CN114091715A - 一种预测应收账款未来回款的方法及系统 - Google Patents

一种预测应收账款未来回款的方法及系统 Download PDF

Info

Publication number
CN114091715A
CN114091715A CN202010856240.7A CN202010856240A CN114091715A CN 114091715 A CN114091715 A CN 114091715A CN 202010856240 A CN202010856240 A CN 202010856240A CN 114091715 A CN114091715 A CN 114091715A
Authority
CN
China
Prior art keywords
receivable
month
balance
data
amount
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010856240.7A
Other languages
English (en)
Inventor
马成龙
刘乔乔
申志华
王义山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jujun Technology Co ltd
Original Assignee
Shanghai Jujun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jujun Technology Co ltd filed Critical Shanghai Jujun Technology Co ltd
Priority to CN202010856240.7A priority Critical patent/CN114091715A/zh
Publication of CN114091715A publication Critical patent/CN114091715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Technology Law (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及回款预测的技术领域，提供了一种预测应收账款未来回款的方法及系统。方法包括：S1：获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据；S2：获取被测对象历史的应收账款数据作为样本进行计算预测，统计应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对每月的应收账款余额计算平均余额占比，以此去计算出下一个月预测的应收账款余额，并使用当月的应收账款余额减去下一个月预测的应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。解决了传统的根据企业的平均违约率来计算预计还款，由于企业的违约会因不同时期、不同原因不断发生变化，导致还款预测的偏差很大的问题。

