Tehisabilised raamatupidaja igapäevatöös, III osa

Kristi Ulm
Kristi Ulm tutvustab närvivõrke sisaldavaid rakendusi

Sarja viimases artiklis, mis käsitleb tehisabilisi raamatupidaja igapäevatöös, kirjeldatakse närvivõrke sisaldavaid rakendusi krediidipettuste avastamisel, lao väärtuse hindamisel, eelarvestamisel ja juhtimisarvestuses.

Üks sagedasemaid pettuste liike on kaupade ja teenuste ostmine krediidiga, kavatsusega mitte kunagi nende eest tasuda. Sellised vargused õnnestuvad, kui kaupleja ei tegele klientide ja halva võla detailse analüüsiga. Kaubandus kolib järjest enam internetti ning üha rohkem ettevõtteid kasutab krediidimüügil online-autoriseerimist. Siinkohal tuleb appi närvivõrkude rakendus, mis monitoorib müügisüsteemis krediiditaotlusi – see aitab identifitseerida potentsiaalseid pettuse juhtumeid. Selline rakendus tarkvaras annab kauplejale võimaluse ära öelda potentsiaalsetele ja olemasolevatele klientidele, kes tunduvad oma tegevuselt kahtlased, soovides kogu krediidilimiidi kohe ära kasutada.

Närvivõrgud krediidipettuste avastamisel

Kuidas see käib? Närvivõrkude rakendused pettuste avastamiseks on disainitud ära tundma mustreid, mis võivad viidata kahtlasele ostukäitumisele ja potentsiaalsele pettusele. Kui kaupleja on hakanud kahtlustama, et klient petab, siis üritavad petturid enamasti kasutada kohe ära kogu krediidilimiidi, ostes just selliseid kaupu, mida saab kiiresti edasi müüa. Sellise tegevuse tulemuseks on peened ostukäitumise mustrid, mida närvivõrgud suudavad avastada. Algandmed, millega närvivõrkusid treenitakse, on ajaloolised klientide ostude ja maksete andmed, näiteks ostude ja maksete trendid ning sagedus. Samuti on algandmeteks iga tehingu rahaline ja koguseline suurus, klienti iseloomustavad karakteristikud, mis põhinevad krediidiavalduste andmetel, ja muu klientidega seotud info.

Kliendikäitumise mustrite tõhusamaks avastamiseks vajab kaupleja nii palju andmeid kui võimalik.

Ainult müügitehingute andmetest ei piisa, vaja on ka andmeid ettevõtte pakutavate kaupade ja teenuste kohta. Kui andmed on koos, siis treenitakse ja testitakse närvivõrke mustrite avastamiseks. Sellist tüüpi tarkvara lisatakse ettevõtte müügitarkvarale müügiprotsessi osana müügi autoriseerimise tegevuse lähedale pärast kõikide andmete kättesaamist kliendilt. Kui närvivõrk on avastanud potentsiaalse pettuse juhtumi, siis tarkvara teavitab müügispetsialisti. Selleks, et andmed oleksid piisavalt värsked, tuleb närvivõrkude baasandmeid värskendada kord kuus või kvartalis, olenevalt kaupleja müügimahust. Lisaks närvivõrkude rakenduste kasutamisele müügiprotsessis peavad kaupleja ettevõttes olema kehtestatud protseduurid halva võla monitoorimiseks ja analüüsiks, et krediidipettuste avastamine oleks piisavalt tõhus.

Närvivõrkude kasutamine maksetähtaja monitoorimisel ja halva võla mahakandmisel

Ettevõtted kannavad perioodiliselt maha maksmata kliendivõlgnevust. Lisaks krediidipettustele on närvivõrkudest abi halva võla ennetamisel ja hilisemal mahakandmisel. Kui ettevõtte klientidel tekivad raskused arvete maksmisega, siis nende maksekäitumine hakkab muutuma. Teatud indikaatorite järgi on võimalik kindlaks määrata klientide ärilisi raskusi palju varem, et ennetada kliendi pankrotti. See teadmine aitab ettevõttel minimeerida halva võla mahakandmise kulusid.

Närvivõrke saab õpetada ära tundma klientide ostude ja maksetega seotud käitumismustreid, mis viitavad ärilistele raskustele ning seeläbi võimaldada ettevõttel vastu võtta vajalikke samme.

Selles valdkonnas kasutatakse närvivõrke peamiselt kahel moel: kas kliendivõla tehingute monitoorimiseks või identifitseerimiseks, kas kliendi võlg on sissenõutav või mitte. Olenevalt ettevõtte vajadusest on andmeallikatena kombineeritud vastavalt nii ettevõtte enda sisemised kui ka välised andmebaasid.
Kuidas see käib? Andmetega treenitud närvivõrk lõimitakse koos otsustusabisüsteemiga (DSS, decision support system) iga päev või iga nädal monitoorima klientide ostukäitumist. Vastavalt seadistustele on võimalik lubada maksetähtaja ületamist või mitte ning võla automaatset mahakandmist.

