Marcin RELICH Zakład Controllingu i Informatyki Ekonomicznej, Wydział Ekonomii i Zarządzania, Uniwersytet Zielonogórski E mail: m.relich@wez.uz.zgora.pl Zastosowanie technik drąŝenia danych do szacowania opóźnienia w regulowaniu naleŝności. Wprowadzenie Jednym z najwaŝniejszych obszarów działalności przedsiębiorstwa jest utrzymanie płynności finansowej tak w krótkim, jak i w długim okresie. Istota zapewnienia płynności finansowej wynika z faktu, iŝ nawet krótkotrwała utrata płynności finansowej moŝe oznaczać niekorzystne konsekwencje dla przedsiębiorstwa. Do konsekwencji tych moŝna zaliczyć na przykład spadek zaufania ze strony dostawców wynikający z opóźnień w spłacie zobowiązań z tytułu dostaw lub usług. RównieŜ nieregularna spłata zobowiązań wobec banków moŝe prowadzić do zaklasyfikowania przedsiębiorstwa do niŝszej grupy ratingowej, co zazwyczaj skutkuje trudnościami z uzyskaniem kolejnych kredytów. Utrata płynności finansowej w dłuŝszym okresie w większości przypadków jest podstawową przyczyną upadłości firm. Istotne wydaje się wobec tego monitorowanie płynności finansowej celem ustalenia okresów ewentualnych niedoborów środków pienięŝnych. Płynność finansowa jest w literaturze przedmiotu róŝnie definiowana. Na potrzeby nniejszej pracy przyjęto, Ŝe przez płynność finansową przedsiębiorstwa naleŝy rozumieć jego zdolność do spłaty krótkoterminowych zobowiązań, tzn. takich, których terminy płatności nie przekraczają roku []. Monitorowanie płynności finansowej słuŝy ustaleniu okresów ewentualnej jej utraty. Do podstawowych czynników mających wpływ na poziom środków pienięŝnych w przedsiębiorstwie moŝna zaliczyć wielkości sprzedaŝy czy terminy spłaty naleŝności przez klientów. Są to wielkości, na które przedsiębiorstwo nie ma bezpośredniego wpływu. Przy duŝej zmienności tych czynników klasyczne metody szacowania wartości przepływów pienięŝnych zawodzą jakość stawianych prognoz jest niewielka. Ponadto ze względu na duŝy poziom konkurencji coraz częściej przedsiębiorstwa sprzedają towary z odroczonym terminem płatności. Tego typu postępowanie jest szczególnie widoczne w klasie małych i średnich przedsiębiorstw, które oprócz wysokiego poziomu konkurencji mają równieŝ ograniczony dostęp do zewnętrznych źródeł finansowania swojej działalności (m.in. kredytów bankowych). Prowadzi to do sytuacji, w której przedsiębiorstwo udzielając klientowi kredytu kupieckiego, często na długi okres, musi pozyskać dodatkowe fundusze na finansowanie swojej działalności. W przypadku braku moŝliwości pozyskania kredytów bankowych samo finansowanie własnym zyskiem jest zazwyczaj niewystarczające. Powstaje wobec tego potrzeba opracowania narzędzia, które z jednej strony generowałoby dokładniejsze prognozy przepływów środków pienięŝnych, natomiast z drugiej strony mogłoby poprawić proces sterowania czynnikami wpływającymi na płynność finansową przedsiębiorstwa. W artykule zaproponowano podejście wykorzystujące metody oparte na sztucznych sieciach neuronowych oraz systemach 9