Description

一种预测应收账款未来回款的方法及系统
技术领域
本发明涉及回款预测的技术领域，尤其涉及一种预测应收账款未来回款的方法及系统。
背景技术
在金融领域，中小企业融资难、融资贵一直是一个世界性的难题。随着近些年互联网的发展，互联网小贷、供应链金融的出现在一定程度上有所缓解，但对金融机构来说，仍然存在着一些长期困扰的痛点和需求，包括看不清产业链、摸不透底层资产以及对企业主体不信任等。根据2019年人民银行的研究报告《制造业企业融资需求的总量与结构特征》中可以看到，受技术能力的制约实体产业金融服务呈存在潜在需求大、满足程度低的问题。随着数字经济的兴起，产业数字化成为产业升级的重要目标。因此，基于产业数字化水平，通过计算手段帮助让底层资产透明、可信以及风险可控。
对于实体产业由于商贸交易，存在着大量的应收账款，而企业通过应收账款转让、质押等方式来获取金融服务。因此，对于应收账款的管理则成为金融机构风险管理的核心要点之一，尤其是对应收账款未来的回款的预测管理。但是，对于金融机构或会计事务所等中介机构，其对应收账款的回款预测只是简单的按照约定的账期计算得到应收账款应还款日，根据企业的历史违约数据计算得到平均的违约率，预计还款-违约金额＝实际回款。但是，显然企业的违约由于不同时期、不同原因是会发生变化的，依靠计算得到的静态的违约率应用在预测中，预测的效果不是很好，偏差较大。
在专利申请CN201910877050.0--一种预测还款概率的方法、装置、电子设备和存储介质中公开“提供一种预测还款概率的方法，包括：获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。简化每一设备在下一期的还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力”。上述技术方案，通过计算下一期的还款概率，来预测下一期的回款总金额，其实与上文中提到的计算违约率类似，由于企业的违约在不同时期、不同原因是会发生变化的，因此预测出来的效果仍然偏差较大。
发明内容
针对上述问题，本发明的目的在于提供一种预测应收账款未来回款的方法及系统。摆脱了传统的根据企业的平均违约率来计算预计还款，由于企业的违约会因不同时期、不同原因不断发生变化，导致还款预测的偏差很大的问题。基于产业链下游对核心企业形成的近期的全量的应收账款，观测应收账款从形成后到观测日结束为止每月余额的变化，并计算出各月形成的应收账款的平均余额占比，以此数据去预测融资的底层应收账款的下个月的余额，并拿已知的当月余额-下月预测的余额，即得到所预测的回款金额，并进行逐月预测。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种预测应收账款未来回款的方法，包括以下步骤：
S1：获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；
S2：获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。
进一步地，在步骤S1中，对数据进行包括所述缺失值处理、所述极值处理在内的处理，具体为：
所述缺失值处理，包括：
对于包括销售单号、出库单号在内的单据号的缺失，直接剔除；
对于包括还款时间在内的关联数据的缺失，进行如下处理：
当所述还款时间为空，且所述应收账款余额为0，则所述还款时间为账款生成日期+平均账期与数据获取日期取小值；
当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；
当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大；
所述极值处理，包括：
对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
进一步地，在步骤S2中，具体的算法公式为：
Figure BDA0002646500840000031
其中，以数据样本的起始月份为基准月，
Figure BDA0002646500840000034
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure BDA0002646500840000035
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
进一步地，在步骤S2之后，还包括：对预测效果进行评估，具体为：
采用平均绝对百分比误差：
Figure BDA0002646500840000032
其中，n为预测的月数，Ri为真实值，
Figure BDA0002646500840000033
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
进一步地，预测应收账款未来回款的方法，还包括：
根据不同被测对象的不同账期，划分不同的账户区间，并在每一个所述账户区间内进行预测并求和，得到每个月的所述回款金额。
一种预测应收账款未来回款的系统，包括：数据预处理模块，回款金额预测模块；
所述数据预处理模块，用于获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；
所述回款金额预测模块，用于获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。
进一步地，所述数据预处理模块，进一步包括：
缺失值处理单元，对于包括销售单号、出库单号在内的单据号的缺失，直接剔除；对于包括还款时间在内的关联数据的缺失，进行如下处理：当所述还款时间为空，且所述应收账款余额为0，则所述还款时间为账款生成日期+平均账期与数据获取日期去小值；当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大；
极值处理单元，对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
进一步地，所述回款金额预测模块中，具体的计算算法为：
Figure BDA0002646500840000041
其中，以数据样本的起始月份为基准月，
Figure BDA0002646500840000042
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure BDA0002646500840000043
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
进一步地，预测应收账款未来回款的系统，还包括：
预测评估模块，用于对预测效果进行评估，具体为：
