Şüpheli alacaklar

Müşterilere vadeli satış sunduğunda, müşterinin borcunu ödememe riski her zaman vardır. Finans dünyasında buna "şüpheli alacaklar" denir.

Satışları zaten kaydettiğimize göre, ödemeyi hiç alamadığımız için şimdi satış kaybını da kaydetmemiz gerekir.

Bu durum hem gelir tablosunu hem de bilançoyu etkiler. Gelir tablosunda, borcu sildiğimiz ayın satışlarına negatif bir değer kaydederiz. Bilançoda ise alıcılar kalemindeki varlığımızı azaltmamız gerekir.

Ocak ayı için aşağıdaki değişken tanımlanmıştır: debtors_jan = 1500

Şubat ayında bir müşterinin tasfiyeye girdiğini öğrendik. Bu müşterinin şu anda 500 USD borcu var.

Bu tutarın %%70'ini tahsil etmeyi bekliyoruz; kalan kısım şüpheli alacak olarak silinmelidir.

Bu egzersiz

Python ile Finansal Tahminleme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Şubat ayı için şüpheli alacak tutarını hesapla.
bad_debts_feb içindeki tutar kadar alıcılar değerini azalt.
Şubat ayına ait şüpheli alacakları yazdır.
Yeni alıcılar değerini debtors_feb olarak yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Calculate the bad debts for February
bad_debts_feb = ____*____

# Calculate the feb debtors amount
debtors_feb = (____ - ____)

# Print the debtors for January and the bad debts and the debtors for February
print("The debtors are {} in January, {} in February. February's bad debts are {} USD.".format(____, ____, ____))

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Finansal Tahminleme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, we will learn the basics of financial statements, with a specific focus on the income statement, which provides details on our sales, costs, and profits. We will learn how to calculate profitability metrics and finish off what we have learned by building our profit forecast for Tesla!

Exercise 1: Introduction to financial statements Exercise 2: Calculating gross profit Exercise 3: Calculating net profit Exercise 4: Elements within net profit & gross profit Exercise 5: Calculating sales & Cost of Goods Sold (COGS)Exercise 6: Calculating sales Exercise 7: Forecasting sales with a discount Exercise 8: Calculating COGS Exercise 9: Calculating the break-even point Exercise 10: Working with raw forecast datasets Exercise 11: Tesla income statement Exercise 12: Forecasting profit for Tesla

In this chapter, we will learn a bit more about the balance sheet, covering assets and liabilities and specific ratios to help evaluate the financial health and efficiency of a company, as well as how these ratios can assist us in building a great forecast.

Exercise 1: Bilanço’ya giriş Exercise 2: Alacak hesaplarının (borçluların) hesaplanması Exercise 3: Şüpheli alacaklar

Geçerli Egzersiz

Exercise 4: Borç hesaplarını (alacaklılar) hesaplama Exercise 5: Borç ve alacak hesaplarını anlama Exercise 6: Bilanço verimlilik oranları - Bölüm 1 Exercise 7: Alacak devir süresi oranı Exercise 8: Ödenecek gün sayısı (Days Payable Outstanding)Exercise 9: Bilanço verimlilik oranları - Bölüm 2 Exercise 10: Stoktaki günler ve varlık devir hızı oranı Exercise 11: Oranları anlama Exercise 12: Ford için bilançodaki oranların hesaplanması Exercise 13: Ford için bilançoyu tahmin etme

We have gotten a basic understanding of income statements and balance sheets. However, consolidating data for forecasting is complex, so in this chapter, we will look at some basic tools to help solve some of the complexities specifically relating to finance - working with dates and different financial periods, and formatting our raw data into the correct format for financial forecasting.

Exercise 1: Financial periods and how to work with them Exercise 2: Converting quarters into months Exercise 3: Merging months into quarters Exercise 4: The datetime library Exercise 5: Working with the datetime library Exercise 6: Converting date formats - simple Exercise 7: Converting date formats - explicit Exercise 8: Tips and tricks when working with datasets Exercise 9: Working with datasets - month totals Exercise 10: Working with datasets - combining datasets Exercise 11: Working with datasets - exporting data

In this chapter, we will be exploring two more aspects to creating a good forecast. First, we will look at assumptions, what drives them and what happens when an assumption changes? Next, we will look at variances, as a forecast is built at one point in time, but what happens when the actual results do not correspond to our forecast? We need to build a sensitive forecast that can be sensitive to changes in both assumptions and take into account variances, and this is what we will explore in this chapter.

Exercise 1: Building sensitive forecast models Exercise 2: Weighted probability Exercise 3: Market sentiment Exercise 4: Dependencies and sensitivity Exercise 5: Assigning dependencies for sales and COGS Exercise 6: Building a sensitivity analysis for gross profit Exercise 7: Assigning dependencies for expenses Exercise 8: Build a sensitivity analysis for the net profit Exercise 9: Working with variances in the forecast Exercise 10: Building an alternate forecast Exercise 11: Building a gap analysis between forecasts Exercise 12: Setting dependencies for Netflix Exercise 13: Calculating an alternative forecast for Netflix