119602, г. Москва, Муниципальный округ Тропарёво-Никулино, ул. Тропарёвская, д. 4, стр. 1, помещение 6А/2

Главная
→
Исследования
→
AI в бюджетировании: сбор и компиляция данных для формирования плана в 1С: Управление холдингом

Умный план: AI‑ассистент для бюджетирования в 1С

AI в бюджетировании: сбор и компиляция данных для формирования плана в 1С: Управление холдингом

Что мы хотели

Совместно с партнером (крупный международный аэропорт) мы задумали провести исследование возможности и перспективности применения искусственного интеллекта в процессе бюджетирования. Для анализа был выбран основополагающий бизнес-процесс, а именно, сбор плана на будущие периоды.

В настоящее время указанная задача включает в себя ручной труд по сбору информации из открытых источников, анализ показателей прошлых периодов, изучение соответствующих законодательных актов, постановлений, внутренних приказов, сбор потребностей, анализ политической ситуации в мире и даже прогнозов погоды.

Открытые источники

Ручной сбор статистики, нормативных актов и отраслевых данных
Анализ прошлых периодов

Изучение показателей предыдущих лет для формирования базы прогноза
Внешние факторы

Политическая ситуация, прогнозы погоды, экон

Шаг 1: Сбор данных из открытых источников

Имеем
Сайт www.via-adv.ru с огромным количеством статистической информации — портрет аудитории, пассажиропоток по направлениям.

Применяем
ChatGPT для автоматической обработки и структурирования данных с сайта.

Получаем
Скомпилированные данные в заданном формате, готовые к дальнейшей обработке.

Пассажиропоток по направлениям
Распределение по терминалам

Шаги 2: Прогнозирование пассажиропотока

Имеем
Бюджет тарифов за 2020–2024 года

Применяем
Deepseek

Получаем
Прогноз пассажиропотока на 2025 год с учётом сезонных колебаний в заданном формате

Шаги 3: Анализ погодных условий

Имеем
Сайт прогноза погоды www.gismeteo.ru

Применяем
YandexGPT 5

Получаем
Прогноз затрат на предполётное обслуживание в заданном формате

Шаг 4: Компиляция данных и приведение к заданному формату

Для примера, имеется несколько файлов с плановыми показателям:

Что мы сделать не успели, но поняли, что это возможно

Оптимизация расходов

Анализ данных о расходах на обслуживание аэродрома, техническое обслуживание самолётов, зарплаты персонала. Предложение мер по оптимизации через более эффективное использование ресурсов или автоматизацию процессов

Планирование капитальных вложений

Планирование инвестиций в инфраструктуру: новые терминалы, расширение взлётно-посадочных полос, модернизация систем навигации. Более точная оценка потребности на основе данных о пассажиропотоке

Управление рисками

Анализ погодных условий, политических факторов, экономических кризисов. Разработка стратегий управления рисками: диверсификация источников доходов

Немного теории: ИИ и нейросетевое бюджетирование

В современном мире, где данные становятся новым видом топлива для бизнеса, нейросетевые технологии открывают новые горизонты для финансового планирования и бюджетирования.
Они позогнозов и эффективность управления финансами.

Что такое
ИИ-модели?

Класс алгоритмов машинного обучения, вдохновлённых биологическими нейронными сетями мозга человека.
Способны обрабатывать большие объёмы данных, выявлять сложные закономерности и делать прогнозы.
Что такое нейросетевое бюджетирование?

Метод, использующий алгоритмы машинного обучения для анализа финансовых данных и прогнозирования будущих расходов и доходов. Нейросети выявляют сложные закономерности и тренды, незаметные при традиционном анализе.

Реальные кейсы использования ИИ в бюджетировании в мире

Прогнозирование доходов — Amazon

Компания Amazon использует машинное обучение для анализа данных о продажах и прогнозирования будущих доходов. Алгоритмы учитывают сезонность, тренды в потребительском поведении и маркетинговые кампании для точных прогнозов
Оптимизация расходов — General Electric

В сфере производства компания General Electric применяет нейросети для анализа затрат на различные статьи бюджета, включая производство и логистику. Это позволяет оптимизировать расходы и повысить эффективность производственных процессов
Управление рисками — JPMorgan Chase

Финансовые учреждения, такие как JPMorgan Chase, используют ИИ-модели для анализа рисков, связанных с колебаниями курсов валют и изменениями процентных ставок. Это помогает разрабатывать стратегии для минимизации потенциальных финансовых потерь

Как внедрить: основные шаги

На основе полученного опыта мы можем выделить следующие основные шаги по внедрению алгоритмов машинного обучения в процессы бюджетирования.

Сбор данных

Собрать все необходимые данные или определить источники: пассажиропоток, доходы, расходы, капитальные вложения, внешние факторы — экономика, курс валют
Предварительная обработка данных

Определить алгоритм работы с источниками данных: что именно берём, как используем, что получаем в итоге
Создание промптов

Настройка ИИ: дать машине точные указания, как и что делать. Золотое правило: чем точнее промпт, тем точнее прогноз
Тестирование нейросети

После настройки нейросеть необходимо протестировать на новых данных, чтобы убедиться в корректности работы и точности прогнозов

Ведущий аналитик 1С

Полина Базарова

Ведущий аналитик 1С

Елена Шинкоренко

Директор проектов

Алексей Передков

С вами вместе
изучали дивный новый мир

Ответственность до конца

Доводим систему до запуска и результата.

Мы управляем внедрением как проектом — с прогнозируемыми этапами, прозрачными процессами и гарантией результата.

Консультация

Почему компании выбирают Райс

Прозрачные процессы

Этапы и сроки понятны всем участникам.

Минимум рисков

Внедрение предсказуемое и под контролем.