افزایش پیش بینی درآمد با بینش مشتری مبتنی بر نظرسنجی

تولید محتوا
پیش بینی درآمد شرکت
AdobeStock_180008799دقت پیش بینی درآمد ارائه شده توسط تحلیلگران وال استریت برای شرکت های سهامی عام جزء مهم ارزیابی سهام و تصمیمات سرمایه گذاری است. با این حال، این پیش بینی ها اغلب می توانند بسیار متغیر و در برخی موارد به طور قابل توجهی نادرست باشند. به عنوان مثال، مطالعه ای از MIT نشان داد که در بین 34 شرکت، یک مدل الگوریتمی از معیارهای اجماع ارائه شده توسط تحلیلگران وال استریت در 57.2٪ از 306 پیش بینی سه ماهه بهتر عمل کرد. این اختلاف یک موضوع کلیدی را در بازارهای مالی برجسته می کند: پیش بینی های تحلیلگران سنتی همیشه قابل اعتمادترین نیستند.
این نادرستی ها می توانند عواقب قابل توجهی داشته باشند، به ویژه زمانی که به سیگنال های گمراه کننده در مورد عملکرد سهام منجر می شوند، که می تواند تصمیمات سرمایه گذاری را تحت تاثیر قرار دهد.
چرا پیش‌بینی‌های درآمد سنتی کوتاه می‌آیند؟
دلایل متعددی وجود دارد که چرا پیش بینی درآمد شرکت های دولتی می تواند از واقعیت منحرف شود. یکی از دلایل اصلی، سوگیری ذاتی در اطلاعات ارائه شده توسط شرکت ها است. شرکت‌های سهامی عام اغلب پیش‌بینی‌های خوش‌بینانه‌ای را منتشر می‌کنند تا تصویر مطلوب‌تری از عملکرد آتی خود ارائه دهند، که می‌تواند به طور مثبت بر قیمت سهام تأثیر بگذارد و بر احساسات سرمایه‌گذاران تأثیر بگذارد. شرکت ها با پیش بینی اطمینان در درآمدهای آتی، سعی می کنند ارزش بازار سهام خود را حفظ یا افزایش دهند.
این سوگیری خوش بینانه می تواند به ویژه زمانی مشکل ساز شود که تحلیلگران در پیش بینی های خود به شدت بر راهنمایی های ارائه شده توسط شرکت تکیه کنند. تحلیلگران اغلب تشویق می‌شوند تا روایت شرکت را دنبال کنند، زیرا شرکت‌هایی که پیش‌بینی‌هایشان را برآورده می‌کنند یا از آنها فراتر می‌روند، از نظر سرمایه‌گذاران معتبرتر می‌شوند. در نتیجه، پیش‌بینی‌های درآمدی می‌توانند منعکس‌کننده این سوگیری باشند، که منجر به عدم دقتی می‌شود که بر ارزیابی سهام تأثیر می‌گذارد.
در هسته اصلی آن، چالش پیش‌بینی‌های شرکت‌های عمومی سنتی در اتکا به اطلاعات ذهنی نهفته است. سرمایه گذاران، تحلیلگران و خود شرکت ها ممکن است همگی دارای سوگیری هایی باشند که پیش بینی ها را از واقعیت عینی دور می کند. با توجه به این عوامل، کشف روش هایی که بینش های بی طرفانه و مبتنی بر داده ها را در پیش بینی درآمد ترکیب می کنند، ضروری است.
بیشتر برای شما Agatha All Along’ سری 2 قسمتی بررسی اولین سری: من با احتیاط خوشبین هستم شانس، مسابقات و عملکردهای سری 2024 WNBA برای تماشا و شرط بندی کاهش نیم درصدی نرخ امتیاز فدرال رزرو می تواند به معنای نگرانی باشد وعده داده های پیش بینی مجدد
همانطور که مطالعه MIT نشان می‌دهد، منابع «داده‌های جایگزین» می‌توانند ابزار ارزشمندی در پیش‌بینی مالی باشند و بینش‌های بیشتری را ارائه دهند که می‌تواند دقت پیش‌بینی را بهبود بخشد. در حالی که مدل‌های سنتی مبتنی بر داده‌های تاریخی هستند، داده‌های جایگزین شاخص‌های غیر سنتی و اغلب هم‌زمان را ارائه می‌کنند که به تحلیل‌گران کمک می‌کند پیش‌بینی‌های آگاهانه‌تری داشته باشند. منابع داده های جایگزین عبارتند از احساسات رسانه های اجتماعی، تراکنش های کارت اعتباری و حتی ترافیک وب شرکت. این منابع داده می توانند دیدگاه های جدیدی را در مورد عملکرد یک شرکت به خصوص برای مدل های سری زمانی ارائه دهند.