rozmytych. Zadaniem proponowanego podejścia jest wobec tego wykrycie zaleŝności w bazie danych przedsiębiorstwa, w oparciu o które nastąpi wyznaczenie przepływów pienięŝnych i ewentualnych niedoborów gotówki. W przypadku wystąpienia tych niedoborów i braku moŝliwości pozyskania zewnętrznych źródeł finansowania, wyszukane zaleŝności zostaną wykorzystane do generowania propozycji zmian wpływających na poprawę płynności w oparciu o własne zasoby firmy. Wzrost środków pienięŝnych moŝe odbyć się na przykład poprzez zmianę warunków regulowania naleŝności (długości kredytu kupieckiego przyznawanego klientowi, wielkości skonta), zmianę stanu zapasów czy przesunięcie terminów regulowania zobowiązań. Wykorzystanie technik drąŝenia danych do wyszukania zaleŝności dotyczących rozwa- Ŝanego zagadnienia implikuje posiadanie odpowiedniego archiwum danych. Tego typu archiwum jest zazwyczaj łatwo dostępne w przedsiębiorstwach wykorzystujących zintegrowane systemy informatyczne. W tym przypadku proponowane podejście moŝe charakteryzować się niskim kosztem jego zastosowania. 2. Sformułowanie problemu Rozpatrywana jest klasa przedsiębiorstw wykorzystująca zintegrowane systemy informatyczne. Systemy te moŝna zdefiniować jako zintegrowany zbiór modułów (aplikacji) obsługujący wszystkie biznesowe funkcje przedsiębiorstwa i umoŝliwiający przetwarzanie danych w czasie rzeczywistym w zintegrowanym, zorientowanym na procesy środowisku. Do obszarów funkcjonalnych zintegrowanego systemu moŝna zaliczyć na przykład moduł sprzedaŝy, zaopatrzenia, produkcji, gospodarki magazynowej, środków trwałych, rachunkowości czy rachunku kosztów [3]. Planowanie przepływów środków pienięŝnych następuje w oparciu o informacje (nie)pewne i (nie)precyzyjne. Za informacje pewne moŝna uznać na przykład wartość kosztów stałych czy sprzedaŝy zagwarantowanej umowami, natomiast za informacje niepewne na przykład wartość planowanej sprzedaŝy i związany z tym poziom kosztów zmiennych czy rzetelność płatniczą odbiorców. Precyzyjność natomiast zale- Ŝy od dokładności pomiaru wielkości ekonomicznych, co prowadzi do zagadnienia jakości danych. W przypadku rozwaŝanej klasy małych i średnich przedsiębiorstw na problemy z zapewnieniem jakości danych wpływa [4]: niewielka liczba pracowników z umiejętnościami obsługi systemu, co w przypadku zastępstwa prowadzi do braku opracowywania procesów gospodarczych lub wprowadzania przez zastępcę tylko najpilniejszych procesów; niesystematyczna praca związana z obsługą danych prowadzi do zwiększenia ryzyka wystąpienia błędów w obsłudze. Uwzględnienie moŝliwości kilku lub najwyŝej kilkunastodniowego opóźnienia we wprowadzeniu danych prowadzi do przyjęcia miesięcznego okresu jako jednostki horyzontu planowania. Ponadto załoŝono, Ŝe klientów cechuje zmienna rzetelność płatnicza, a pozyskaną wiedzę powinno się wykorzystywać nie tylko do planowania, lecz równieŝ do sterowania płynnością finansową. Na rys. przedstawiono proponowany model planowania płynności finansowej. Przyjęto równieŝ załoŝenie dotyczące istnienia duŝego zbioru danych, zawierającego informacje nieprecyzyjne czy jakościowe. Problem sprowadza się do odpowiedzi na pytanie: czy moŝliwe jest przy danych ograniczeniach uzyskanie dokładniejszego prognozowania środków pienięŝnych w oparciu o dodatkowe informacje pozyskane z wykorzystaniem technik drąŝenia danych. 92
Zmienne wejściowe - specyfikacja sprzedaŝy o kredyt kupiecki o typ towaru o wartość sprzedaŝy o... - budŝet sprzedaŝy - początkowa wartość środków pienięŝnych System rozmytoneuronowy (zaleŝności między zmiennymi) Wyniki - opóźnienie w regulowaniu naleŝności - planowanie przepływów pienięŝnych - sterowanie płynnością Rys.. Proponowany model planowania płynności finansowej Fig.. The proposal model of liquidity planning 3. Planowanie przepływów pienięŝnych Jednym z narzędzi wykorzystywanych do planowania przepływów pienięŝnych jest preliminarz obrotów gotówkowych [0]. Ustalana jest w nim prognoza sprzedaŝy, a następnie szacowane są