Новая ИИ-модель CAR-PL улучшает подбор финансовых действий для малого бизнеса

Малый и средний бизнес нуждается в своевременных финансовых рекомендациях, однако исторические данные бухгалтерского учёта обычно отражают самостоятельный выбор предпринимателей, а не результаты случайных советов. Это осложняет оценку того, какие действия действительно полезны. Исследователи предложили новый подход, позволяющий ранжировать возможные изменения на основе наблюдаемых данных.

В работе, опубликованной на arXiv, авторы формулируют задачу как наблюдательное ранжирование политик: на основе финансовой информации, доступной до решения, необходимо выбрать одну из 34 категорий изменений в бизнесе, которая наилучшим образом повлияет на целевой финансовый показатель. Для обучения использованы 85 078 наблюдений «компания-месяц», полученных от 7 505 предприятий.

Для решения задачи создана модель CAR-PL (Covariate-Adjusted Residual Policy Learning), которая работает непосредственно с многомечеными журналами учёта и регулирует выбор с учётом наблюдаемой поддержки. Модель относится к классу R-learners и учитывает ковариаты для устранения смещения, вызванного неслучайным выбором действий.

В сравнительном эксперименте CAR-PL сопоставлена с несколькими альтернативами: uplift-моделью T-Learner, консервативной контекстной моделью ценности, zero-shot LLM и не-персонализированными базовыми подходами. Оценка проводилась на компаниях, не участвовавших в обучении, с использованием общей модельно-ассистируемой метрики. CAR-PL показала наивысший показатель валовой прибыли (0.084), T-Learner — наивысшую выручку (0.085), а контекстная модель — наивысший коэффициент быстрой ликвидности (0.062).

Статистический анализ показал, что CAR-PL и T-Learner не имеют значимых различий по показателям роста в сравнении кластеризованных компаний. При этом CAR-PL выбирает 33-34 категории из 34 возможных, что говорит о менее концентрированном выборе по сравнению с альтернативами. Дополнительные проверки показали, что лидеры по точечным оценкам сохраняются даже при изменении эталонного сравнения, а ранжирование категорий остаётся устойчивым.

Авторы отмечают, что результаты поддерживают объективное ранжирование финансовых рекомендаций для малого бизнеса на основе многомеченых бухгалтерских журналов. Разработанный подход может помочь предпринимателям принимать более обоснованные решения о том, какие изменения в бизнесе приведут к улучшению конкретных финансовых метрик.