การบริหารจัดการลูกหนี้อย่างมีประสิทธิภาพจะช่วยให้ธุรกิจสามารถดำเนินไปต่อได้ ซึ่งการนำเทคโนโลยีสมัยใหม่มาพยากรณ์การชำระเงินของลูกหนี้นั้นมีความสำคัญเป็นยิ่ง
เพราะจะสามารถคาดเดาพฤติกรรมของลูกหนี้ได้ว่า มีแนวโน้มจะชำระล่าช้า (Late Payment Predictions) หรือไม่ เพื่อลดยอดหนี้ค้างรับสะสม และปรับกลยุทธ์ในการติดตามการจ่ายชำระของฝ่ายขายได้อย่างตรงจุดทันเวลา เช่น ปรับระยะเวลาชำระหนี้ (credit terms) หรือเปลี่ยนวิธีการจ่ายชำระ (payment method) ให้กับลูกค้า เป็นต้น
นอกเหนือจากการนำ Machine Learning มาใช้ในการพยากรณ์กระแสเงินสดล่วงหน้าแล้ว ผู้ใช้งาน Business Central ยังสามารถประยุกต์การใช้งานการพยากรณ์การชำระเงินของลูกหนี้ในแต่ละ sale invoice ได้ด้วย Prediction Experiment for Dynamics 365 Business Central ซึ่งเป็น Azure Machine Learning Model ยอดนิยมตัวหนึ่งจาก Azure AI Gallery ที่ให้บริการฟรีแบบจำกัดเวลา (30 นาทีต่อเดือน) สำหรับลูกค้าที่ใช้บริการระบบอีอาร์พีบนคลาวด์
What are Late Payment Predictions Based On?
Late Payment Prediction เป็น Machine Learning Model หรือแบบจำลองที่ถูกพัฒนาขึ้นและทำการฝึก (train) ด้วยข้อมูลเบื้องต้น อย่างไรก็ดี หากต้องการความแม่นยำของผลลัพธ์ จำเป็นที่จะต้องป้อนข้อมูลจริงของธุรกิจจากระบบ Business Central โดยการเรียกดูและนำเข้าข้อมูลด้วยปุ่มคำสั่ง “Update Prediction” บนหน้าจอ Customer Ledger Entries
ข้อแนะนำ หากต้องการปรับปรุงข้อมูลสำหรับการฝึกแบบจำลองดังกล่าว ควรหลีกเลี่ยงการปรับปรุงในเวลาปฏิบัติงานปกติ เนื่องจากปริมาณข้อมูลในแต่ละองค์กรมีขนาดไม่เท่ากัน ซึ่งการส่งข้อมูลไปยัง Azure Machine Learning Model เพื่อทำการประมวลผล อาจจะส่งผลกระทบด้านประสิทธิภาพโดยรวมของระบบ ดังนั้น จึงควรมีการวางแผนการปรับปรุงข้อมูลเป็นช่วงระยะเวลาที่ไม่กระทบต่อระบบ เช่น สัปดาห์ละ 1 ครั้ง นอกเวลาทำการ เป็นต้น
Getting Started
โดยปกติแล้วส่วนขยายนี้สามารถใช้บริการได้ฟรี 30 นาทีต่อเดือนสำหรับระยะเวลาในการคำนวณ ซึ่งหากต้องการระยะเวลามากกว่านี้ ผู้ใช้งานจะต้องสร้าง Predictive Model เองและใช้งาน Model นี้แทน (รายละเอียดสำหรับการสร้าง Model เพื่อการพยากรณ์ด้วยตัวเอง จะอยู่ท้ายบทความนี้)
เริ่มต้นจากการเปิดรายการใน Posted Sales Document ระบบจะทำการตรวจสอบและแจ้งเตือนผู้ใช้งานว่า ต้องการเปิดใช้บริการ Late Payment Prediction หรือไม่ ผู้ใช้งานสามารถตอบรับด้วยการกด Enable หรือเข้าไปเปิดการใช้งานบริการด้วยตัวเองได้ด้วยการ
- เลือกปุ่มแว่นขยายเพื่อค้นหา พิมพ์คำว่า “Service Connections” และเลือกลิงค์จากการค้นหา
- เลือกคำสั่ง “Late Payment Prediction Setup” เพื่อเปิดหน้าจอการตั้งค่าและป้อนข้อมูลในหน้าจอ
Viewing All Payment Predictions
เมื่อส่วนขยายนี้ได้เปิดการใช้แล้ว จะปรากฏกล่องข้อมูล Payment Predicted to be Late ในบทบาทของ Business Manger โดยจะแสดงจำนวนรายการที่คาดว่าจะมีการชำระล่าช้า ผู้ใช้งานสามารถเจาะลึกเข้าไปเพื่อดูข้อมูลจากหน้าจอ Customer Ledger Entries และดูรายละเอียดว่า เอกสาร Sales Invoice ใดมีข้อมูลที่เป็นปัญหา โดยจะแสดงข้อมูล 3 คอลัมน์สำคัญดังนี้
- Late Payment – แสดงข้อมูลคาดการณ์ว่า การชำระเงินสำหรับ Sales Invoice ที่เลือกจะล่าช้าหรือไม่
- Prediction Confidence – ระบุระดับความเชื่อมั่นของการคาดการณ์ โดยค่า High หมายถึงแม่นยำมากกว่า 90% ค่า Medium คือแม่นยำระหว่าง 80-90% และค่า Low คือแม่นยำต่ำกว่า 80%
- Prediction Confidence % – แสดงค่าเปอร์เซนต์ความเชื่อมั่นที่แท้จริง ซึ่งจะไม่แสดงในตอนเริ่มต้น
ข้อแนะนำ สามารถเรียกดูข้อมูล Late Payment ดังกล่าวในส่วน Fact box ของหน้าจอ Customer Ledger Entries ได้เช่นเดียวกัน โดยจะเป็นรายละเอียดที่อยู่ต่อท้าย Customer Details ของแต่ละ Customer Card ที่เลือกจากรายการทั้งหมด
Viewing a Payment Prediction for a Specific Sales Document
หากต้องการข้อมูลคาดการณ์ชำระล่าช้าในแต่ละเอกสาร Sales Quote, Sales Order และ Sales Invoice ก็สามารถที่จะกำหนดให้ระบบประมวลผลและแสดงผลลัพธ์ได้ทันทีจากเมนู Predict Payment
Building Your Own Predictive Model
หากต้องการสร้างแบบจำลองสำหรับการคาดการณ์เอง สามารถเปิดใช้บริการ Azure Machine Learning Studio (จำเป็นจะต้องมี subscription license ต่างหาก) เพื่อทำการสร้างแบบจำลอง (model), ฝึกแบบจำลอง (train) และเผยแพร่ (publish) แบบจำลองนั้น จากนั้นจึงนำมาใช้บน Business Central ด้วย API Token และ Web Service URL ทั้งนี้จำเป็นต้องอาศัยความชำนาญและทักษะในการพัฒนาแบบจำลอง โดยศึกษาการใช้งาน Azure Machine Learning Studio ได้ที่นี่
