كيفية استخدام الذكاء الاصطناعي للتنبؤ المالي: دليل خطوة بخطوة

يُغير الذكاء الاصطناعي التنبؤ المالي من عملية يدوية ربع سنوية تعتمد على جداول البيانات إلى عملية أكثر ديناميكية ودقة واستمرارية. فبدلاً من قضاء معظم وقتهم في جمع البيانات والتحقق منها – وهو رقم يُقدر غالبًا بأكثر من 40% من جهد فريق المالية – يمكن للمحللين استخدام الذكاء الاصطناعي لأتمتة المهام الشاقة والتركيز على الرؤى الاستراتيجية. لا يتعلق الأمر باستبدال المحللين، بل بتعزيز قدراتهم. بالنسبة للمحترفين العاملين في التحليل المالي والتخطيط (FP&A) وتحليلات الأعمال، يعني هذا الانتقال من بناء النماذج من الصفر إلى التحقق من المخرجات التي يولدها الذكاء الاصطناعي وتفسيرها.

يقدم هذا الدليل سير عمل عمليًا وخطوة بخطوة لبناء توقع مالي مدعوم بالذكاء الاصطناعي. سنستعرض العملية بأكملها باستخدام أداة شائعة ومتاحة: Microsoft Power BI مع Copilot المدمج فيه. الهدف هو أن نوضح لك ليس فقط النظرية، بل العملية الفعلية التي يمكنك تكرارها اليوم. تقوم ZEKAI بمراجعة الأدوات بشكل مستقل، وتستند توصياتنا إلى ما ينجح في السياق المهني الحقيقي.

سير عمل التنبؤ بالذكاء الاصطناعي المكون من 4 خطوات

تتكون عملية التنبؤ الفعالة بالذكاء الاصطناعي من أربع مراحل متميزة. ويُعد تخطي أي خطوة، خاصة إعداد البيانات أو التحقق منها، نقطة الفشل الأكثر شيوعًا.

1. ربط بياناتك وتنظيفها: نماذج الذكاء الاصطناعي لا تكون جيدة إلا بقدر جودة البيانات التي تُدرب عليها. تتضمن هذه الخطوة الاتصال بأنظمة المصدر الخاصة بك (ERP، CRM، برامج المحاسبة) والتأكد من أن البيانات نظيفة ومنظمة ومتسقة.
2. اختر منهجية التنبؤ الخاصة بك: الطريقتان الأساسيتان هما التنبؤ بالسلاسل الزمنية (توقع الأداء المستقبلي بناءً على الاتجاهات السابقة) والتنبؤ القائم على المحركات (نمذجة العلاقات بين المحركات التشغيلية والنتائج المالية).
3. بناء النموذج: هنا تستخدم أداة ذكاء اصطناعي لإنشاء التنبؤ. سنوضح ذلك باستخدام الإمكانات المضمنة في Power BI.
4. التحقق من الصحة وتشغيل السيناريوهات: لا ينبغي الوثوق بأي مخرجات للذكاء الاصطناعي بشكل أعمى. تتضمن هذه الخطوة الأخيرة التحقق من دقة التنبؤ مقابل البيانات التاريخية المعروفة، ثم استخدام النموذج لتشغيل سيناريوهات “ماذا لو”.

الخطوة 1: ربط بياناتك وتنظيفها

البيانات غير الدقيقة تؤدي إلى نتائج غير دقيقة. هذا المبدأ لا يرحم في الذكاء الاصطناعي. قبل أن تتمكن من التنبؤ، يجب أن تكون بياناتك التاريخية قابلة للقراءة آليًا وموثوقة.

مخاطر جودة البيانات الشائعة:

• فترات زمنية غير متناسقة: خلط البيانات الفعلية الشهرية مع الميزانيات ربع السنوية دون جدول تاريخ مشترك.
• رؤوس أعمدة غير واضحة: استخدام أسماء أعمدة غامضة مثل “المبلغ” بدلاً من “صافي الإيرادات”.
• تنسيقات بيانات مختلطة: تخزين القيم الرقمية كنص، مما يمنع العمليات الحسابية.
• مصادر مجزأة: سحب بيانات المبيعات من نظام إدارة علاقات العملاء (CRM) وبيانات المصروفات من نظام تخطيط موارد المؤسسات (ERP) دون معرف مشترك لربطها.

