A vállalati controlling egyik alapvető feladata az üzleti teljesítmény mérése és megfelelő formában történő prezentálása az érintett döntéshozók és a tulajdonosok számára. Ehhez nyilvánvalóan szükséges, hogy a riportok átlátható, informatív formában készüljenek és naprakészek legyenek. Valamint fontos, hogy a megfelelő - a cég tevékenységéhez igazodó, releváns - információk jelenjenek meg a riportokban.

Ahhoz, hogy ezeket a kritériumokat teljesítse a controlling rendszerünk, elengedhetetlen alapfeltétel, hogy egy jól átgondolt szakmai koncepció  alapján definiáljuk mit és hogyan szeretnénk mérni. Illetve ennek a szakmai koncepciónak a részeként kialakítjuk azokat a bevétel és költség gyűjtő objektumokat, ún. controlling dimenziókat, amelyeket az ügyviteli-adminisztrációs rendszerekben (könyvelési, értékesítés és számlázás, CRM stb.) használni fogunk az egyes könyvelési tételek, számlák és egyéb információk kategorizálására. Fontos kiemelni, hogy a riporting során is ezek lesznek az alapvető építő kockáink, mind az adatbázis lekérdezések, mind az elkészült riportok ezekből kiindulva kerülnek megvalósításra, ezért számos szempontot figyelembe kell venni a struktúra kialakításánál!

A bejegyzés első részében betekintettünk a tanuló algoritmusok világába és egy egyszerűbb példán keresztül vizsgáltuk, hogy az ún. "gradient descent" (vagy gradiens) módszer, hogyan alkalmazható egy logisztikus regressziós probléma, a csődvalószínűség modellezése során. 

A példában szereplő logisztikus regressziós egyenletünk tulajdonképpen egy nagyon egyszerű, 1 neuronból áll neurális hálózatként is felfogható (ún. perceptron). Ugyanakkor a valódi neurális hálózatok jóval több, rétegekbe rendezett neuronból épülnek fel. Ráadásul az egyes rétegekben levő neuronok közötti kapcsolat erősségének meghatározása - vagyis a hálózat tanítása - a gradiens módszeren alapuló, de ahhoz képest összetettebb algoritmussal, az ún. hiba visszaterjesztés ("error backpropagation") segítségével történik.

A múltkor bemutatott példát továbbgondolva, most egy neurális hálózatot tanítunk meg a csődvalószínűség meghatározására. A bejegyzés következő részében pedig közelebbről is megnézzük a neurális hálózat tanításának lépéseit.

A világ legismertebb márkáinak termékeivel minden nap találkozhatsz, valószínűleg a legtöbb olvasó rendszeres vásárlója is ezeknek a termékeknek vagy szolgáltatásoknak.

Sőt! Valószínűleg az olvasók közül néhányan már be is fektettek a márkákat képviselő vállalkozások részvényeibe, hiszen a mai digitalizált kereskedési platformok segítségével ehhez némi pénz - és egy jó befektetési stratégia/józan ész - szükséges.

Az viszont majdnem biztos, hogy abban a formában, ahogy azt a következőekben bemutatjuk, befektetőként sem találkozott vele a többség. Nézzük is akkor meg néhány nagyvállalat részvényeit, mielőtt azok még 100011100011111000…. formában léteztek!

A korábbi kapcsolódó bejegyzésben áttekintettük a vállalti controlling rendszer fő építő kockáit és számba vettük a jól elkülöníthető, különböző fókuszú controlling tevékenységeket. A 4 fő építőeleme egyikét a szervezeti és felelősségi kérdések jelentik, amit a jelen bejegyzésben fogunk részletesebben kifejteni. 

Rögtön az elején fontos kihangsúlyozni, hogy a felelősség többrétű, a teljes szervezetre kiterjedő. A legtöbb szervezeti egység érintett mind "felhasználóként", mind adatszolgáltatóként: egyrészt a vezetői információs rendszerből származó információk felhasználása a legtöbb gazdasági jellegű döntés alátámasztása esetén napirendre kerülhet. Másrészt számos, a vezetői információs rendszer szempontjából fontos információ maguknál a szervezeti egységeknél keletkezik meg, így a controlling típusú adatszolgáltatás minősége, gyakorisága kritikus tényező.

Akárcsak az élet többi területén, a pénzügyekben is egyre meghatározóbb szerepe lesz a mesterséges intelligenciának (AI), a gépi tanulásnak (ML), chat bot-oknak és kapcsolódó technológiáknak. A fintech, vagyis pénzügyi technológiai vállalatok nagy része már elkezdte használni az AI-t, de a hagyományos bankszektor is masszív fejlesztésekbe kezdett, hogy időt takarítson meg, csökkentse a költségeket és javítsa a szolgáltatásait.