wpływy i wydatki. Określenie wpływów następuje w oparciu o wyznaczone wzorce płatnicze klientów [2]. W przypadku, gdy klientów charakteryzuje duŝa rzetelność płatnicza, dysponując prognozą sprzedaŝy, moŝna precyzyjnie określić termin płatności naleŝności przez klienta. Natomiast w sytuacji znacznej zmienności płatniczej klientów, wyznaczenie wzorców płatniczych w oparciu o analizę rozkładu empirycznego opóźnienia w płatności naleŝności jest utrudnione. Podejście oparte na preliminarzu obrotów gotówkowych będzie dalej nazywane klasycznym podejściem planowania przepływów pienięŝnych. W tabeli przedstawiono planowanie przepływów pienięŝnych z wykorzystaniem podejścia klasycznego. Przyjęto, Ŝe 50% wpływów okresu t pochodzi ze sprzedaŝy w okresie t, 35% ze sprzedaŝy z okresu t-, natomiast 5% - z okresu t-2. Ponadto przjęto, Ŝe wydatki są równe kosztom w okresach ich poniesienia i obejmują koszty stałe (0,45 mln euro) oraz koszty zmienne (50% sprzedaŝy danego okresu), natomiast początkowa wartość środków pienięŝnych wynosi 0,4 mln euro. Tabela. Klasyczny sposób planowania środków pienięŝnych (w mln euro) Table. The conventional approach of cash flow planning (in million euro) Miesiąc t 08.08 09.08. 0.08..08. 2.08. 0.09 02.09 03.09 SprzedaŜ S t 0,9 0,78 0,69 0,93,2 0,79 0,65 0,72 Wpływy W t Wydatki Wy t 2 Środki pienięŝne Sp t 3 0,75 0,82 0,99 0,93 0,77 0,7 0,8 0,92,0 0,85 0,7 0,8 0, 0,0-0,0 0,07 0,06-0,04 Występowanie w działalności przedsiębiorstwa kosztów stałych implikuje większą trafność prognozy wydatków niŝ prognozy wpływów. Ponadto biorąc pod uwagę fakt, Ŝe W t = 50%* S t + 35%* S t- + 5%* S t-2 2 Wy t = 0,45 + 50%* S t 3 Sp t = Sp t- + W t Wy t 93
przedsiębiorstwo samo decyduje o terminie regulowania swoich zobowiązań, natomiast ma ono ograniczony wpływ na termin regulowania naleŝności przez klienta, w niniejszej pracy skoncentrowano się na planowaniu wpływów. W przypadku przedsiębiorstw z wdroŝonym systemem informatycznym ustalenie wpływów ze sprzedaŝy następuje zazwyczaj poprzez zestawienie sprzedaŝy dla danych klientów z informacją dotyczącą zaproponowanego klientowi terminu kredytu kupieckiego. Niektóre systemy posiadają równieŝ moŝliwość zadeklarowania stałej wartości przewidywanego opóźnienia w spłacie naleŝności przez klienta. Dzięki temu prognoza wpływów jest wyznaczana w sposób bardziej zbliŝony do sytuacji rzeczywistych. JednakŜe często w praktyce występuje sytuacja, Ŝe klient reguluje naleŝności w róŝny sposób i z róŝnym okresem opóźnienia. W przypadku oferowania skont za wcześniejszą spłatę naleŝności klient moŝe skorzystać z upustu cenowego. MoŜe on równieŝ wybrać regulowanie naleŝności z odroczonym terminem płatności (zwanym kredytem kupieckim). W tej sytuacji klient moŝe dokonać płatności za zakupiony towar w terminie, tzn. bezpośrednio po upływie okresu kredytu kupieckiego lub z róŝnym opóźnieniem. Klasyczne podejście pozwala na monitorowanie wieku naleŝności klientów, nie umoŝliwia jednak określenia czynników wpływających na dane opóźnienie w płatności. Wobec tego proponuje się uzupełnić klasyczne podejście poprzez wykorzystanie technik drąŝenia danych do określenia zaleŝności pomiędzy warunkami transakcji sprzedaŝy a opóźnieniem w spływie naleŝności. Celem wyznaczonych relacji jest nie tylko uzyskanie dokładniejszej prognozy wpływów, lecz równieŝ pozyskanie informacji dotyczącej wpływu warunków płatniczych (wielkości skonta, długości kredytu kupieckiego) na opóźnienie w spływie naleŝności. Informacje te następnie