Od Excel tabele do pametnog kalendara placanja

Uvod: prognoza vise
nije samo zbir kolona

Za mnoge finansijske timove prognoza novcanog toka pocinje i zavrsava
se u Excelu. Otvorene fakture rasporedjuju se prema rokovima dospeca,
dodaju se planirani troskovi, a zatim se stanje po danima ili nedeljama
rucno prilagodjava. Problem je sto ugovoreni datum i stvarni datum
placanja nisu isto. Kupac koji formalno duguje novac u petak mozda
redovno placa deset dana kasnije, dok se obaveza prema dobavljacu moze
platiti ranije radi popusta.

Masinsko ucenje menja pitanje. Umesto „kada faktura dospeva”, model
pita „kada je najverovatnije da ce novac stvarno stici”. Zatim se ta
procena povezuje sa buducim odlivima, troskom kapitala, popustima,
kaznama i minimalnom potrebnom gotovinom.

Excel pri tome ne mora da nestane. Python in Excel moze da obradi
podatke i prikaze rezultate u radnoj svesci. Power Query moze da prikupi
i ocisti podatke ili pozove model objavljen kroz Azure Machine Learning.
Excel tada postaje korisnicki sloj za scenarije i odobravanje, dok se
zahtevniji model izvrsava u oblaku.

„Boomer”
perspektiva: vise vremena za odluke, manje za prepisivanje

Optimisticka slika nije potpuno autonomna finansijska funkcija.
Realnija korist je uklanjanje ponavljajucih koraka i doslednije
pripremanje odluka.

Power Query pamti korake uvoza, promene tipova podataka, spajanja
tabela, filtriranja i grupisanja. Kada stignu novi podaci, isti postupak
moze ponovo da se osvezi. To racunovodji ostavlja vise vremena da
proveri izuzetke umesto da svakog jutra kopira podatke iz vise
datoteka.

Model zatim moze da rangira potrazivanja prema verovatnoci kasnjenja
ili da proceni ocekivani datum priliva. Korisne promenljive ukljucuju
iznos, rok, ucestalost placanja, procenat ranije zakasnelih faktura i
ponasanje na poslednjih nekoliko faktura. Za dnevnu ili nedeljnu
prognozu mogu se koristiti vremenske serije, pokretni prozori i
promenljive koje predstavljaju prethodne periode.

Najveca poslovna vrednost nastaje kada se prognoza priliva spoji sa
obavezama. Tada direktor finansija ne dobija samo grafikon vec predlog:
koje fakture platiti ranije, koje na dan dospeca i gde je potrebno
sacuvati gotovinu.

Hipoteticki primer 1: odluka o popustu

Dobavljac nudi uslov „2% popusta ako se plati do 10. dana, inace pun
iznos do 30. dana”. Faktura iznosi 1.000.000 dinara.

• Placanje 10. dana: 980.000 dinara.
• Neposredna usteda: 20.000 dinara.
• Novac se izdvaja 20 dana ranije.
• Pretpostavljeni godisnji trosak kapitala: 12%.
• Priblizan trosak ranijeg izdvajanja: 980.000 × 12% × 20/365 = 6.444
  dinara.
• Priblizna neto korist pre drugih troskova: 13.556 dinara.

U ovom hipotetickom slucaju popust je veci od troska kapitala, pa
rano placanje ima ekonomsku logiku ako ne ugrozava minimalnu likvidnost.
Ako bi kasnjenje posle 30. dana nosilo hipoteticku kaznu od 0,05%
dnevno, pet dana kasnjenja dodalo bi jos 2.500 dinara troska. Model zato
treba da poredi sve tri mogucnosti: popust, redovno placanje i posledice
kasnjenja.

„Doomer”
perspektiva: manje rutinskih poslova, ali vise skrivenih rizika

Pesimisticki pogled pocinje od zaposlenja. Ako se uvoz, ciscenje,
rangiranje faktura i izrada prve verzije prognoze automatizuju, smanjuje
se potreba za delom rutinskog rada. Poslovi zasnovani iskljucivo na
prepisivanju, rucnom usaglasavanju i ponavljanju istih obracunskih
koraka mogu biti istisnuti ili znacajno promenjeni.

Medjutim, veci neposredni rizik nije sam model vec lose poverenje u
njegov rezultat. Nepotpuni podaci mogu da proizvedu precizno oblikovanu,
ali pogresnu preporuku. Novi kupac nema dovoljno istorije. Stari kupac
moze iznenada promeniti ponasanje. Faktura moze biti sporna, a model to
ne zna ako status spora nije zabelezen.

Slozeni modeli mogu dodatno otezati objasnjenje. Finansijski direktor
mora da zna zasto je priliv pomeren za dve nedelje ili zasto sistem
preporucuje rano placanje jednom dobavljacu, a ne drugom. Jednostavniji
model sa jasnim razlozima ponekad je korisniji od slozenijeg modela sa
boljim prosecnim rezultatom.

Postoje i tehnicka ogranicenja. Python in Excel izvrsava kod u
Microsoft oblaku, nema neposredan pristup lokalnom racunaru i koristi
podrzani skup biblioteka. Savremeni Azure Machine Learning nema
neposrednu zamenu za stari Excel dodatak; integracija se gradi preko
krajnjih tacaka, Power Query pristupa ili namenskog klijenta. To uvodi
pitanja licenci, dostupnosti usluge, zastite podataka i upravljanja
akreditivima.

Najopasnija greska bila bi pretvoriti preporuku modela u automatski
nalog za placanje bez ljudske provere.

Praktican put: poceti od
jedne odluke

Prvi projekat ne mora da obuhvati celu finansijsku funkciju. Dovoljno
je izabrati jednu merljivu odluku: procenu datuma priliva ili izbor
datuma placanja za odobrene fakture.

Hipoteticki primer 2: raspored placanja

Ako model procenjuje prilive od 1.300.000 dinara 9. septembra i
900.000 dinara 14. septembra, raspored treba proveriti u odnosu na
pocetno stanje, ostale obaveze i minimalni prag gotovine. Oznaka
„kritican dobavljac” moze imati prednost nad cisto matematickom
optimizacijom.

Tim treba da cuva stvarne i prognozirane datume, meri greske kroz
vreme i proverava rezultate po grupama. Obuka i provera modela treba da
prate vremenski redosled. Svaka preporuka treba da prikaze razlog,
pouzdanost i posledice alternativnog datuma.

Zakljucak:
Excel ostaje poznato mesto, ali odluka postaje bolja

Masinsko ucenje u finansijama nije obecanje garantovane ustede niti
potpune automatizacije. Njegova snaga je u povezivanju istorijskog
ponasanja sa konkretnim izborom: kada ocekivati priliv, kada platiti
dobavljaca i da li popust opravdava ranije izdvajanje novca.

„Boomer” scenario donosi manje rucnog rada, cesce osvezavanje
prognoze i kvalitetnije upravljanje obrtnim kapitalom. „Doomer” scenario
upozorava na istiskivanje rutinskih poslova, neprozirne modele, lose
podatke i automatizovane greske.

Najrazumniji pristup nalazi se izmedju ta dva pola. Power Query
priprema podatke, Python in Excel ili Azure Machine Learning izracunava
procene, Excel prikazuje scenarije, a odgovorna osoba odobrava odluku.
Tehnologija predlaze datum; finansijski tim zadrzava odgovornost za
novac.