Práce se surovými daty pro prognózy

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Finanční prognózování v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

V této kapitole se seznámíš se základy finančních výkazů, se zvláštním zaměřením na výkaz zisku a ztráty, který přináší přehled o tržbách, nákladech a zisku. Naučíš se počítat ukazatele ziskovosti a vše, co ses naučil/a, završíš sestavením prognózy zisku pro společnost Tesla!

Exercise 1: Úvod do finančních výkazů Exercise 2: Výpočet hrubého zisku Exercise 3: Výpočet čistého zisku Exercise 4: Složky čistého zisku a hrubého zisku Exercise 5: Výpočet tržeb a nákladů na prodané zboží (COGS)Exercise 6: Výpočet tržeb Exercise 7: Předpověď tržeb se slevou Exercise 8: Výpočet nákladů na prodané zboží (COGS)Exercise 9: Výpočet bodu zvratu Exercise 10: Práce se surovými daty pro prognózy

Aktuální cvičení

Exercise 11: Výkaz zisku a ztráty Tesly Exercise 12: Prognóza zisku pro Tesla

V této kapitole se podrobněji zaměříme na rozvahu – probereme aktiva a pasiva a konkrétní ukazatele, které pomáhají hodnotit finanční zdraví a efektivitu společnosti. Uvidíš také, jak tyto ukazatele využít při sestavování kvalitní prognózy.

Exercise 1: Úvod do rozvahy Exercise 2: Výpočet pohledávek (dlužníků)Exercise 3: Nedobytné pohledávky Exercise 4: Výpočet závazků z obchodního styku (věřitelé)Exercise 5: Pochopení závazků a pohledávek Exercise 6: Ukazatele efektivity rozvahy – část 1 Exercise 7: Ukazatel doby inkasa pohledávek Exercise 8: Doba splatnosti závazků Exercise 9: Ukazatele efektivity rozvahy – část 2 Exercise 10: Počet dní zásoby a ukazatel obratu aktiv Exercise 11: Porozumění ukazatelům Exercise 12: Výpočet ukazatelů rozvahy pro Ford Exercise 13: Prognóza rozvahy pro Ford

Základy výkazů zisku a ztráty a rozvah už máš za sebou. Konsolidace dat pro prognózování je ale složitější záležitost – v této kapitole se proto podíváme na praktické nástroje, které pomáhají řešit specifické výzvy ve financích: práci s daty a různými finančními obdobími a formátování surových dat do podoby vhodné pro finanční prognózování.

Exercise 1: Finanční období a jak s nimi pracovat Exercise 2: Převod čtvrtletí na měsíce Exercise 3: Sloučení měsíců do čtvrtletí Exercise 4: Knihovna datetime Exercise 5: Práce s knihovnou datetime Exercise 6: Převod formátů data – jednoduchý příklad Exercise 7: Převod formátů data – explicitní přístup Exercise 8: Tipy a triky pro práci s datovými sadami Exercise 9: Práce s datovými sadami – měsíční součty Exercise 10: Práce s datasety – spojování datasetů Exercise 11: Práce s datovými sadami – export dat

V této kapitole prozkoumáme další dva důležité aspekty tvorby kvalitní prognózy. Nejprve se zaměříme na předpoklady – co je ovlivňuje a co se stane, když se změní. Pak se podíváme na odchylky: prognóza se sestavuje v konkrétním okamžiku, ale co dělat, když se skutečné výsledky s prognózou neshodují? Potřebujeme citlivou prognózu, která dokáže reagovat na změny v předpokladech i zohledňovat odchylky – a právě to si v této kapitole vyzkoušíme.

Exercise 1: Tvorba citlivých modelů předpovědí Exercise 2: Vážená pravděpodobnost Exercise 3: Tržní sentiment Exercise 4: Závislosti a citlivost Exercise 5: Přiřazení závislostí pro tržby a COGS Exercise 6: Sestavení analýzy citlivosti hrubého zisku Exercise 7: Přiřazení závislostí pro výdaje Exercise 8: Vytvoř analýzu citlivosti pro čistý zisk Exercise 9: Práce s odchylkami v prognóze Exercise 10: Sestavení alternativní prognózy Exercise 11: Sestavení analýzy rozdílů mezi prognózami Exercise 12: Nastavení závislostí pro Netflix Exercise 13: Výpočet alternativní prognózy pro Netflix