mogą zostać wykorzystane przez przedsiębiorstwo do określenia zmian warunków płatniczych proponowanych klientom, a mających na celu poprawę płynności finansowej. Ze względu na długoterminowe następstwa tych zmian, pozyskane informacje mogę mieć dla przedsiębiorstwa większe znaczenie niŝ dokładność w szacowaniu prognozy wpływów. Zgodnie z przyjętymi wcześniej załoŝeniami, dotyczącymi korzystania z duŝego zbioru danych zawierającego informacje o charakterze nieprecyzyjnym czy jakościowym, zdecydowano się wykorzystać teorię zbiorów rozmytych. Formalizm zbiorów rozmytych umoŝliwi wyznaczenie na podstawie danych numerycznych bazy reguł rozmytych. Tworzenie reguł moŝna przeprowadzić w oparciu o następującą procedurę [6, 9]: wykorzystanie metod klasyfikacji bezwzorcowej do ustalenia liczby zbiorów rozmytych, usunięcie reguł sprzecznych, ustalenie struktury systemu rozmyto-neuronowego oraz jej uczenie, wykorzystanie otrzymanej bazy reguł do planowania przepływów pienięŝnych. Rozmyto-neuronowy system hybrydowy łączy w sobie zalety tych dwóch technik. W przypadku sieci neuronowych największą zaletą jest moŝliwość ich uczenia i adaptacji do nowych warunków. Wadą natomiast jest brak algorytmu pozwalającego ustalić optymalną wielkość struktury sieci oraz to, Ŝe nabyta wiedza jest rozproszona w sieci, przez co zupełnie nieprzydatna dla obserwatora. Wady tej są pozbawione układy z logiką rozmytą. Biorąc pod uwagę trudności z pozyskaniem wiedzy od eksperta dotyczącej modelowanego systemu zwrócono się w kierunku pozyskiwania wiedzy z danych pomiarowych wejścia/wyjścia systemu. Doprowadziło to do przekształcenia modeli rozmytych w sieci neuronowe, zwane ze względu na swą specyfikę rozmytymi sieciami neuronowymi. Rozmyta sieć neuronowa moŝe być uczona próbkami pomiarowymi wejścia/wyjścia modelowanego systemu z uŝyciem algorytmu wstecznej propagacji błędu w oparciu o gradientowe metody optymalizacji doboru wag [, 5]. 94
3.. Przykład wykorzystania systemu rozmyto-neuronowego Poszczególne klasy opisujące zmienne decyzyjne w praktyce nie występują w postaci jednorodnych obszarów, lecz w róŝnym stopniu zachodzą na siebie. Jedną z technik umoŝliwiających klasyfikację obiektów do wielu grup jednocześnie z róŝnymi stopnia-mi przynaleŝności jest teoria zbiorów rozmytych. Wykorzystanie rozmytości pomaga równieŝ w rozwiązaniu problemu reguł sprzecznych, tzn. tych które posiadają te same przesłanki, ale inne konkluzje. W celu określenia liczbowej wartości zmiennej wyjściowej dla danych sygnałów wejściowych naleŝy przyjąć pewną metodę wyostrzania. Przyjmując metodę wyostrzania według średniej z centrów, wyostrzanie moŝna przedstawić w postaci funkcjonalnego bloku (funkcja gaussowska, iloczyn, suma), tworząc przedstawioną na rys. 2 sieć wielowarstwową. W ten sposób powstaje system rozmytoneuronowy, którego celem jest utworzenie bazy reguł, wykorzystywanej następnie do planowania przepływów pienięŝnych i sterowania płynnością finansową. y y 2 Specyfikacja transakcji sprzedaŝy...... y N Opóźnienie w płatności naleŝności Rys. 2. Struktura systemu rozmyto-neuronowego Fig. 2. The structure of fuzzyneural system Doprowadzając na wejście modelowanego obiektu wartości zmiennych niezaleŝ-nych następuje wyznaczenie wielkości wyjściowej systemu rozmytego-neuronowego. Biorąc pod uwagę charakter zmiennych przyjęto, Ŝe zmienne opóźnienie w płatności naleŝności (OP), wartość transakcji (WT) oraz opóźnienie w dostawie towaru do klienta (OD) zostaną przedstawione w sposób rozmyty. W