Bibliographic Metadata

Title
Automatically predicting revenue from management reports / von Jure Zuljevic
Additional Titles
Automatische Vorhersage von Einkommen anhand von Jahresberichten
AuthorZuljevic, Jure
Thesis advisorHanbury, Allan
PublishedWien, 2019
Description47 Seiten
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2019
Annotation
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprueft
LanguageEnglish
Document typeThesis (Diplom)
Keywords (EN)Sentiment analysis / Annual reports / Industrial automation / Forecasting revenues
URNurn:nbn:at:at-ubtuw:1-120148 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Automatically predicting revenue from management reports [1.17 mb]
Links
Reference
Classification
Abstract (German)

Die Analyse der eigenen Umsatzzahlen der vergangenen Jahre kann für das Management eines Unternehmens große Einblicke bieten. Trotzdem hat dieser Ansatz ein Manko. Man kann sich zwar ein Bild über die eigenen Umsatzzahlen machen, jedoch fehlt der Überblick der restlichen Wettbewerber auf dem Markt. Um zu wissen, wie sich andere Firmen auf dem Markt schlagen, benötigen Manager auch die Infomartionen über ihre Konkurrenz. Mit solchen Informationen können sie untersuchen auf welcher Position sie stehen und welche Gründe und Ursachen ihre (Miss)erfolge haben. Die Jahresberichte bieten eine relevante und zuverlässige Darstellung der Finanzinformationen. Jahresberichte werden durchschnittlich 6-7 Monate nach Ende des Kalenderjahres veröffentlicht. Da das veröffentlichte Dokument Zahlen für das letzte Jahr enthält, ist es eine gute Quelle für die Analyse der vergangenen Periode, jedoch ist der Nutzen dieser Untersuchung zur Vorhersage des laufenden Jahres nicht sehr relevant. Neben den Zahlen besteht der Geschäftsbericht auch aus dem Teil des Lageberichts. Für das besondere Beispiel der Umsatzprognose sind die textuellen Informationsquellen bisher nicht erschlossen. Da der Standpunkt der Konkurrenzanalyse außerhalb des überwachten Unternehmens liegt, gibt es keine internen Informationen wie z.B. Umsatzzahlen oder Preisstrategien. Für die Prognose der jährlichen Umsatzwachstumsrate wird ein Durchschnitt der letzten drei Jahre genommen. Der Nachteil dieses Ansatzes ist, dass die Ausgabe des Modells sehr ungenau ist. Die anderen nützlichen Informationen wären Pläne, Strategie und Einstellung des Managements in Bezug auf den zukünftigen, wirtschaftlichen und politischen Status des Staates. Diese Arbeit schlägt vor, die Stimmung aus den jährlichen Managementberichten zu bewerten. In den Berichten ist besonders der Abschnitt Äusblickïnteressant, in dem die Sicht der nahen Zukunft zum Ausdruck gebracht wird. Anhand der Techniken des Sentiment Mining werden wir die Korrelation der verschiedenen Meinungsmaßnahmen in den Outlook-Abschnitten analysieren und mit den entsprechenden historischen Umsatzzahlen vergleichen. Außerdem werden wir versuchen, die bisherige Basismethode zu verbessern. Die Ergebnisse der Experimente werden auf statistische Signifikanz geprüft und auf dieser Grundlage erschlossen. Diese Diplomarbeit wird in Kooperation mit der Siemens AG Österreich durchgeführt und soll am Beispiel ihrer Präsenz auf dem österreichischen Markt der Industrieautomatisierung als Beispiel dienen. Alle Daten und Jahresberichte, die in dieser Arbeit verwendet werden, sind öffentlich verfügbar.

Abstract (English)

Analysis of its own revenue figures over the past years can provide great insight for the management of a company. Nevertheless, this approach has its shortcomings. Regardless of the information about its own revenue figures and growth or decline trends in the past, management of a company is lacking a broader view of the current competitors activity and presence on the market. To understand how other competitors are performing and what are the reasons for the growth or decline, managers need information for the whole market. With this information in hand, position and underlying reasons for the growth or decline can be deduced. The annual reports of companies provide relevant and faithful representation of the financial information. Annual reports are published on average 6-7 months after the end of the calendar year. Since the published documents provide figures for a last year it is a good source for the analysis of the past time. To forecast the revenues for the next year, financial figures published in those reports are not enough. However, in addition to the figures, the annual report contains the management report part. For the particular example of the revenue forecasting, the textual sources of information have remained untapped so far. Since the point of view in competitor analysis is outside of the monitored company, one doesnt have internal information like sales figures or pricing strategy. For the forecast of annual revenue growth rate, the standard method is simple to average the revenue figures of the previous 3 years. The shortcoming of this approach is that output of the model is very inaccurate. The other useful information would be plans, strategy and managements attitude towards the future economic and political status of the country. The assumption is that relevant soft facts are taken into consideration when management reports are written. By mining the sentiment we should be able to partly grasp those soft facts. This work proposes to mine the sentiment from the annual management reports. In the reports, the particularly interesting section is the Outlook section in which the view of the near future is expressed. Using the techniques of sentiment mining, we analyse correlation of the different opinion measures in the Outlook sections and compare it to the corresponding historical revenue figures. Correlation coefficients between revenues and sentiment scores are calculated. Results are interpreted by the domain experts and conclusions are made. This thesis is done in cooperation with Siemens AG Austria and the use case of their presence on the Austrian market of industrial automation will serve as an example. All the data and annual reports that are used in this work are publicly available.

Stats
The PDF-Document has been downloaded 8 times.