Применение искусственного интеллекта в системе финансового планирования и прогнозирования деятельности предприятия

Особенности финансовой области

Перенос методов машинного обучения в финансовое планирование сталкивается с рядом ограничений, отсутствующих в операционных задачах, и недооценка этих ограничений составляет основную причину неудач соответствующих проектов.

Первое ограничение – длина ряда наблюдений. Модель, обучаемая на ежемесячных финансовых показателях, за пять лет получает шестьдесят точек. Для алгоритмов, требующих тысяч примеров, этого недостаточно. Переход к более дробной периодичности возможен не для всех показателей: выручка декомпозируется до ежедневных значений, структура постоянных затрат – нет.

Второе – структурные сдвиги. Финансовые ряды предприятия содержат разрывы, вызванные изменением учётной политики, реорганизацией, сменой ассортимента, изменением налогового режима. Модель, обученная на данных, охватывающих такой разрыв, воспроизводит артефакт, а не закономерность. Ручное выделение однородных периодов остаётся необходимым и плохо поддаётся автоматизации.

Третье – требование обоснованности. Финансовый план предъявляется собственникам, кредитным организациям, а в отдельных случаях и надзорным органам. Прогноз, который невозможно объяснить, не выполняет своей функции независимо от точности. Финансовый директор, не способный ответить на вопрос о причинах ожидаемого снижения показателя, оказывается в положении, из которого ссылка на алгоритм не выводит.

Четвёртое – асимметрия последствий ошибки. Завышенный прогноз выручки и заниженный имеют разную цену: первый ведёт к принятию обязательств, которые нечем покрыть, второй – к упущенным возможностям. Симметричные функции потерь, применяемые в стандартных постановках, этой асимметрии не отражают.

Прогнозирование выручки и денежного потока

Прогноз выручки составляет основу финансового плана и наиболее пригоден для алгоритмизации ввиду возможности декомпозиции.

Практически работоспособной оказывается схема, при которой прогноз строится не для агрегированной величины, а для её составляющих: объёма продаж по товарным группам, цены, структуры каналов. Каждая составляющая моделируется отдельно, с учётом влияющих на неё факторов, после чего результаты сводятся. Такое построение соответствует логике многофакторных моделей в коммерческих финансовых системах [2, с. 12-16] и обладает существенным преимуществом перед прямым прогнозом агрегата: расхождение плана с фактом локализуется до конкретной составляющей, что превращает разбор отклонений из обсуждения общих причин в предметную работу.

Прогноз денежного потока имеет иную природу. Он определяется не столько будущими продажами, сколько платёжной дисциплиной контрагентов и условиями расчётов. Здесь машинное обучение применимо к задаче предсказания срока оплаты по конкретному счёту на основании истории расчётов с данным контрагентом, суммы, сезона, наличия просрочек в прошлом. Полученные оценки агрегируются в прогноз поступлений с распределением по датам.

Ценность такого подхода состоит в переходе от точечной оценки к распределению. Казначейство получает не единственное значение ожидаемого остатка, а вероятностную оценку, позволяющую обоснованно определять размер резерва ликвидности. Величина, которая в отсутствие модели устанавливается эмпирически и обычно с избытком, становится результатом расчёта, соотносящего стоимость поддержания резерва с вероятностью и ценой кассового разрыва.

Сценарное моделирование

Сценарный анализ традиционно строится на трёх вариантах – оптимистическом, базовом и пессимистическом, – параметры которых задаются экспертно. Метод прост, понятен и обладает двумя дефектами.

Первый: сценарии не имеют приписанных вероятностей, что не позволяет соотнести их при принятии решения. Утверждение о возможности снижения выручки на двадцать процентов бесполезно без указания, насколько такое развитие правдоподобно.

Второй: сценарии внутренне несогласованны. Эксперт, формируя пессимистический вариант, одновременно ухудшает все параметры, тогда как в действительности они связаны – снижение спроса обычно сопровождается снижением цен на ресурсы. Результат оказывается более мрачным, чем допускает экономическая логика, и потому не используется при планировании.

Имитационное моделирование устраняет оба дефекта. Совместное распределение параметров оценивается по историческим данным с сохранением корреляций, после чего многократным розыгрышем формируется распределение итогового показателя. На выходе руководство получает не три варианта, а оценку вероятности того, что показатель окажется ниже критического уровня, – величину, непосредственно пригодную для решения.

Ограничение метода состоит в предположении о сохранении наблюдавшихся ранее взаимосвязей. В периоды структурных изменений это предположение нарушается, и имитация даёт ложную точность. Сочетание расчётной оценки с явно заданными стрессовыми сценариями, отражающими качественно иные условия, остаётся необходимым.

Управление оборотным капиталом

Оборотный капитал предприятия распределён между запасами, дебиторской задолженностью и денежными средствами, и в каждой из составляющих алгоритмические методы решают собственную задачу.

В части запасов задача сводится к определению уровня, обеспечивающего заданный уровень обслуживания при минимальных вложениях. Вероятностный прогноз спроса, о котором говорилось выше, позволяет рассчитывать страховой запас исходя из целевой вероятности отсутствия дефицита, а не по эмпирическим правилам. Экономический эффект в компаниях с широкой номенклатурой оказывается существенным именно потому, что эмпирические правила применяются единообразно ко всем позициям, тогда как их поведение различно.

В части дебиторской задолженности применяется скоринг контрагентов – оценка вероятности просрочки и её ожидаемой длительности. Оценка используется при установлении лимитов и условий отсрочки. Здесь важно понимать источник смещения: компания наблюдает платёжное поведение только тех контрагентов, которым отсрочка была предоставлена, и модель, обученная на таких данных, воспроизводит логику прошлых решений кредитного комитета, включая его ошибки.

