Pagamentos de devedores: Abordagem Fuzzy para o Planejamento

O aspecto financeiro é essencial para qualquer tipo de negócio. Como uma empresa recebe um financiamento e renda determina o seu bem-estar geral. Para qualquer empresa B2B, uma das principais preocupações é o controle sobre os pagamentos dos devedores não-bancárias, ou seja, os pagamentos decorrentes da comercialização de bens e / ou serviços. Na verdade, esse influxo permite à empresa avaliar a sua eficiência, jogando o papel do factor subjacente lucros da empresa. Tendo produzido alguns bens o
Tendo em conta os fatos expostos, chegamos a importância de um sistema que seria capaz de prever possíveis atrasos nos pagamentos dos devedores. Erros (desvios das datas de pagamento real da data prevista) deve ser mínima para que um sistema deste tipo a ser considerado eficaz. Agora este é um ponto difícil. trabalhos existentes mostram que os modelos estatísticos ordinária não pode suportar os resultados realmente eficazes que seria estável no tempo. Do nosso ponto de vista, a melhor maneira de resolver este problema é utilizar a chamada "abordagem fuzzy", que é baseado na teoria dos conjuntos fuzzy, originalmente sugerida por L. Zadeh.

Os princípios básicos dos conjuntos fuzzy são explicadas em uma enorme quantidade de artigos e livros - utilizam motores de pesquisa na web para descobrir o que a lógica fuzzy é e como tudo isso funciona, se há essa necessidade. Aqui, nós apenas sugerir um princípio pronto para uso da previsão de pagamentos dos devedores, baseando-se na abordagem fuzzy. O princípio sugeridas neste artigo foi realizada sob a forma de um programa de computador. O programa foi testado em dados reais de uma empresa real. O desvio médio quadrado assim calculado cerca de 3, o que sugere a idéia de que o princípio aqui apresentado é bastante eficaz, mas pode ser objecto de melhorias.

Dado um banco de dados relacional (que pode ser de fato realizado em qualquer forma, incluindo mas não limitado a, MS Access, MS Excel dados DB-como jogos, etc), contendo informação sobre as facturas, datas de seu nascimento, períodos de interrupção para cada um dos devedores , as datas reais dos pagamentos dos devedores que tenham ocorrido no passado, podemos ver as estatísticas "atrasos no pagamento Passado". A função densidade deste estatísticas podem ser vistas como um conjunto subnormal fuzzy. Esse conjunto, denominado "A", será o primeiro dos três conjuntos fuzzy a ser componentes do conjunto resultante fuzzy "A previsão da data de pagamento". A função densidade pode nos dar uma idéia geral sobre a disciplina de pagamento "de um devedor específico no passado. A função de densidade, em um caso geral, será que contêm várias "ondas" porque geralmente não é uma característica tendência contendo a quantos dias o devedor será fugir do pagamento da dívida.

Em primeiro lugar, na maioria dos casos a quantidade de dias de atraso de pagamento é uma variável aleatória. Pode ser dentro dos limites de flutuação de alguns dias. Em segundo lugar, as previsões estatísticas de atrasos pode ser diferindo significativamente em diferentes períodos de tempo. Isso ocorre porque as relações B2B não são estáticos, eles estão desenvolvendo o tempo todo. Às vezes, a empresa vem vendendo a "apertar as mãos" com a empresa compra para este último a pagar um par de dias anteriores, enquanto que, por vezes, a empresa compradora pode estar enfrentando problemas financeiros temporários (por exemplo, resultante de um enorme crédito a ser devolvido a um banco pela empresa de compra), de modo que a empresa compra adverte a empresa vendedora que pode haver pequenos atrasos de pagamentos. Isso se reflete em outro componente da Previsão do resultado fuzzy - fuzzy set "C". É na verdade uma variável linguística atraso de pagamento "mais provável set" fuzzy. A variável lingüística pode assumir um dos seguintes valores: "Neutral" (o que significa que não existem previsões específicas do valor de atraso de pagamentos do devedor específico), "Um pequeno atraso é possível", "Um pequeno atraso é mais provável" "Um grande atraso é mais provável", "O pagamento dentro do prazo é mais provável", "Pagamento adiantado é mais provável". Cada uma dessas prazo, os valores tem sua função própria associação. A função de membro correspondente é usado cada vez que a construção de uma previsão para um devedor específico. As funções de associação para o termo, os valores da variável linguística atraso de pagamento "mais provável" são os seguintes:

"O pagamento dentro do prazo é mais provável": y = sqrt (1-ABS (x) / 2), x pertence a [-2, 2]

"Um pequeno atraso é mais provável": y = sqrt (1-ABS (x-4) / 3), x pertence à [1, 7]

"Um pequeno atraso é possível": y = (1-ABS (x-4) / 3) ** 2, x pertence à [1, 7]

"Um grande atraso é mais provável": y = SQRT (0.25 (12-x) / 24) 0,5, x pertence [6, 12]

y = (0,71 (6-x) / 4.23) ** 2, x pertence a [3, 6)

y = 0, x12

"Neutro": y = 0,5

"Um pagamento antecipado é mais provável": y = 1/sqrt (ABS (x)), x