AI dalam Perbendaharaan Perusahaan dan Peramalan Uang Tunai

Peramalan uang tunai adalah masalah tertua dalam perbendaharaan: berapa banyak uang tunai yang akan kita miliki, di mana, dan kapan? Biasanya analis membuat spreadsheet dari masukan yang dikirimkan oleh unit bisnis, yang lambat, tidak konsisten, dan sering kali bias terhadap optimisme. AI mengubah input dan metodenya. Ada dua pendekatan peramalan yang luas. Metode langsung memproyeksikan penerimaan dan pengeluaran aktual, yang sesuai dengan rentang waktu beberapa hari hingga beberapa bulan. Metode tidak langsung dimulai dari proyeksi laporan keuangan dan sesuai dengan jangka waktu yang lebih panjang. Pembelajaran mesin paling berguna dalam metode langsung, karena dapat belajar dari riwayat transaksi dalam jumlah besar. Sebuah model dapat mempelajari bahwa pelanggan tertentu terlambat membayar sekitar sembilan hari, bahwa pembayaran gaji dilakukan setiap hari Jumat, bahwa pembayaran pajak dikelompokkan pada akhir kuartal, dan bahwa penerimaan menurun saat hari libur di negara-negara tertentu. Teknik umum mencakup model deret waktu klasik seperti ARIMA dan pemulusan eksponensial, pohon yang ditingkatkan gradien yang menggabungkan fitur kalender dengan data tingkat faktur, dan pendekatan hibrid yang memodelkan setiap kategori arus kas secara terpisah dan kemudian menjumlahkannya. Vendor sistem manajemen keuangan seperti Kyriba dan vendor yang berfokus pada piutang seperti HighRadius menjual modul perkiraan, dan beberapa bank besar menawarkan alat perkiraan kepada klien korporat di dalam portal perbankan online mereka. Perencanaan likuiditas didasarkan pada perkiraan: memutuskan berapa banyak yang harus disimpan dalam rekening operasional, berapa banyak yang akan diinvestasikan, dan kapan harus menggunakan jalur kredit. Pengoptimalan pembayaran menambah keputusan mengenai waktu, netting arus antar perusahaan, dan diskon pembayaran awal. Kesalahpahaman yang umum adalah bahwa AI menghasilkan satu angka yang benar. Sistem yang baik menghasilkan rentang dan dinilai melalui pengujian ulang terhadap apa yang sebenarnya terjadi, kategori demi kategori. Kesalahpahaman lainnya adalah bahwa model yang lebih kompleks selalu menang; untuk aliran yang stabil seperti sewa atau penggajian, aturan sederhana sering kali mengalahkan pembelajaran mesin, dan keuntungannya terkonsentrasi pada kategori yang mudah berubah seperti penerimaan pelanggan.