Прогнозування прибутку підприємства на підставі адаптивного управління
Анотація
Розглянуто способи вирішення завдання щодо прогнозування прибутку підприємства. Прогнозування на підставі часового ряду формують під впливом великої кількості чинників. Також передбачено використання методу адаптивного управління, яке полягає у використанні алгоритмів машинного навчання з фільтрацією даних. Дослідження здійснено на підставі відомого набору даних – Financial Distress, використовуючи показники із більше ста підприємств на підставі близько чотирьох тисяч даних на кожному підприємстві. Цю базу даних доповнено даними з вітчизняних підприємств для формування прогнозу цих підприємств. Проаналізовано типи фінансових даних, які впливають на результати прогнозування, зокрема активи, ринкові дані, аналітичні дані. Дані містять показники зовнішнього середовища, ринкові тренди, поведінку клієнтів, конкурентів і різні фінансові показники. Прогнозований показник прибутку побудовано на підставі створеної бази даних, в якій виділені певні показники діяльності підприємства. Використано статистичні методи, до яких належить регресійний аналіз, що математично дає змогу описувати взаємозв'язок між витратами і обсягами діяльності підприємства. Результати аналізу є більш репрезентативними, оскільки було використано дані спостережень. На підставі фінансових показників підприємства встановлено взаємозв'язок між показниками діяльності підприємства та прибутком. Адаптивне управління полягає у застосуванні фільтра Cusum для якіснішої побудови моделі. Дані опрацьовано на підставі фільтра Cusum, який дав змогу здійснити прогнозування прибутку. Фільтр на підставі кумулятивних сум CUSUM належить до статистичних методів перевірки і дає змогу усунути вплив випадкових даних. На підставі методу опорних векторів здійснено прогнозування прибутку підприємства, що дало змогу оцінити його рентабельність. Встановлено, що прогнозування прибутку підприємства дає можливість істотно скоротити ризики від зовнішніх факторів впливу на нього у майбутньому, показати тенденцію розвитку підприємства, надати менеджерам напрям розвитку підприємства, а також оцінити його рентабельність для інвесторів. Проведено оцінку моделі. З'ясовано, що показники якості моделі становлять 0,98, а це свідчить про високу точність прогнозування, яке рекомендовано до використання.
Завантаження
Посилання
Aggarwal, G., Feder, T., Motwani, R., & Zhu, A. (2004). Algorithms for multi-product pricing. In Automata, Languages and Programming: 31st International Colloquium, ICALP 2004, Turku, Finland, July 12-16, 2004. Proceedings 31, 72–83. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-27836-8_9
Anand, V., Brunner, R., Ikegwu, K., & Sougiannis, T. (2019). Predicting Profitability Using Machine Learning. https://doi.org/10.2139/ssrn.3466478
Ausat, A. M. A., Al Bana, T., & Gadzali, S. S. (2023). Basic Capital of Creative Economy: The Role of Intellectual, Social, Cultural, and Institutional Capital. Apollo: Journal of Tourism and Business, 1(2), 42–54. https://doi.org/10.58905/apollo.v1i2.21
Barker, J., Gajewar, A., Golyaev, K., Bansal, G., & Conners, M. (2018). Secure and automated enterprise revenue forecasting. In Proceedings of the AAAI Conference on Artificial Intelligence, 32(1), 123–134. https://doi.org/10.1609/aaai.v32i1.11385
Chen, L. H., & Guo, T. Y. (2011). Forecasting financial crises for an enterprise by using the Grey Markov forecasting model. Quality & Quantity, 45(4), 911–922. https://doi.org/10.1007/s11135-010-9403-z
Cucari, N., Cristofaro, M., & Santoro, G. (2023). Strategic Management in the new normal: Investigating practical approaches for an adapting governance. Corporate Governance AND Research & Development Studies, (2023/1). https://doi.org/10.3280/grds1-2023oa16134
de Andrés, J., Lorca, P., Bahamonde, A., & del Coz, J. J. (2004). The use of machine learning algorithms for the study of business profitability: A new approach based on preferences. The International Journal of Digital Accounting Research, 4(8), 99–124. https://doi.org/10.4192/1577-8517-v4_4
Eng, T. Y., Mohsen, K., & Wu, L. C. (2023). Wireless information technology competency and transformational leadership in supply chain management: implications for innovative capability. Information Technology & People, 36(3), 969–995. https://doi.org/10.1108/ITP-06-2021-0489
Florez-Lopez, R., & Ramon-Jeronimo, J. M. (2009). Marketing segmentation through machine learning models: An approach based on customer relationship management and customer profitability accounting. Social Science Computer Review, 27(1), 96–117. https://doi.org/10.1177/0894439308321592
Hrytsiuk, Y. I., & Mukha, T. O. (2020). Methods of determination of quality of software. Scientific Bulletin of UNFU, 30(1), 158–167. https://doi.org/10.36930/40300127
Pivtorak, M., & Muzichenko, O. (2021). Methods of forecasting the net profit of the enterprise. Ekonomika ta derzhava, 1, 124–129. https://doi.org/10.32702/2306-6806.2021.1.124
Powers, R., Goldszmidt, M., & Cohen, I. (2005). Short term performance forecasting in enterprise systems. In Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining, 801–807. https://doi.org/10.1145/1081870.1081976
Punin, Y. O. (2018). Internet marketing strategy and tactics of distributor companies on the B2B market. Marketing and digital technologies, 2(4), 44–56. https://doi.org/10.15276/mdt.2.4.2018.3
Romanov, A., Yarushkina, N., & Filippov, A. (2020). Application of time series analysis and forecasting methods for enterprise decision-management. In International Conference on Artificial Intelligence and Soft Computing, 326–337. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-61401-0_31
Taherdoost, H. (2023). An overview of trends in information systems: emerging technologies that transform the information technology industry. Cloud Computing and Data Science, 1–16. https://doi.org/10.37256/ccds.4120231653
Tuunanen, T., Salo, M., & Li, F. (2023). Modular service design of information technology-enabled services. Journal of Service Research, 26(2), 270–282. https://doi.org/10.1177/10946705221082775
Wu, J., Lin, K., Lin, D., Zheng, Z., Huang, H., & Zheng, Z. (2023). Financial Crimes in Web3-empowered Metaverse: Taxonomy, Countermeasures, and Opportunities. IEEE Open Journal of the Computer Society, 4, 37–49. https://doi.org/10.1109/OJCS.2023.3245801
Yudianto, F., Herlambang, T., Anshori, M. Y., Adinugroho, M., Rulyansah, A., & Yuliana, L. (2023). Innovation in Company Profit Management: Socialization of Numerical Calculation for Efficiency Improvement at PT AJISAKA. Indonesian Journal of Cultural and Community Development, 14(2). https://doi.org/10.21070/ijccd.v14i2.890
