10 機械学習アプリケーション
概要
機械学習モデルに基づく事前構築済の予測アプリケーションは、複雑さを取り除き、次の利点を提供するように設計されています:
- 業務の改善およびビジネス・リスクの低減。
- 探索的分析では提供されない可視性の向上およびよりきめの細かいインサイト。
- 結果を予測して将来の計画を立てる能力。
顧客回収日予測
顧客回収日予測アプリケーションでは、請求書が顧客によって支払われる日付を予測し、キャッシュ・フローを正確に管理できるように予想される遅延日数を計算します。
予測支払日および予測遅延日数関連の属性は、財務 - ARトランザクションおよび財務 - AR年齢調べサブジェクト領域で公開されます。
前提条件
「機能の有効化」ページでこのアプリケーションを有効にする前に、「売掛/未収金」および「顧客回収日予測」機能領域がアクティブ化されていることを確認します。「機能領域のデータ・パイプラインのアクティブ化」および「一般に使用可能な機能の有効化」を参照してください。
構成パラメータ
次のパラメータに適切な値を選択して、顧客回収日予測アプリケーションを構成します:
- トレーニング・データの履歴期間 - 予測モデルのトレーニングに必要なトレーニング・データの月数。モデルは、60か月などの長い時間枠でトレーニングされ、パフォーマンスが向上すると想定されています。事前設定された制限はありませんが、少なくとも24か月のトレーニング・データを提供することをお薦めします。
- 予測の先日付期間 - スコアリング・データに基づいて予測スコアが使用可能になる将来の期間の月数。支払スケジュールの中には何年にも及ぶものがあり、この期間によって支払遅延のリスクを評価する必要がある月数を制御します。たとえば、これを12か月に設定した場合、支払期日が次の12か月以内の請求書に対してのみ予測が行われます。
- 請求書しきい金額 - 未払金額がしきい値金額を上回る請求書に対してのみ予測が行われます。これを使用して少額の請求書をフィルタするか、すべてを考慮するように0に設定します。
予測の使用方法
予測スコアおよび関連属性は、財務 - AR年齢調べおよび財務 - ARトランザクション・サブジェクト領域で使用できます。「顧客」フォルダの「顧客日付予測」および「トランザクション詳細」フォルダの「日付予測統計」を表示します。
「サブジェクト領域」を参照してください。
これらのサブジェクト領域を使用して、特定の顧客について遅延する売掛/未収金額合計、最小および最大予測遅延を把握するためのユーザー定義分析を作成します。
列 | 定義 |
---|---|
最小予測遅延日数 | 顧客の請求書全体で予測される最小遅延日数。 |
最大予測遅延日数 | 顧客の請求書全体で予測される最大遅延日数。 |
平均予測遅延日数 | 顧客の請求書全体で予測される平均遅延日数。 |
顧客遅延十分位数 | 1から10までのデフォルト・スコアに基づいて割り当てられた顧客の十分位ランキング(リスクの昇順)。 |
顧客遅延百分位数 | デフォルト・スコア(1から100)に基づいて割り当てられた顧客の百分位数ランキング(リスクの昇順)。 |
変動の係数 | 予測遅延日数と実績遅延日数の差異として計算されます。 |
支払スケジュール識別子 | 請求書の支払スケジュール識別子です。 |
予測支払日 | 各請求書の支払の予測日 |
予測遅延日数 | 予測遅延日数と予定期日の差異として計算されます。 |
よくある質問
アプリケーションを理解するには、次の質問を確認してください。
-
予測モデルが正確になるには、どのくらいのデータが必要ですか。
より多くの履歴データをトレーニングに使用すると、予測の精度が向上します。最小推奨トレーニング・データは、2年間の請求書支払予定および支払です。分類子精度メトリックは、モデル予測の精度を示します。最小データは500レコードで、推奨データは数万である必要があります。
-
モデルが将来のデータに対する予測を作成する頻度はどのくらいですか。
モデルは、将来のデータの予測を毎日計算して生成します。以前の予測は、実際の支払データからの学習に基づいて上書きされます。以前の予測のスナップショットは、履歴参照用に保持されます。
