مقاله انگلیسی کاربرد الگوریتم های یادگیری ماشین در مدیریت حساب های دریافتنی

سلام دوست من ، توی این پست براتون یه مقاله انگلیسی رایگان جدید که در مورد حسابداری مالی هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه  امرالد در سال ۲۰۲۳ منتشر شده. فایل انگلیسی شامل ۱۸ صفحه PDF هست بخش هایی از مقاله انگلیسی ترجمه شده که قبل از سفارش می تونید کیفیت ترجمه رو بررسی کنید. برای سفارش ترجمه کامل مقاله روی گزینه ثبت سفارش ترجمه کلیک کنید بعد از ثبت سفارش پیش فاکتور از طریق ایمیل و پیامک خدمتتون ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

کد محصول: H969

سال نشر: ۲۰۲۳

نام ناشر (پایگاه داده): امرالد

نام مجله: Journal of Applied Accounting Research

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی:  ندارد

پرسشنامه : ندارد 

تعداد صفحه انگلیسی: ۱۸ صفحه PDF

عنوان کامل فارسی:

مقاله انگلیسی ۲۰۲۳ : کاربرد الگوریتم های یادگیری ماشین در مدیریت حساب های دریافتنی

عنوان کامل انگلیسی:

The applicability of machine learning algorithms in accounts receivables management

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H969)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

هدف – پیش‌بینی دقیق جریان‌های نقدی ورودی، مدیریت کارآمد نقدینگی را ممکن می‌سازد و به شرکت‌ها اجازه می‌دهد برنامه‌ریزی های خود را بر اساس اطلاعات آینده‌نگر شکل دهند. اگرچه اکثریت شرکت ها از مزایای این پیش بینی ها آگاه هستند، بسیاری از آنها هنوز در شناسایی و اجرای یک مدل پیش بینی مناسب با مشکل مواجه هستند. با ظهور الگوریتم‌های یادگیری ماشین، تکنیک‌های پیش‌بینی جدید و متعددی پدیدار شده اند. این تکنیک‌های پیش‌بینی جدید از نظر تئوری برای پیش‌بینی رفتار پرداخت مشتری قابل اجرا هستند، اما هنوز به اندازه کافی مورد بررسی قرار نگرفته‌اند. این مطالعه با بررسی اینکه کدام الگوریتم یادگیری ماشینی مناسب‌ترین الگوریتم برای پیش‌بینی تاریخ پرداخت مشتری است، این شکاف تحقیقاتی را رفع کرده است.

طراحی/روش‌شناسی/رویکرد – نویسندگان این مطالعه با استفاده از الگوریتم‌های مختلف یادگیری ماشین، ارزیابی می‌کنند که آیا الگوهای رفتار پرداخت مشتری قابل شناسایی و پیش‌بینی است یا خیر. این مطالعه بر اساس داده‌های معاملات واقعی از یک شرکت DAX-40 با بیش از ۱،۰۰۰،۰۰۰ صورت‌حساب در مجموعه داده، با داده‌های مربوط به دوره ۲۰۱۷-۲۰۱۹ انجام شده است.

یافته ها – نتایج نشان می دهد که شبکه های عصبی به طور ویژه برای پیش بینی تاریخ پرداخت مشتریان مناسب هستند. علاوه بر این، نویسندگان نشان می‌دهند که مدل‌های پیش‌بینی متنی و منطقی می‌توانند پیش‌بینی‌های دقیق‌تری نسبت به مدل‌های پایه معمولی، مانند رگرسیون خطی و چند متغیره ارائه دهند.

محدودیت‌ها/پیامدهای تحقیق – مطالعات پیش‌بینی جریان نقدی آتی باید مدل‌های پیش‌بینی ساده را در خود جای دهند، زیرا نویسندگان نشان می‌دهند که این مدل‌ها می‌توانند با مدل‌های پایه مرسوم مورد استفاده در تحقیقات یادگیری ماشین موجود رقابت کنند. با این حال، نویسندگان انتظار دارند که از طریق کسب اطلاعات عمیق تر در مورد مشتری (شایستگی اعتباری، ساختار حسابداری) نتایج را  بهبود بخشند.

