Προβλεπτική ανάλυση ταμειακών ροών και επιχειρηματικού κινδύνου με χρήση business analytics και business intelligence
Loading...
Date
2026-09-28
Authors
Λυμπέρης, Ιωάννης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία αναπτύσσει ένα ολοκληρωμένο framework για την πρόβλεψη ταμειακών ροών και την αξιολόγηση επιχειρηματικού κινδύνου, αξιοποιώντας τεχνικές Business Analytics και εργαλεία Business Intelligence. Η μελέτη εστιάζει στο πρόβλημα της μετατροπής ιστορικών χρηματοοικονομικών δεδομένων σε πρακτικά αξιοποιήσιμη πληροφορία, με στόχο την υποστήριξη της παρακολούθησης ρευστότητας, του βραχυπρόθεσμου χρηματοοικονομικούσχεδιασμού και του managerial decision-making. Για τον σκοπό αυτό, δημιουργήθηκε ένα synthetic αλλά business-realistic χρηματοοικονομικό dataset, το οποίο αποτυπώνει τη μηνιαία λειτουργική και χρηματοοικονομική συμπεριφορά μιας medium-sized επιχείρησης του κλάδου distribution / wholesale για την περίοδο 2020-01 έως 2024-12.Η μεθοδολογική προσέγγιση συνδυάζει data preprocessing, υπολογισμό χρηματοοικονομικών KPIs, time series forecasting, rule-based risk analysis, scenario analysis και ανάπτυξη Power BI dashboard. Στο πλαίσιο της ανάλυσης υπολογίστηκαν βασικοί δείκτες, όπως Operating Cash Flow proxy, Burn Rate, Current Ratio, Quick Ratio και Cash Conversion Cycle, με σκοπό την αξιολόγηση της ρευστότητας και της λειτουργικής χρηματοοικονομικής κατάστασης. Στο forecasting stage εφαρμόστηκαν τα μοντέλα ARIMA και Prophet στη μεταβλητήNet_Cash_Flow, η οποία αποτέλεσε το αποκλειστικό forecasting target της εργασίας. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με χρήση των μετρικών MAE, RMSE και MAPE, ενώ το Prophet επιλέχθηκε ως τελικό forecasting model λόγω χαμηλότερων τιμών MAE και RMSE στην out-of-sample test period.Τα αποτελέσματα έδειξαν ότι το Net_Cash_Flow παρουσιάζει σημαντική μηνιαία μεταβλητότητα, γεγονός που επιβεβαιώνει την ανάγκη συστηματικής πρόβλεψης και παρακολούθησης της ρευστότητας. Η rule-based risk analysis έδειξε ότι οι βασικές ενδείξεις χρηματοοικονομικής πίεσης δεν προήλθαν κυρίως από τους παραδοσιακούς balance-sheet-based liquidity ratios, αλλά από περισσότερο άμεσους cash-based indicators, όπως το Risk_Cash_Coverage και τοRisk_Net_Cash_Flow. Επιπλέον, η scenario analysis έδειξε ότι τα μεμονωμένα adverse scenarios, όπως το Revenue_Drop και το Expense_Increase, επιδείνωσαν τη χρηματοοικονομική εικόνα της synthetic επιχείρησης, ενώ το Combined_Stress scenario δημιούργησε τη μεγαλύτερη πίεση, συνδυάζοντας αρνητικό συνολικό Net_Cash_Flow, χαμηλότερο Closing_Cash_Balance, αυξημένο CCC και υψηλότερα risk levels.Το τελικό Power BI dashboard ενοποιεί τα ιστορικά χρηματοοικονομικά δεδομένα, τους υπολογισμένους KPIs, τα forecasting outputs, τους risk indicators και τα αποτελέσματα της scenario analysis σε ένα δομημένο περιβάλλον Business Intelligence. Μέσα από τις τέσσερις σελίδες του dashboard, υποστηρίζεται η χρηματοοικονομική παρακολούθηση, η ερμηνεία κινδύνου και η αξιολόγηση εναλλακτικών σεναρίων. Συνολικά, η εργασία δείχνει ότι ο συνδυασμός Business Analytics και Business Intelligence μπορεί να προσφέρει ένα πρακτικό, ερμηνεύσιμο και επεκτάσιμο framework για την προληπτική διαχείριση ταμειακών ροών και την αξιολόγηση επιχειρηματικού κινδύνου.
Description
Keywords
Ταμειακές ροές, Πρόβλεψη ταμειακών ροών, Επιχειρηματικός κίνδυνος, Κίνδυνος ρευστότητας, Πρόβλεψη χρονοσειρών, Χρηματοοικονομικοί δείκτες