Med tanke på de omständigheter som redovisats, kommer man till betydelsen av ett system som skulle kunna förväntas förseningar i gäldenärernas betalningar. Fel (avvikelser i den faktiska betalningen är från prognostiserade datum) bör vara minimal för att ett sådant system anses vara ändamålsenliga. Detta är nu ett tufft punkt. Existerande verk visar att vanlig statistiska modeller inte kan bära riktigt effektiva resultat som skulle vara stabila över tiden. Ur vår synvinkel är den bästa vägen att lösa problemet är att använda så kallade "fuzzy tillvägagångssätt", som bygger på fuzzy mängdlära, som ursprungligen föreslogs av L. Zadeh.
Grunderna för fuzzy uppsättningar förklaras i en enorm mängd artiklar och böcker - använda web sökmotorer för att ta reda på vad oskarp logik är samt hur det fungerar, om det finns sådana behov. Här föreslår vi att endast en färdig att använda principen om prognoser gäldenärens betalningar och basera på fuzzy tillvägagångssätt. Principen som föreslås i denna artikel har genomförts i form av ett datorprogram. Programmet har testats på verkliga data för ett riktigt företag. Den genomsnittliga kvadrat-avvikelse som beräknas uppskattningsvis 3, vilket tyder på tanken att principen som presenteras här är ganska effektiv, men kan underkastas ytterligare förbättringar.
Med tanke på en relationsdatabas (vilket kan faktiskt förverkligas på något sätt, inklusive men inte begränsat till, MS Access, MS Excel DB-liknande datamängder etc.) som innehåller information om fakturor, deras födelsedatum, ajournering perioder för varje gäldenärer , verkliga datumen för gäldenärernas betalningar som har skett i det förflutna, kan vi se statistiken "Past försenade betalningar". Täthetsfunktionen denna statistiken kan ses som en onormalt låg suddig uppsättning. Denna uppsättning, märkt "A", blir den första av de tre luddiga apparater har delar av den resulterande luddiga som "betalningsdagen prognos". Densiteten funktion kan ge oss en allmän uppfattning om "betalningsdisciplin" en specifik gäldenär i det förflutna. Täthetsfunktionen, i ett allmänt fall, kommer att innehålla flera "vågor" för det är oftast inte en trend som innehåller karakteristiska om hur många dagar en gäldenär skall undgå att betala skulden.
För det första, i de flesta fall mängden dagar en betalningsförseningen är en slumpvariabel. Det kan fluktuerar ett par dagar "gränser. Andra kan statistiska prognoser av förseningar finnas olika mycket för olika tidsperioder. Detta beror på B2B relationer är inte statiska, de utvecklas varje dag. Ibland kommer det säljande företaget att "skakar hand" med att köpa bolaget för de senare att betala ett par dagar tidigare, att medan ibland köper företag kan ställas inför tillfälliga ekonomiska problem (t.ex., till följd av en stor kredit lämnas tillbaka till en bank av att köpa företaget), så att de köper bolaget varnar det säljande företaget att det får mindre förseningar av betalningar. Det avspeglas i en annan del av den resulterande luddiga prognosen - fuzzy set "C". Den är i själva verket en språklig variabel "betalningsförseningen troligtvis" fuzzy inställd. Den språkliga variabel kan ta en av följande värden: "Neutral" (vilket betyder att det inte finns några särskilda aningar av betalningarna försenade värdet för den specifika gäldenären), "En viss fördröjning är möjligt", "En viss fördröjning är mest sannolikt" "En stor försening är mycket troligt", "En på engångsinbetalning är mycket troligt", "Förskottsbetalning är sannolikt". Alla dessa villkor-värderingar har sina egna medlemmar funktion. En motsvarande medlemskapet funktion används varje gång när de bygger en prognos för en specifik gäldenär. Medlemskapet funktioner för tid-värdena för språkliga variabeln "betalningsförseningen mest sannolika anges nedan:
"" En on-tid betalningen är mest sannolikt: y = ROT (1-ABS (x) / 2), x tillhör [-2, 2]
"En viss fördröjning är mest sannolikt" y = ROT (1-ABS (x-4) / 3), x tillhör [1, 7]
"En viss fördröjning är möjligt": y = (1-ABS (x-4) / 3) ** 2, x tillhör [1, 7]
"En stor försening är mest sannolikt" y = ROT (0,25-(12-x) / 24) 0,5, x tillhör [6, 12]
y = (0,71-(6-x) / 4,23) ** 2, x tillhör [3; 6)
y = 0, x12
"Neutral" y = 0,5
"" En förskottsutbetalning är sannolikt ": y = 1/SQRT (ABS (x)), x
No comments:
Post a Comment