Prognozowanie przepływów pieniężnych z użyciem uczenia maszynowego
Prognozowanie przepływów pieniężnych to jedno z najtrudniejszych zadań w finansach operacyjnych. Dane są nieregularne, sezonowość bywa złożona, a ręczne modele w Excelu często nie nadążają za zmianami w biznesie.
Co konkretnie omawiamy
Webinar pokazuje, jak zbudować model prognozowania cash flow krok po kroku - od przygotowania danych historycznych po walidację wyników. Skupiamy się na algorytmach ARIMA, Prophet i prostych sieciach neuronowych dostępnych w Pythonie.
Nie zakładamy znajomości programowania. Każdy krok jest zilustrowany gotowym kodem w notatniku Jupyter, który uczestnicy otrzymują przed webinarem.
Realne ograniczenia modeli
Modele ML nie przewidzą kryzysu ani nagłej zmiany strategii klienta. Wyjaśniamy, jak interpretować przedziały ufności i kiedy wynik modelu powinien wzbudzić wątpliwości analityka.
Webinar nie jest kursem programowania. Kod służy jako ilustracja logiki modelu, nie jako materiał do nauki Pythona.- Nagranie dostępne po webinarze
- Notatnik Jupyter z kodem do pobrania
- Certyfikat uczestnictwa
Program webinaru
Agenda spotkania
- Blok 1 - Dane wejściowe i ich przygotowanie
- Jakie dane są potrzebne, jak radzić sobie z brakami i wartościami odstającymi.
- Blok 2 - Algorytmy szeregów czasowych
- ARIMA, Prophet i ich zastosowanie do prognozowania tygodniowego i miesięcznego cash flow.
- Blok 3 - Sieci neuronowe LSTM w prognozowaniu
- Kiedy warto sięgnąć po głębsze modele i jakie dane są do tego potrzebne.
- Blok 4 - Walidacja i interpretacja wyników
- Metryki MAE, RMSE, przedziały ufności i decyzje oparte na niepewności modelu.
- Blok 5 - Sesja Q&A i omówienie przypadków uczestników
- 20 minut na pytania i dyskusję o konkretnych problemach z danymi.
- Dostęp online bez wychodzenia z domu
- Materiały do pobrania po sesji
- Indywidualne podejście do uczestnika
- Poufność danych i analiz