Машинное обучение

От голосовых помощников до рекомендаций товаров технологии машинного обучения работают во множестве уголков повседневной жизни. Но для финансовых команд важнее другой вопрос: что конкретно делает эта технология в процессах расходов и затрат компании? Кто классифицирует горы чеков, кто выявляет дублирующиеся записи, кто прогнозирует бюджет следующего квартала?

В этом руководстве мы кратко обобщим основные понятия машинного обучения и переведём главный фокус на управление расходами: обучение категориям, обнаружение дубликатов, пометку аномалий и прогнозирование.

Что такое машинное обучение?

Машинное обучение — это подраздел искусственного интеллекта, который позволяет компьютерным системам учиться на данных без явного программирования и улучшать свою производительность с опытом. В традиционном программном обеспечении разработчик пишет правила одно за другим; в машинном же обучении система сама формирует свои правила, обнаруживая закономерности в предоставленных ей примерах.

Артур Сэмюэл из Стэнфордского университета определил эту область в 1959 году так: «Область исследований, дающая компьютерам способность обучаться без явного программирования.» Это определение справедливо и сегодня. По сути, есть три компонента: данные (исходная информация для обучения), алгоритм (метод, извлекающий закономерность) и модель (структура, способная давать прогнозы по итогам обучения).

Виды обучения: краткий обзор

Машинное обучение делится на три основных подхода. Рассмотреть каждый на примере управления расходами помогает сделать понятия наглядными:

• Обучение с учителем: Модель обучается на размеченных примерах, для которых известен правильный ответ. Модель, увидевшая тысячи чеков с их категорией расходов, учится сама классифицировать новый чек.
• Обучение без учителя: Модель сама обнаруживает скрытые группы и закономерности в неразмеченных данных. Она выделяет кластеры «нормального» поведения в данных о расходах компании; операция, оказавшаяся вне кластера, привлекает внимание.
• Обучение с подкреплением: Система методом проб и ошибок учится стратегии, максимизирующей вознаграждение. Оно проявляется скорее в таких областях, как робототехника и игры, чем в повседневных финансовых операциях.

Углублённая теория не является темой этой статьи; главный вопрос — как эти подходы применяются в процессах расходов.

Что делает машинное обучение в управлении расходами?

В компании каждый месяц создаются сотни чеков, счетов и строк расходов. Обрабатывать этот объём вручную и медленно, и чревато ошибками; у ввода расходов есть скрытая для компании стоимость времени. Именно здесь машинное обучение берёт на себя четыре основные задачи.

1. Обучение категориям: от чека к правильной статье расходов

Наиболее распространённое применение обучения с учителем в управлении расходами — автоматическая категоризация. Модель, отталкиваясь от таких полей, как имя поставщика, сумма, дата и описание, предсказывает, к какой из категорий — питание, транспорт, проживание или представительские — относится расход.

Критически важно здесь то, что модель обучается специфически для компании. Один и тот же поставщик в одной компании может быть «приёмом клиентов», а в другой — «командным обедом». Когда финансовая команда вносит исправление, модель учится на этой обратной связи; со временем потребность в исправлениях снижается, а бухгалтерские записи становятся согласованными с планом счетов.

2. Обнаружение дубликатов: один и тот же чек нельзя ввести дважды

Повторная отправка одного и того же чека чаще всего не злой умысел, а невнимательность; но результат в обоих случаях один — компания переплачивает. Проверки на основе правил улавливают только полностью идентичные записи. Машинное же обучение работает на основе сходства: оно оценивает вероятность того, что две записи с одинаковой суммой, датой, сдвинутой на день, и по-разному написанным именем поставщика являются одним и тем же расходом, и отправляет подозрительную пару на проверку.

Эта возможность также является первой линией обороны в сценариях осознанного злоупотребления. По части политики и культуры этой темы вы можете заглянуть в нашу статью о злоупотреблениях с расходами.

3. Пометка аномалий: автоматически ловить необычное

Практическое воплощение обучения без учителя — обнаружение аномалий. Модель на основе прошлых данных о расходах компании учится «обычному» поведению в разрезе отдела, периода и сотрудника; операции, отклоняющиеся от этой закономерности, она помечает сама:

• Сумма расхода, заметно превышающая привычный диапазон,
• Необычные записи, сгущающиеся в выходные или вне рабочего времени,
• Внезапно возрастающая частота расходов в какой-либо категории,
• Записи, постоянно вплотную приближающиеся к пределам политики расходов.

Так финансовая команда вместо проверки каждой строки по отдельности сосредотачивается только на помеченных исключениях; усилия на контроль снижаются, а соблюдение политики укрепляется.

4. Прогнозирование: предвидеть бюджет и денежный поток

Прошлые данные о расходах используются не только для ретроспективных отчётов, но и для прогноза на будущее. Модели на основе регрессии оценивают уровень расходов следующего периода, рассматривая вместе сезонность, тенденцию роста и поведение отделов.

Эти прогнозы напрямую полезны в двух областях: в управлении бюджетом — ставить реалистичные цели и рано замечать отклонения в течение периода; в планировании денежного потока — правильно управлять ликвидностью, заранее зная предстоящую платёжную нагрузку.

Что это значит для финансовых команд?

Общий итог этих четырёх возможностей таков: ручной ввод данных и построчная проверка сокращаются, а время финансовой команды смещается к управлению исключениями и анализу. Процессы закрытия ускоряются, согласованность бухгалтерских записей растёт, нарушения политики улавливаются до совершения платежа. Здесь машинное обучение — не технологическое увлечение, а инфраструктура, позволяющая масштабировать операции с расходами.

Машинное обучение в Masraff

Masraff помещает описанные в этой статье возможности в центр своего продукта для управления расходами:

• Распознавание чеков и счетов: по фотографии чека автоматически извлекаются поставщик, сумма, дата и налоговые данные; сотрудник не вводит данные вручную.
• Обучение категориям: расходы автоматически классифицируются согласно плану счетов компании; по мере того как команда вносит правки, модель подстраивается под компанию.
• Контроль дубликатов и аномалий: похожие записи, а также расходы вне политики или необычные автоматически помечаются в процессе согласования.
• Прозрачность расходов: данные, накопленные в разрезе категории, отдела и периода, образуют основу для планирования бюджета и денежного потока.

Заключение

Машинное обучение — это широкая область, описываемая такими понятиями, как обучение с учителем, без учителя и с подкреплением. Однако его ценность для делового мира проявляется не в абстрактных определениях, а в конкретных процессах: чек сам попадает в правильную категорию, дублирующаяся запись улавливается до платежа, необычный расход помечается мгновенно, а следующий период становится предсказуемым.

Чтобы увидеть эти возможности в своих процессах расходов, вы можете ознакомиться с решением Masraff для управления расходами, а для индивидуальной оценки для вашей команды — связаться с нами.