Prueba de IA en tesorería corporativa y previsión de efectivo

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Por qué el aprendizaje automático es más útil en el método directo de previsión de efectivo que en el método indirecto?
   • El método directo es requerido por las normas contables para las herramientas de IA
   • El método directo proyecta los ingresos y desembolsos reales, por lo que los modelos pueden aprender de grandes volúmenes de historial de transacciones.
   • El método indirecto no se puede utilizar para horizontes superiores a una semana.
   • El método directo ignora los datos bancarios y se basa únicamente en los presupuestos
2. Un equipo de tesorería descubre que su modelo de IA no predice la nómina mejor que una simple regla programada. Según la guía, ¿qué sugiere esto?
   • El modelo está roto y se debe volver a entrenar diariamente.
   • La nómina debe eliminarse por completo del pronóstico
   • Para flujos estables, las reglas simples a menudo igualan o superan al aprendizaje automático, y las ganancias se concentran en categorías volátiles.
   • El equipo debería cambiar al método indirecto para la nómina.
3. ¿Cómo crea el modelado de recibos a nivel de factura una previsión del efectivo entrante de los clientes?
   • Predice una distribución de fecha de pago para cada factura abierta y suma esas distribuciones.
   • Asume que cada factura se paga exactamente en su fecha de vencimiento.
   • Pronostica sólo el saldo total de la cuenta e ignora las facturas individuales.
   • Pide al personal de ventas que estime los ingresos cada semana.
4. ¿Por qué los profesionales descomponen los pronósticos por categoría de flujo de efectivo y entidad en lugar de modelar el saldo total?
   • Los reguladores prohíben pronosticar saldos consolidados
   • Los totales mezclan flujos predecibles y ruidosos y pueden ocultar errores que se cancelan
   • Los modelos a nivel de categoría no requieren datos históricos
   • Los pronósticos a nivel de entidad eliminan la necesidad de conversión de moneda
5. ¿Cómo deberían manejarse en un pronóstico de efectivo de IA los elementos futuros conocidos, como el servicio de deuda programado o una ejecución de pago aprobada?
   • El modelo debe predecirlos como cualquier otro flujo.
   • Deberían ser excluidos del pronóstico.
   • Deben ser tratados como insumos fijos en lugar de predichos.
   • Se deben promediar con los valores del año pasado.
6. ¿Cuál es la mejor manera de juzgar si una previsión de efectivo de IA está funcionando bien?
   • Comprobar si produce un único número preciso cada día
   • Realizar pruebas retrospectivas con resultados reales por categoría y horizonte
   • Comparándolo con las unidades de negocio previstas presentadas.
   • Medir la rapidez con la que se ejecuta el modelo
7. En la optimización de pagos, ¿qué decisión podría tomar un modelo sobre las facturas de proveedores?
   • Qué facturas disputar automáticamente con el proveedor
   • Qué facturas pagar anticipadamente para obtener descuentos manteniendo al mismo tiempo un colchón de efectivo mínimo
   • Qué proveedores reemplazar por competidores más baratos
   • Qué facturas reclasificar como gastos de capital
8. Según la guía, ¿cuál suele ser la parte más difícil de crear un sistema de previsión de efectivo con IA?
   • Elegir entre ARIMA y árboles potenciados por gradiente
   • Obtener la aprobación ejecutiva para el presupuesto de software
   • Conciliación de formatos de extractos bancarios, extractos de ERP y conversión de moneda antes del modelado
   • Capacitar al personal para leer gráficos de pronóstico.