Prognoza prihoda često polazi od prodajnog plana, ugovora,
istorijskog rasta i prosečne stope odlaska kupaca. Problem je što
proseci prikrivaju razlike. Kupac koji redovno koristi proizvod, uredno
plaća i proširuje paket nije isto što i kupac kod kog opada aktivnost,
rastu zahtevi podršci i menja se način plaćanja.
Veštačka inteligencija, odnosno AI, može te signale pretvoriti u
procenu rizika. To finansijskom timu omogućava da planirani prihod
postojećih kupaca koriguje verovatnoćom zadržavanja. Ipak, procena nije
činjenica, a model nije računovodstveni standard. Njegov rezultat je
ulaz u upravljačku prognozu koja zahteva proveru i stručni sud.
U nastavku su dva namerno suprotstavljena pogleda. Izrazi „Boomer” i
„Doomer” koriste se kao kratke oznake za izrazito optimističan i
izrazito pesimističan stav prema tehnologiji.
Od prosečne stope do
projekcije po kupcu
Najjednostavnija projekcija korigovana za zadržavanje računa
očekivani prihod svakog kupca:
Planirani prihod x verovatnoća zadržavanja = očekivani prihod
Ako model proceni povišen rizik odlaska, samo deo planiranog prihoda
ulazi u očekivanu vrednost. Sabiranjem rezultata dobija se projekcija
portfelja. Finansijski tim zatim može da je prikaže uz ugovoreni prihod,
osnovni plan i scenarije, bez mešanja tih kategorija.
Za pretplatničko poslovanje koristan je mesečni most:
Početni prihod + novi poslovi + proširenja - umanjenja - odlasci = završni prihod
AI ne menja ovu jednačinu. On može detaljnije proceniti stavku
odlazaka i pomoći da se ona rasporedi kroz vreme.
Tu je važna analiza opstanka, metoda koja procenjuje ne samo ko bi
mogao da ode već i kada. Kohortna analiza dopunjuje sliku tako što
poredi kupce stečene u istom periodu, kanalu ili segmentu. Ako određena
kohorta pokazuje nagli pad zadržavanja u ranoj fazi odnosa, finansije
mogu prilagoditi krivu prihoda umesto da primene jednu stopu na sve
kupce.
Boomer
pogled: AI konačno pretvara atriciju u finansijski pokretač
Optimistični pogled počinje od praktične koristi: finansije više ne
moraju da čekaju raskid da bi videle problem. Pad učestalosti
prijavljivanja, slabije korišćenje ključnih funkcija, povećan broj
zahteva podršci, kašnjenja u plaćanju ili zahtev za smanjenje paketa
mogu ranije ukazati na rizik.
Klasifikacioni modeli procenjuju ko je ugrožen. Logistička regresija
je razumljiva i pogodna za objašnjavanje poslovnim korisnicima. Modeli
kao što su Random Forest, XGBoost, LightGBM i CatBoost mogu obuhvatiti
složenije, nelinearne veze u tabelarnim podacima. Analiza opstanka
procenjuje vremenski horizont, dok modeli životne vrednosti kupca,
poznate kao CLV, pomažu da se rizik poveže sa ekonomskom vrednošću.
To omogućava bolju prioritizaciju. Visok rizik nije dovoljan razlog
za skupu intervenciju ako je očekivana vrednost kupca niska. S druge
strane, kupac velike vrednosti sa umerenim rizikom može zaslužiti
pažnju. Finansijska logika može se predstaviti ovako:
Očekivana korist zadržavanja = verovatnoća odlaska x očekivana vrednost kupca x verovatnoća uspeha - trošak intervencije
Ovakav pristup usmerava razgovor sa opšteg pitanja „koliko kupaca
odlazi” na konkretnije pitanje „koliki prihod i marža su izloženi riziku
i gde se intervencija isplati”.
Dodatna prednost je scenario planiranje. Umesto jedne tačke, uprava
može dobiti optimistični, osnovni i pesimistični prikaz. Pretpostavke se
mogu razlikovati po kohorti, paketu, kanalu i vrsti ugovora. Time
prognoza postaje bliža stvarnom sastavu baze kupaca.
