Dato fatti esposti, si arriva alla importanza di un sistema che fosse in grado di prevedere possibili ritardi nei pagamenti dei debitori '. Gli errori (deviazioni delle date di effettivo pagamento da date delle previsioni) dovrebbe essere minima in modo che tale sistema deve essere considerato efficace. Ora, questo è un punto difficile. opere esistenti mostrano che l'ordinaria modelli statistici non può sopportare risultati davvero efficaci che sarebbero stabili nel tempo. Dal nostro punto di vista, il modo migliore per risolvere questo problema è quello di utilizzare il cosiddetto "approccio fuzzy", che si basa sulla teoria degli insiemi fuzzy, proposto inizialmente da L. Zadeh.
Le basi degli insiemi fuzzy sono spiegate in una grande quantità di articoli e libri - usare i motori di ricerca web per scoprire che cosa logica fuzzy è e come funziona il tutto, se c'è un tale bisogno. Qui, abbiamo solo suggerire un principio pronto per l'uso di previsione pagamenti debitori ', basandosi su un approccio fuzzy. Il principio suggerito in questo articolo è stato realizzato sotto forma di un programma per elaboratore. Il programma è stato testato su dati reali di una società reale. Lo scarto quadratico medio così calcolato circa 3, il che suggerisce l'idea che il principio qui presentato è piuttosto efficace, ma può essere oggetto di ulteriore miglioramento.
Dato un database relazionale (che può essere infatti realizzato in qualsiasi modo, compresi ma non limitati a, MS Access, MS dati di Excel come DB-set, ecc) che contiene informazioni su fatture, le date di nascita, i periodi di aggiornamento per ciascuno dei debitori , date effettive dei pagamenti debitori 'che si sono verificati in passato, siamo in grado di visualizzare le statistiche "ritardi di pagamento Past". La funzione di densità di questa statistica può essere visto come un insieme fuzzy subnormale. Questo insieme, denominato "A", sarà il primo dei tre insiemi fuzzy di essere componenti del set risultante fuzzy "data previsioni di pagamento". La funzione di densità ci può dare un'idea generale sulla "disciplina pagamento" di un debitore specifico in passato. La funzione di densità, in un caso generale, sarà contenente diverse "ondate", perché di solito non è una caratteristica tendenza contenenti da quanti giorni un debitore sarà sottrarsi dal pagare il debito.
In primo luogo, nella maggior parte dei casi la quantità di giorni di ritardo di pagamento è una variabile casuale. Può essere fluttuante, entro limiti un paio di giorni '. In secondo luogo, le previsioni statistiche dei ritardi possono essere notevolmente diversi per diversi periodi di tempo. Questo perché le relazioni B2B non sono statici, sono in via di sviluppo per tutto il tempo. A volte, l'azienda venditrice passa alla "agitando le mani" con la società per l'acquisto di quest'ultimo a pagare un paio di giorni prima, mentre a volte l'azienda acquirente potrebbe essere in temporanea difficoltà finanziaria (per esempio, derivanti da un credito enorme da restituire ad una banca acquisto da parte della società), in modo che l'azienda acquirente avverte la società di vendita che vi possono essere leggeri ritardi dei pagamenti. Ciò si riflette in un altro componente della previsione risultante fuzzy, - fuzzy set "C". Si tratta infatti di una variabile linguistica "ritardo di pagamento più probabile" fuzzy. La variabile linguistiche possono assumere una delle seguenti valori: "neutrale" (che significa che non ci sono anticipazioni specifica del valore di ritardo dei pagamenti per il debitore specifico), "Un leggero ritardo è possibile", "Un leggero ritardo è più probabile" "Un ritardo di grandi dimensioni è molto probabile": "Il pagamento on-time molto probabilmente", "Pagamento in anticipo è più probabile". Ciascuno di questi valori termine ha una sua funzione di appartenenza. Una funzione di appartenenza corrispondente viene utilizzato ogni volta la costruzione di una previsione specifica per un debitore. Le funzioni di appartenenza per il periodo i valori della variabile linguistica "ritardo di pagamento più probabile" sono i seguenti:
"Il pagamento on-tempo è più probabile": y = SQRT (1-in ABS (x) / 2), x appartiene a [-2, 2]
"" Un leggero ritardo è più probabile ": y = SQRT (1-ABS (x-4) / 3), x appartiene a [1, 7]
"" Un leggero ritardo è possibile ": y = (1-ABS (x-4) / 3) ** 2, x appartiene a [1, 7]
"Un ritardo di grandi dimensioni è più probabile": y = SQRT (0.25-(12-x) / 24) 0,5, x appartiene [6, 12]
y = (0.71-(6-x) / 4.23) ** 2, x appartiene a [3, 6)
y = 0, x12
"" Neutrali ": y = 0.5
"" Un pagamento in anticipo è più probabile ": y = 1/SQRT (ABS (x)), x
No comments:
Post a Comment