Машинно обучение

От гласовите асистенти до препоръките за продукти технологиите за машинно обучение работят в множество кътчета на всекидневието. Но за финансовите екипи по-важен е друг въпрос: какво конкретно прави тази технология в процесите на разходите на компанията? Кой класифицира купищата касови бележки, кой улавя дублираните записи, кой прогнозира бюджета за следващото тримесечие?

В това ръководство накратко обобщаваме основните понятия на машинното обучение и насочваме основния фокус към управлението на разходите: научаване на категории, откриване на дубликати, маркиране на аномалии и прогнозиране.

Какво е машинно обучение?

Машинното обучение е подраздел на изкуствения интелект, който позволява на компютърните системи да се учат от данни, без да бъдат програмирани изрично, и да подобряват работата си с опита. В традиционния софтуер разработчикът пише правилата едно по едно; при машинното обучение обаче системата сама създава своите правила, откривайки закономерности в предоставените ѝ примери.

Артър Самюъл от Станфордския университет определя тази област през 1959 г. така: „Областта на изследване, която дава на компютрите способността да се учат, без да бъдат програмирани изрично.“ Определението е валидно и днес. По същество има три компонента: данни (суровата информация за научаване), алгоритъм (методът, който извлича закономерността) и модел (структурата, способна да прави прогнози в резултат на обучението).

Видове обучение: кратък преглед

Машинното обучение се разделя на три основни подхода. Разглеждането на всеки чрез пример от управлението на разходите прави понятията осезаеми:

• Обучение с учител: Моделът се обучава с етикетирани примери, за които верният отговор е известен. Модел, който е видял хиляди касови бележки с тяхната категория разход, се научава сам да класифицира нова бележка.
• Обучение без учител: Моделът сам открива скрити групи и закономерности в неетикетираните данни. Той извежда клъстерите на „нормално“ поведение в данните за разходите на компанията; операцията, останала извън клъстера, привлича вниманието.
• Обучение с подкрепление: Системата чрез проба и грешка се научава на стратегията, която максимизира наградата. То се проявява по-скоро в области като роботиката и игрите, отколкото в ежедневните финансови операции.

Задълбочената теория не е тема на тази статия; истинският въпрос е как тези подходи се впрягат в процесите на разходите.

Какво прави машинното обучение в управлението на разходите?

В една компания всеки месец се създават стотици касови бележки, фактури и редове с разходи. Обработването на този обем на ръка е бавно и предразположено към грешки; въвеждането на разходите има скрита за компанията времева цена. Точно тук машинното обучение поема четири основни задачи.

1. Научаване на категории: от бележката към правилното перо на разхода

Най-разпространеното приложение на обучението с учител в управлението на разходите е автоматичното категоризиране. Моделът, изхождайки от полета като име на доставчика, сума, дата и описание, прогнозира към коя от категориите — храна, транспорт, настаняване или представителни — принадлежи един разход.

Критичното тук е, че моделът се учи специфично за компанията. Един и същ доставчик може да е „посрещане на клиенти“ в една компания и „екипен обяд“ в друга. Когато финансовият екип направи корекция, моделът се учи от тази обратна връзка; с времето нуждата от корекции намалява и счетоводните записи стават съгласувани със сметкоплана.

2. Откриване на дубликати: една и съща бележка не може да се въведе два пъти

Повторното изпращане на една и съща бележка най-често не е злонамереност, а разсеяност; но резултатът и в двата случая е, че компанията плаща в повече. Проверките, базирани на правила, улавят само напълно идентични записи. Машинното обучение обаче работи на основата на сходство: то оценява вероятността два записа с еднаква сума, с дата, изместена с един ден, и различно изписано име на доставчика да са един и същ разход, и подава подозрителната двойка за преглед.

Тази способност е и първата отбранителна линия при сценарии на съзнателна злоупотреба. За аспекта, свързан с политиката и културата по темата, можете да разгледате нашата статия за злоупотребите с разходи.

3. Маркиране на аномалии: автоматично улавяне на необичайното

Практическото въплъщение на обучението без учител е откриването на аномалии. Моделът от миналите данни за разходите на компанията научава „обичайното“ поведение на ниво отдел, период и служител; операциите, отклоняващи се от тази закономерност, той маркира сам:

• Сума на разход, значително надвишаваща обичайния диапазон,
• Необичайни записи, съсредоточени през уикенда или извън работно време,
• Внезапно нарастваща честота на разходите в дадена категория,
• Записи, постоянно доближаващи се плътно до границите на политиката за разходите.

Така финансовият екип, вместо да проверява всеки ред поотделно, се съсредоточава само върху маркираните изключения; усилието по контрола намалява, а спазването на политиката се засилва.

4. Прогнозиране: предвиждане на бюджета и паричния поток

Миналите данни за разходите се използват не само за ретроспективни отчети, но и за прогноза за бъдещето. Моделите, базирани на регресия, оценяват нивото на разходите за следващия период, като разглеждат заедно сезонността, тенденцията на растеж и поведението на отделите.

Тези прогнози са пряко полезни в две области: при управлението на бюджета — да се поставят реалистични цели и рано да се забелязват отклоненията в рамките на периода; при планирането на паричния поток — да се управлява правилно ликвидността, като предстоящото платежно натоварване се знае предварително.

Какво означава това за финансовите екипи?

Общият резултат от тези четири способности е следният: ръчното въвеждане на данни и проверката ред по ред намаляват, а времето на финансовия екип се измества към управлението на изключенията и анализа. Процесите по приключване се ускоряват, съгласуваността на счетоводните записи расте, нарушенията на политиката се улавят преди да бъде извършено плащане. Тук машинното обучение не е технологичен ентусиазъм, а инфраструктура, която позволява мащабирането на операциите по разходите.

Машинното обучение в Masraff

Masraff поставя описаните в тази статия способности в центъра на своя продукт за управление на разходите:

• Разпознаване на бележки и фактури: от снимката на бележката автоматично се извличат доставчик, сума, дата и данъчна информация; служителят не въвежда данни на ръка.
• Научаване на категории: разходите се класифицират автоматично според сметкоплана на компанията; докато екипът коригира, моделът се приспособява към компанията.
• Контрол на дубликати и аномалии: сходните записи, както и разходите извън политиката или необичайните, се маркират автоматично в процеса на одобрение.
• Видимост на разходите: данните, натрупани по категория, отдел и период, формират основата за планиране на бюджета и паричния поток.

Заключение

Машинното обучение е широка област, описвана с понятия като обучение с учител, без учител и с подкрепление. Стойността му за бизнеса обаче се проявява не в абстрактните определения, а в конкретните процеси: бележката сама отива в правилната категория, дублираният запис се улавя преди плащането, необичайният разход се маркира мигновено и следващият период става предвидим.

За да видите тези способности във вашите процеси на разходите, можете да разгледате решението на Masraff за управление на разходите, а за индивидуална оценка за вашия екип — да се свържете с нас.