Närvivõrkude kasutamine igapäevases laoarvestuses

Lisaks ekspertsüsteemidele kasutatakse laoarvestuses samuti närvivõrkude rakendusi. Kui online-süsteemid pakuvad tegevustes tõhusust ja mugavust, siis lao füüsiline inventeerimine on siiski liiga töö- ja ajamahukas. Närvivõrkude rakenduste kasutamine laoarvestuses võimaldab kontrollida aruandlust, aitab avastada vigu, eksimusi ja vargusi ning tuvastada hinna ja koguste muutusi, et ennetada puudujääke ja ebakõlasid.

Närvivõrkude rakendused monitoorivad laotehinguid, et identifitseerida potentsiaalseid vigu ja pettusi.

Tihtipeale on vead ja eksimused laotöötajate põhjustatud, sest eiratakse kehtestatud protseduure andmete sisestamisel, harvemini on põhjused tarkvaras. Töötajad, kes varastavad, on enamasti kindlad, et suudavad sisestada valeandmed nii, et see pole tuvastatav, kuid sellistel tehingutel on muster, mida närvivõrkude rakendused suudavad avastada.
Kuidas see käib? Närvivõrke treenitakse suure hulga laoandmetega ning testitakse näidisandmetega. Närvivõrkude rakendus lisatakse laoarvestuse protsessi monitoorima laotehinguid vahetult enne kõikide sisestuste lõplikku sissekandmist. Kui närvivõrkude rakendus tuvastab ebakõla, siis süsteem saadab vastavasisulise teate laojuhatajale ja controller’ile. Kuna vargad on suhteliselt nutikad tegelased, siis tuleb närvivõrkude alusandmeid iga kuu uuendada, et rakendusest kasu oleks.

Närvivõrkude kasutamine lao väärtuse hindamisel

Närvivõrkude rakendused on kasutusel lisaks igapäevasele laoarvestusele ka lao väärtuse hindamisel, mispuhul on vaja kaubad klassifitseerida: kas (1) nende hind on alla turuhinna (sel juhul pole vaja korrigeerida), (2) hind on kõrgem turuhinnast (sel juhul on vaja korrigeerida), või (3) kaup on vananenud (sel juhul tuleb kaup maha kanda). Kogu tegevus on aja- ja töömahukas ning tuleb teha suhteliselt kiirel perioodil aruannete koostamise protsessi käigus. Närvivõrkude rakendus lao väärtuse hindamisel aitab seda tegevust lihtsustada ning tuvastada, millised kaubad vajavad korrigeerimist.
Kuidas see käib? Närvivõrkude treenimisel ei piisa ainult suurest hulgast müügi-, ostu- ja laotehingute andmetest, vaid ettevõttel tuleb sisendandmeteks närvivõrkudele identifitseerida ning jagada laoartiklid soovitavalt eespool nimetatud kolme kategooriasse. Samuti tuvastatakse artiklid, mis kõige enam ja kiiremini väärtust kaotavad ning vananevad. Tavapäraselt kasutatakse kahe kvartali kuni viie aasta vanuseid andmeid, mida siis teatud perioodi järel uuendatakse.

Närvivõrkude rakendus installeeritakse äritarkvarasse lao protsessi osaks pärast kõikide sisestuste tegemist ning enne lao päevaraamatu koostamist.

Närvivõrkude rakendus koostab iganädalase või igakuise ennustuse laojuhatajale ja controller’ile lao artiklite kohta, mida tuleb korrigeerida või maha kanda.

Närvivõrkude kasutamine eelarvestamises

Öeldakse, et ennustamine on tänamatu töö. Osa eelarveridu saab eelmiste aastate andmete põhjal eelarvestada järgmiseks perioodiks, kuid mõningaid asju tuleb ennustada. Seetõttu on eelarvestamine mahukas ja kohati üsna keerukas protsess. Kui eelarve on ebarealistlik ning selles on liiga palju õhku, võib see ettevõttele hävitavalt mõjuda. Tihtipeale on just ennustamise osa kontrollimine ja vastandamine tegelike reaalsete andmetega kõige keerulisem osa protsessist. Siin on abiks närvivõrgud, mis suudavad kiiresti identifitseerida eelarvestatud ebarealistlikud mahud, projektsioonid ja muud tingimused. Tihtipeale tuleb eelarve koostamisel alustada eelarve kontrollimist alt üles ning sealjuures arvestada eelarve koostamise lähtetingimusi. Mitmete muutujate samaaegne arvestamine kisub keeruliseks ning vead on kerged tulema.

Närvivõrkude rakendus aitab palju kiiremini käia eelarve läbi rida-realt ning tuvastada ebakõlad kõiki muutujaid arvestades.