采用平均绝对百分比误差：
Figure BDA0002646500840000051
其中，n为预测的月数，Ri为真实值，
Figure BDA0002646500840000052
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
与现有技术相比，本发明包括以下至少一种有益效果是：
(1)通过提供一种预测应收账款未来回款的方法，包括步骤：S1：获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；S2：获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。上述技术方案，在获取了被测对象(企业)数据以后，对历史数据进行分析，计算出每个月形成的应收账款余额的占比，进而预测出下一个的回款金额，并逐月预测，解决了传统的根据企业的平均违约率来计算预计还款，由于企业的违约会因不同时期、不同原因不断发生变化，导致还款预测的偏差很大的问题。
(2)通过使用包括缺失值处理、极值处理在内的处理方法对数据进行处理，使得应收账款随时间的分布比较稳定、不会出现较大的噪声或者误差。
(3)通过采用平均绝对百分比误差对预测效果进行评估，能够对本发明的未来回款的预测进行评估，使得后续能够根据评估结果去完善预测方法，预测结果越来越准确。
附图说明
图1为本发明一种预测应收账款未来回款的方法的整体流程图；
图2为本发明一种预测应收账款未来回款的系统的整体结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
对于应收账款的管理是金融机构风险管理的核心要点之一，尤其是对应收账款未来的回款的预测管理。然而，在现有技术中，对于金融机构或会计事务所等中介机构，对应收账款的回款预测只是简单的按照约定的账期计算得到应收账款，根据企业的历史违约数据计算得到平均的违约率，从而计算出实际回款。但是，显然企业的违约由于不同时期、不同原因是会发生变化的，依靠计算得到的静态的违约率应用在预测中，预测的效果不是很好，偏差较大。
本发明的核心发明点：对企业历史的应收款数据作为样本进行分析，观测应收账款数据从形成后到观测日结束为止的每月的应收账款余额的变化，并计算出每月形成的应收账款余额的占比，以此去预测下个月的回款金额，并进行逐月的预测。
本发明的显著特点：摆脱了传统的根据企业的平均违约率来计算预计还款，由于企业的违约会因不同时期、不同原因不断发生变化，导致还款预测的偏差很大的问题。根据历史数据计算每月的应收账款余额的占比，去预测下一个月的回款金额，预测精度高，偏差小。
第一实施例
如图1所示，本实施例提供了一种预测应收账款未来回款的方法，包括以下步骤：
S1：获取被测对象(企业)的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理。
(1)数据提取
首先，要对每个月的回款金额进行计算，需要对企业的与计算回款金额有关的数据进行抓取，具体的数据种类，可以包括但不限于如下数据：
A：企业所拥有的客户基础信息：如客户账期、客户所在地区、客户类别等。
B：应收账款数据：如应收账款制单时间、产品明细、应收账款金额、应收账款余额等。
C：回款数据：如回款时间、回款金额、产品明细等。
数据的提取方法可以是包括让企业提供数据接口，企业实时或定时推送等任意一种形式，本发明对数据提取的方式不做任何限制，一切能够将企业的数据提取到金融机构对应的数据存储数据库的方法，都可以应用于本发明。
(2)数据处理
在将企业数据采集到金融机构对应的数据存储库之后，需要对数据进行处理，使得处理之后的数据随时间的分布比较稳定，不会出现影响后续预测结果的较大的噪音或者偏差，在本实施例中，具体包括以下两种处理过程：
1、缺失值处理
A：对于包括销售单号、出库单号在内的单据号的缺失，直接剔除。
具体地，在本实施例中，要确保后续回款金额预测的准确性，首先需要对数据进行处理，对于明显数据缺失的情况进行处理。
对于包括销售单号、出库单号等单据号的缺失，由于单据号已经缺失，无法对数据进行关联，对回款金额预测无用且影响不大，因此，我们直接剔除即可。
B：对于包括还款时间在内的关联数据的缺失，进行如下处理：
具体地，对于缺失的包括还款时间在内的关联数据，由于还款时间对预测回款金额的影响很大，需要进行补全，具体地处理方法如下：
当所述还款时间为空，且所述应收账款余额为0，说明所有的款项已经全部收到了，则所述还款时间为账款生成日期+平均账期与数据获取日期取小值；
当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；设置的原因为：此时为部分还款，还款日期定为数据的获取日期作为部分还款日期。
当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大，如可以将还款时间设置为“2999年12月31日”；设置的原因为：此时没有还款，所以只是把还款时间的缺失补充进去，所以这个时间可以是当前日期后的任何时间都可以，但是为了避免后续设置时重复的修改调整，比如我在7月底计算，设置的时间为8月1日，这样在8月1日计算时，如果不调整就会容易造成混淆，所以时间设置的大一点，就不会造成频繁的调整和数据的混乱。
2、极值处理
对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
具体地，在实际业务进行中，必定会出现一些销售折让，销售退货等会导致应收账款金额出现负数的情况，这些数据对预测回款金额不会产生影响，且如果保留会增加预测的复杂度，因此直接剔除即可。
S2：获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。
具体地，在本实施例中，在对企业数据获取并处理完成后，即可以进入对回款金额进行预测的过程。
资金回款预测不同于金融风险中的信用评分卡，该方法是预测应收账款未来的现金流入，因此方法会有不同，不再是经典的逻辑回归算法。
本实施例采用的预测方法的具体逻辑为：
获取基于产业链下游对核心企业形成的历史近期的全量应收款数据(本实施例中取两年的数据)，观测应收款时间从形成后到观测日结束为止每月的应收款余额的变化，计算出各月的应收账款的平均账款余额占比，以此数据去预测融资的底层应收账款的下一个月的所述应收账款余额，并拿已知的当月的所述应收账款余额-下一个月的所述应收账款余额，即得到预测的下一个月的回款金额，并进行逐月的预测。
具体地，对于历史收款数据的取值时间范围本发明没有限制，根据实际情况进行选择，选取一个对预测精度更加准确的时间范围。选取时不一定是时间越长越好，需要去判断在一定的时间内企业的回款情况是否稳定，是否有不同原因的出现，导致回款的及时性发生变化。选取与当前回款状态相似的一段时间进行预测。
