Как государственная финансовая организация ускорила прогнозирование бюджета с помощью ML-моделей

Аналитики сократили время на составление прогнозов и повысили точность расчётов — такого результата добилась крупная государственная финансовая организация после внедрения программного комплекса с модулем прогнозирования на основе машинного обучения.

Ситуация

Клиент, занимающийся расчётно-кассовым обслуживанием исполнения бюджета, сталкивался с трудностями в анализе и прогнозировании экономических ситуаций. Финансовые аналитики проводили оценку, строили прогнозы и составляли отчёты вручную, что требовало значительных временных затрат и было подвержено человеческим ошибкам. Необходимо было автоматизировать процессы и повысить надёжность прогнозов.

Решение

Команда Softline Digital разработала специализированный программный комплекс с ядром в виде модуля прогнозирования. В его основе лежат оптимально подобранные мета-алгоритмы: ARIMA, экспоненциальное сглаживание, методы бустинга и эвристические алгоритмы. Эти подходы обеспечивают точные и быстрые результаты при работе с историческими данными временных рядов. Система интеллектуально выбирает наиболее подходящие алгоритмы в зависимости от типа данных и временного ряда. Модуль был разработан на Python и Java с использованием базы данных PostgreSQL и платформы Docker для контейнеризации микросервисов, затем интегрирован в существующую инфраструктуру заказчика.

Показатель	До	После	Результат
Ручной анализ и прогнозирование	100% затрат времени аналитиков	Автоматизированный процесс	Значительное сокращение времени
Точность прогнозов	Подвержены ошибкам	Высокая точность алгоритмов	Минимизация ошибок
Детализация прогнозов	Ограниченная	Годовые, месячные, дневные прогнозы	Полная гибкость анализа

Вывод

Внедрение ML-моделей для прогнозирования бюджета применимо для любых государственных и коммерческих организаций, занимающихся финансовым планированием. Решение особенно актуально для структур с большими объёмами исторических данных, где традиционный ручной анализ становится узким местом. Система легко адаптируется под новые данные, параметры алгоритмов можно постоянно улучшать, что делает её универсальной для любой системы бюджетирования.

Источник: https://www.softline.digital/case/nauchilis-prognozirovat-byudzhet-s-pomoshchyu-ii

Как государственная финансовая организация ускорила прогнозирование бюджета с помощью ML-моделей

Похожие статьи

Поделиться в соц. сетях

Комментарии