ИИ в корпоративном казначействе и прогнозировании денежных средств

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.