在本步骤中，还提供了具体的算法公式进行预测，具体如下：
Figure BDA0002646500840000091
其中，以数据样本的起始月份为基准月，
Figure BDA0002646500840000092
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure BDA0002646500840000093
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
其中，Mn具体的计算过程为：
首先，计算出第n个月末对应的应收账款余额占上个月应收账款余额的比例，然后以上个月的余额作为权重，进行加权平均，得到Mn，即
Figure BDA0002646500840000101
Figure BDA0002646500840000102
进一步地，对于本实施例的预测应收账款未来回款的方法，还包括：
根据不同企业的不同账期，划分不同的账户区间，并在每一个所述账户区间内进行预测并求和，得到每个月的所述回款金额。
具体地，由于每一个企业或者客户的账期是不同的，账期不一定会完全以自然月来进行划分，可能是几天，也可能是几个月，或者是账期跨度不同的月份，导致无法根据数据中记录的账期直接计算得到每一个的回款金额。因此，我们针对于企业的不同账期，进行划分，形成不同的账期区间，并在每个账期区间内分别进行预测，将预测结果进行求和，得到每个月的回款金额。
使用本实施例的预测方法，在预测效果上，比传统的预测方法的效果得到明显的提升。
第二实施例
与第一实施例相比，步骤基本相同，不同点在于，在步骤S2之后，还包括：对预测效果进行评估，具体为：
采用平均绝对百分比误差(Mean Abso l ute Percentage Error
)进行计算：
Figure BDA0002646500840000103
其中，n为预测的月数，Ri为真实值，
Figure BDA0002646500840000104
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
如表1所示，使用本发明的预测方法进行预测，后续通过计算MAPE进行评估，可以看到，误差仅百分之几，逼近真实值，精度已经很高了。
表1
201904 201905 201906 201907 201908
预测 11084.53 12453.19 11860.72 9959.001 8645.482
实际 10942.84 13207.41 12299.32 9565.161 8520.454
MAPE 1.29％ 5.71％ 3.57％ 4.12％ 1.47％
单位：万元
使用本实施例的方法对预测的结果进行评估，当误差大时，对包括选取用于预测的历史记录的区间在内的因素进行改进，使后续的预测精度更加的准确。
第三实施例
如图2所示，本实施例提供了一种预测应收账款未来回款的系统，包括：数据预处理模块1，回款金额预测模块2；
所述数据预处理模块1，用于获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；
所述回款金额预测模块2，用于获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。进一步地，所述数据预处理模块1，进一步包括：
缺失值处理单元11，对于包括销售单号、出库单号在内的单据号的缺失，直接剔除；对于包括还款时间在内的关联数据的缺失，进行如下处理：当所述还款时间为空，且所述应收账款余额为0，则所述还款时间为账款生成日期+平均账期与数据获取日期去小值；当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大；
极值处理单元12，对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
进一步地，所述回款金额预测模块2中，具体的计算算法为：
Figure BDA0002646500840000121
其中，以数据样本的起始月份为基准月，
Figure BDA0002646500840000122
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure BDA0002646500840000123
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
进一步地，本实施例预测应收账款未来回款的系统，还包括：
预测评估模块3，用于对预测效果进行评估，具体为：
采用平均绝对百分比误差：
Figure BDA0002646500840000124
其中，n为预测的月数，Ri为真实值，
Figure BDA0002646500840000125
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
一种计算机可读存储介质，计算机可读存储介质存储有计算机代码，当计算机代码被执行时，如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read On l y Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Ne twork Processor，NP)等；还可以是数字信号处理器(Digital Signal Proces sor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子系统执行时，使得所述电子系统执行实施例一所述的方法。在此不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(P RAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(tr ansitory media)，如调制的数据信号和载波。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PR AM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(E EPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(trans itory med i a)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。