В части денежных средств задача состоит в согласовании размещения временно свободных средств с прогнозом потребности. Точность прогноза поступлений напрямую определяет допустимый горизонт размещения, а следовательно, и доходность.

Контроль исполнения и обнаружение отклонений

Помимо планирования, алгоритмические методы применяются в контроле исполнения бюджета. Задача формулируется как обнаружение отклонений, выходящих за пределы обычной вариации.

Классический подход сравнивает факт с планом по каждой статье и выделяет отклонения, превышающие фиксированный порог. Дефект очевиден: одни статьи по своей природе изменчивы, другие стабильны, и единый порог порождает поток ложных сигналов по первым при пропуске существенных отклонений по вторым.

Модельный подход устанавливает границы нормальной вариации для каждой статьи индивидуально, с учётом сезонности и связи с объёмными показателями. Сигнал возникает тогда, когда отклонение не объясняется известными факторами. Практический результат – сокращение объёма разбираемых отклонений при одновременном повышении содержательности каждого разбираемого случая.

Смежное направление – контроль корректности учётных операций. Модели, обученные на нормальных проводках, выявляют нетипичные: необычные сочетания счетов, суммы с аномальной структурой, операции в нехарактерное время. Инструмент применяется как во внутреннем контроле, так и в аудиторской практике, причём его ценность состоит не в замене проверки, а в приоритизации объектов для неё.

Встраивание в существующий плановый контур

Финансовое планирование на предприятии представляет собой регламентированную процедуру с закреплёнными сроками, формами и порядком согласования. Внедрение расчётных моделей происходит не на пустом месте, а внутри этой процедуры, и способ встраивания определяет судьбу проекта не в меньшей степени, чем качество самих моделей.

Наиболее распространённая ошибка – параллельное существование модельного и регламентного контуров. Модель формирует прогноз, финансовая служба готовит план по прежней методике, расхождения обсуждаются, но решения принимаются по регламентному варианту, поскольку именно он утверждён. Модельный контур постепенно превращается в справочный, а затем перестаёт сопровождаться. Внешне проект остаётся действующим, фактически он закончился.

Работоспособная схема предполагает, что модельный расчёт занимает определённое место в регламенте – как правило, формирует исходную версию плана, которая далее корректируется экспертно с обязательной фиксацией оснований корректировки. Такая конструкция решает две задачи. Во-первых, модель включается в процесс, а не соседствует с ним. Во-вторых, зафиксированные корректировки образуют материал для анализа: систематическое отклонение экспертов от расчёта в одну сторону указывает либо на неучтённый моделью фактор, либо на устойчивое смещение в экспертных суждениях, и оба вывода полезны.

Важен и вопрос периодичности. Годовой цикл планирования даёт одну точку обратной связи в год, чего недостаточно для развития модели. Введение скользящего прогноза с ежемесячным или ежеквартальным обновлением увеличивает частоту обратной связи и одновременно снижает цену отдельной ошибки, поскольку горизонт корректировки сокращается.

Границы применения и организационные вопросы

Ответ на вопрос о том, когда переход от экспертной оценки к модельной оправдан, определяется соотношением количества наблюдений, стабильности условий и цены ошибки. При коротких рядах и высокой изменчивости среды формализованная экспертная процедура превосходит статистическую модель, и попытка построить последнюю приводит к переобучению, замаскированному под точность.

Организационная сторона внедрения в финансовом блоке имеет особенность, отличающую его от коммерческого. Финансовая служба несёт ответственность за представляемые цифры перед внешними пользователями, и потому уровень требований к обоснованности здесь выше, по существу, а не по привычке. Модель, вывод которой нельзя разложить на понятные составляющие, не будет использована – и это профессионально обоснованная позиция, а не сопротивление изменениям.

Вспомогательные инструменты на базе языковых моделей находят применение в подготовке пояснительных материалов, сопоставлении версий бюджета, извлечении условий из договоров. Архитектура таких помощников, включая требования к прослеживаемости ответа, рассмотрена в работе В. В. Осадчего [1, с. 42-50]. В финансовом контексте требование проверяемости приобретает буквальный характер: любое число, попадающее в отчётность, должно возводиться к первичному документу.

Заключение

Финансовое планирование отличается от операционных областей применения искусственного интеллекта короткими рядами наблюдений, наличием структурных сдвигов и повышенным требованием обоснованности вывода перед внешними пользователями. Эти особенности ограничивают прямой перенос методов, показавших эффективность в задачах с массовыми однотипными решениями.

Декомпозиционный подход, при котором прогноз строится по составляющим с последующим сведением, предпочтителен перед прямым моделированием агрегированного показателя: он обеспечивает объяснимость и позволяет локализовать источник отклонения при разборе исполнения плана.

Переход от точечных прогнозов к вероятностным меняет качество финансовых решений сильнее, чем повышение точности как таковой, поскольку переводит определение резервов и лимитов из области эмпирических правил в область явно формулируемого компромисса между стоимостью резерва и риском.

Выбор между статистической моделью и формализованной экспертной процедурой должен опираться на объём накопленных наблюдений и стабильность условий, а не на предпочтение метода. В нестабильной среде при коротких рядах экспертная процедура даёт более надёжный результат.

Перспективным направлением дальнейших исследований представляется разработка методов оценки достоверности финансовых прогнозов в условиях структурных сдвигов – задача, для которой стандартные процедуры проверки на отложенной выборке принципиально непригодны, поскольку предполагают однородность данных.