Doomer
pogled: sofisticirana greška i dalje je greška
Pesimistični pogled upozorava da model može proizvesti precizno
formatiran, ali pogrešan rezultat. Ako su identifikatori kupaca
neusaglašeni, otkazi pogrešno označeni, podaci o korišćenju nepotpuni
ili plaćanja duplirana, složeniji algoritam samo obrađuje lošu
osnovu.
Definicija odlaska takođe nije univerzalna. U ugovornom modelu raskid
se može jasno posmatrati. U maloprodaji i drugim neugovornim odnosima
odlazak je skriven: kupac možda nije otišao, već samo duže nije kupovao.
Zbog toga isti metod ne treba mehanički prenositi između poslovnih
modela.
Drugi problem je objašnjivost. Finansijski menadžer mora znati zašto
je prihod korigovan, naročito kada rezultat utiče na budžet,
zapošljavanje ili komunikaciju sa upravom. Složen model može biti
tačniji na testu, ali manje koristan ako niko ne može da objasni glavne
pokretače procene. Metode objašnjive AI, kao što su SHAP i LIME, mogu
pokazati koje su promenljive uticale na rezultat, ali ni one ne
zamenjuju poslovnu proveru.
Postoji i rizik slepog poverenja. Model uči iz istorije, dok se
ponuda, cene, konkurencija, kanali prodaje i ponašanje kupaca mogu
promeniti. Rezultat koji je ranije bio koristan može oslabiti bez
očiglednog upozorenja. Zato treba pratiti grešku prognoze i promenu
performansi po kohortama i segmentima.
Najzad, projekcija korigovana za zadržavanje ne određuje priznavanje
prihoda. Ona je analitički pogled na očekivani ishod. Ugovoreni iznos,
računovodstveno priznati prihod, novčani priliv i verovatnosna prognoza
moraju ostati jasno razdvojeni.
Kako početi u
Excelu bez stvaranja crne kutije
Prvi korak nije izbor algoritma, već uređivanje podataka. CRM,
obračunski sistem, evidenciju korišćenja i zahteve podršci treba uvesti
preko Power Query, standardizovati i povezati jedinstvenim
identifikatorom kupca.
Zatim treba napraviti kalendarsku tabelu, tabelu kupaca i tabelu
događaja. Svakom kupcu dodeljuje se mesec akvizicije, a matrica kohorti
pokazuje koliko ih ostaje aktivno u narednim periodima. Uslovno
formatiranje može brzo istaći periode naglog pada.
Power Pivot i DAX mogu podržati mere za početni broj aktivnih kupaca,
nove kupce, odlaske i stope zadržavanja. Python u Excelu može se
koristiti za napredniju analizu, ali se spoljni podaci prvo unose preko
Power Query. Rezultate treba vratiti u proverljive tabele, a ne sakriti
u nedokumentovanom kodu.
Za početak je dovoljno sprovesti četiri kontrole:
- usaglasiti ukupan broj kupaca i prihod sa izvornim
evidencijama; - dokumentovati definiciju odlaska i sve pretpostavke;
- prikazati raspon scenarija, a ne samo jednu procenu;
- porediti prognozu sa ostvarenjem po periodu, kohorti i
segmentu.
Zaključak: AI kao
analitičar, ne kao potpisnik
Optimistična strana je uverljiva tamo gde postoje kvalitetni podaci,
ponovljiv tok rada i jasno povezivanje rizika sa prihodom, maržom i
troškom intervencije. Pesimistična strana je opravdana kada model
postane zamena za usaglašavanje, razumevanje ugovora i poslovni
kontekst.
Najbolji pristup nije ni slepo prihvatanje ni potpuno odbacivanje AI.
Model treba da pripremi procenu, izdvoji anomalije i pokaže gde je
prihod izložen riziku. Računovođa, kontroler ili finansijski menadžer
mora da proveri podatke, ospori pretpostavke, protumači materijalnost i
odobri konačnu prognozu.
Drugim rečima, projekcija korigovana za zadržavanje može biti bolja
od prostog istorijskog proseka. Ali njena vrednost ne dolazi samo iz
algoritma. Dolazi iz spoja podataka, finansijske discipline i ljudskog
suda.