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.

Tovább

7 ország, 7 bankóriás, 7 főhadiszállás

A listán a világ 20 legnagyobb bankjából mutatunk be 7-et, némileg más megvilágtásban: hol és milyen irodákkal vannak jelen a világban. A listánkat úgy állítottuk össze, hogy a TOP30-ban szereplő országok bankjaiból lehetőleg 1-1 szerepljen.

Mivel ezek a bankok a minden kontinensen rendelkeznek valamilyen lokális központtal, ezért minden esetben a "főhadiszállásra" koncetráltunk... bár a globális jelenlét miatt, a digitalizált bankok világában ez már nem biztos, hogy mindig egyértelmű!

Tovább

tanuló algoritmusok a vállalati pénzügyekben - 3. rész

"hobbimodellezés" - fejlessz Te is AI algoritmust otthon

A sorozat korábbi bejegyzéseiben áttekintést adtunk a tanuló algoritmusokról, illetve azok pénzügyi hasznosításának lehetőségeiről. Először egy csődvalószínűség modellezési példán keresztül vizsgáltuk "gradient descent" (vagy gradiens) módszer és a genetikus algoritmusok működését. Az előző részben pedig a neurális hálózatok működését mutattuk be az említett példa segítségével.

Most ezt folytatjuk tovább a neurális hálózat kimeneti értékeinek meghatározásával és a hálózat tanításának összefoglalójával: egy R programon keresztül szemléltetjük a főbb lépéseket.

Tovább

vállalati controlling és teljesítmény mérés a gyakorlatban – 4. rész

adatminőségi problémák és kihívások

A vezetői riportok célja az üzleti-pénzügyi teljesítmények folyamatos felügyelete, a menedzsment informálása és beavatkozás lehetőségének megteremtése. Mivel minden pénzügyi riport annyira jó, amennyire az annak alapját képező adatok minősége, ezért egy jól működő controlling rendszer elengedhetetlen feltétele, hogy az ügyviteli rendszerekben és a riportingot kiszolgáló adattárházakban megfelelő minőségű adatokat tároljunk.

A jobb adatok kevesebb hibát, alacsonyabb költségeket, jobb döntéseket jelent, de ha szélesebb üzleti kontextusban nézzük - nemcsak a pénzügyi riporting szempontjából - akkor végeredményben minőségű szolgáltatást, termékeket jelentenek. Ezzel szemben a nem megfelelően informált menedzsment, az adatvagyon "elhanyagolása" versenyhátrányhoz vezet.

Tovább

Kérdőív - Te megtennéd az 1-2-3-4-5 kombinációt a lottón?

Kedves Olvasó!

Lottózási szokásokat, konkrétan az 1-2-3-4-5 számkombinációhoz való viszonyulást vizsgáljuk és a konklúziókat később egy bejegyzésben foglaljuk össze.

Megköszönnénk, ha kitöltenéd!

A kérdőív anonim: személyes adat, regisztráció nem kell hozzá! A kitöltés max. 2 perc. 

Tovább

vállalati controlling és teljesítmény mérés a gyakorlatban – 3. rész

controlling dimenziók szerepe

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!

Tovább

tanuló algoritmusok a vállalati pénzügyekben - 2. rész

vállalati csődvalószínűség modellezése 3 rétegű neurális hálózattal

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.

Tovább

ismert márkák kicsit másképp - 10+1 érdekes részvény

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!

Tovább

vállalati controlling és teljesítmény mérés a gyakorlatban – 2. rész

felelősség és adatminőség kérdései

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.

Tovább

mesterséges intelligencia, robotok, pénzügyek

milyen területeken van jelen az AI a pénzügyekben?

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?

Tovább