#kassavirtablogi: kassaennuste vuonna 2020 hyödyntää koneoppimista

Google+ Pinterest LinkedIn Tumblr +

On syyskuu 2018, kuulas alkusyksyn maanantai-aamu ja edessäni on kassaennuste.

Silmäys pankkitileille. Kassassa on vähemmän rahaa kun ennustettiin, koska vain puolet maksuista on tullut tilille ajallaan. Soitan myyntiin ja varmistan, missä sovitut asiakkaan maksut viipyvät. Lisään uuden laskutuksen maksuviiveet näppituntumalla, koska parempaa tietoa ei ole. Solu solulta käyn tapahtumia läpi. Muutama sisäinen puhelu ja lataan ennusteet exceliin. Laskeskelen todennäköisyyksiä ja mietin kassan riittävyyttä tuleville viikoille. Epävarmuutta on niin paljon, että on pakko palata tähän taas uudestaan huomenna.

Tuntikausien työn jälkeen manuaalisesti tehty kassaennuste oli vanha jo syntyessään. Ennustaminen olisi helppoa, jos asiat tapahtuisivat kuten on suunniteltu. Mitä poikkeuksellisemmaksi ympäristö muuttuu, sitä kriittisemmäksi kassaennuste tulee ja sitä vaikeampaa se on.

Kassaennuste on kassan saldon ennuste

Kassaennuste on kassan saldon ennustamista. Kassan saldon ennustetta tarvitaan esimerkiksi kun on tiedettävä paljon kassassa on rahaa aina sinä päivänä kun palkat, toimittajien maksut, lainan lyhennykset, investoinnit tai muut kriittiset maksut tapahtuvat.

Kassan saldon ennustaminen ei ole helppo tehtävä. Lähtevät maksut on suhteellisen helppo ennustaa, joskin se on työlästä.  Saapuvien maksujen ennustaminen on vaikeaa, koska asiakkaat  harvoin noudattavat sovittuja maksuaikoja, jonka lisäksi asiakkaiden maksuhalu ja maksukäyttäytyminen vaihtelevat. Tuotteessa voi olla virhe, laskujen hyväksyntä voi olla hidasta tai sama ostaja voi maksaa laskun eri tavoin eri toimijoille.

Koneoppiminen tekee kovan työn 

Kassan saldon ennustaminen on yksittäisten tapahtumien ja maksukäyttäytymisen ennustamista. Kassan saldon ennustaminen on ihmiselle mahdoton tehtävä, koska tapahtumia on lukumääräisesti paljon jonka lisäksi on pystyttävä ennustamaan myös asiakkaan maksukäyttäytymistä, joka muuttuu jatkuvasti.

Koneoppiminen pystyy ennustamaan kassan saldoa luotettavasti. Kassaennuste on sitä luotettavampi, mitä dynaamisempaa ja reaaliaikaisempaa dataa se voi hyödyntää. Parhaassa tapauksessa kassaennuste paranee käyttäjien määrän lisääntyessä.

Algoritmi pystyy ennustamaan kassaa tehokkaasti esimerkiksi toimialoilla joissa asiakkaan maksukäyttäytyminen vaihtelee, kuten rakennusteollisuus tai kuljetus- ja logistiikka ja toimialoilla, joilla laskutettavaa on paljon, kuten vuokraliiketoiminta, saas -liiketoiminta, tukkukauppa tai verkkokauppa.

Kassa on elinehto etenkin pienessä ja keskisuuressa yrityksessä. Koneoppiminen on pienelle yritykselle ratkaisu luotettavaan kassaennusteeseen, johon sillä resurssien ja oman datan määrän perusteella ei muuten olisi mahdollisuuksia.

#kassavirtablogi käsittelee kassan ennustamista ja kuinka ennustetta voi parantaa datan avulla. Sarjan ensimmäinen blogi käsitteli kassaennustetta yrittäjälle; mitä kassaennuste tarkoittaa ja mitkä asiat vaikuttavat ennusteeseen. Tässä blogissa käytiin läpi kassan saldon ennustamisesta 2020 -luvulla; kuinka automaatio, data ja koneoppiminen parantavat kassaennustetta. Kolmas blogi käsittelee kassan tehostamista datan ja analytiikan (data insights) avulla.

Jaa

Vaikuttajasta

Päivi Kangasmäki

Founder
riskrate
#kassaennuste #yrittäjä

Jätä kommentti