przypadku zmiennej kredyt kupiecki (KK) warunek płatniczy klienta w sposób precyzyjny pozwala określić wartość, na przykład kredyt kupiecki długości 30 dni. Natomiast typ towaru (TT) moŝe zostać wyszczególniony według wielkości obrotów przypadających na dany towar. Łączna ilość reguł jest równa liczbie kombinacji zbiorów poprzedników i następnika. W przypadku, gdy zmienne wejściowe WT i OD zostaną podzielone na 5 zbiorów rozmytych, KK zostanie podzielony na 3 grupy, natomiast TT na 4, istnieje 300 potencjalnych reguł. W praktyce bierze się pod uwagę tylko te reguły, dla których istnieje przynajmniej jedna para wartości wejściowych i wyjściowych zbioru uczącego. Na podstawie zbioru uczącego ustalono 5 reguł o przykładowej postaci: R : JeŜeli WT I OD I KK I TT To OP 3,... R 5 : JeŜeli WT 4 I OD 5 I KK 3 I TT 3 To OP 4. Po skończeniu etapu uczenia następuje zapisanie parametrów systemu rozmytoneuronowego. Następnie doprowadzając do wejść systemu wartości transakcji sprzedaŝy, 95
na wyjściu zostaje wyznaczona prognoza opóźnienia w płatności naleŝności przez odbiorcę. Następnie poprzez dodanie okresu kredytu kupieckiego (KK) do planowanego opóźnienia w płatności (OP) wyznaczony zostaje planowany termin regulowania naleŝności przez odbiorcę. Zestawiając terminy z informacjami pienięŝnymi, dotyczącymi transakcji sprzedaŝy danych klientów, ostatecznie następuje planowanie przepływów pienięŝnych. W proponowanej metodzie tworzenie bazy reguł rozmytych (uczenie systemu) powtarza się dla kaŝdego okresu (miesiąca). W ten sposób dla uzupełnionej bazy danych (o dane dotyczące transakcji sprzedaŝy w ostatnim okresie), następuje ponowne wyznaczenie bazy reguł rozmytych. Zmiany zawartości bazy reguł w kolejnych okresach mogą równieŝ stanowić dla przedsiębiorstwa cenne źródło informacji, dotyczące na przykład zmian rzetelności płatniczej klientów. Porównanie jakości prognoz moŝe nastąpić na przykład z wykorzystaniem błędu ex post prognozy. Prognozy są wówczas wyznaczane na okresy, dla których są juŝ znane rzeczywiste wartości prognozowanej zmiennej. W tym przypadku dane prognostyczne są dzielone na dwie części: pierwsza słuŝy do stworzenia modelu prognostycznego i konstrukcji prognoz wygasłych, druga do oceny ich trafności. Przyjęto, Ŝe błąd (ang. Average Relative Variance) zostanie wyznaczony zgodnie z następującym wzorem: ARV = T 2 ( y ˆ t yt ) t=, T 2 ( yt y) t= gdzie: ŷ prognozowana wartość wpływów w okresie t, t y t rzeczywista wartość wpływów w okresie t, y wartość średnia wpływów, T horyzont prognozy. Interpretacja powyŝszego wzoru jest następująca: ARV = 0 oznacza idealną dokładność prognozy, natomiast przyjmując jako estymatę prognozy wartość średnią otrzymuje się ARV =. Zatem wykorzystanie rezultatów prognoz charakteryzujących się miarą ARV > nie jest celowe. Wyniki generowane przez system rozmyto-neuronowy zaleŝą od wielu przyjętych kryteriów dotyczących na przykład budowy czy sposobu uczenia tego systemu. Oprócz opisanych juŝ funkcji przynaleŝności zbiorów rozmytych czy metody wyostrzania związanych ze strukturą systemu rozmyto-neuronowego, na uzyskiwane rezultaty ma wpływ równieŝ wybór postaci reguł decyzyjnych, podział zbioru danych na uczący i testowy, metoda ustalenia liczby reguł, kryterium usuwania reguł sprzecznych czy algorytm uczenia systemu. Wybór danego parametru modelu następuje zazwyczaj w sposób eksperymentalny poprzez porównanie generowanych przez niego błędów. Liczba przeprowadzonych testów jest oczywiście uzaleŝniona od ilości