szakmai vélemények, ötletek és tanácsok, valamint hírek a vállalati pénzügyek világából szakembereknek, cégtulajdonosoknak és minden érdeklődőnek

vállalati pénzügyek - néhány percben, kávé mellé

eur/huf konverzió - hogyan érj el 30% költségmegtakarítást!

dataanalytics, avagy fejlett analitikus módszerek alkalmazása a pénzügyekben

2019. január 30. - György Gábor

A jelen bejegyzésben egy konkrét, valós példán keresztül mutatjuk be, hogy az adatokon alapuló megközelítés és a fejlett analitikus módszerek (data analytics) miként használhatók a vállalati pénzügyekben a várható költségek előrejelzésére és akár a költségek csökkentésére is. 

A közelmúltban az egyik ügyfelünknél vizsgáltuk a pénzügyi tranzakciók/banki ráfordítások alakulását, ezen belül is kiemelten foglalkoztunk a deviza konverziós költségekkel. Mivel az adott ügyfél jelentős bevételeket realizál EUR-ban, azonban a működési kiadások döntő része HUF-ban merül fel, ezért az EUR-ban termelődő készpénzt rendszeresen át kell váltania.

A projekt eredményeként, már önmagában a nyers adatokat vizsgálva is látszódott ,hogy érdemes a több kisebb összegű konverzió irányából a ritkább, de nagyobb összegű konverzió irányába mozdulni. Az adatok alapján készített prediktív analitikai (regressziós) modellel pedig még pontosabban előre jeleztük, hogy adott összegű devizakonverzió  mellett mekkora költség várható és hogyan lehet akár 30-40% költség megtakarítást is elérni.

Kezdetekben csak egy "hagyományos" menedzsment riportot terveztünk összeállítani a pénzügyi ráfordítások alakulására vonatkozóan, azzal céllal, hogy beazonosítottuk a fő költség drivereket és az esetleges megtakarítási potenciálokat. 

Mivel azonban jelentős mennyiségű, 3 évre vonatkozó historikus adatsor állt rendelkezésünkre és a kezdeti vizsgálat alapján már látszódott, hogy a konverziós költségek jelentősen ingadoznak, ezért úgy gondoltuk, hogy érdemes ennek okait, a mögöttes összefüggéseket akár statisztikai módszerekkel elemezni.

Ráadásul a vizsgálat eredményeként egy olyan prediktív modell létrehozását terveztük, amely alapján előre lehet jelezni a várható konverziós költségeket bizonyos paraméterek (pl. konverzió nagysága, árfolyam volatilitása) figyelembe vételével.

Előkészületek, szükséges adatok

Akárcsak a hasonló "dataanalytics" projektek esetében, a legnagyobb kihívást (leginkább időigényes feladatot) itt is a rendelkezésre álló adatok feltérképezése, a szükséges adatok összegyűjtése jelentette. Ennek az adatelőkészítési folyamatnak a részletei a jelen bejegyzés szempontjából kevésbé izgalmasak, ezért csak néhány pontban foglaljuk össze:

  • fel kellett deríteni, hogy az ERP rendszer adatbázisának mely tábláiban vannak a releváns információk (konverzió összege, elszámolt veszteség stb.) és ezekre vonatkozóan SQL lekérdezéseket írni 
  • mivel a könyvelt árfolyamveszteség nemcsak a banki marge miatt keletkezik, ezért meg kellett érteni, hogy a könyvelés milyen lépésekben történik, hogy lehet a bank által alkalmazott spread összegét és ebből a konverziós költséget meghatározni
  • le kellet gyűjteni az EURHUF árfolyamokat 3 évre, ebből az adatsorból volatilitásra vonatkozó összesítést képezni

Konverziós költségek - "exploratory analysis", idősoros összesítés

A kapott nyersadatok még nem voltak készek arra analízisre, amit terveztünk, ezért azokhoz hozzá kellet rendelni a közép és vételi árfolyamból becsült banki marge-ot, a fajlagos költség mutatót, idő dimenziókat (hét, hónap), heti/havi volatilitás adatokat stb.

Ezt követően néhány egyszerű összesítést, illetve vizualizációt képeztünk, pl. a havi váltások összegére, azok költségére, a havi konverziós tranzakciók darabszámára és átlagos nagyságára vonatkozóan. Ezek közül pl. az adott havi átlagos konvertált összeg és adott havi fajlagos költség közötti kapcsolatot vizuálisan ábrázolva is látszott már az összefüggés:

 X tengely: havi váltott összegek átlaga; Y tengely: váltott összegre jutó fajlagos költség

 

Konverziós költségek előrejelzése prediktív modellel

A fenti "felfedező" jellegű elemzés után már látszott, hogy milyen típusú modellekkel érdemes próbálkozni. Végül a konvertált összeg, volatilitás és egyéb magyarázó változókat használva több regressziós modellt is felállítottunk: egyváltozós lineáris regressziós modellekkel (pl. váltott összeg vs. Ft költség), valamint logaritmikus modellekkel is próbálkoztunk. 

Az egyváltozós modellek közül a log-log* modell tűnt a legmegbízhatóbbnak (az ún. r-négyzet érték itt volt a legmagasabb, 0.7 feletti):

(*log-log: a konverziós költség logaritmusát a váltott összeg logaritmusával vetettük össze)

Vagyis a HUF-ban kifejezett konverziós költségek alakulását a váltott EUR összeg függvényében az alábbiak szerint lehetett előre jelezni:

Log(HUF) = Log(EUR)*0,672 + 4,195

Több más tényező hatását is vizsgáltuk, pl. a EURHUF heti volatilitását is figyelembe véve az látszott, hogy a konverziós költségek fajlagos nagyságára a forint változékonysága is hatással van (bár ez a hatás sokkal gyengébb, mint a váltás összege esetében). A volatilitást is beemelve a modellbe, valamelyest javult az R-négyzet érték, várható költségek pedig a kétváltozós modell alapján így alakulnak: 


A mátrix alapján is látható, hogy jelentősen csökkenthető a fajlagos költség a megfelelő méretezéssel és időzítéssel. Figyelembe véve az adott ügyfél korábbi konverziós gyakorlatát, az EUR-HUF cash-flow sajátosságait a megtakarítási potenciált 30% körülire becsültük, mivel korábbi 0.65-0.7%-os fajlagos költséget 0.45-0.5% szintre lehet csökkenteni ritkább, de nagyobb összegű konverzióval. 

A teljes képhez hozzá tartozik az is, hogy ritkább konverzió esetén előfordulhat hogy a HUF költségeket átmenetileg folyószámla hitelből kell finanszírozni. Ennek hatásait is külön modelleztük és ezzel együtt is jelentős költségmegtakarítási potenciál mutatkozott.

Figyelem! A bejegyzésben bemutatott modell, illetve a konklúziók az adott cég konverziós gyakorlata, banki kapcsolatainak sajátosságai, a cég adatai alapján kerültek meghatározásra! Bár a tendenciák/összefüggések valószínűleg más vállalkozások esetében is hasonlóak, de általános érvényűnek nem tekinthető a bemutatott prediktív modell, mivel azt egyedi céges sajátosságok befolyásolhatják!  

Szeretnél a prediktív analitikai módszerekről, modern datanalytics eszköztárról és az adatalapú üzleti döntéstámogatásról többet tudni?

Adatvezérelt üzleti döntések képzés

by SonicData

A bejegyzés trackback címe:

https://vallalatipenzugyek.blog.hu/api/trackback/id/tr3814588848