Customer order analysis for efficient financial prediction
| Název práce: | Customer order analysis for efficient financial prediction |
|---|---|
| Autor(ka) práce: | Hořanová Štenglová, Monika |
| Typ práce: | Závěrečná práce - Institut celoživotního vzdělávání |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Pour, Jan |
| Jazyk práce: | English |
| Abstrakt: | This thesis develops a predictive machine learning model to estimate the financial margin based on customer orders. Using ERP data exported through Power BI, Light Gradient Boosting Machine (LightGBM) model was trained in Python to predict actual sales and material consumption. Feature engineering included financial ratios, unit-based measures, and time variables. The model achieved strong predictive performance (R² ≈ 0.95), outperforming linear regression and enabling earlier identification of deviations between planned and realized margin. The prototype supports proactive pricing and sourcing decisions and is prepared for future deployment in Palantir Foundry as part of an automated predictive financial process. |
| Klíčová slova: | machine learning; financial planning; margin prediction; Power BI; predictive modeling; Light Gradient Boosting; ERP data analytics; Palantir Foundry; data-driven decision making; automotive sector; feature engineering; Python; manufacturing industry |
| Název práce: | Customer order analysis for efficient financial prediction |
|---|---|
| Autor(ka) práce: | Hořanová Štenglová, Monika |
| Typ práce: | Závěrečná práce - Institut celoživotního vzdělávání |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Pour, Jan |
| Jazyk práce: | English |
| Abstrakt: | Tato práce vyvíjí prediktivní model strojového učení pro odhad finanční marže na základě zákaznických objednávek. Pomocí dat z ERP systému exportovaných prostřednictvím Power BI byl v prostředí Python natrénován model Light Gradient Boosting Machine (LightGBM) pro predikci skutečných tržeb a spotřeby materiálu. Feature engineering zahrnoval finanční ukazatele, jednotkové metriky a časové proměnné. Model dosáhl vysoké prediktivní přesnosti (R² ≈ 0,95), čímž překonal lineární regresi a umožnil dřívější identifikaci odchylek mezi plánovanou a realizovanou marží. Prototyp podporuje proaktivní rozhodování v oblasti cenotvorby a nákupu a je připraven pro budoucí nasazení v platformě Palantir Foundry jako součást automatizovaného prediktivního finančního procesu. |
| Klíčová slova: | strojové učení; Light Gradient Boosting (LightGBM); finanční plánování; predikce marže; analýza dat z ERP; feature engineering; prediktivní modelování; Python; Power BI; Palantir Foundry; rozhodování založené na datech; výrobní průmysl; automobilový sektor |
Informace o studiu
| Studijní program / obor: | Data & Analytics for Business Management |
|---|---|
| Typ studijního programu: | Celoživotní vzdělávání studijní program |
| Přidělovaná hodnost: | MBA |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta informatiky a statistiky |
| Katedra: | Katedra informačních technologií |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 12. 12. 2024 |
|---|---|
| Datum podání práce: | 14. 12. 2025 |
| Datum obhajoby: | 5. 3. 2026 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/94914/podrobnosti |
Soubory ke stažení
Hlavní práce
Zveřejnění souboru odloženo na: 15. 12. 2030 Stáhnout
Zveřejnění souboru odloženo na: 15. 12. 2030 Stáhnout