przyjętych kryteriów wpływających na opisany wcześniej model. W niniejszym artykule przedstawione zostały wyniki badań dotyczące tylko wpływu algorytmu uczenia systemu rozmyto-neuronowego na uzyskiwane wyniki. Zgodnie z przyjętymi załoŝeniami, z archiwum danych przedsiębiorstwa wyodrębniono okres (09.2005-07.2006), w którym klientów charakteryzowała znaczna zmienność rzetelności płatniczej. Przyjęto 6-miesięczny horyzont danych uczących oraz 3-miesięczny horyzont planowania. Tabela 2 przedstawia jakość prognozy dla proponowanego oraz klasycznego podejścia szacowania wpływów w okresie 03.2006-07.2006. W proponowanym podejściu do uczenia systemu rozmyto-neuronowego wykorzystano algorytm wstecznej propagacji błędu w 3 postaciach: algorytm największego spadku (współczynnik uczenia 96
równy 0, (A), współczynnik uczenia równy 0,0 (A2)), a takŝe algorytm Levenberga- Marquardta (A3). Tabela 2. Jakość prognozy dla proponowanego i klasycznego podejścia szacowania wpływów dla okresu 03.2006-07.2006 Table 2. The forecasts error for proposed and conventional approach of inflows estimation in 03.2006-07.2006 Dane z okresu Prognoza dla okresu ARV (w %) ARV (w %) podejście proponowane podejście klasyczne A A2 A3 09.2005 02.2006 03.2006 05.2006 28 28 25 42 0.2005 03.2006 04.2006 06.2006 3 30 22 37.2005 04.2006 05.2006 07.2006 23 23 7 3 Wyniki przeprowadzonych eksperymentów wskazują na generowanie dokładniejszych prognoz z wykorzystaniem proponowanego podejścia w okresie znacznej zmienności rzetelności płatniczej klientów. Szczególnie przy wykorzystaniu algorytmu Levenberga-Marquardta do uczenia systemu rozmyto-neuronowego uzyskano poprawę jakości generowanych prognoz. W sytuacji, gdy klienci rzetelnie wywiązują się ze swoich zobowiązań wydaje się wskazane prognozowanie środków pienięŝnych z wykorzystaniem dwóch podejść: proponowanego oraz klasycznego opartego na preliminarzu obrotów gotówkowych. W tej sytuacji proponowane podejście moŝe zostać wykorzystane do generowania propozycji zmian czynników wpływających na poprawę płynności finansowej (na przykład skrócenia długości kredytu kupieckiego wybranym klientom). NaleŜy zaznaczyć, Ŝe podczas analizy propozycji zmian kredytu kupieckiego powinno brać się pod uwagę równieŝ negatywne następstwa tych zmian, na przykład zmniejszenie obrotów z danym klientem [7, 8]. 3.2. Problematyka akceptacji systemu rozmyto-neuronowego Do cech systemu rozmyto-neuronowego moŝna zaliczyć konieczność zadeklarowania szeregu parametrów związanych z jego budową i zasadą działania, takich jak na przykład: algorytm uczenia sieci neuronowej (współczynnik uczenia, liczba iteracji), kształt funkcji przynaleŝności zbiorów rozmytych, metoda wyostrzania, metoda ustalania liczby reguł, podział zbioru danych na uczący i testowy. Parametry te mają wpływ na postać wyników końcowych uzyskiwanych z wykorzystaniem systemu rozmyto-neuronowego, a ich wybór następuje w sposób eksperymentalny poprzez porównanie wielkości generowanych przez nie błędów oraz dodatkowych informacji związanych na przykład ze zbieŝnością czy złoŝonością obliczeniową. Brak jednolitych zasad projektowania systemu moŝe powodować problem akceptacji narzędzia przez uŝytkownika. Sytuacja ta jest szczególnie widoczna w klasie małych i średnich przedsiębiorstw, w której zazwyczaj brakuje wysokokwalifikowanej kadry. Dodatkowo do ograniczeń związanych z wykorzystaniem systemu hybrydowego moŝna zaliczyć problem identyfikacji danych wejściowych do modelu oraz powtarzalność i