用 AI 做驱动因素预测:定义好杠杆，让数学保持确定性

一位销售负责人一个季度签下了 40 个净新增客户，而不是计划中的 30 个。这对下一季度的收入、入职团队的人手、6 月的现金会产生什么影响?在一个驱动因素模型里，答案是机械式的:客户数乘以平均合同金额乘以爬坡曲线，减去你假设的流失，再流入现金转化排期。数字是从结构中自然得出的，没有人需要重新争论这些算术。

而这种机械式的可靠性，恰恰是大多数团队在把大语言模型接入预测的那一刻就丢掉的东西。模型写出一份看起来合理的预测，而看起来合理的预测，和正确的预测并不是一回事。

驱动因素法真正带来的价值

驱动因素规划把你的预测与推动业务运转的实际经营杠杆绑定在一起，而不是绑定在一条“因为去年增长了 3%,所以今年收入也增长 3%”的线上。管道覆盖率、转化率、平均成交金额、爬坡时间、毛留存率、开票到现金的滞后期。你改变一个驱动因素，下游的每一个数字都会重新计算。

回报是真实且可衡量的。运行驱动因素模型的团队报告称，预测准确度提升了 25% 到 30%,规划周期缩短了约 20%,而高绩效的 FP&A 团队把驱动因素建模视为一项标志性特征，大多数团队将自己的预测评为“好”或“很好”。然而只有约 17% 的组织真正运行完全基于驱动因素的模型，而以任何动态方式将其与 AI 结合的比例更小，只有约 2%。这里有大量的提升空间，也有大量做糟糕的空间。

采用率滞后的原因，不是人们怀疑其价值，而是构建和维护驱动因素关系的工作繁琐，让它们持续与实际数据保持一致更麻烦。这恰恰是 AI 看起来诱人的地方，也恰恰是这种诱惑需要一条硬边界的地方。

分工:推理是概率性的，数学不能是

这里有一个决定你的 AI 预测能否在董事会上站住脚的区别。预测中的工作分两种。

第一种是判断和语言:阅读上月的实际数据，注意到某个细分市场的赢单率下滑了，起草“爬坡将放缓”这一假设，标记出 DSO 悄悄上升。大语言模型确实擅长这个。在杂乱的输入中发现模式，并用清晰的句子写出来，正是它们所擅长的。

第二种是计算:应用驱动因素公式，把它在十二个期间上复利叠加，把结果卷入一个三表联动模型，使现金流与损益表保持一致。这正是大语言模型会出问题的地方。近期的财务基准测试显示，即便是最强的模型在电子表格任务上的准确率也只有约 82%,大约每六个问题就出一次错，而研究把很大一部分失败，约 40% 左右，具体归因于计算和推理错误:单位混淆、百分比与绝对值混淆、四舍五入漂移、现金流的正负号错误。当每一个数字都会复利叠加到下一期，并最终导向一份董事会将据此采取行动的现金预测时,18% 的错误率是绝对不能接受的。

所以规则很简单。让 AI 定义并调整杠杆，不要让它去计算这些杠杆。

当驱动因素公式在每次运行时都由语言模型重新推导，你还会失去预测最需要的一项特性:可复现性。同样的提示词跑两遍，得到两个略有差异的收入线。确定性引擎给你的是相反的保证:相同的输入、相同的驱动因素、相同的答案，每一次都一样。这才是一个公式应有的行为方式，而预测理应像公式一样运作。

Rexfin 如何划定这条界线

这种分离正是一个位于 AI 之下而非之内的财务建模层存在的全部意义。

Rexfin 连接你的会计和规划系统:QuickBooks、Xero、NetSuite、Sage、数据仓库，或上传的报表，并将它们对账为一个能与总账核对一致的财务模型。驱动因素就存放在这个已对账的模型里。转化率、平均合同价值(ACV)、爬坡、留存率、开票滞后期:每一个都被定义一次，作为一种明确的关系，基于已经与账簿一致的数字。

当 AI 介入时，它是针对这一层工作，而不是绕过它工作。它摄入最新的实际数据，更新驱动因素的输入。它可以指出，鉴于三个月的招聘数据，某个爬坡假设看起来已经过时。它能在赢单率下滑影响到预测之前，把这个正在下滑的细分市场揭示出来。它不做的是乘法运算。驱动因素的数学运算通过 Rexfin 的确定性引擎运行，每次都是同一条代码路径，所以一份十二个月的收入构建是被计算出来的，而不是被叙述出来的。

这意味着预测中的每一个数字都能追溯到源头。控制人可以从预测的第三季度收入行点进去，看到产生它的驱动因素，再看到喂给这个驱动因素的已对账实际数据，一路追溯到底层的总账分录。AI 的贡献，判断和语言部分，是可审计、可覆盖的。数学部分则是可证明的。

实际操作中的样子

把 AI 当成那位保持模型持续更新、并标出变化的分析师，把引擎本身当成模型。这位分析师可能很聪明，但偶尔也会出错;模型则必须天生正确。

以这种方式操作，驱动因素预测和 AI 会相互增强，而不是相互对抗。AI 消除了让采用率停留在 17% 的那种繁琐工作，在每次结账时刷新实际数据、重新标记假设。确定性层则让预测始终站得住脚，因为一个每次都以同样方式重新计算的数字，才是 CFO 敢签字的数字。这与持续、始终最新的预测,以及以董事会提问速度回答的假设情景分析背后的纪律是一致的:杠杆在变，数学不变。这也解释了AI 今天在 FP&A 中真正发挥价值的地方,那是叙事，而不是数字本身。完整的图景请参见 AI FP&A 自动化支柱。

结论很明确，值得牢记。AI 应该出现在你的预测里，但不该出现在算术里。让它定义杠杆、盯住实际数据、写出故事。把数学放在一个确定性、已对账的层上，让它每次都得出同样的答案。这才是你可以毫无顾虑地摆在董事会面前的那个版本。

想看看 Rexfin 如何让驱动因素数学保持确定性且可追溯，请预约演示。