-
モデルはどのくらいの頻度で調整またはトレーニングされますか。
モデルは、時間とともに予測を改善するために、毎週トレーニングまたは再調整されます。
-
予測モデルではどのようなアルゴリズムが使用されますか。
使用されるアルゴリズムは、独自の複数分類アルゴリズムです。
顧客回収リスク予測
顧客回収リスク予測アプリケーションでは、期日までに支払われないために請求書の支払予定が遅延するリスクを予測します。
このアプリケーションは、すべての請求書に対する遅延支払の可能性を考慮して、顧客ごとにリスク・スコアを作成します。請求書または顧客のリスク・スコアは、財務 - ARトランザクションおよび財務 - AR年齢調べサブジェクト領域で公開されます。
前提条件
「機能の有効化」ページでこのアプリケーションを有効にする前に、「売掛/未収金」および「顧客回収リスク予測」機能領域がアクティブ化されていることを確認します。「機能領域のデータ・パイプラインのアクティブ化」および「一般に使用可能な機能の有効化」を参照してください。
構成パラメータ
次のパラメータに適切な値を選択して、顧客回収リスク予測アプリケーションを構成します:
- トレーニング・データの履歴期間 - 予測モデルのトレーニングに必要なトレーニング・データの月数。モデルは、60か月などの長い時間枠でトレーニングされ、パフォーマンスが向上すると想定されています。事前設定された制限はありませんが、少なくとも24か月のトレーニング・データを提供することをお薦めします。
- 予測の先日付期間 - スコアリング・データに基づいて予測スコアが使用可能になる将来の期間の月数。支払スケジュールの中には何年にも及ぶものがあり、この期間によって支払遅延のリスクを評価する必要がある月数を制御します。たとえば、これを12か月に設定した場合、支払期日が次の12か月以内の請求書に対してのみ予測が行われます。
- 請求書しきい金額 - 未払金額がしきい値金額を上回る請求書に対してのみ予測が行われます。これを使用して少額の請求書をフィルタするか、すべてを考慮するように0に設定します。
- 日数による期日の延長 - 予測モデルのトレーニングでは、期日の後でも未払の場合、請求書支払は遅延とみなされます。このパラメータを設定すると、予測モデルで追加の猶予日数として機能する期日を延長できます。たとえば、このパラメータを5日に設定すると、このアプリケーションでは、回収が最大5日期限を過ぎている請求書は遅延とみなされません。
予測の使用方法
予測スコアおよび関連属性は、財務 - AR年齢調べおよび財務 - ARトランザクション・サブジェクト領域で使用できます。「顧客」フォルダの「顧客リスク予測」および「トランザクション詳細」フォルダの「リスク予測統計」を表示します。
「サブジェクト領域」を参照してください。
これらのサブジェクト領域を使用して、未回収請求書の支払遅延のリスクに関するユーザー定義分析を作成するか、デフォルトのリスクがある顧客を把握します。
列 | 定義 |
---|---|
顧客リスク十分位数 | 請求書全体で集計された顧客リスク・スコアに基づいて顧客が分類される十分位ランキング。 |
顧客リスク百分位数 | 請求書全体で集計された顧客リスク・スコアに顧客が分類される百分位ランキング。 |
デフォルト・スコア |
支払予定のデフォルト設定の確率。 |
デフォルト・スコア十分位数 | 1から10までのデフォルト・スコアに基づいて割り当てられた各レコードの十分位ランキング(リスクの昇順)。 |
デフォルト・スコア百分位数 | 1から100までのデフォルト・スコアに基づいて割り当てられた各レコードの百分位ランキング(リスクの昇順)。 |
リスク・スコア | デフォルト・スコアおよびリスクがある金額を示す未払金額。 |
スケジュール・リスク・スコア十分位数 | 1から10までのリスク・スコアに基づいて割り当てられた各レコードの十分位ランキング(リスクの昇順)。 |
スケジュール・リスク・スコア百分位数 | 1から100までのデフォルト・スコアに基づいて割り当てられた各レコードの百分位ランキング(リスクの昇順)。 |
予測日時 | 前回の予測スコアリング・エンジン実行の日時スタンプ。 |
