La predicción financiera precisa es crítica para la toma de decisiones estratégicas dentro de las plataformas de Planificación de Recursos Empresariales (ERP). Los modelos estadísticos tradicionales a menudo no logran capturar los patrones complejos y no lineales presentes en los datos financieros generados por ERP. Este estudio investiga la aplicación de modelos de redes neuronales, específicamente redes neuronales feedforward, redes neuronales recurrentes (RNN) y redes de memoria a largo y corto plazo (LSTM), para la predicción financiera dentro de sistemas ERP. Utilizando datos históricos de módulos financieros ERP del mundo real, desarrollo y evalúo modelos basados en la precisión de la predicción, eficiencia computacional y escalabilidad. Mis resultados muestran que las redes neuronales, particularmente los modelos LSTM, superan significativamente a los métodos convencionales en la captura de dependencias temporales y en proporcionar pronósticos más confiables. El documento también presenta un marco práctico para integrar estos modelos en entornos ERP, considerando factores como el preprocesamiento de datos, la arquitectura del sistema y estrategias de implementación. Abordo desafíos como la escasez de datos, los requisitos de procesamiento en tiempo real y la interpretabilidad del modelo dentro de entornos empresariales. Esta investigación contribuye con un enfoque escalable y adaptable para mejorar el análisis financiero en sistemas ERP a través de la inteligencia artificial, ofreciendo información útil tanto para investigadores como para partes interesadas en la empresa. Mis hallazgos fomentan una adopción más amplia de técnicas de aprendizaje automático para la gestión financiera empresarial y destacan direcciones futuras para integrar modelos avanzados de IA dentro de las infraestructuras ERP.
P Ashok (Sun,) estudió esta cuestión.