使用ERP数据为AI发票分析提供了一个很好的例子 大卫·古斯汀 - 2018年2月13日凌晨1:04 | 类别: 选择金融,发票及应收账款财务,贸易融资|标签: 稀释,Flowcast,预知,TrustBills “任何足够先进的技术都与魔法无异。”- - - - - -阿瑟·c·克拉克 我们可以把"垃圾输入,垃圾输出"(GIGO)到乔治·富切尔IBM程序员和讲师。 我认为以一位伟大的科幻作家和一位IBM程序员的话作为这个博客的开端是合适的,这是我在卡内基梅隆大学(Carnegie Mellon)攻读信息系统学位课程时学到的。 我们大多数人都不清楚机器智能到底是什么。也许我们认为这是一个学习计算机系统的模糊概念,它能够获取数据并做出一些输出决策。 人工智能不会让坏数据变好 但确切地说,监督式学习就是你有一个输入变量(x)和一个输出变量(Y),你用一个算法来学习从输入到输出的映射函数。例如,Y = f(X)。在这里,我们回到数据和最重要的教训:使用不完整、不准确或低质量数据的机器学习算法不会产生高质量的结果,无论建模和编程有多好。 有许多公司正在竞相利用数据来更好地为发票融资和预测股权稀释。这不是一个微不足道的练习。但有些人正在尝试: 预知可以从大公司获得3年的ERP历史数据,并从20或30个特征(例如,国家,金额,付款条款,发票类别(咨询公司,航空公司)等)中确定付款发票的评分。 FlowcastCEO Ken So认为,未来10年,每一个融资决策都将由人工智能/机器学习驱动。Ken认为,数据源的多样性正在蓬勃发展(从数字供应商入职数据到第三方数据API),提供了一个多维的性能风险视图。 Trustbills专注于小型公司的应收账款融资解决方案和合作德意志银行(Deutsche Bank)向他们的客户提供访问权。 ERP数据之所以在这个练习中如此引人注目,是因为它是公司账簿的基础,您希望供应商的主数据是相当干净的。但即使在这里,大公司也通过有机和收购的方式成长,而且通常拥有多个ERP系统和几个不同的实例SAP,甲骨文等。 供应商主数据可以在公司的全球运营区域内以分散的方式进行管理。这无疑使得保持供应商数据的更新成为一个具有挑战性的命题。至少好消息是,PO和付款数据可能比其他供应商文件信息更准确——因为它在这种情况下更重要。 供应商管理字母汤 供应商的商品和服务或其他取决于他们提供的结果,无论这些数据点是否包括银行详细信息、采购订单、商品和服务内容、性能管理或其他合规领域。 供应商信息管理(SIM)领域有很多不同的名称,包括SRM(供应商关系管理)、SPM(供应商绩效管理)、SLM(供应商生命周期管理)、SRPM、SBM等等。有关这个主题的入门读物,请参阅“花钱很重要”供应商管理现状报告和供应风险管理景观报告. 让供应商掌握它和它包含的数据是一个很好的开始,但是学习系统还可以考虑更多的内生变量。你可以拥有经济周期、税收留置权、行业数据,拥有这些数据以及ERP数据是非常重要的。 在提前付款日结束时,一切都与稀释预测有关预测摊薄是发票融资的关键 这就回到了数据上: 你有多少高质量的数据? 数据结构是否正确? 如何访问外部数据? 你在购买数据吗?如果保持专利是一种战略优势,为什么一家公司会把它给你呢? 问题来了——由于使用了大量的数据,仅仅使用ERP数据本身可能不够好。但这是一个正确的开始。 别忘了订阅每周一会送到你邮箱的《TFMs每周文摘》在这里。 在Procurious分享 第一个声音 米歇尔Kilzi:2018年2月15日凌晨5点05分 ERP数据是非常重要的,特别是当涉及到出口应收账款融资时,因为它给了我们一个关于贸易历史、拖欠、集中和许多其他关键输入的基本颗粒视图和可见性。一旦数据变得更加结构化和清晰,人工智能、稀释预测和其他预测将变得更加容易;区块链/ Hashgraph将在这里发挥重要作用。 回复 讨论:取消回复 您的电子邮件地址将不会被公布。必填字段被标记* 评论 的名字* 电子邮件* 通过电子邮件通知我的新帖子。 Δ 这个网站使用Akismet来减少垃圾邮件。了解如何处理评论数据.
ERP数据是非常重要的,特别是当涉及到出口应收账款融资时,因为它给了我们一个关于贸易历史、拖欠、集中和许多其他关键输入的基本颗粒视图和可见性。一旦数据变得更加结构化和清晰,人工智能、稀释预测和其他预测将变得更加容易;区块链/ Hashgraph将在这里发挥重要作用。