予測処理済インジケータ | (Y/N)レコードがエンジンによる処理に使用されたかどうかを示します。 |
実行日 | 前回の予測トレーニング・エンジン実行の日時スタンプ。 |
分類子スコア・バケット | 予測モデルのトレーニング・データに基づいて割り当てられた1から100までの分類子のスコア。 |
実際のデフォルト | 特定の分類子スコアに対する実際のデフォルトの数。 |
分類子予測デフォルト | 特定の分類子スコアに対する予測デフォルトの数。 |
分類子精度率 | 実際のデフォルト/分類子予測デフォルトとして計算されます。 |
- 顧客リスク分析 - 期限超過金額を顧客の未処理残高合計の割合として参照します。十分位数に基づくリスク分類および支払条件全体のリスク分析が含まれます。
- 請求書リスク分析 - 各請求書のデフォルトの確度およびリスク・スコアを使用して、リスクに関与するトランザクションを可視化します。
これらのプロジェクトは、「共有フォルダ」→「Oracle」→「Fusion ERP」→「売掛/未収金」→「顧客回収リスク分析」で使用できます。
よくある質問
アプリケーションを理解するには、次の質問を確認してください。
-
予測モデルが正確になるには、どのくらいのデータが必要ですか。
より多くの履歴データをトレーニングに使用すると、予測の精度が向上します。最小推奨トレーニング・データは、2年間の請求書支払予定および支払です。分類子精度メトリックは、モデル予測の精度を示します。最小データは500レコードで、推奨データは数万である必要があります。
-
モデルが将来のデータに対する予測を作成する頻度はどのくらいですか。
モデルは、将来のデータの予測を毎日計算して生成します。以前の予測は、実際の支払データからの学習に基づいて上書きされます。以前の予測のスナップショットは、履歴参照用に保持されます。
-
モデルはどのくらいの頻度で調整またはトレーニングされますか。
モデルは、時間とともに予測を改善するために、毎週トレーニングまたは再調整されます。
-
予測モデルではどのようなアルゴリズムが使用されますか。
使用されるアルゴリズムは、独自の複数分類アルゴリズムです。
サプライヤ定時支払予測
サプライヤ定時支払予測アプリケーションでは、期日までに支払われないために請求書の支払予定が遅延するリスクを予測します。
このアプリケーションは、すべての請求書に対する遅延支払の可能性を考慮して、サプライヤごとにリスク・スコアを作成します。請求書またはサプライヤのリスク・スコアは、財務 - AP請求書、財務 - AP年齢調べおよび財務 - AP支払サブジェクト領域で公開されます。
前提条件
「機能の有効化」ページでこのアプリケーションを有効にする前に、「買掛/未払金」および「サプライヤ定時支払予測」機能領域がアクティブ化されていることを確認します。「機能領域のデータ・パイプラインのアクティブ化」および「一般に使用可能な機能の有効化」を参照してください。
構成パラメータ
次のパラメータに適切な値を選択して、サプライヤ定時支払予測アプリケーションを構成します:
- トレーニング・データの履歴期間 - 予測モデルのトレーニングに必要なトレーニング・データの月数。モデルは、60か月などの長い時間枠でトレーニングされ、パフォーマンスが向上すると想定されています。事前設定された制限はありませんが、少なくとも24か月のトレーニング・データを提供することをお薦めします。
- 予測の先日付期間 - スコアリング・データに基づいて予測スコアが使用可能になる将来の期間の月数。支払スケジュールの中には何年にも及ぶものがあり、この期間によって支払遅延のリスクを評価する必要がある月数を制御します。たとえば、これを12か月に設定した場合、支払期日が次の12か月以内の請求書に対してのみ予測が行われます。
- 請求書しきい金額 - 未払金額がしきい値金額を上回る請求書に対してのみ予測が行われます。これを使用して少額の請求書をフィルタするか、すべてを考慮するように0に設定します。
