Функционал прогнозирования бюджета, разработанный командой Softline Digital для крупной государственной финансовой организации, можно применить для финансового планирования в любой компании.
- Зачем нужно прогнозирование бюджета?
- Чем помогает модуль прогнозирования?
- Как работает система прогнозирования?
- Softline Digital в финтех-проекте
- Подробнее об алгоритмах прогнозирования
- Где еще можно применить прогнозные модели бюджетирования?
Зачем нужно прогнозирование бюджета?
Любой бюджет требует ответственного исполнения в течение года. Это касается и личных финансов, и корпоративного бюджетирования, и государственной системы. В последней ситуация особенно строгая – бюджетный кодекс не позволяет допускать большого дефицита, поэтому необходимо тщательно планировать объем расходов и потенциальных доходов, чтобы выполнять все утвержденные цели.
При составлении бюджетов работники государственной системы не могут придерживаться позиции «будь что будет». У коммерческих компаний есть возможность отступить от первоначальных целей, например, в конце года отменить обещание повысить зарплаты сотрудникам из-за нехватки средств на выплату кредитов. Государство же не может оказаться перед выбором заплатить внешний долг или обеспечить финансирование вооруженных сил – масштаб этой проблемы слишком велик.
На точности прогнозирования строится эффективность бюджетной политики и экономики. Компании могут использовать предиктивную аналитику для такого же достоверного предсказания бюджетных потребностей своего бизнеса.
Это помогает оперативнее оценивать финансовые возможности, обеспечивать денежные запасы и эффективнее использовать средства в критических ситуациях. В таких условиях бизнесу не приходится ужиматься и отказываться от поставленных целей.
Чем помогает модуль прогнозирования?
Зная, сколько удастся получить доходов, к примеру, от нефтегазового сектора, можно строить план развития здравоохранения или социальной поддержки граждан. Понимая, будут ли получены излишки денежных средств, можно рассчитать возможность их вложения в финансовые инструменты.
Государственные финансовые организации постоянно ищут и реализуют инструменты, которые обеспечивают баланс. Одним из них стал совместный продукт Softline Digital и «Девелоника» (ГК Softline) – приложение для бюджетирования с модулем прогнозирования.
Ранее каждый аналитик организации заказчика самостоятельно давал оценку экономической ситуации, делал прогнозы и составлял отчеты. Однако из-за огромного количества секторов, показателей, документов, федеральных, региональных и муниципальных уровней – это была достаточно трудная и затратная по времени работа.
Чтобы получить прогноз с помощью модели анализа данных, требуется только нажать на кнопку в приложении. Все остальное делают алгоритмы, которые разрабатываются по согласованным методическим рекомендациям.
Как работает система прогнозирования?
Из интерфейса системы бюджетирования пользователь переходит на вкладку веб-сервиса прогнозирования и делает конкретный запрос. Например, «Поступления в бюджет от нефтегазовых доходов за 2022 год». После этого сервис обрабатывает запрос и выдает прогноз, например, «7,15 трлн руб». Эксперт может оценить результат, внести в него корректировки и использовать для следующего этапа процесса бюджетирования.
С помощью модуля можно:
- строить прогнозы на год,
- видеть, какие суммы ожидаются в каждом конкретном месяце,
- получать выборку отчетов по дням.
Модель дает точные прогнозы, минимизируя ошибки, и делает это быстрее человека. Качество сложных прогнозов можно улучшать, совершенствуя параметры внедренного алгоритма. Аналитикам финансовой отрасли такая система экономит много времени, так как берет на себя трудоёмкую работу по созданию бюджетных прогнозов и отчетности.
Softline Digital в финтех-проекте
Команда «Девелоника» вела проект по разработке автоматизированной системы бюджетирования для крупной организации финансовой отрасли РФ. На этапе предпроектного обследования сотрудники заказчика на установочных совещаниях демонстрировали, как устроен процесс бюджетирования, откуда поступают данные, как их обрабатывают, как утверждают и т.д. В результате разработки система приобрела вид масштабного программного комплекса.
Команда Softline Digital занималась разработкой модуля прогнозирования в этом комплексе. Перед специалистами стояла задача создать сервис, который, черпая фактические данные из мастер-системы (системы бюджетирования), будет по запросу строить прогнозы финансовых потоков.
Команда дата-сайентистов Softline Digital в составе Максима Милкова, Дмитрия Зборошенко, Артемия Гущина и Владислава Глебова разрабатывали решение на стеке Python, базе данных Postgress и платформе контейнеризации микросервисов Docker.
В настоящее время система находится в промышленной эксплуатации, а Softline выступает в качестве второй и третьей линии поддержки для сотрудников заказчика.
Сложной частью работ была интеграция систем. Требовалось определить оптимальные наборы параметров, протестировать совместимость и при этом соблюсти процедуры безопасности. Также были тонкости, связанные с реализацией процессов непрерывного улучшения и поставки компонент, реализованных на разных языках программирования: Python (модуль прогнозирования) и Java (мастер система).
Подробнее об алгоритмах прогнозирования
Для прогнозирования команда выбрала несколько мета-алгоритмов, которые эффективнее всего работают на исторических данных большинства временных рядов.
- ARIMA (autoregressive moving average) или модель Бокса-Дженкинса.
Эта модель авторегрессионного скользящего среднего представляет будущее в виде некой линейной комбинации прошлого и лагов. Берутся разности изменений показателей друг относительно друга, создается признаковое пространство, подбирается коэффициент вклада лагов в будущее и создается линейная комбинация для этих лагов.
- Бустинг
Построение набора базовых регрессионных решающих деревьев, где каждое последующее минимизирует ошибки предыдущего до тех пор, пока они не сведутся практически к нулю.
- Эвристический алгоритм
За несколько предыдущих лет выделяются профили поведения, для которых создается отдельный прогноз.
- Экспоненциальное сглаживание
Можно представить, как фильтр, на вход которого последовательно поступают члены исходного ряда, а на выходе формируются текущие значения экспоненциальной средней.
На каждый запрос от пользователей можно применять все эти алгоритмы одновременно или воспользоваться методическими рекомендациями, которые составила команда дата-аналитиков Softline. В них указано, какие алгоритмы целесообразнее выбирать для тех или иных временных рядов и типов исторических данных
Где еще можно применить прогнозные модели бюджетирования?
Важно: прогнозные модели можно применить в любой системе бюджетирования как в государственной, так и в корпоративной.
Во многих случаях модель реализована практически как коробочная программа, необходимо только загрузить в нее новые данные. Но чем труднее задачи и чем больше нюансов, тем сложнее настройки, алгоритмы и более трудоемкий процесс создания механизмов прогнозирования.
Предиктивная аналитика совершенствует бюджетирование, улучшает стабильность и платежеспособность компании. Модели машинного обучения Softline Digital позволяют сделать финансовое планирование таким же высокоточным, как в самых строгих финансовых учреждениях государства.
Задайте вопрос команде Softline Digital – digital@softline.com
Получайте новые статьи моментально в Telegram по ссылке: https://t.me/sldonline_bot