لشرحنا هذا، سنفترض أن لديك ملفًا بسيطًا (مثل ملف Excel أو .csv) من نظام المحاسبة الخاص بك يحتوي على عمودين على الأقل: Date (التاريخ) و Net Revenue (صافي الإيرادات). في سيناريو واقعي، ستستخدم محرر Power Query في Power BI للاتصال مباشرة بمستودع البيانات الخاص بك أو نظام تخطيط موارد المؤسسات (ERP) (مثل NetSuite أو SAP) لضمان أن البيانات محدثة دائمًا.

يتضمن تنظيف هذه البيانات في Power Query التأكد من تنسيق عمود Date كنوع تاريخ وأن Net Revenue هو رقم عشري. هذه الخطوة البسيطة للتحقق من الصحة حاسمة وتمنع معظم الأخطاء الشائعة في المراحل اللاحقة.

الخطوة 2: اختر منهجية التنبؤ الخاصة بك

تعتمد منهجيتك على البيانات المتوفرة لديك والأسئلة التي تحتاج إلى الإجابة عليها.

• التنبؤ بالسلاسل الزمنية: هذه هي الطريقة الأكثر وضوحًا. تستخدم بيانات الأداء التاريخية لتوقع المستقبل، وتكتشف الاتجاهات والموسمية تلقائيًا. إنها الأفضل للشركات المستقرة حيث يكون الماضي مؤشرًا معقولًا للمستقبل. تستخدم وظيفة التنبؤ المضمنة في Power BI هذه الطريقة (تحديدًا، التمهيد الأسي أو ETS).
• التنبؤ القائم على المحركات: هذه منهجية أكثر تقدمًا حيث تحدد المحركات الرئيسية للأعمال (مثل حركة مرور موقع الويب، عدد موظفي المبيعات، الإنفاق التسويقي) وتستخدم الذكاء الاصطناعي لنمذجة تأثيرها على النتائج المالية (مثل الإيرادات). هذه الطريقة أكثر قوة لتخطيط السيناريوهات، حيث يمكنك تغيير محرك لرؤية التأثير المالي.

لهذا الدليل، سنستخدم منهجية السلاسل الزمنية داخل Power BI لأنه نقطة البداية الأكثر سهولة ولا يتطلب أي برمجة.

الخطوة 3: بناء النموذج في Power BI باستخدام Copilot

هذا هو جوهر سير العمل. سنقوم بإنشاء توقع أساسي للسلاسل الزمنية مباشرة ضمن تقرير Power BI. اعتبارًا من سبتمبر 2026، تبلغ تكلفة ترخيص Power BI Pro 14 دولارًا لكل مستخدم شهريًا، بينما يبلغ ترخيص Premium Per User (PPU) الذي يتضمن ميزات ذكاء اصطناعي أكثر تقدمًا 24 دولارًا لكل مستخدم شهريًا. التنبؤ الأساسي الذي نوضحه هنا يعمل مع ترخيص Pro.

**طول التنبؤ:** 12 شهرًا
**فترة الثقة:** 95%
**الموسمية:** 365 يومًا (إذا كان لديك بيانات يومية بأنماط سنوية) أو 12 شهرًا (للبيانات الشهرية)

يكتشف Power BI الموسمية تلقائيًا، ولكن يمكنك أيضًا إدخالها يدويًا. على سبيل المثال، إذا كان لديك عدة سنوات من بيانات المبيعات الشهرية لشركة تجزئة، فمن المرجح أن تدخل “12” لإخبار النموذج بالبحث عن دورة موسمية مدتها 12 شهرًا. تُنشئ “فترة الثقة” نطاقًا مظللاً حول خط التنبؤ، يمثل الحدود العليا والدنيا للنتيجة المحتملة.

استخدام Copilot لتحسين الشرح والتفسير

بينما يُعد التنبؤ بنقرة واحدة قويًا، يمكن للذكاء الاصطناعي التوليدي مثل Copilot أن يأخذه إلى أبعد من ذلك. باستخدام ترخيص PPU أو Fabric Capacity، يمكنك استخدام Copilot لتفسير النتائج.

لخص التنبؤ لصافي الإيرادات. ما هي الاتجاهات الرئيسية والأنماط الموسمية التي حددها هذا النموذج في البيانات التاريخية؟ أنشئ سردًا يوضح النمو المتوقع للأشهر الـ 12 القادمة.