علیرغم ارزش آنها، اکثر منابع داده جایگزین هنوز یک محدودیت اساسی دارند: آنها عمدتاً به عقب نگاه می کنند. چه تراکنش‌های کارت اعتباری و چه ترافیک وب تاریخی، این شاخص‌ها همچنان فعالیت گذشته را منعکس می‌کنند و بر این فرض تکیه می‌کنند که الگوهای تاریخی در آینده تکرار خواهند شد. این محدودیت ممکن است همیشه صادق نباشد، به ویژه در صنایعی که به سرعت در حال تغییر هستند یا بازارهای نوسان.
بینش های مبتنی بر نظرسنجی: بعد جدیدی در پیش بینی
دکتر دمیرهان ینیگون، مدیر ارشد استراتژی Ereteam، یک شرکت پیشرو در خدمات تجزیه و تحلیل داده، استدلال می‌کند که اگرچه مدل‌های پیش‌بینی سری‌های زمانی سنتی نقاط قوت خود را دارند، اما ذاتاً بر این فرض تکیه می‌کنند که الگوهای مشاهده شده در داده‌های تاریخی در آینده باقی خواهند ماند. این می تواند زمانی که الگوها در یک دوره زمانی معین سازگار و قابل پیش بینی هستند، پیش بینی را نسبتاً ساده کند. با این حال، بازارها و رفتار مصرف‌کننده می‌توانند غیرقابل پیش‌بینی باشند، با شوک‌های خارجی و تغییرات در شرایط اقتصادی، تکیه صرف بر داده‌های تاریخی را دشوار می‌کند.
به لطف پیشرفت در یادگیری ماشین و هوش مصنوعی، مدل‌های سری زمانی در سال‌های اخیر به‌طور قابل توجهی بهبود یافته‌اند. با این حال، همانطور که دکتر Yenigun اشاره می کند، حتی بهترین مدل ها فقط به اندازه داده هایی هستند که بر روی آنها آموزش دیده اند. کلید بهبود بیشتر دقت پیش‌بینی‌های درآمد در دستیابی به داده‌های پیش‌بینی بهتر نهفته است – به‌ویژه، داده‌هایی که نه تنها روندهای تاریخی را نشان می‌دهند، بلکه بینش‌هایی را نیز در مورد آینده ارائه می‌دهند.
در پاسخ به این چالش، Ereteam شروع به کشف مرز جدیدی در پیش‌بینی درآمد کرد: بینش‌های مبتنی بر نظرسنجی که از داده‌های مصرفی خرده‌ای از نظرسنجی‌های ماهانه Prosper Insights & Analytics در سطح شرکت در مورد رفتار خرید مصرف‌کننده فعلی و مورد انتظار استفاده می‌کند. این داده های نظرسنجی همچنین انتظارات مصرف کنندگان را در مورد روندهای اقتصادی گسترده تر نشان می دهد و لایه ای از قدرت پیش بینی را به پیش بینی های درآمد اضافه می کند.
Ereteam با گنجاندن داده‌های نظرسنجی در مدل‌های سری زمانی، رویکرد جدیدی را برای پیش‌بینی درآمدهای شرکت عمومی ایجاد کرد. این رویکرد فراتر از اتکای سنتی به داده های تاریخی است و احساسات مصرف کننده و قصد خرید را به عنوان شاخص های آینده نگر معرفی می کند. در نتیجه، مدل‌ها می‌توانند پیش‌بینی‌های آگاهانه‌تری درباره درآمدهای آتی انجام دهند، نه اینکه صرفاً بر عملکرد گذشته تکیه کنند.
دقت بهبود یافته از طریق داده های آینده نگر
نتایج اولیه این همکاری امیدوارکننده است. مطالعات اولیه Ereteam نشان می‌دهد که مدل‌هایی که بینش مصرف‌کننده مبتنی بر نظرسنجی را در بر می‌گیرند از نظر دقت از مدل‌های سری زمانی سنتی بهتر عمل می‌کنند. کلید این پیش بینی های بهبود یافته در همسویی بین احساسات مصرف کننده و درآمد شرکت نهفته است. برای چندین شرکت مورد مطالعه، همبستگی قوی بین ارقام درآمد سه ماهه و رفتار خرید مصرف‌کننده که در نظرسنجی‌های پراسپر ثبت شده بود، وجود داشت. این نشان می‌دهد که داده‌های نظرسنجی می‌توانند به‌طور مؤثر روند درآمد را ردیابی و پیش‌بینی کنند و بعد آینده‌نگر به پیش‌بینی‌ها اضافه کنند.
یک مثال قابل توجه قدرت پیش بینی این مدل ها در پیش بینی درآمد CVS Health است. Ereteam یک مدل پیش‌بینی ایجاد کرد که داده‌های نظرسنجی Prosper را برای پیش‌بینی درآمدهای آینده CVS ترکیب می‌کرد. مدل آزمایش شده در 3 فصل، 98.8 درصد دقت در برابر درآمدهای واقعی داشت.
