強化されたキャッシュ フロー予測
基本的なキャッシュフロー予測は、既知の事実に基づいています。 最初に、予測は、流動資金の現在の状態を決定します。 通常、このデータは銀行および現金勘定の残高から取得されますが、他の勘定を含めることもできます。
次に、予測は、将来行うまたは受け取る支払に基づいて現金の金額を追加または削除します。 このデータは、転記された販売請求書や仕入請求書など、顧客の元帳および仕入先元帳の未処理のエントリから取得され、支払の期日も含まれます。
元帳エントリは信頼性が高い一方、多くの企業で使用されている支払条件に基づいて期日が設定されているため、予測においても制約があります。 期限は、ホライズン、または予想できる未来の日数を制限します。 たとえば、売上請求書の支払条件が 1W (1 週間) の場合、予測には、現在の日付から 8 日間のデータはありません。
予測のホライズンを延長する方法の 1 つは、販売、購買、サービス注文、およびジョブからの売上の調整など、仕入先および顧客との既知の契約に基づいて予算の数値を手動で入力することです。 リスクは、このトランザクションがキャンセルされるか、期日が移動されることですが、トランザクションは正常な入力と見なされます。
たとえば、次のページで予算金額を手動で入力できます。
さまざまな日付を指定できる G/L 予算
賃貸料、インターネット、携帯電話などの品目のキャッシュ フロー手動の経費
利息またはローンの返却のための、キャッシュ フロー手動収益
予算作成ツールは、経費と売上の登録に適しています。 ただし、必要な手動作業の量のために、キャッシュ フロー予測のホライズンを延長するのは実用的ではありません。
代わりに、Cortana Intelligence の Azure Machine Learning を使用して、キャッシュ フロー予測のホライズンを延長できます。 Business Central では、時系列のデータを処理するモデルを使用して予測を計算できます。
ARIMA (自己回帰和分移動平均)
ETS (指数平滑状態空間)
STL (損失による時系列の季節的な分解)
TBATS (Box-Cox 変換、ARMA エラー、トレンド、および季節的なコンポーネントを使用した指数平滑状態空間)
また、ETS + ARIMA と ETS + STL のように、これらのモデルのいくつかを組み合わせて使用することもできます。これにより、予測値の正確性を高めることができる場合があります。
基本的なキャッシュ フロー予測と同様に、これらのモデルは次のような履歴データに依存しています。
売掛金の顧客元帳エントリ
買掛金の仕入先元帳エントリ
税金の税金/VAT エントリ
これら 2 つのモデルの違いは、履歴データに高度な統計メソッドを適用して将来のデータを生成し、予測の計算時にそのデータを含めることです。 売掛金または買掛金を予測する場合、期日をドキュメント日付または転記日付ではなく日付フィールドとして使用するので、予測結果に対して支払条件を定義して適用する必要はありません。
使用するモデルは、キャッシュ フロー設定ページの時系列モデル フィールドで指定できます。 どのモデルを選択するかわからない場合は、すべてオプションを選択できます。Business Central では、各モデルを使用して、予測を計算し、結果を比較して、最良の結果を返します。
Azure Machine Learning は Business Central に無料で用意されています。有効にする必要があるだけです。 ただし、1 か月ごとに使用できる計算時間は制限されます。 すべてを選択すると、1 つのモデルの場合よりも多くの時間が使用されます。 上限に達した場合は、次の月まで待つか、自分自身のサブスクリプションに切り替える必要があります。
予測値は、一定の確率で、単一のデータポイントではない、値の範囲内にあることが予想される範囲です。 既定の確率は 80% であり、UI を使用してこの設定を変更することはできません。
少なくとも 2 年分のデータがある場合は、適正な品質で 4 か月先までの値を予測することができます。 この量を超えるデータが存在しない場合は、より短いホライズンを使用する必要があります。
それ以外の場合、予測される値の範囲は広すぎることがあるため、無意味です。 時間の 100% が誤っている場合は、予測によって制限されたヘルプが発生します。 このため、キャッシュ フロー予測の設定ページで調整できるしきい値が導入されました。 差異 % フィールドでは、予測で許容される誤差範囲 (プラスまたはマイナス) を指定できます。 割合を低くすると、より正確な予測が得られます。通常、20 ~ 40% の範囲になります。 範囲外の予測は、不正確であると見なされ、無視されます。
現在の日付から計算を予測する必要があるため、予測される値と、既にシステムに登録されている値 (未処理の顧客の元帳のエントリや販売注文など) との間で調整を行う必要があります。 次の簡単な例は、このロジックを示しています。
過去 2 年間、毎月 10 本の鉛筆を販売しています。 月の半ばに、「来月は何本の鉛筆を販売しますか」という質問が表示される場合があります。履歴に基づいて、おそらく、10 本と回答するでしょう。
顧客が店舗を訪れて、来月用に 6 本注文することを希望しています。 ただし、この注文では、来月の販売予定への変更はありません。 依然として、合計 10 本の鉛筆を販売すると予想し、6 本の鉛筆をその顧客に出荷することを認識しています。
売上と費用についても同じ概念が当てはまります。 注文を発注したときなど、次の期間の売上についての信頼できる情報がある場合は、その金額が実績となり、予測される売上から削除される必要があります。
ただし、ある人物が店舗を訪れて来月用に 15 本の鉛筆を注文した場合は、予想された 10 本を超える量になるため、予測が 10 から 15 に調整されます。
