواسط ماه شروع می‌کند یا در تیرماه می‌رود باید فقط برای روزهای حضورش هزینه ایجاد کند.
- کنترل خطا وجود نداشت. اگر هزینه‌ی واحدها در مجموع کل جمع نشود، مدل باید فریاد بزند؛ این مدل ساکت ماند.
مثال عددی ساده: فرض کنید کارمندی با حقوق ماهانه‌ی ۱۰۰ واحد در نیمه‌ی ماه استخدام شود. هزینه‌ی ماه اول باید حدود ۵۰ واحد باشد، نه ۱۰۰. اگر سربار کارفرما حدود ۲۰ درصد باشد، هزینه‌ی کامل ماه‌های بعد ۱۲۰ واحد می‌شود. مدلی که فقط ۱۰۰ را ببیند، در سال برای ده نفر خطای قابل‌توجهی در جریان نقد ایجاد می‌کند. برای ساختار درست این بخش، برنامه‌ی کارکنان در مدل مالی را ببینید.
آزمون چهارم: داشبورد قابل ارائه به هیئت‌مدیره
داشبوردی که هوش مصنوعی ساخت شامل چند کادر شاخص، یک نمودار ساده و چند جدول کمکی بود. کارکرد داشت، اما قابل ارائه به هیئت‌مدیره نبود. یک داشبورد حرفه‌ای باید این‌ها را داشته باشد:
- مقایسه‌ی دوره‌ها (ماه جاری با ماه قبل و سال قبل)
- جمع‌شدن ماه‌ها به فصل و سال
- قالب‌بندی اعداد به‌شکلی که مدیر در چند ثانیه بخواند
چک‌لیست بازبینی مدل ساخته‌شده با هوش مصنوعی
قبل از اینکه خروجی را وارد جلسه کنید، این موارد را بررسی کنید:
- ریشه‌ی اعداد: هر عدد ثابت را پیدا کنید و ببینید باید فرمول باشد یا فرض ورودی.
- هزینه‌ی کامل: بیمه، مالیات، مزایا و سربار را کنار حقوق ببینید.
- زمان‌بندی: شروع و پایان همکاری را به نسبت روز محاسبه کنید.
- کنترل‌های داخلی: ترازبودن ترازنامه، تطبیق جمع واحدها با کل و تطبیق نقد را با سلول‌های بررسی خودکار تضمین کنید. نمونه‌ی روش‌ها در کنترل خطا در مدل مالی آمده است.
- ارائه: داشبورد را برای مخاطب بازطراحی کنید.
جدول زیر خلاصه‌ی نتیجه‌ی آزمون‌هاست:
| حوزه | نتیجه | اقدام انسانی |
|---|---|---|
| سه صورت مالی | قابل قبول، با اصلاح خودکار خطاها | تطبیق نهایی |
| مدل درآمد SaaS | ساختار درست | بازبینی فرض‌ها |
| نیروی انسانی | ناقص و دارای مقدار ثابت | افزودن سربار، نسبت‌گیری، فرمول |
| داشبورد | کارکردی ولی ابتدایی | بازطراحی |
برای نگاه کلی‌تر به نقش ابزار هوش مصنوعی در مدل‌سازی، هوش مصنوعی در مدل‌سازی مالی؛ ضریب‌دهنده است نه معلم را بخوانید.
پرسش‌های متداول
آیا هوش مصنوعی می‌تواند جای مدل‌ساز مالی را بگیرد؟
فعلاً نه. سرعت و ساختار اولیه را می‌دهد، اما کنترل خطا، سربارها و قضاوت درباره‌ی فرض‌ها هنوز به تجربه‌ی انسانی نیاز دارد.
مدل ساخته‌شده با هوش مصنوعی برای چه کاری مناسب است؟
برای پیش‌نویس سریع، ارائه‌ی اولیه به سرمایه‌گذار و پیش‌بینی تقریبی. برای مدل نهایی باید بازبینی و تکمیل شود.
مهم‌ترین خطاهای این مدل‌ها چیست؟
اعداد ثابت به‌جای فرمول، فراموش‌شدن هزینه‌های جانبی، نبود محاسبه‌ی نسبی برای شروع و پایان همکاری و نبود سلول‌های کنترل.
چطور از خطای مدل جلوگیری کنیم؟
با چک‌لیست بالا، بررسی فرمول‌ها و افزودن کنترل‌های بررسی خودکار که در صورت ناسازگاری هشدار دهند.
جمع‌بندی
هوش مصنوعی سه صورت مالی و مدل درآمد را خوب شروع می‌کند، اما در جزئیات نیروی انسانی، کنترل خطا و ارائه ضعف دارد. بهترین استفاده این است که هشتاد درصد کار را به ابزار بسپارید و بیست درصد حساس را با تجربه و قضاوت خودتان کامل کنید. ابزارها بهتر خواهند شد، اما مسئولیت درستی عدد همچنان با مدل‌ساز است.