Teniendo en cuenta los hechos expuestos, se llega a la importancia de un sistema que sea capaz de prever los posibles retrasos en los pagos de los deudores. Los errores (desviaciones de las fechas de pago efectivo desde la fecha prevista) debe ser mínimo para que un sistema se considere efectivo. Ahora bien, este es un punto difícil. trabajos existentes muestran que los modelos estadísticos ordinarios no pueden dar resultados muy eficaz, que sea estable en el tiempo. Desde nuestro punto de vista, la mejor manera de resolver este problema puede utilizar el llamado "enfoque fuzzy", que se basa en la teoría de conjuntos difusos, se propuso inicialmente por L. Zadeh.
Los fundamentos de los conjuntos difusos se explican en una gran cantidad de artículos y libros - utiliza los motores de búsqueda en la Web para averiguar lo que la lógica difusa es y cómo funciona todo, si hay tal necesidad. Aquí, sólo sugieren un principio listos para el uso de la predicción pagos de los deudores, basándose en el enfoque borroso. El principio propuesto en este artículo se ha realizado en forma de un programa de ordenador. El programa ha sido probado en datos reales de una empresa real. La desviación cuadrática media así calculada alrededor de 3, lo que sugiere la idea de que el principio aquí se presenta es bastante eficaz, pero puede ser objeto de nuevas mejoras.
Dada una base de datos relacional (que puede ser, de hecho, se dio cuenta de ninguna manera, incluyendo pero no limitado a, MS Access, MS Excel los datos de DB-como establece etc) que contiene información sobre facturas, sus fechas de nacimiento, los períodos de aplazamiento de cada uno de los deudores , las fechas reales de los pagos de los deudores que se han producido en el pasado, podemos ver las estadísticas de "retrasos en los pagos anteriores". La función de densidad de este informe se puede ver como un conjunto borroso subnormal. Este conjunto, denominado "A", será el primero de los tres conjuntos difusos que los componentes del conjunto borroso resultante "prevé fecha de pago". La función de densidad puede darnos una idea general acerca de la disciplina de pago "de un deudor específico en el pasado. La función de densidad, en un caso general, se contienen varias "olas", ya que no suele ser una característica tendencia que contienen cuanto al número de días que el deudor pueda ser eludir del pago de la deuda.
En primer lugar, en la mayoría de los casos la cantidad de días de retraso de pago es una variable aleatoria. Puede ser fluctuante dentro de los límites un par de días ". En segundo lugar, las previsiones estadísticas de los plazos pueden ser diferentes de manera significativa durante períodos de tiempo distintos. Esto se debe a relaciones B2B no son estáticos, están desarrollando todo el tiempo. A veces, la compañía trata de vender "darse la mano" con la empresa para la compra de este último a pagar un par de días antes, mientras que a veces la empresa compradora puede estar enfrentando problemas financieros temporales (por ejemplo, como resultado de un crédito enorme para ser devuelto a un banco por la empresa que compra), por lo que la empresa compra la empresa vendedora advierte que puede haber pequeños retrasos de pagos. Esto se refleja en otro componente del pronóstico borroso resultante, - fuzzy set "C". De hecho, es una variable lingüística "demora de pago más probable es que los conjuntos borrosos. La variable lingüística puede adoptar cualquiera de los siguientes valores: "Neutral" (que significa que no hay previsiones específicas del valor de retrasar los pagos que el deudor específico), "Un poco de retraso es posible", "Un poco de retraso es más probable" "Un retraso grande es más probable", "Un pago a tiempo es más probable", "El pago por adelantado es más probable". Cada uno de estos valores plazo tiene su función propia composición. Una función de pertenencia correspondiente se utiliza cada vez que la construcción de un pronóstico de un deudor determinado. Las funciones de pertenencia para el plazo de los valores de la variable lingüística "Plazo de pago más probable es que" son los siguientes:
"Un pago a tiempo es más probable": y = SQRT (1-ABS (x) / 2), x pertenece a [-2, 2]
"" Un poco de retraso es más probable ": y = SQRT (1-ABS (x-4) / 3), x pertenece a [1, 7]
"" Un poco de retraso es posible ": y = (1-ABS (x-4) / 3) ** 2, x pertenece a [1, 7]
"Un retraso grande es más probable": y = SQRT (de 0,25 (12-x) / 24) 0,5, x pertenece [6, 12]
y = (0,71-(6-x) / 4.23) ** 2, x pertenece a [3, 6)
y = 0, x12
"Neutral": y = 0,5
"Un pago por adelantado es más probable": y = 1/SQRT (ABS (x)), x
No comments:
Post a Comment