nästa steg är att jämföra förfallodagen till datumet för översynen och se om kunderna är sena med betalningar eller inte.
vi gör det genom att subtrahera förfallodagen från granskningsdatumet, vilket i vårt fall är från och med den 31 december 2020.
ett positivt resultat innebär att det finns en fördröjning med fakturaavräkningen, och ett negativt resultat innebär att det ännu inte förfaller till betalning.,
nu, för det roliga. Baserat på days_overdue data, kommer vi att tilldela en ageing_group. Hur detta fungerar är genom att tillhandahålla parentes av värden och titta på var den aktuella fakturan passar inom dessa intervall, baserat på dess days_overdue. Kom ihåg hur vi delas upp i grupper, vanligtvis en ökning på en månad. Det är precis vad vi gör här.,
formeln vi använder är LOOKUP. Det tillåter oss att ta ett värde och placera det mellan värdeområden. Baserat på var den passar, returnerar vi sedan namnet på den konsolen.
Här kan du se att på andra raden är den days_overdue 29. Detta är lookup värdet. Formeln tar det och räknar ut att det sitter mellan siffrorna 1 och 31, vår andra konsol i lookup vektorn (den första skulle vara mellan -9999 och 1)., Då returnerar formeln det andra värdet från resultatvektorn, ” 1. 0 till 30 dagar”.
nu när vi har våra kategorier för varje faktura kan vi aggregera data för varje faktura.gör det lättare att granska och analysera. För att göra det skapar vi en pivottabell (Infoga flik -> PivotTable).
vi lägger våra kunders data i raderna och delar upp balansen för varje klient per åldringsgrupperna i kolumnerna.,
vid denna punkt kommer en analytiker troligen att behöva involvera andra avdelningar. – herr talman! När vi granskar uppgifterna kan vi lyfta fram problematiska saldon. Vanligtvis, vi kommer inte att fokusera på saldon förfallna med mindre än 30 dagar, men detta beror helt på verksamheten och industrin. Vi kan dock omedelbart märka några potentiella problem. Vår största balans är med Dickens-Bradtke., Vi kan se att kreditkontrollen missade den här, eftersom vi fortfarande levererar till dem, även om de har utestående saldon i över ett år. Denna kund kan bli en betydande förlust för vårt företag, så vi måste höja detta till ledningen och ytterligare undersöka med försäljnings-och kreditkontrollavdelningarna.,
en annan sak vi kan göra är inte bara titta på enskilda kunder utan ta en titt på summan för varje åldrande grupp för att få en känsla av samlarobjekt inom företaget. Vi har cirka 6% av våra saldon försenade med mer än 90 dagar. Huruvida detta är acceptabelt beror på industrin och årstiden. Kom ihåg att säsongs kommer också att ha en betydande inverkan på hur kunderna lyckas lösa sina saldon.,
Vi kan ta vår analys ett steg längre genom att beräkna det tvivelaktiga Skuldtillägget att boka på granskningsdatumet. Genom att använda den genomsnittliga historiska andelen outtagna saldon för varje konsol, vi anländer till DDA på €1,120 tusen. Kom ihåg att detta inte är den kostnad vi måste boka för perioden, men balansen i bestämmelsen., Vad vi vanligtvis gör i praktiken är att endast boka förändringen från föregående periods dda-balans.
Du kan ladda ner exempelmodellen i Excel i den ursprungliga artikeln.
slutsats
kundfordringar åldrande är ett populärt verktyg för att utvärdera utestående kund saldon och identifiera eventuella oegentligheter och problem., Det är en bra idé att förbereda det regelbundet och involvera olika avdelningar i att granska data, så att företaget kan dra maximal mängd värdefulla insikter. Detta kommer att förbättra kassaflödet genom att göra det möjligt för ledningen att fatta välgrundade beslut om kundvillkor.
visa ditt stöd genom att dela den här artikeln med kollegor och vänner.