Fatura ödemelerinin makine öğrenimi ile tahmini
Predictive modelling for account receivables using machine learning
- Tez No: 768639
- Danışmanlar: PROF. DR. MEHMET GÜRAY GÜLER
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 60
Özet
Siparişten ödemeye kadar olan süreç, bir müşteri siparişinin oluşturulmasından, tedarik edilmesine ve faturasının kesilmesinden ödemenin gerçekleştirilmesine kadar çeşitli adımları içerir. Bu sürecin en önemli adımlarından biri alacakların tahsil edilmesidir. Alacak hesapları, bir işletmenin nakit akışının can damarıdır. Ayrıca işletmenin karlılığının hesaplanmasının önemli bir parçasıdır ve işletmenin gelirinin en net göstergesini sağlar. Bu yüzden alacakların zamanında tahsil edilmesi işletmeler için kritik rol oynamaktadır. Müşteriler için kesilen faturaların vadesi geldiğinde ödenip ödenemeyeceğini tahmin edebilmek birçok sektörde değerlidir ve finansal iş akışında karar verme süreçlerini destekler. Ancak, faturalara ilişkin verilerin karmaşıklığı bu tahminin gerçekleştirilmesini zorlaştırmaktadır. Bu çalışmada, satış, muhasebe ve kredi istihbarat ekipleri için faturaların ödenmesini tahmin etme noktasında destekleyebilecek bir yaklaşım sunuyoruz. Bu yaklaşım, üç farklı makine öğretim algoritması (Rassal Orman, XGBoost, Lojistik Regresyon) kullanılarak oluşturulmuş ve en iyi tahmin sonucunu veren XGBoost algoritması seçilerek tamamlanmıştır. Ayrıca müşteri faturalarının risk seviyelerine göre önceliklendirilmesini iyileştiren, ekiplerin günlük çalışmalarını destekleyen, %94'e varan tahmin doğruluğuna ulaşan ve çok uluslu bir şirkette geliştirilen bir çözümün parçasıdır. Bu yazıda sunulan metodoloji ve sonuçlar, araştırmacıların ve uygulayıcıların fatura ödeme tahmini sorunuyla başa çıkmalarına, gerçek verilerde mevcut olan sorunların nasıl çözüleceğine dair iç görüler ve örnekler sunmasına olanak sağlayacaktır. İş birimleri hangi faturalara öncelik vermeleri gerektiğini belirleyebilecek, böylece ödeme tarihinden daha sonra ödenmesi beklenen faturalar için ilgili müşterilerle öncesinde iletişime geçerek aksiyon planları hazırlayabilecekler. Bu da ödemelerin zamanında gerçekleşmesini sağlayarak daha iyi bir nakit akışına yol açacaktır.
Özet (Çeviri)
The order-to-cash process includes several steps, from creating a sales order to its supply and from invoice creation to collecting payment. One of the most important steps of this process is the collection of receivables. Accounts receivable is the lifeblood of a business' cash flow. It is also an important part of calculating the profitability of the business and provides the clearest indicator of the business's income. Therefore, collection of receivables on time plays a critical role for businesses. Being able to predict whether invoices for customers will be paid when they are due is valuable in many industries and supports decision-making in the financial workflow. However, the complexity of the data on invoices makes this estimation difficult. In this study, we present an approach that can support the sales, accounting, and credit management teams in predicting the payment of invoices. This approach is created using three different machine learning algorithms (Random Forest, XGBoost, Logistic Regression) and is completed by choosing the XGBoost algorithm that gives the best prediction result. It is also part of a solution developed in multinational company that improves the prioritization of customer invoices by risk levels, supports the day-to-day work of teams, and achieves forecast accuracy of up to 94%. The methodology and results presented in this paper would allow researchers and practitioners to deal with the problem of bill payment estimation, providing insights and examples of how to solve problems present in real data. Business units will be able to determine which invoices they should prioritize, so they can prepare action plans for invoices expected to be paid after the payment date, by contacting relevant customers in advance. This will ensure timely payments, resulting in better cash flow.
Benzer Tezler
- Mikrodenetleyici kontrollü elektronik akaryakıt pompası
Microcontroller based electronic petroleum pump
SALİH ERGÜN
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. HAKAN KUNTMAN
- Barter ticaret işlemleri ve muhasebeleştirilmesi
Başlık çevirisi yok
MUHAMMET SIRRI ŞİMŞEK
Yüksek Lisans
Türkçe
1997
İşletmeİstanbul ÜniversitesiYönetimde Muhasebe ve Finansal Kontrol Bilim Dalı
PROF. DR. AHMET GÖKSEL YÜCEL
- İhracat işlemlerinde katma değer vergisi uygulamasına ait muhasebe işlemleri ve uygulamada çıkan sorunların incelenmesi
To Research of problems in practicing and on accountancy treatments for value added tax practicing and on accountancy treatments for value added tax practicing on export treatments
MURAT ÖNDER
- Kamu hastanelerinde sağlık hizmetlerini faturalandırma yönetim süreçleri ve uygulamada yaşanan sorunların belirlenmesi
Thesis title in English heremanagement processes of billing health services in public hospitals and determining the problems in implementation
ERDEM PİRİM
Yüksek Lisans
Türkçe
2022
Sağlık Kurumları YönetimiÇankırı Karatekin ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN BULUT
- Hastane işletmelerinde maliyet muhasebesi ve bir uygulama
Cost accounting in hospital business and an application
NURAN KARAÇ