ДалееСледующее руководство
Прогнозирование денежных потоков с помощью ИИ для малого бизнеса
Приложения
РУКОВОДСТВО ПО ПРИМЕНЕНИЮ
ИИ в корпоративном казначействе использует машинное обучение для прогнозирования будущих денежных позиций компании, планирования ликвидности и принятия решения о том, когда и как производить платежи, изучая закономерности на основе банковских транзакций, дебиторской и кредиторской задолженности и данных ERP.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, потому что казначеи, которые видят денежные средства на несколько недель вперед, берут меньше займов, лучше инвестируют свободные остатки и избегают проблем с финансированием в последнюю минуту.
Прогнозирование денежных средств — старейшая проблема казначейства: сколько денег у нас будет, где и когда? Традиционно аналитики составляли электронные таблицы на основе данных, предоставленных бизнес-подразделениями, которые были медленными, непоследовательными и часто были склонны к оптимизму. ИИ меняет входные данные и метод. Существует два широких подхода к прогнозированию. Прямой метод прогнозирует фактические поступления и выплаты, что подходит для коротких горизонтов от нескольких дней до нескольких месяцев. Косвенный метод начинается с прогнозируемых финансовых отчетов и подходит для более длительных горизонтов. Машинное обучение наиболее полезно при прямом методе, поскольку оно может учиться на больших объемах истории транзакций. Модель может узнать, что конкретный клиент платит с опозданием примерно на девять дней, что расчет заработной платы происходит каждую вторую пятницу, что налоговые платежи группируются в конце квартала и что поступления падают в период праздников в некоторых странах. Общие методы включают классические модели временных рядов, такие как ARIMA и экспоненциальное сглаживание, деревья с градиентным усилением, которые сочетают календарные функции с данными на уровне счетов-фактур, а также гибридные подходы, которые моделируют каждую категорию денежных потоков отдельно, а затем суммируют их. Поставщики систем управления казначейством, такие как Kyriba, и поставщики, ориентированные на дебиторскую задолженность, такие как HighRadius, продают модули прогнозирования, а несколько крупных банков предлагают инструменты прогнозирования корпоративным клиентам внутри своих порталов онлайн-банкинга. Планирование ликвидности основывается на прогнозе: решается, сколько держать на текущих счетах, сколько инвестировать и когда использовать кредитные линии. Оптимизация платежей добавляет решения о сроках, взаимозачете внутрифирменных потоков и скидках за досрочную оплату. Распространенным заблуждением является то, что ИИ выдает одно правильное число. Хорошие системы создают диапазон и оцениваются путем ретроспективного тестирования на основе того, что произошло на самом деле, категория за категорией. Еще одно заблуждение состоит в том, что более сложные модели всегда выигрывают; для стабильных потоков, таких как аренда или заработная плата, простые правила часто превосходят машинное обучение, а выгоды концентрируются в нестабильных категориях, таких как поступления от клиентов.
Команда казначейства производителя вводит строки банковских выписок и открытые счета-фактуры за три года в модель, которая предсказывает для каждого клиента, когда дебиторская задолженность действительно поступит, а не когда она должна быть уплачена, улучшая свой 13-недельный прогноз денежных средств.
Транснациональная корпорация каждое утро прогнозирует балансы на десятках дочерних банковских счетов, чтобы иметь возможность переместить излишки денежных средств в центральный пул и профинансировать короткие позиции до того, как они вызовут комиссию за овердрафт.
Группа кредиторской задолженности использует модель оптимизации, чтобы решить, какие счета поставщика оплатить раньше, чтобы получить скидки, а какие оплатить в установленный срок при условии минимального буфера денежных средств.
Отдел казначейских услуг банка предлагает корпоративным клиентам информационную панель, которая автоматически классифицирует их входящие и исходящие транзакции и прогнозирует баланс вперед, отмечая дни, когда счет может упасть ниже порогового значения.
Направление движения — к более детальным и частым данным. Более структурированные платежные сообщения в соответствии с ISO 20022 и более широкая доступность банковских API, работающих в режиме реального времени, упрощают классификацию потоков и обновление прогнозов внутри дня, а не еженедельно. Ожидайте большего количества казначейских инструментов, которые позволят пользователям задавать вопросы простым языком, например, почему прогноз на следующую неделю упал, с ответами, основанными на базовых транзакциях. Ограничения, вероятно, останутся теми же, с которыми сегодня сталкиваются казначеи: плохие основные данные, разовые события, которые не может предвидеть ни одна модель, а также необходимость того, чтобы человек владел прогнозом и вытекающими из него решениями о финансировании.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
ИИ в корпоративном казначействе использует машинное обучение для прогнозирования будущих денежных позиций компании, планирования ликвидности и принятия решения о том, когда и как производить платежи, изучая закономерности на основе банковских транзакций, дебиторской и кредиторской задолженности и данных ERP. Это важно, потому что казначеи, которые видят денежные средства на несколько недель вперед, берут меньше займов, лучше инвестируют свободные остатки и избегают проблем с финансированием в последнюю минуту.
Прямой метод работает на основе фактических поступлений и платежей, что позволяет получить обширную историю транзакций, необходимую для машинного обучения. Косвенный метод начинается с прогнозируемых финансовых отчетов и подходит для более длительных горизонтов.
В руководстве отмечается, что стабильные потоки, такие как аренда или заработная плата, хорошо управляются с помощью простых правил, в то время как машинное обучение повышает ценность нестабильных потоков, таких как поступления от клиентов.
Для каждого открытого счета-фактуры прогнозируется распределение дат оплаты на основе истории клиента, размера и условий, и эти данные объединяются в прогноз поступлений.
Общее моделирование объединяет самые разные виды потоков и позволяет компенсировать ошибки, маскируя проблемы. Моделирование на уровне категории показывает, где прогноз на самом деле слабый.
Позиции, суммы и даты которых уже известны, вводятся как фиксированные значения. Их предсказание лишь добавит ненужную ошибку.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Прогнозирование денежных потоков с помощью ИИ для малого бизнеса
Приложения