Disebabkan kedudukannya dalam syarikat, perbendaharaan selama ini menjadi penjaga khazanah data kewangan korporat. Namun, skala dan kedalaman data yang tersedia kepada pasukan perbendaharaan hari ini jauh mengatasi apa-apa yang mereka kendalikan sedekad lalu.
Apabila infrastruktur menjadi semakin terhubung dan beroperasi secara masa nyata, organisasi memperoleh keterlihatan yang lebih jelas terhadap kedudukan tunai, aliran kecairan, pendedahan FX dan aktiviti pembayaran merentas pasaran serta sistem.
Perbendaharaan perlu mempertimbangkan cara terbaik untuk menggunakan keterlihatan ini: bagaimana mereka boleh bergerak melangkaui ramalan semata-mata untuk menerapkan cerapan yang lebih mendalam bagi mengukuhkan pembuatan keputusan?
Teknologi memainkan peranan penting dalam menjawab persoalan ini. Kemajuan dalam infrastruktur perbendaharaan, daripada platform perbendaharaan bersepadu kepada ketersambungan API, telah memudahkan penyatuan dan akses kepada data kewangan secara berskala, sekali gus mengaktifkannya sebagai sumber cerapan yang berterusan.
Contoh yang jelas ialah alat Artificial Intelligence (AI) yang memanfaatkan Machine Learning (ML) dan Natural Language Processing (NLP) untuk menukar data mentah, berstruktur atau tidak berstruktur kepada visualisasi interaktif serta cerapan masa nyata yang boleh diambil tindakan.
Model AI data besar berasaskan seni bina Transformer, seperti model Falcon Time Series Transformer Ant International, menggunakan berbilion-bilion parameter data bercap masa yang diperhatikan secara sejarah untuk meramalkan nilai masa hadapan. Bagi meningkatkan ketepatan output, model ini melaraskan horizon tinjauan ke belakang secara dinamik, iaitu tingkap data sejarah yang lebih pendek ketika tempoh ketidaktentuan tinggi dan tingkap yang lebih panjang dalam persekitaran ketidaktentuan rendah.
Bidang seperti ramalan FX dan kecairan, yang hasilnya dibentuk oleh pelbagai pemboleh ubah serta keadaan yang berubah-ubah, merupakan calon yang sangat sesuai untuk ditambah baik melalui model AI.
Sebagai contoh, model AI boleh dilatih menggunakan data aliran tunai sejarah, memetakan corak tingkah laku dalam masa pembayaran berbanding keadaan pasaran yang berubah-ubah, dan menghasilkan ramalan aliran tunai yang dikemas kini secara automatik berbanding gambaran berkala.
Model AI lain pula boleh menganalisis nisbah volum intrahari pada tahap butiran minit. Dengan memperhalusi konteks tinjauan ke belakang secara kes demi kes, model berasaskan Transformer boleh meramalkan lonjakan volum dan turun naik kecairan secara statistik dengan ketepatan yang lebih tinggi berbanding model ramalan titik tradisional dalam keadaan pasaran tertentu.
Dalam kedua-dua contoh ini, hasilnya adalah sama: pasukan perbendaharaan boleh mengambil pendekatan yang lebih dinamik terhadap ramalan. Mereka boleh bertindak balas secara masa nyata terhadap perkembangan baharu dan menumpukan usaha analisis mereka kepada varians ramalan sebenar, bukannya penyelarasan rutin.
Cerapan masa nyata yang dihasilkan oleh teknologi perbendaharaan baharu ini diterjemahkan kepada manfaat yang konkrit dan praktikal untuk pasukan.
Application Programming Interfaces (API) membolehkan komunikasi serta-merta antara sistem dalaman dengan rakan kongsi perbankan, menggantikan pemindahan kelompok tradisional.
Ini membolehkan pembuatan keputusan yang lebih pantas untuk perbendaharaan: Apabila API mengemas kini maklumat secara masa nyata, profesional perbendaharaan boleh membuat keputusan terkini berkaitan pendanaan, pelaburan dan mitigasi risiko berdasarkan kedudukan kecairan langsung, bukannya laporan bank akhir hari atau hamparan manual.
Treasury Management Systems (TMS) menyatukan data yang terpecah-pecah menjadi “sumber kebenaran tunggal” dengan keterlihatan masa nyata merentas akaun bank global, mata wang dan entiti.