Claims (10)

1.一种预测应收账款未来回款的方法，其特征在于，包括以下步骤：
S1：获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；
S2：获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。
2.根据权利要求1所述的预测应收账款未来回款的方法，其特征在于，在步骤S1中，对数据进行包括所述缺失值处理、所述极值处理在内的处理，具体为：
所述缺失值处理，包括：
对于包括销售单号、出库单号在内的单据号的缺失，直接剔除；
对于包括还款时间在内的关联数据的缺失，进行如下处理：
当所述还款时间为空，且所述应收账款余额为0，则所述还款时间为账款生成日期+平均账期与数据获取日期取小值；
当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；
当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大；
所述极值处理，包括：
对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
3.根据权利要求1所述的预测应收账款未来回款的方法，其特征在于，在步骤S2中，具体的算法公式为：
Figure FDA0002646500830000011
其中，以数据样本的起始月份为基准月，
Figure FDA0002646500830000021
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure FDA0002646500830000022
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
4.根据权利要求1所述的预测应收账款未来回款的方法，其特征在于，在步骤S2之后，还包括：对预测效果进行评估，具体为：
采用平均绝对百分比误差：
Figure FDA0002646500830000023
其中，n为预测的月数，Ri为真实值，
Figure FDA0002646500830000024
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
5.根据权利要求1所述的预测应收账款未来回款的方法，其特征在于，还包括：
根据不同的所述被测对象的不同账期，划分不同的账户区间，并在每一个所述账户区间内进行预测并求和，得到每个月的所述回款金额。
6.一种预测应收账款未来回款的系统，其特征在于，包括：数据预处理模块，回款金额预测模块；
所述数据预处理模块，用于获取被测对象的包括客户基础数据、应收账款数据、回款数据在内的数据，并对数据进行包括缺失值处理、极值处理在内的处理；
所述回款金额预测模块，用于获取所述被测对象历史的一段时间内的所述应收账款数据作为样本用于对回款金额进行计算预测，统计所述应收账款数据从形成日到观测日结束为止每月的应收账款余额的数值，对历史的每月的所述应收账款余额计算平均余额占比，以此去计算出下一个月预测的所述应收账款余额，并使用当月的所述应收账款余额减去下一个月预测的所述应收账款余额，计算得到预测的下一个月的回款金额，并进行逐月的计算预测。
7.根据权利要求6所述的预测应收账款未来回款的系统，其特征在于，所述数据预处理模块，进一步包括：
缺失值处理单元，对于包括销售单号、出库单号在内的单据号的缺失，直接剔除；对于包括还款时间在内的关联数据的缺失，进行如下处理：当所述还款时间为空，且所述应收账款余额为0，则所述还款时间为账款生成日期+平均账期与数据获取日期去小值；当所述还款时间为空，且所述应收账款余额不为0,所述应收账款余额<所述应收账款金额，则所述还款时间为数据获取日期；当所述还款时间为空，且所述应收账款余额不为0，且所述应收账款余额＝所述应收账款金额，则所述还款时间设置为无限大；
极值处理单元，对于包括销售折让、销售退货在内的因素产生的导致所述应收账款金额为负数的极值，直接剔除。
8.根据权利要求6所述的预测应收账款未来回款的系统，其特征在于，所述回款金额预测模块中，具体的计算算法为：
Figure FDA0002646500830000031
其中，以数据样本的起始月份为基准月，
Figure FDA0002646500830000032
为预测的第i+1月的所述回款金额,Bi为i月的所述应收账款余额，
Figure FDA0002646500830000033
为预测的i+1月的所述应收账款余额,ABi+1-n,n-1为第i+1-n月形成所述应收账款金额在n-1月后的所述应收账款余额，Mn为所述应收账款金额形成后的第n个月末所述应收账款余额占第n-1月末所述应收账款余额的加权平均比例。
9.根据权利要求6所述的预测应收账款未来回款的系统，其特征在于，还包括：
预测评估模块，用于对预测效果进行评估，具体为：
采用平均绝对百分比误差：
Figure FDA0002646500830000034
其中，n为预测的月数，Ri为真实值，
Figure FDA0002646500830000035
为预测值，范围[0,+∞)，当预测值与真实值完全吻合时，值越小，当误差越大时，值越大。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如权利要求1至5中任一项所述的方法被执行。
CN202010856240.7A 2020-08-24 2020-08-24 一种预测应收账款未来回款的方法及系统 Pending CN114091715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856240.7A CN114091715A (zh) 2020-08-24 2020-08-24 一种预测应收账款未来回款的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856240.7A CN114091715A (zh) 2020-08-24 2020-08-24 一种预测应收账款未来回款的方法及系统