Kuidas see käib? Andmed, millega närvivõrkusid treenitakse, sõltuvad ettevõtte tarkvarast. Üldiselt kasutatakse ettevõtte ja selle osakondade eelmiste perioodide eelarvete ning käesoleva perioodi aruannete andmeid. Ilma käesoleva perioodi andmeteta pole võimalik närvivõrke treenida, sest siin ei piisa ainult ajaloolistest andmetest. Andmete vanus peaks jääma kahe kvartali kuni viie aastani. Suure hulga andmetega treenitud ning näidisega testitud närvivõrkude rakendus installeeritakse ettevõtte äritarkvarasse eelarvestamise protsessi kohta, kus sisestused on juba tehtud, kuid eelarve on veel lõpetamata. Ebakõlade ilmnemisel eelarves teavitab närvivõrkude rakendus sellest ettevõtte eelarve eest vastutajat.

Närvivõrkude kasutamine juhtimisarvestuses

Finantsjuhid ja controller’id analüüsivad ettevõtte finantstulemusi, tegevustulemusi ning koostatud eelarvet, et hinnata, kuidas ettevõttel läheb. Nende andmete saamiseks kasutatakse tihti erinevaid süsteeme. Pealegi on olemas ajalised erinevused andmete allikates ning protseduurilised erinevused andmete vastavusse viimisel (näiteks viitnõuded ja -kohustused, mis nõuavad estimatsioonide lisamist), mis võib põhjustada olulisi vasturääkivusi tegevustulemusi, finantstulemusi ja eelarve täitmist mõõtvates süsteemides. Siinkohal on abiks närvivõrkude rakendus, mis aitab identifitseerida vasturääkivusi ja ebakõlasid andmetes, enne kui need aruannetesse jõuavad. Kui närvivõrgud on identifitseerinud vasturääkivuse andmetes, siis töötajatel on võimalik enne aruannete valmimist teha korrigeerimisi või siis valmistuda selgituste andmiseks juhtkonnale.
Kuidas see käib? Närvivõrkude treenimiseks on vajalikud nii terviklikud kui ka vasturääkivad finantsilist laadi ja mittefinantsilist laadi andmed, et närvivõrgud õpiksid ning suudaksid hiljem tuvastada ebakõlasid ja vasturääkivusi. Samuti on olulised aruannete kuupäevad, et närvivõrgud järgiksid raamatupidamistsüklit. Oluline on treenimiseks kasutada nii palju andmeid kui võimalik. Närvivõrkude rakendus töötab ettevõtte aruande koostamise protsessi osana enne aruande lõplikku valmimist ning pärast kõikide sisestuste tegemist. Kuna ettevõte on kui dünaamiline organism ning majandustingimused muutuvad pidevalt, siis närvivõrkude rakenduse tõhusus sõltub andmete uuendamisest.

 

Kasutatud kirjandus:

Aparaschivei, F. (2007). Considerations on Accounting Intelligent Systems Importance. ? Informatica Economica, 2(42), 95?99. [Online] Citeseerx

Siegel, J. G., Shim, J. K., Walker, J. P., et al. (2003). The Artificial Intelligence Handbook: Business Applications in Accounting, Banking, Finance, Management and Marketing. South Western: Thomson

Yang, D. C., Vasarhelyi, M. A. (1996). The Application Of Experts Systems in Accounting ? [Online] Citeseerx

O'Keefe, R. M., O'Leary, D., Rebne, D., Chung, Q. B. (1993) The Impact of Experts Systems in Accounting: System Characteristics, Productivity and Work ? International Journal of Intelligent Systems in Accounting Finance & Management, 2(3), 177?189. [Online] EBSCOhost

Tepandi, J. (2016). Intelligentsed süsteemid. Tallinna Tehnikaülikool [WWW] http://tepandi.ee/is-loeng.pdf

 

Osale arutelus

  • Kristi Ulm, MSc, äriinfotehnoloogia

Toetajad:

Raadio ettevõtlikule inimesele

Hetkel eetris

Jälgi Raamatupidajat sotsiaalmeedias

RSS
Palgakalkulaator
Maksuvabastus (kuu)
Maksuvabastus (aasta)

Toetajad:

Tarkvara

Majandustarkvara RAPID

Tarkvaraga RAPID saate korraldada keskmise või väikese ettevõtte raamatupidamise ja majandusarvestuse - laoarvestus, palgaarvestus, teenindus, üüriarvestus, jm. RAPIDi tasuta versiooniga saab töö tehtud üksikettevõtja, alustav ettevõte või mittetulundusühing.

Dokumentide haldus- ja arhiveerimise süsteem

Ellrex digidoc on ettevõtte dokumentide haldus- ja arhiveerimise süsteem mis on eraldatud raamatupidamise programmist.

Valdkonna tööpakkumised

KAARLI HAMBAPOLIKLIINIK otsib PEARAAMATUPIDAJAT

Tripod Grupp OÜ

30. november 2018

MAXIMA EESTI OÜ ootab oma meeskonda PALGAARVESTAJAT

Maxima Eesti OÜ

19. november 2018

Uudised

Tööriistad