Profesional perbendaharaan yang menggunakan TMS boleh menjadi lebih proaktif dalam merancang tindakan masa hadapan: Platform TMS lanjutan membolehkan pasukan memodelkan pelbagai senario kewangan dan menjalankan analisis “what-if” dengan perbandingan gambaran semasa. Simulasi ini memperkasakan pasukan untuk membina pelan luar jangka yang bersasar dan strategi mitigasi risiko yang kukuh sebelum ketidaktentuan pasaran benar-benar berlaku.
Akhir sekali, platform dipacu AI boleh mengautomasikan pelbagai tugas dalam fungsi perbendaharaan, daripada pemadanan invois kepada ramalan tunai dan pelaporan. Sesetengah sistem lanjutan menggunakan Machine Learning (ML) dan logik kabur untuk memadankan transaksi bank secara automatik dengan rekod lejar am, mengendalikan kerja berulang yang bervolum tinggi untuk mengenal pasti percanggahan sambil mencapai kadar pemadanan yang jauh lebih tinggi berbanding output manusia.
Ini mengalihkan masa produktif daripada pengagregatan kepada analisis. Dengan mengautomasikan pengagregatan data dan pemadanan transaksi, sistem dipacu AI membolehkan profesional perbendaharaan di syarikat dengan pendapatan antara US$1 bilion hingga US$10 bilion menuntut semula sehingga 52% masa yang sebelum ini hilang akibat pengumpulan data manual, menurut penyelidikan industri.¹
Perbendaharaan sedang memasuki fasa kematangan baharu. Akses kepada data bukan lagi kekangan utama; bendahari kini perlu mempertimbangkan sejauh mana data tersebut dapat diterjemahkan kepada cerapan yang menambah baik keputusan pendanaan, kecairan dan risiko.
Di sinilah teknologi membuktikan nilainya: sistem yang terhubung, aliran data masa nyata dan model AI membantu pasukan perbendaharaan menggantikan proses statik dengan keterlihatan berterusan serta tindakan yang lebih pantas.
Dengan menyediakan sumber yang diperlukan untuk analisis yang lebih menyeluruh dan pembuatan keputusan yang lebih kukuh, teknologi membolehkan perbendaharaan menjadi lebih strategik dan lebih responsif terhadap keperluan pihak prinsipal, sekali gus memainkan peranan yang lebih penting dalam membentuk strategi organisasi.
Di Bettr, teknologi Falcon Time Series Transformer kami direka untuk menyokong evolusi ini. Dengan kira-kira 8.5 bilion parameter data dan jumlah yang terus berkembang, teknologi ini menganalisis volum data pasaran dan transaksi yang besar untuk membantu bendahari menjangka pendedahan FX dengan lebih baik, menajamkan ramalan dan membuat keputusan yang lebih termaklum.
Hubungi kami untuk mengetahui dengan lebih lanjut bagaimana teknologi dapat membantu anda memperoleh cerapan yang lebih baik.
1. PwC, “2025 Global Treasury Survey”, https://www.pwc.com/us/en/services/consulting/business-transformation/library/2025-global-treasury-survey.html
Artikel ini disediakan untuk tujuan maklumat sahaja dan tidak merupakan nasihat undang-undang, kewangan, pelaburan atau nasihat profesional lain, serta tidak merupakan syor bagi mana-mana produk atau perkhidmatan. Artikel ini tidak boleh dianggap sebagai tawaran atau pelawaan untuk membeli atau menjual sebarang produk atau perkhidmatan kewangan atau terkawal. Artikel ini belum disemak oleh mana-mana pihak berkuasa kawal selia dalam mana-mana bidang kuasa. Model ramalan berasaskan AI tertakluk pada batasan sedia ada, termasuk kemungkinan output yang tidak tepat, dan prestasi lalu bukan penunjuk kepada hasil masa hadapan. Bettr tidak membuat sebarang representasi atau jaminan berhubung ketepatan, kelengkapan atau kesesuaian kandungan ini, dan pembaca digalakkan untuk mendapatkan nasihat daripada profesional undang-undang, kewangan atau pakar lain yang bersesuaian dengan keadaan masing-masing. Bettr tidak menjamin ketepatan dan kelengkapan artikel ini dan dengan ini menafikan sebarang liabiliti kepada mana-mana pihak berhubung akibat daripada apa-apa tindakan atau kegagalan bertindak yang bergantung sepenuhnya atau sebahagiannya pada kandungan artikel ini. Iklan ini belum disemak oleh Monetary Authority of Singapore atau mana-mana pihak berkuasa kawal selia lain di Singapura.
