Sensitivity analysis of a customer model
| Thesis title: | Citlivostní analýza zákaznického modelu |
|---|---|
| Author: | Tisoň, Michael |
| Thesis type: | Diplomová práce |
| Supervisor: | Jiroušek, Radim |
| Opponents: | Vomlel, Jiří |
| Thesis language: | Česky |
| Abstract: | Tato práce má za cíl sestavit kvantifikované modely, které na základě reálných dat o účetních případech dokáží predikovat, zdali bude pohledávka zaplacená včas či dojde k prodlení a pomocí metod citlivostní analýzy ohodnotit jejich robustnost. V této práci sestavuji logistickou regresi a bayesovskou síť. Pro potřeby logistické regrese byla závislá proměnná i nezávislé proměnné kategorizovány a výsledný model s prediktory Čas prodlení, Region, Délka doby splatnosti a Období dokáže správně predikovat 71, 6 % případů. Vzájemné vztahy a podmíněné pravděpodobnosti pak znázorňuje druhý model – Bayesovská síť. Citlivostní analýza potvrzuje významnost všech prediktorů. Na základě tohoto výzkumu dokáže společnost lépe odhadnout, které faktury pravděpodobně skončí po splatnosti a může tak pomoci nastavit upomínkový systém. Při uplatnění modelů v praxi je však třeba vzít v potaz omezující faktory: data byla sbírána v době v době výskytu COVID-19, což též omezilo jejich rozsah. |
| Keywords: | bayesovská síť; logistická regrese; pohledávky; zákaznický model |
| Thesis title: | Sensitivity analysis of a customer model |
|---|---|
| Author: | Tisoň, Michael |
| Thesis type: | Diploma thesis |
| Supervisor: | Jiroušek, Radim |
| Opponents: | Vomlel, Jiří |
| Thesis language: | Česky |
| Abstract: | The aim of this paper is to build quantified models that can predict, based on real data on accounting cases, whether a receivable will be paid on time or whether it will be delayed, and to evaluate their robustness using sensitivity analysis methods. In this paper, I construct a logistic regression and a Bayesian network. For the purpose of logistic regression, the dependent variable and independent variables were categorized and the resulting model with the predictors Default Time, Region, Due Date and Period can correctly predict 71.6% of the time. The interrelationships and conditional probabilities are then represented by a second model, the Bayesian network. The sensitivity analysis confirms the significance of all predictors. Based on this research, the company can better predict which invoices are likely to become overdue and can thus help set up a reminder system. However, limiting factors must be taken into account when applying the models in practice: the data was collected at the time of the COVID-19 outbreak, which also limited its scope. |
| Keywords: | Logistic regression; Receivables; Customer model; Bayesian network |
Information about study
| Study programme: | Management |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Management |
| Department: | Department of Exact Methods |
Information on submission and defense
| Date of assignment: | 26. 9. 2022 |
|---|---|
| Date of submission: | 27. 6. 2023 |
| Date of defense: | 24. 8. 2023 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/81933/podrobnosti |