- 日数による期日の延長 - 予測モデルのトレーニングでは、期日の後でも未払の場合、請求書支払は遅延とみなされます。このパラメータを設定すると、予測モデルで追加の猶予日数として機能する期日を延長できます。たとえば、このパラメータを5日に設定すると、このアプリケーションでは、回収が最大5日期限を過ぎている請求書は遅延とみなされません。
予測の使用方法
予測スコアおよび関連属性は、財務 - AP年齢調べ、財務 - AP請求書および財務 - AP支払サブジェクト領域で使用できます。「サプライヤ」フォルダの「予測統計(サプライヤ)」および「予測統計(AP賦払)」を表示します。
「サブジェクト領域」を参照してください。
これらのサブジェクト領域を使用して、未回収請求書の支払遅延のリスクに関するユーザー定義分析を作成するか、デフォルトのリスクがあるサプライヤを把握します。
列 | 定義 |
---|---|
サプライヤ・リスク十分位数 | 請求書全体で集計されたサプライヤ・リスク・スコアに基づいてサプライヤが分類される十分位ランキング。 |
サプライヤ・リスク百分位数 | 請求書全体で集計されたサプライヤ・リスク・スコアにサプライヤが分類される百分位ランキング。 |
デフォルト・スコア | 請求書賦払のデフォルト設定の確率。 |
デフォルト・スコア十分位数 | 1から10までのデフォルト・スコアに基づいて割り当てられた各レコードの十分位ランキング(リスクの昇順)。 |
デフォルト・スコア百分位数 | 1から100までのデフォルト・スコアに基づいて割り当てられた各レコードの百分位ランキング(リスクの昇順)。 |
リスク・スコア | デフォルト・スコアおよびリスクがある金額を示す未払金額。 |
スケジュール・リスク・スコア十分位数 | 1から10までのリスク・スコアに基づいて割り当てられた各レコードの十分位ランキング(リスクの昇順)。 |
スケジュール・リスク・スコア百分位数 | 1から100までのデフォルト・スコアに基づいて割り当てられた各レコードの百分位ランキング(リスクの昇順)。 |
予測日時 | 前回の予測スコアリング・エンジン実行の日時スタンプ。 |
予測処理済インジケータ | レコードがエンジンによる処理に使用されたかどうかを示します。 |
実行日 | 前回の予測トレーニング・エンジン実行の日時スタンプ。 |
分類子スコア・バケット | 予測モデルのトレーニング・データに基づいて割り当てられた1から100までの分類子のスコア。 |
実際のデフォルト | 特定の分類子スコアに対する実際のデフォルトの数。 |
分類子予測デフォルト | 特定の分類子スコアに対する予測デフォルトの数。 |
分類子精度率 | 実際のデフォルトまたは分類子予測デフォルトとして計算されます。 |
- サプライヤ・リスク分析 - 期限超過金額をサプライヤの未処理残高合計の割合として確認します。十分位数に基づくリスク分類および支払条件全体のリスク分析が含まれます。
- 請求書リスク分析 - 各請求書のデフォルトの確度およびリスク・スコアを使用して、リスクに関与するトランザクションを可視化します。
これらのプロジェクトは、「共有フォルダ」→「Oracle」→「Fusion ERP」→「買掛/未払金」→「サプライヤ期限内支払リスク分析」で使用できます。
よくある質問
アプリケーションを理解するには、次の質問を確認してください。
-
予測モデルが正確になるには、どのくらいのデータが必要ですか。
より多くの履歴データをトレーニングに使用すると、予測の精度が向上します。最小推奨トレーニング・データは、2年間の請求書支払予定および支払です。分類子精度メトリックは、モデル予測の精度を示します。最小データは500レコードで、推奨データは数万である必要があります。
-
モデルが将来のデータに対する予測を作成する頻度はどのくらいですか。
モデルは、将来のデータの予測を毎日計算して生成します。以前の予測は、実際の支払データからの学習に基づいて上書きされます。以前の予測のスナップショットは、履歴参照用に保持されます。
-
モデルはどのくらいの頻度で調整またはトレーニングされますか。
モデルは、時間とともに予測を改善するために、毎週トレーニングまたは再調整されます。
-
予測モデルではどのようなアルゴリズムが使用されますか。
使用されるアルゴリズムは、独自の複数分類アルゴリズムです。