Publications (1)

Publication Number Publication Date
CN114091715A true CN114091715A (zh) 2022-02-25

Family

ID=80295433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856240.7A Pending CN114091715A (zh) 2020-08-24 2020-08-24 一种预测应收账款未来回款的方法及系统

Country Status (1)

Country Link
CN (1) CN114091715A (zh)

Similar Documents

Publication Publication Date Title
US10360575B2 (en) Consumer household spend capacity
CN110415119B (zh) 模型训练、票据交易预测方法、装置、存储介质及设备
CN111967779B (zh) 一种风险评估方法、装置及设备
EP1361526A1 (en) Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value
US8025220B2 (en) Cardholder localization based on transaction data
US20080221990A1 (en) Estimating the spend capacity of consumer households
CN107622444A (zh) 业务准入方法及装置、电子设备
Jarrow et al. Inferring financial bubbles from option data
CN113034046A (zh) 一种数据风险计量方法、装置、电子设备及存储介质
CN113159545A (zh) 确定价值属性值的方法、装置、电子设备和存储介质
CN114387085B (zh) 流水数据处理方法、装置、计算机设备和存储介质
CN114091715A (zh) 一种预测应收账款未来回款的方法及系统
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
CN114707733A (zh) 风险指标的预测方法、装置、电子设备及存储介质
CN114240598A (zh) 授信额度模型生成方法、授信额度确定方法、装置
Susanti et al. The affect of external and internal factors on banking profitability
CN112163942B (zh) 一种会计信息可靠性测定的方法及其系统
Kamitake et al. MODELING THE DEFAULT RISK OF CARD LOANS CONSIDERING INDIVIDUAL BEHAVIOR CHARACTERISTICS BASED ON BANK ACCOUNT DEPOSIT AND WITHDRAWAL DATA
CN114565225A (zh) 流动性风险压力测试模板及其方法
Hogianto et al. Use of Profit and Cash Flow to Predict the Condition of Financial Distress
CN114663206A (zh) 批量并账数据处理方法、装置、计算机设备、存储介质
CN112561678A (zh) 一种预测应收账款未来新增规模的方法及系统
CN115660860A (zh) 个人投资内部收益率的计算方法及其系统、计算机设备
CN111898800A (zh) 公积金缴存数据预测方法、装置及电子设备
CN117151910A (zh) 一种会计分录生成方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination