Коефіцієнти ефективності балансу — Частина 2

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.

Ця вправа є частиною курсу

Фінансове прогнозування в Python

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ми розглянемо основи фінансової звітності з акцентом на звіт про прибутки та збитки, який показує наші продажі, витрати та прибуток. Ми навчимося обчислювати показники рентабельності та підсумуємо вивчене, побудувавши прогноз прибутку для Tesla!

Exercise 1: Вступ до фінансової звітності Exercise 2: Обчислення валового прибутку Exercise 3: Обчислення чистого прибутку Exercise 4: Складові валового та чистого прибутку Exercise 5: Розрахунок продажів і собівартості реалізованої продукції (COGS)Exercise 6: Розрахунок продажів Exercise 7: Прогнозування продажів із знижкою Exercise 8: Розрахунок COGS Exercise 9: Розрахунок точки беззбитковості Exercise 10: Робота з „сирими" наборами даних для прогнозування Exercise 11: Звіт про прибутки та збитки Tesla Exercise 12: Прогноз прибутку для Tesla

У цьому розділі ми детальніше познайомимося з балансом: активами й зобов'язаннями, а також зі спеціальними коефіцієнтами, що допомагають оцінити фінансовий стан і ефективність компанії, і дізнаємося, як ці коефіцієнти допомагають будувати якісний прогноз.

Exercise 1: Вступ до балансу Exercise 2: Розрахунок дебіторської заборгованості (accounts receivable)Exercise 3: Безнадійна заборгованість Exercise 4: Розрахунок кредиторської заборгованості (creditors)Exercise 5: Розуміння кредиторської та дебіторської заборгованості Exercise 6: Коефіцієнти ефективності балансу — Частина 1 Exercise 7: Коефіцієнт днів дебіторської заборгованості Exercise 8: Середній строк оплати кредиторської заборгованості (DPO)Exercise 9: Коефіцієнти ефективності балансу — Частина 2

Поточна вправа

Exercise 10: Дні в запасах і коефіцієнт оборотності активів Exercise 11: Розуміння коефіцієнтів Exercise 12: Обчислення коефіцієнтів балансу для Ford Exercise 13: Прогнозування балансу для Ford

Ми вже отримали базове розуміння звіту про прибутки та збитки й балансу. Однак консолідація даних для прогнозування є складною, тож у цьому розділі розглянемо базові інструменти, які допоможуть розв'язати типові для фінансів задачі: роботу з датами та різними фінансовими періодами, а також перетворення наших сирих даних на коректний формат для фінансового прогнозування.

Exercise 1: Фінансові періоди та як з ними працювати Exercise 2: Перетворення кварталів на місяці Exercise 3: Об'єднання місяців у квартали Exercise 4: Бібліотека datetime Exercise 5: Робота з бібліотекою datetime Exercise 6: Перетворення форматів дат — базове Exercise 7: Перетворення форматів дати — явний підхід Exercise 8: Поради та прийоми під час роботи з наборами даних Exercise 9: Робота з наборами даних — підсумки за місяць Exercise 10: Робота з наборами даних — об'єднання наборів даних Exercise 11: Робота з наборами даних — експорт даних

У цьому розділі ми розглянемо ще два важливі аспекти створення якісного прогнозу. Спершу поговоримо про припущення: що їх визначає і що відбувається, коли припущення змінюються. Далі розберемо відхилення: прогноз складається в певний момент часу, але що робити, якщо фактичні результати не збігаються з прогнозом? Нам потрібен «чутливий» прогноз, який реагує на зміни в припущеннях і враховує відхилення. Саме це ми й дослідимо в цьому розділі.

Exercise 1: Побудова чутливих моделей прогнозування Exercise 2: Зважена ймовірність Exercise 3: Ринкові настрої Exercise 4: Залежності та чутливість Exercise 5: Призначення залежностей для продажів і COGS Exercise 6: Побудова аналізу чутливості для валового прибутку Exercise 7: Призначення залежностей для витрат Exercise 8: Побудуйте аналіз чутливості для чистого прибутку Exercise 9: Робота з відхиленнями у прогнозі Exercise 10: Побудова альтернативного прогнозу Exercise 11: Побудова gap-аналізу між прогнозами Exercise 12: Встановлення залежностей для Netflix Exercise 13: Обчислення альтернативного прогнозу для Netflix