پیامدهای عملی – آگاهی از تاریخ های پرداخت آتی مشتریان، شرکت ها را قادر می سازد دیدگاه خود را تغییر دهند و از مدیریت نقدی واکنشی به سمت مدیریت نقدی فعالانه حرکت کنند. این تغییر منجر به فرآیند مدیریت بستانکاری هدفمندتر می شود.

نوآوری/ارزش – بر اساس دانش نویسندگان، هنوز مطالعه ای انجام نشده است که پیش بینی پرداخت های دریافتی را از طریق مقایسه پیش بینی های ساده با پیش بینی های مبتنی بر مدل های یادگیری ماشین و یادگیری عمیق به عنوان پیش بینی چرخه روزانه تفسیر کند.

کلمات کلیدی: مدیریت نقدینگی، پیش بینی جریان نقدی، پرداخت های دریافتی، حسابداری، یادگیری عمیق، یادگیری ماشین

Abstract  

Purpose – The accurate prediction of incoming cash flows enables more effective cash management and allows firms to shape firms’ planning based on forward-looking information. Although most firms are aware of the benefits of these forecasts, many still have difficulties identifying and implementing an appropriate prediction model. With the rise of machine learning algorithms, numerous new forecasting techniques have emerged. These new forecasting techniques are theoretically applicable for predicting customer payment behavior but have not yet been adequately investigated. This study aims to close this research gap by examining which machine learning algorithm is the most appropriate for predicting customer payment dates.

Design/methodology/approach – By using various machine learning algorithms, the authors evaluate whether customer payment behavior patterns can be identified and predicted. The study is based on real-world transaction data from a DAX-40 firm with over 1,000,000 invoices in the dataset, with the data covering the period 2017–۲۰۱۹.

Findings – The authors’ results show that neural networks in particular are suitable for predicting customers’ payment dates. Furthermore, the authors demonstrate that contextual and logical prediction models can provide more accurate forecasts than conventional baseline models, such as linear and multivariate regression.

Research limitations/implications – Future cash flow forecasting studies should incorporate na€ıve prediction models, as the authors demonstrate that these models can compete with conventional baseline models used in existing machine learning research. However, the authors expect that with more in-depth information about the customer (creditworthiness, accounting structure) the results can be even further improved.

Practical implications – The knowledge of customers’ future payment dates enables firms to change their perspective and move from reactive to proactive cash management. This shift leads to a more targeted dunning process.

Originality/value – To the best of the authors’ knowledge, no study has yet been conducted that interprets the prediction of incoming payments as a daily rolling forecast by comparing naı€ve forecasts with forecasts based on machine learning and deep learning models.

Keywords: Cash management, Cash flow forecast, Incoming payments, Accounting, Deep learning, Machine learning

۱.Introduction

Optimizing cash collection during the invoice-to-pay process is an essential part of liquidity management. The purpose of accounts receivable management is to ensure that invoices are paid on time, meaning that customers’ outstanding invoice amounts are settled before or on the due date. However, current studies on payment behavior show that, on average, businessto- business (B2B) customers pay their bills approximately 11 days after the due date (Creditreform, 2022). The coronavirus disease 2019 (COVID-19) crisis has an additional  negative impact on customer payment behavior, making accounts receivables management even more challenging (Zimon and Tarighi, 2021). Usually, reminders or dunning letters are only sent after the due date to avoid decreasing the satisfaction of customers who do pay their bills on time…

۶.Conclusion

Our applied prediction study evaluates the applicability of modern forecasting methods from the fields of machine learning and deep learning to improve customer payment predictions. The comparative analysis of various prediction models, which were trained using only invoice data, shows that neural networks provide the most accurate payment forecasts. Contrary to initial expectations, naı€ve forecasts are more precise than random forest and XGBoost, both of which are machine learning models and have performed well in other prediction studies. Business logical prediction models, such as naı€ve forecasts, should, therefore, always be used as a baseline model in further studies, as they are easy to implement and achieved good results in our study. Based on naı€ve forecasts, firms should evaluate the additional use of neural networks for making cash inflow predictions even more accurate…