zbieŝność wyników końcowych. Zwiększenie akceptacji uŝytkownika do przedstawionego systemu moŝe nastąpić na przykład poprzez zestawienie błędów generowanych przez klasyczny preliminarz obrotów gotówkowych i proponowane podejście oraz przypisanie ustawień domyślnych parametrów systemu rozmyto-neuronowego. Jednak- Ŝe korzystanie wyłącznie z systemu pomocy kontekstowej czy teŝ z ustawień domyślnych, wydaje się niewystarczające dla rozwiązania problemu akceptacji uŝytkownika. W tym przypadku wydaje się wskazana pomoc konsultanta w ustaleniu optymalnych ustawień dla danego zbioru danych i prezentacji uŝytkownikowi zasady działania systemu oraz interpretacji wyników. 97
System rozmyto-neuronowy działa na zasadzie czarnej skrzynki, tzn. uŝytkownik nie jest w stanie wyodrębnić ścisłych zaleŝności i wpływu danych wejściowych na osiągnięte wyniki. Ta cecha systemu rozmyto-neuronowego moŝe powodować brak zaufania do nowoczesnych technik analizy danych. Wydaje się, Ŝe zaufanie to moŝna zwiększyć poprzez zestawienie prognoz wygasłych (dotyczących minionych okresów) generowanych przez podejścia klasyczne i techniki drąŝenia danych. W ten sposób uŝytkownik ma moŝliwość przekonać się o dokładności prognoz (czy teŝ wielkości ich błędów) i przy braku zrozumienia zasad funkcjonowania nowych technik obliczeniowych, akceptować je dzięki generowaniu precyzyjniejszych wyników. Rozwiązaniem zwiększającym zaufanie uŝytkownika moŝe być równieŝ prezentacja warunków, przy których dane podejście generuje precyzyjniejsze prognozy, związanych na przykład ze zmienną strukturą sprzedaŝy czy teŝ zmiennością dotyczącą rzetelności płatniczej klienta. 4. Podsumowanie W artykule przedstawiono wykorzystanie technik drąŝenia danych (systemu rozmytoneuronowego) do planowania przepływów pienięŝnych w przedsiębiorstwie. UŜyteczność przedstawionego podejścia jest szczególnie widoczna w przypadku znacznej zmienności struktury sprzedaŝy według klientów i ich rzetelności płatniczej, kiedy klasyczne podejścia planowania środków pienięŝnych zawodzą. Zaprezentowany system planowania przepływów pienięŝnych wydaje się szczególnie atrakcyjny w małych i średnich przedsiębiorstwach, które działając zazwyczaj przy silnej konkurencji, zmuszone są do akceptowania wydłuŝonych terminów regulowania naleŝności ze strony swoich klientów i pozyskania dodatkowych źródeł finansowania swojej działalności. Przedstawione podejście oprócz generowania precyzyjniejszych prognoz wpływów dla określonej klasy przypadków, posiada jeszcze jedną zaletę. Wyznaczona baza reguł moŝe zostać wykorzystana do generowania propozycji zmian w obszarach wpływających na płynność finansową. Propozycje te mogą być na przykład elementem wielokryterialnego systemu sterowania płynnością, który umoŝliwia przeprowadzenie symulacji uzyskania poŝądanego poziomu środków pienięŝnych. Wykorzystanie nowoczesnych technik analizy danych moŝe prowadzić do zwiększenia dokładności wyznaczonych prognoz, lecz z drugiej strony nietransparentność tego typu technik (na przykład systemu rozmyto-neuronowego) moŝe powodować problem akceptacji narzędzia przez uŝytkownika. W tym przypadku wydaje się właściwe wykorzystanie doświadczenia konsultanta w przedstawieniu pracownikowi przedsiębiorstwa korzyści z wykorzystania technik drąŝenia danych, jak równieŝ pomoc przy interpretacji uzyskiwanych wyników. Do kierunków dalszych badań moŝna zaliczyć wykorzystanie technik drąŝenia danych w innych obszarach działalności przedsiębiorstwa, na przykład do ustalenia