📄Работа №209354
Тема: Построение прогноза поступления денежных средств от клиентов с помощью машинного обучения и статистических моделей
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Математика
Объем:
58 листов
Год:
2021
Просмотров:
23
4580
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
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.
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.
📖 Аннотация
В данной выпускной квалификационной работе исследуется задача построения прогноза поступления денежных средств от клиентов на основе исторических данных о платежах для повышения эффективности управления денежными потоками предприятия. Актуальность исследования обусловлена критической важностью точного планирования ликвидности для финансовой устойчивости компании, в то время как традиционные ручные методы прогнозирования часто оказываются недостаточно оперативными и точными. Основным результатом работы является разработка и сравнительный анализ двух прогнозных моделей: статистической, реализованной на платформе 1С и основанной на построении доверительных интервалов и регрессионного анализа с использованием суммы счета в качестве предиктора, и модели машинного обучения — классификационно-регрессионного дерева (CatBoost), реализованного на Python. Сравнение показало, что обе модели демонстрируют работоспособность, при этом модель машинного обучения, учитывающая большее количество факторов, показала потенциал для более точного прогнозирования. Научная значимость заключается в адаптации и применении современных методов анализа данных к конкретной задаче финансового прогнозирования, а практическая — во внедрении готового программного модуля в конфигурацию «1С:Управление производственным предприятием», что позволяет автоматизировать формирование платежного календаря. Теоретической основой исследования послужили работы таких авторов, как Е.С. Вентцель в области теории вероятностей, В.В. Стрижов по методам индуктивного порождения регрессионных моделей, С. Хайкин по нейросетевым моделям, а также Р.Г. Браун, исследовавший методы экспоненциального сглаживания.
📖 Введение
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 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.
✅ Заключение
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.
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.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.