Forecast nie powinien być kolejną wersją budżetu.
Powinien być systemem aktualizacji wiedzy o przyszłości.
W wielu firmach wygląda jednak podobnie.
Centrala wysyła szablon. Jednostki wpisują liczby. Controlling konsoliduje pliki. Trwają rundy korekt.
Po dwóch tygodniach mamy nowy forecast.
Po kolejnych dwóch część założeń jest już nieaktualna.
Forecast nie powinien udawać pewności
Jego rolą nie jest przewidzenie przyszłości z dokładnością do złotówki.
Ma odpowiedzieć:
Dokąd zmierza biznes?
Które założenia są najważniejsze?
Jakie ryzyka pojawiają się na horyzoncie?
Jak wyglądają alternatywne scenariusze?
Gdzie może pomóc AI?
Pierwszy poziom to przygotowanie baseline.
Dla wielu pozycji można wykorzystać historię, sezonowość i biznesowe drivery.
Do samego prognozowania szeregu czasowego LLM nie zawsze jest najlepszym narzędziem. Lepsze mogą być klasyczne modele statystyczne lub machine learning.
LLM może jednak pomóc interpretować wynik i pracować z założeniami.
AI jako challenge
Manager prognozuje wzrost sprzedaży o 12%.
System może zauważyć:
W ostatnich sześciu miesiącach wolumen wzrastał średnio o 3%. Jakie konkretne zdarzenie uzasadnia przyjęcie 12%?
To ciekawe wykorzystanie AI.
Nie tworzenie liczby.
Częstotliwość powinna wynikać z biznesu
Forecast nie powinien być aktualizowany dlatego, że „wypadł kolejny cykl”.
Powinien zmieniać się wtedy, kiedy zmieniają się istotne informacje.
Duży klient ogranicza zamówienia.
Pipeline słabnie.
Cena surowca rośnie.
Rotacja personelu zwiększa się.
Jeżeli informacje te istotnie zmieniają perspektywę wyniku, system powinien to pokazać.
Częstotliwość forecastu powinna więc wynikać z szybkości zmian biznesu, a nie z kalendarza controllingu.
AI nie usuwa niepewności.
Może jednak pomóc wcześniej zobaczyć, że przyjęty wcześniej obraz przyszłości przestaje być aktualny.