terminu ponownego nabycia towaru, a następnie poŝądanej wielkości zapasów. Istotne wydaje się równieŝ wyznaczenie dodatkowych warunków, oprócz znacznej zmiany rzetelności płatniczej klientów, przy których techniki drąŝenia danych generują dokładniejsze prognozy przepływów pienięŝnych w porównaniu z dotychczasowymi podejściami. Interesującym wydaje się równieŝ zastosowanie róŝnych technik drąŝenia danych do szacowania przepływów pienięŝnych, a następnie porównanie generowanych przez nie wyników. W zagadnieniu tym mogłyby zostać wykorzystane róŝne rodzaje systemów hybrydowych, zawierające na przykład elementy sztucznych sieci neuronowych, systemów rozmytych czy algorytmów genetycznych. 98
Literatura. Badiru A.B., Cheung J.Y.: Fuzzy engineering expert systems with neural network applications. John Wiley & Sons, New York 2002. 2. Dittmann P.: Prognozowanie w przedsiębiorstwie. Oficyna Wolters Kluwer Business, Kraków 2008. 3. Kisielnicki J., Sroka H.: Systemy informacyjne biznesu. Wydawnictwo Placet, Warszawa 999. 4. Kluge P.D., KuŜdowicz P, Orzeszko P.: Controlling wspomagany komputerowo z wykorzystaniem systemu ERP. Oficyna Wydawnicza Uniwersytetu Zielonogórskiego, Zielona Góra 2005. 5. Pal S., Mitra S.: Neuro-Fuzzy Pattern Recognition. John Wiley & Sons, New York 999. 6. Piegat A.: Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2003. 7. Relich M., Kluge P.D., WaŜna L.: The application of data mining techniques to the cash flow planning in SME, Contemporary problems in enterprise management, red. J. Lewandowski, pp. 66-73, Media Press, Łódź 2007. 8. Relich M.: The using of fuzzy-neural system to monitoring and control of liquidity in a small business, Management 2008a, vol. 2. no., pp. 295-305. 9. Relich M.: Inteligentny system planowania płynności finansowej w przedsiębiorstwie, Modele inŝynierii teleinformatyki: wybrane zastosowania, red. M. Kopczewski. Wydawnictwo Uczelniane Politechniki Koszalińskiej, Koszalin 2008b. 0. Rutkowski A.: Zarządzanie finansami. Polskie Wydawnictwo Ekonomiczne, Warszawa 2007.. Sierpińska M., Jachna T.: Metody podejmowania decyzji finansowych: analiza przykładów i przypadków. Wydawnictwo Naukowe PWN, Warszawa 2007. Streszczenie W pracy przedstawiono szacowanie opóźnienia w płatności naleŝności z wykorzystaniem systemu rozmyto-neuronowego. Nierzadko opóźnienie w płatności naleŝności ma istotny wpływ na płynność finansową, szczególnie w małych i średnich firmach. Przedstawione podejście szacowania przepływów pienięŝnych jest podejściem alternatywnym do tradycyjnie stosowanego w tym celu preliminarza obrotów gotówkowych. Proponowane podejście generuje dokładniejsze prognozy szczególnie w sytuacjach znacznej zmienności rzetelności płatniczej klientów i ich struktury sprzedaŝy. The application data mining techniques to estimation a delay in receivable payment This paper presents the using data mining techniques in the field especially important for each enterprise - the estimation a delay in accounts receivable payment. In many cases, the delay in receivable payment has the significant inflow on liquidity of enterprise, especially in small and medium businesses. In proposed approach was used the fuzzyneural system that seeks the relations in data base of enterprise. It is an alternative approach as compared to the ones that have been applied so far. The usefulness proposed approach is particular observable by the significant variation of sales structure for customers and their little honesty in payment. 99