Az alábbiakban egy összefoglaló képet szeretnénk adni arról, hogy milyen terülteken jelentek már meg a "robotok" a pénzügyekben és várhatóan milyen irányban fog erősödni a szerepük. Mielőtt erre rátérnénk egy rövid bekezdés erejéig nézzük meg mi az AI és gépi tanulás?

A gépi tanulás, a tanuló algoritmusok és a mesterséges intelligencia a pénzügyi területen is a mindennapok részévé válik. Ráadásul mivel számos, hosszú távra visszanyuló adat áll rendelkezésre, így a pénzügyekben kifejezetten jól alkalmazható az adatokon alapuló tanulás.

Korábban több bejegyzésben is foglalkoztunk a prediktív analitikai módszerek vállalati pénzügyek területén történő hasznosítási lehetőségeivel és ennek során néhány példát is bemutattunk (pl. csődvalószínűség mérése/előrejelzése vagy várható költségek előrejelzése), elsősorban a regressziós technikákra alapozva.

A jelen bejegyzésben - valamint a tervek szerint még további 1-2 bejegyzésben - a tanuló algoritmusokon alapuló prediktív analitikai példákkal foglalkozunk. A neurális hálózatokat, illetve azok tanításához használt ún. gradiens („gradient descent”) módszert, valamint a genetikus algoritmusokat fogjuk ugyanazon a példán - csődvalószínűség modellezése - keresztül bemutatni.

Mi is az a controlling?

A controlling a profitorientált vállalkozások esetében egy olyan vállalatirányítási és üzleti döntéstámogatási eszköz(tár), illetve tevékenységek összessége, amely analitikus módon, a pénzügyi/gazdálkodási célok kitűzésével, azok teljesülésének nyomon követésével, továbbá a gazdasági teljesítmény több szintű(*) mérésével és elemzésével támogatja a menedzsmentet az üzleti célok elérésében.

A közép és kisvállalatok esetében sokszor jut el a tulajdonos arra a pontra, amikor kiszállna a cégéből. A kiszállásnak („exit”) sok oka lehet a „kiégéstől” és örökösödési problémáktól kezdve, a növekedési és finanszírozási kérdéseken át a speciális, egyedi motivációig (ezekről az okokról itt írtunk bővebben).

Egy cég értékesítése nem egy átlagos, hétköznapi adásvételi ügylet, már az is önmagában egy jelentős kihívás, hogy miként kezdjen neki az ember, hogyan találja meg a potenciális vevőt?

Egyszerűbb esetben a kiszállás történhet családon belül is generációváltás, öröklés keretében, de sokszor külső félnek kell a tulajdonrészt eladni. A jelen bejegyzésben pont ez a kérdést vizsgáljuk meg röviden: vagyis ha már az eladási szándék megfogalmazódott, akkor milyen csatornákon keresztül, hogy lehet és érdemes a potenciális vevőkkel felvenni a kapcsolatot?

Bár a mostani bejegyzésben nem foglalkozunk ugyan vele, de ki kell hangsúlyozni, hogy a potenciális vevők megtalálása mellett a cég eladása számos egyéb kihívást is jelent, mint például a cég értékének és az eladási árnak meghatározása, az üzletrészre (vagy cég eszközeire) vonatkozó, komplex jogi-üzleti struktúrát tartalmazó adásvételi szerződés megkötése stb.

A világban jelenleg is számos érdekes történettel, furcsa kinézettel rendelkező bankjegy van vagy volt forgalomban. Ha ezeket próbálnád meg egy magyar pénzváltónál beváltani, akkor nem biztos, hogy sikerrel járnál.

Az alábbi bejegyzésben összegyűjtöttünk tízet ezen bankjegyek közül: a lista szubjektív módon került összeállításra és természetesen számos más példa is befért volna az összeállításba.

A vállalkozás életében az üzleti tervezés fontos szerepet tölt be, segíti a vállalkozás tudatos elindítását, valamint a napi működéséhez, illetve a rövid és hosszú távú stratégia megvalósításához is egy követhető keretet ad.

Továbbá egy olyan menedzsment eszköz, amely az üzleti döntések meghozatalában is alkalmazható, hiszen ezen keresztül a jövőbeni üzletmenet előre látható, a döntések lehetséges hatásai modellezhetők. Ráadásul a későbbi visszamérésekhez is kijelöl egy viszonyítási pontot, segít megérteni az üzletmentet és lehetővé teszi a tudatos beavatkozást, ha nem a terv szerint alakulnak dolgok.

A bejegyzésben 7 fő pontban foglaljuk össze, hogy mik a fő lépései és kellékei egy jó üzleti tervnek.