- Главная
- Инструкция 1С
- Магия бюджетирования: как машинное обучение может облегчить жизнь финансистов
Магия бюджетирования: как машинное обучение может облегчить жизнь финансистов
- Дата публикации: 30.06.2023
Если у вас есть числовые данные, то технологии Machine Learning позволят взглянуть на них по-новому.
Что такое бюджетная модель и зачем она нужна?
«Бюджетная модель» – приближенное (упрощенное) описание деятельности предприятия, записанное в виде набора правил (формул) расчета некоторых (финансово-экономических) показателей, с помощью которых можно как анализировать, так и прогнозировать деятельность предприятия. Так как это именно «модель», она, с одной стороны, «игнорирует» некоторые особенности присущие деятельности предприятия, но с другой стороны отражает ключевые взаимосвязи между основными параметрами его хозяйственной активности достаточные для анализа и прогнозирования. Получается, что «бюджетная модель» должна давать возможность получать ответы на разные вопросы, например, где предприятие находится сейчас, насколько хорошо себя чувствует и где оно может оказаться в будущем и с какими ограничениями столкнуться вследствие тех или иных действий. Рецепт простой – вводим в систему бюджетную модель и начинаем её крутить-вертеть в поисках проблем, ограничений, возможностей для развития и так далее. А вот тут и начинаются сложности. Где именно у нас «живет» модель? В России это чаще всего либо Excel, либо 1С. Просто-понятно-привычно. В Excel все замечательно крутится-вертится, почти любые (в разумных пределах) виды анализа можно проводить, все быстро, понятно, творческий простор мало чем ограничен. Ровно до того момента, пока при протягивании формулы по ячейкам у специалиста не дрогнет рука, не протянув формулу до конца. Найти «сбившуюся» формулу в огромной книге с парой десятков листов, на каждом из которых несколько сотен строк, весьма нетривиальная задача – я пробовал. И пока количество данных измеряется сотнями строк. И пока крутишь его в гордом одиночестве. 1С лишена вышеперечисленных недостатков. Формулу для конкретной ячейки сбить нельзя, т.к. она «зашита» внутри программы. Объем данных не сильно влияет на процесс работы. Полноценный многопользовательский режим есть, с контролями и блокировками. Нет одного – скорости. Цифру в исходных данных поменял, выполнил не самую простую последовательность действия для запуска процесса пересчета всех бюджетов и пошел ждать. Ни о какой работе «на лету» говорить не приходится. Потому как цифр много, проверок тоже. Можно ли с этим что-то сделать? Если пытаться решать задачу в лоб – скорее нет. Конечно, можно сократить время расчета с нескольких часов, до десятков минут. Но за секунды перерасчет сделать точно не получится. А остальные связанные ежедневные задачи сами себя не сделают. А если не в лоб, то как? Мы в офисе NFP долго искали ответ на этот вопрос, пока кто-то не сказал «аппроксимация». И завертелось. Математическая магия Рассказываем на пальцах, без глубокого погружения в детали. А что, если написать необходимое количество больших, сложных, многоэтажных формул, но так, чтобы можно было в одну ячейку ввести исходное значение, а в другой сразу получить выходной показатель. Меняем количество продаж и сразу получаем новое значение EBITDA. Просто, быстро, точно. Но нет такой формулы. Точнее она, возможно, и есть, но пока никто еще не знает, как её составить. Так вот, «аппроксимация» — это такой метод, который позволяет получить формулу «похожую» на искомую. Пример: есть результат работы предприятия за предыдущие периоды. Это уже свершившийся факт. И мы можем взять исторические данные, что при количестве продаж 100, EBITDA была 10 млн, при 150 стала 12 млн, а потом при 90 просела до 8. Цифры условные, просто для примера. И можно с помощью специальной математической магии (в дальнейшем буду называть её ML, от английского machine learning) найти такую формулу, которая для указанных значений количества продаж будет давать очень близкие к имеющимся цифрам EBITDA. А главная магия заключается в том, что в ML можно загрузить много-много любых цифр, позвать специально обученного человека (у нас такой есть, и не один), чтобы он настроил параметры работы ML (да там есть параметры и да, от их настройки и часто тонкой подстройки зависит точность результата) и получить на выходе кучу готовых формул содержащих связи любых параметров с любыми. А дальше все просто – берем любые исходные данные, меняем их, подставляем в формулу и сразу получаем результат. И всё это работает прямо внутри 1С. В привычном интерфейсе, где даже в формулы подставлять ничего не нужно, она сама это делает. Ввел исходные данные, нажал «Рассчитать» и через несколько секунд получил результат. Сеанс разоблачения Но так как это не магия, а математика, у ML есть ряд ограничений и побочных эффектов. Первое и главное ограничение – результат расчета всегда приблизительный. Благодаря этому и достигается высокая скорость. Но если все сделать правильно, в большинстве случаев можно получить погрешность, измеряемую единицами процентов. Второе – если нет исторических данных – ничего не получится. ML-модель нужно обязательно «обучить». Третье. Обучение — это сложный многоэтапный процесс, от качества которого зависит, какую погрешность мы получим на выходе. Обучение модели должен проводить специально обученный, высококвалифицированный специалист (напомню, у нас такие есть). Четвертое – модель чувствительна к тому, насколько сильно будут меняться исходные данные. Т.е. если при изменении исходных данных на 20-30% погрешность расчета составляет менее 2%, это не означает, что погрешность останется такой же при изменении исходных данных на 200-300%. Она может как остаться такой же, так и вырасти до 20%. Или до 50%. Заранее это неизвестно. Но после обучения модели мы обязательно проводим оценку её качества и «чувствительности» и для каждого входного показателя указываем диапазон, в пределах которого модель очень хорошо работает. И зачем все это? Резюме: если у вас есть числовые данные, то технологии Machine Learning позволят взглянуть на них по-новому. Если ранее сценарный анализ бюджетной модели был практически невозможен из-за слишком долгих вычислений, то теперь он длится секунды. Если возникала задача «обратного расчета», которая в «классической» бюджетной модели решения не имеет, то теперь она также решается за секунды. Факторный анализ – снова секунды. Анализ на чувствительность – опять секунды. «Большие» вычисления могут быть быстрыми. Реально быстрыми при помощи VBM (векторная бюдженая модель). |
Автор статьи — Козлов Илья Эксперт, офис NFP компания Первый Бит |
Узнайте как векторная бюджетная модель может помочь именно вам
|
- Рубрика: Инструкция 1С, Новости NFP, Полезные материалы