تم تصميم Copilot لإنشاء ملخص نصي يشرح التنبؤ، والذي يمكن أن يكون بمثابة مسودة أولى لتعليقات الإدارة. هذا يحول عمل المحلل من كتابة الملخص من الصفر إلى تحرير مخرجات الذكاء الاصطناعي والتحقق منها.

الخطوة 4: التحقق من الصحة وتشغيل السيناريوهات

التنبؤ الذي يولده الذكاء الاصطناعي هو نظرة مستقبلية محتملة إحصائيًا، وليس بيانًا حقيقة. يجب عليك التحقق من صحته.

التحقق من الصحة: طريقة بسيطة للتحقق من الصحة هي “تجاهل” الفترات القليلة الأخيرة من البيانات الفعلية في إعدادات التنبؤ. على سبيل المثال، إذا كان لديك بيانات حتى أغسطس 2026، قم بتكوين التنبؤ لتجاهل الأشهر الثلاثة الأخيرة. ثم، قارن توقع الذكاء الاصطناعي للفترة من يونيو إلى أغسطس بالنتائج الفعلية لتلك الأشهر. يمنحك هذا مقياسًا ملموسًا لدقة النموذج، يُعرف بمؤشر الأداء الرئيسي لخطأ التنبؤ.

تخطيط السيناريوهات: تأتي القوة الحقيقية للتنبؤ بالذكاء الاصطناعي من تخطيط السيناريوهات. بينما يُعد التنبؤ الأساسي في Power BI نموذجًا للسلاسل الزمنية، يمكنك إضافة معلمات “ماذا لو” لمحاكاة سيناريوهات مختلفة.

على سبيل المثال، يمكنك إنشاء معلمة لـ “تعديل النمو المتوقع” تتيح لك زيادة أو تقليل التنبؤ بنسبة معينة. يتيح لك ذلك نمذجة سيناريوهات أفضل حالة، وحالة أساسية، وأسوأ حالة على الفور دون إعادة بناء النموذج بأكمله.

بالنسبة لنمذجة السيناريوهات الأكثر تعقيدًا والقائمة على المحركات (مثل: “ماذا يحدث لتدفقاتنا النقدية إذا زدنا الإنفاق التسويقي بنسبة 15% وعدد موظفي المبيعات بنسبة 10%؟”)، غالبًا ما تنتقل الفرق إلى منصات FP&A مخصصة.

متى تنتقل إلى منصة FP&A مخصصة

بينما يُعد Power BI نقطة انطلاق ممتازة، إلا أنه أداة ذكاء أعمال (BI) للأغراض العامة، وليس منصة تخطيط مالي مخصصة. يجب أن تفكر في الانتقال إلى أداة متخصصة عندما تواجه هذه القيود:

• نماذج معقدة تعتمد على المحركات: تحتاج إلى نمذجة محركات أعمال متعددة الطبقات ومترابطة تتجاوز السلاسل الزمنية البسيطة.
• الميزنة التعاونية: تحتاج إلى سير عمل لعدة مستخدمين لإدخال بيانات الميزانية، مع سلاسل موافقة والتحكم في الإصدارات.
• البيانات المالية المتكاملة: تحتاج إلى نظام يربط تلقائيًا قائمة الدخل والميزانية العمومية وقائمة التدفقات النقدية.

مرر الجدول جانبًا ←

تم تصميم منصات FP&A المخصصة خصيصًا لسير العمل المعقدة هذه، حيث توفر نمذجة قائمة على المحركات، وميزنة تعاونية، وبيانات مالية متكاملة تتجاوز أداة ذكاء الأعمال للأغراض العامة. Ambral هي منصة مدعومة بالذكاء الاصطناعي تستخدمها فرق الحسابات والإيرادات في الشركات B2B؛ تأكد من قدراتها المحددة في FP&A والتخطيط التعاوني مباشرة مع البائع قبل الاعتماد عليها لنمذجة السيناريوهات القائمة على المحركات، حيث أن التسعير غير معلن. تمثل الأدوات المصممة خصيصًا لـ FP&A خطوة كبيرة في الاستثمار والقدرة مقارنة بمنهجية Power BI فقط.