3 پیش بینی سه ماهه آینده برای درآمدهای CVS
Ereteam، بر اساس داده‌های Prosper Insights & Analytics همانطور که دکتر Yenigun توضیح می‌دهد، «ما همیشه می‌دانیم که اطلاعات جمع‌آوری‌شده در این نظرسنجی‌ها بینش‌های واقعی در مورد رفتارهای فعلی مصرف‌کننده و همچنین نیات و انتظارات آتی آنها ارائه می‌دهد. بسیار هیجان‌انگیز است که می‌بینیم از قدرت پیش‌بینی قابل توجه این اطلاعات به‌طور موثر در پیش‌بینی درآمد شرکت‌های دولتی استفاده می‌شود.»
راه پیش رو برای پیش بینی درآمد مبتنی بر نظرسنجی
Ereteam در حال حاضر روی توسعه مدل‌های پیش‌بینی درآمد فردی برای 35 شرکت عمومی صنعت خرده‌فروشی که تحت پوشش داده‌های نظرسنجی Prosper هستند، کار می‌کند. این مدل‌ها پیش‌بینی‌هایی را برای یک، دو و سه فصل آینده ارائه می‌کنند و به شرکت‌ها و سرمایه‌گذاران این شانس را می‌دهند که بر اساس پیش‌بینی‌های درآمد دقیق‌تر تصمیم‌های استراتژیک بگیرند.
Ereteam مدل‌های پیش‌بینی خود را در سایر صنایع با شروع شرکت‌های خودروسازی به عنوان گروه بعدی شرکت‌های دولتی گسترش خواهد داد.
پیامدهای این رویکرد جدید بسیار فراتر از شرکت هایی است که مستقیماً در این مطالعه درگیر هستند. سرمایه‌گذاران و شرکت‌ها اکنون به منبعی مستقل از داده‌ها دسترسی خواهند داشت که پیش‌بینی‌های بی‌طرفانه و مبتنی بر داده‌ها را ارائه می‌دهد که چشم‌اندازی متمرکز بر آینده را در بر می‌گیرد. با استفاده از بینش مصرف کننده مبتنی بر نظرسنجی، این پیش بینی ها می توانند تصویر واضح تری از روندهای آینده ارائه دهند و به سرمایه گذاران کمک کنند تا تصمیمات آگاهانه تری بگیرند.
همانطور که دنیای پیش بینی مالی در حال تکامل است، به طور فزاینده ای آشکار می شود که یک رویکرد یکسان برای همه دیگر کافی نیست. با ادغام منابع داده های جایگزین و بینش های مبتنی بر نظرسنجی، آینده پیش بینی درآمد قول می دهد که دقیق تر و قابل اعتمادتر از همیشه باشد.
در نتیجه، مدل‌های پیش‌بینی درآمد شرکت Ereteam پیشرفت قابل‌توجهی را در پیش‌بینی درآمد شرکت عمومی نشان می‌دهد. با ترکیب داده‌های مبتنی بر نظرسنجی که هم رفتار مصرف‌کننده فعلی و هم انتظارات آینده را در بر می‌گیرد، این رویکرد جدید فراتر از محدودیت‌های مدل‌های سری زمانی سنتی حرکت می‌کند. توانایی این محصولات داده “آماده برای استفاده” برای پیش بینی درآمدهای آتی با دقت بیشتر به شرکت ها و سرمایه گذاران کمک می کند تا تصمیمات بهتر و آگاهانه تری در مورد آینده بگیرند.
وب سایت من را بررسی کنید. گری درنیک به دنبال گری درنیک نویسنده باتجربه Forbes است که بر نوآوری در شرکت های بزرگ و کسب و کارهای کوچک از طریق برنامه های کاربردی هوش مصنوعی برای داده های مصرف کننده تمرکز دارد. از سال 2012، او بینش هایی را در مورد تجزیه و تحلیل پیشگویانه نوآورانه سازگار با حریم خصوصی و راه حل های بازاریابی هدفمند ارائه کرده است. Drenik به طور مشخص اولین مصاحبه را با یکی از مدیران Accenture در مورد استراتژی سرمایه گذاری 3 میلیارد دلاری آنها در هوش مصنوعی انجام داد. او یکی از بنیانگذاران Prosper Insights & Analytics است که بزرگترین مجموعه داده‌های غیرحضوری در حال انجام رفتارهای مصرف‌کننده، انگیزه‌ها، روان‌شناسی و برنامه‌های هزینه‌های آینده را مدیریت می‌کند. این داده ها برای NRF در ردیابی و روند هزینه های مصرف کننده بسیار مهم است و همچنین توسط تحلیلگران بانکداری سرمایه گذاری و صندوق های تامینی استفاده می شود. Drenik دارای مدرک لیسانس در آموزش و تاریخ است و Prosper چهار بار توسط Inc. به عنوان یکی از سریع ترین شرکت های در حال رشد شناخته شده است.”>