对于应收账款,作为财务的你是否在关心:谁欠钱?谁欠的多?谁欠的久?
当应收账款未能按时收回时,就会降低企业资金的使用效率,使企业效益下降。
在赊销业务中,企业发出商品并开票确认收入后,货款却不能同步到账,这种没有货款回笼的销售收入,势必会形成没有现金流入的会计利润,企业还需垫支由此产生的相关税款。
对于应收账款的管理成本、清欠过程中的中介费用等都会增加企业的现金流出,这不仅占用了大量的流动资金,还将影响企业现金流的正常运转。
在今天的案例中,为规避应收账款变成坏账的风险,小秘书将与大家分享跟应收账款账龄分析相关的实用工具,教大家如何借助数字化技术Python依据应收账款数据的“凭证日期”统计账龄。
在案例中,我们将运用先进先出的原则:
- 如果应收账款借方发生额已经实现回款,那么,这部分交易不影响我们对应收账龄的统计;
- 倒序统计应收账款余额分布在哪几笔借方发生里(定义为“实际应收”),即可按实际应收借方发生的日期统计应收账款账龄。
(在本次案例中,我们暂不考虑应收账款借方红字的情况)
一般来说,应收账款清账操作需要在核算系统中找到对应的应收账款借方凭证,然后对该笔凭证进行冲销。在这种情况下,统计应收账款账龄只需要找到未冲销的应收账款,计算凭证日期/交易日期至统计日期的间隔时长就可以了。
我们使用先进先出的方法统计截止2020/9/30的应收账龄,账龄分段格式如下:
1
数据准备
引入应收账款凭证数据:
import pandas as pd
from datetime import datetime, date
import warnings
warnings.filterwarnings("ignore")
pd.options.display.float_format = '{:,.2f}'.format
file = '财会实验数据.xlsx'
df = pd.read_excel(file, sheet_name='客户往来账')
df.fillna(0,inplace=True)
df
2
数据处理
根据实验要求,按每个客户先进先出的原则统计账龄。因此先对应收账款数据按客groupby,再在每个group中进行账龄计算,group内的账龄计算逻辑我们命名为AR函数。
def AR(x):
# 计算客户应收款余额
total = x['本币金额'].sum()
# 统计应收账款借方
df_dr = x[x['本币金额']>0]
# 按过账日期降序
df_dr = df_dr.sort_values(by=['过帐日期'],ascending=False).reset_index(drop=True)
# 应收账款先进先出,因此将余额分摊在最后几笔借方交易,一旦分摊完则停止
for index, row in df_dr.iterrows():
if total-row['本币金额']>0:
df_dr.loc[index,'实际应收'] = row['本币金额']
else:
df_dr.loc[index,'实际应收'] = total
break
total = total-row['本币金额']
return df_dr
df2 = df.groupby('客户编号',as_index=False).apply(AR)
# 找一个客户验证计算结果
df2.loc[df2['客户编号']==23500000]
过滤实际应收为空或者为0的数据(代表已清账)
df3=df2[(pd.isna(df2['实际应收'])
==False)&(df2['实际应收']!=0)
df3.loc[df3['客户编号']==23500000]