Если у вас есть числовые данные, то технологии Machine Learning позволят взглянуть на них по-новому.
«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.
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.
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.
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.
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 нашего нового продукта БИТ. VBM (векторная бюджетная модель).
Автор статьи — Козлов Илья
Эксперт, офис NFP компания Первый Бит
Узнайте как векторная бюджетная модель может помочь именно вам
Бюджетная модель - это упрощенное описание деятельности предприятия в виде набора правил и формул для расчета финансово-экономических показателей. Она позволяет анализировать текущее состояние бизнеса, прогнозировать его развитие, выявлять проблемы и ограничения, а также оценивать возможности для роста.
В Excel существует риск ошибок при протягивании формул, сложность поиска сбившихся формул в больших таблицах и ограничения при совместной работе. В 1С формулы защищены от случайных изменений, но расчеты занимают значительное время - от десятков минут до нескольких часов, что исключает работу "на лету".
Машинное обучение создает аппроксимированные формулы на основе исторических данных, которые позволяют мгновенно пересчитывать показатели при изменении исходных данных. Это сокращает время расчетов с часов до секунд, обеспечивая возможность быстрого сценарного анализа и работы в реальном времени.
ML-модель дает приблизительные результаты с погрешностью в единицы процентов, требует наличия исторических данных для обучения, зависит от квалификации специалиста по настройке и чувствительна к диапазону изменения входных данных. Качество прогноза может снижаться при значительном отклонении от данных обучения.
БИТ.VBM - это продукт на основе машинного обучения, который создает быстродействующие формулы для бюджетного моделирования. Он позволяет проводить сценарный анализ, обратные расчеты, факторный анализ и анализ чувствительности за секунды, интегрируясь в привычный интерфейс 1С.
Офис NFP компании Первый Бит предлагает услуги по внедрению векторной бюджетной модели БИТ.VBM. Наши специалисты настроят ML-модель под ваши данные, обеспечат обучение системы и интеграцию с 1С, что позволит значительно ускорить процессы бюджетного планирования и анализа.
Для ускорения бюджетных расчетов с применением машинного обучения рекомендуем обратиться в офис NFP компании Первый Бит. Мы разработаем и внедрим векторную бюджетную модель, которая сократит время расчетов с часов до секунд и предоставит новые возможности для анализа и прогнозирования.
Офис NFP компании Первый Бит предоставляет бесплатные консультации по применению машинного обучения в бюджетном моделировании. Наши эксперты оценят потенциал ваших данных, продемонстрируют возможности векторной бюджетной модели и предложат оптимальное решение для ускорения финансового планирования.
Цели и задачи: дать слушателям системное представление о возможностях «1С:Управление холдингом» в части функционала, обеспечивающего формирование планов (функциональных и мастер-бюджетов), сбор факта, план-фактный и факторный анализ.
Подробнее
Экспертный вебинар, на котором расскажем, как роботизация процессов (RPA) исключает риски, экономит финансы и самый ценный ресурс — время специалистов.
Подробнее
Экспертный вебинар, на котором расскажем про создание цифрового двойника для физической безопасности и управления инвестиционными рисками.
Подробнее
Курс ориентирован в первую очередь на представителей бизнеса, которые хотят получить представление о том, как продукт «1С:Управление холдингом» может помочь в решении задач бизнеса.
Подробнее
Бизнес-встреча, на которой расскажем о трендах 2026 в управлении денежными средствами.
Подробнее
Экспертный вебинар, на котором расскажем, как LIMS решает проблемы лаборатории и дадим четкий план внедрения системы для нового уровня управляемости и точности в лаборатории.
Подробнее
Цели курса: изучение возможностей программного продукта «1С:Управление холдингом» в части бизнес-процессов управления закупками, формирование практических навыков самостоятельной настройки и управления процессами в прикладном решении.
Подробнее
Основная цель курса: дать представление и научить пользоваться ключевыми возможностями типовой функциональности подсистемы МСФО в «1С:ERP. Управление холдингом» для целей ведения учета по МСФО и формирования управленческой отчетности.
Подробнее
Цель курса – предоставить слушателям знания о подсистеме МСФО системы «1С:Управление холдингом 8», дать навыки работы с подсистемой, достаточные для сдачи экзамена Специалист-консультант.
Подробнее
Цели курса: изучение возможностей программного продукта «1С:ERP. Управление Холдингом 8» по реализации бизнес-процессов бюджетного контроля, формирование навыков самостоятельной работы в системе и настройке типового функционала, а также знакомство с общими методическими аспектами бюджетного контроля.
Подробнее
