АННОТАЦИЯ 2
ВВЕДЕНИЕ 7
1 МЕТОДЫ ПРОГНОЗИРОВАНИЯ НА ОСНОВАНИИ
СТАТИСТИЧЕСКИХ ДАННЫХ И МАШИННОГО ОБУЧЕНИЯ 8
1.1 Прогнозирование на основании статистических данных 8
1.1.1 Понятие оценки параметров 8
1.1.2 Доверительные интервалы 9
1.1.3 Регрессионные модели 11
1.1.4 Авторегрессионные модели (AR) 12
1.1.5 Модели экспоненциального сглаживания (ES) 13
1.2 Прогнозирование на основании методов машинного обучения ... 15
1.2.1 Нейросетевые модели 15
1.2.2 Классификационно-регрессионные деревья (CART) 18
1.2.3 Модель на основе генетического алгоритма (GA) 19
1.3 Платежный календарь в программных продуктах 1С 20
1.3.1 Определение и характеристики платежного календаря 20
1.3.2 Процесс ведения платежного календаря компании в
конфигурации 1С:Управление производственным предприятием 21
1.4 Выводы по разделу 25
2 ПОСТРОЕНИЕ ПРОГНОЗА ПОСТУПЛЕНИЯ ДЕНЕЖНЫХ
СРЕДСТВ С ПОМОЩЬЮ ЭЛЕМЕНТОВ СТАТИСТИКИ 27
2.1 Прогнозирование относительно количества дней оплаты счетов 27
2.1.1 Постановка задачи 27
2.1.2 Набор данных 28
2.1.3 Проверка гипотезы о нормальном законе распределения 30
2.1.4 Схема алгоритма программного решения 31
2.1.5 Результаты 33
2.1.6 Программное решение 37
2.2 Прогнозирование относительно количества дней оплаты счетов
и суммы счетов 40
2.2.1 Постановка задачи 40
2.2.2 Набор данных 41
2.2.3 Схема алгоритма программного решения 41
2.2.4 Результаты 44
2.3 Выводы по разделу 45
3 ПОСТРОЕНИЕ ПРОГНОЗА ПОСТУПЛЕНИЯ ДЕНЕЖНЫХ СРЕДСТВ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ 46
3.1 Постановка задачи 46
3.2 Набор данных 47
3.3 Метрика качества 47
3.4 Библиотека Catboost и метод решающих деревьев 48
3.5 Алгоритм работы программы 50
3.5.1 Загрузка и предварительная обработка данных 51
3.5.2 Обучение модели 51
3.6 Результаты 52
3.7 Выводы по разделу 54
Заключение 56
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 58
Приложение 1 Текст программы Ошибка! Закладка не определена.
Зачастую руководителю для просмотра состояния работы организации необходимо за короткий срок узнать всю необходимую информацию о рабочих процессах своего подразделения. Лучше всего, когда она представлена в графиках и таблицах. Это могут быть отчеты о выработке сотрудников, ежемесячные планы производства и продаж, отчеты о неподписанных актах от клиентов.
В данной работе рассмотрен один из важнейших отчетов руководителя - календарь поступления денежных средств от клиентов за выставленные счета на оплату. В этом отчете выбираются клиенты, которым за определенный период были выставлены счета на оплату, и определяется предполагаемая дата оплаты этого счета на основании уже имеющейся истории расчетов с данным клиентом. Данный отчет поможет более грамотно и эффективно распределять денежные средства компании.
Целью работы является построение прогноза поступления денежных средств от клиентов с помощью статистических моделей и машинного обучения.
Для достижения данной цели требуется решить следующие задачи:
- провести обзор статистических моделей и моделей машинного обучения для задачи построения прогноза;
- определить статистические методы построения прогноза поступления денежных средств;
- определить метод машинного обучения, подходящий для решения задачи прогноза поступления денежных средств;
- реализовать выбранные модели;
- провести сравнительный анализ результатов прогнозирования.
В результате выполнения выпускной квалификационной работы были исследованы способы решения задачи прогнозирования поступления денежных средств от клиентов.
В ходе работы были выбраны и разработаны две модели прогнозирования поступления денежных средств: статистическая модель и модель машинного обучения.
В качестве статистической модели использовалось построение доверительного интервала для среднего значения выборки относительно количества дней между датой выставления счета и датой оплаты счета.
Помимо этого, была построена статистическая модель, использующая сумму документа в качестве объясняющей переменной, а количество дней между датой выставления счета и датой оплаты счета в качестве зависимой переменной. Реализация обеих моделей выполнялась на языке 1С.
Сравнение этих моделей показало, что добавление в модель дополнительного параметра позволяет получить более точный прогноз.
На основе статистической модели относительно количества дней между датой выставления счета и датой оплаты счета была реализована внешняя обработка, встраиваемая в конфигурацию 1С:Управление производственным предприятием.
В качестве модели машинного обучения использовались классификационно-регрессионные деревья решений на языке Python с использованием библиотеки Catboost. В результате прогнозирования можно сделать вывод, что модель успела обучиться и показать хорошие результаты.
Проведен сравнительный анализ результатов модели машинного обучения со статистической моделью. Сделан вывод, что обе модели численно показали примерно одинаковый результат, при этом, с одной стороны, статистическая модель лучше подходит под потребности заказчика, но, с другой стороны, модель машинного обучения более проста в реализации и не имеет ограничений нормальности распределения выборки.
Следует отметить, что разработанные программные решения позволят предприятию, имея информацию о платежеспособности клиентов, более грамотно распределять денежные средства компании. Разработанное программное решение для статистической модели успешно внедрено и используется для повышения эффективности управления денежными средствами компании ООО «ЦС 1С-Рарус Челябинск».
Таким образом, цель достигнута, а все поставленные задачи полностью решены.
