Finansijsko pogoršanje retko se vidi u samo jednom broju. Tekuća
likvidnost može postepeno da pada, DSO da raste, EBITDA marža da slabi,
a odnos duga i kapitala da se pogoršava. Svaki signal pojedinačno može
imati razumno objašnjenje. Posmatrani zajedno i kroz vreme, oni mogu da
pokažu da se finansijsko zdravlje menja pre nego što problem postane
očigledan u redovnom izveštaju.
Tu ML analiza donosi praktičnu vrednost. Power Query može da pripremi
mesečne podatke, Excel da izračuna racije, Python in Excel da analizira
njihove putanje, a Power BI da prikaže trendove i označi anomalije. Za
složenije prognoziranje i upravljanje modelima može se razmatrati Azure
Machine Learning.
Cilj nije da algoritam zameni računovođu. Cilj je da veliki broj
perioda, društava, odeljenja ili pokazatelja pretvori u uređenu listu
slučajeva koji zahtevaju ljudsku pažnju.
Optimistična
perspektiva: manje rutine, više korisne analize
Najveća korist automatizacije nije spektakularna prognoza, već
dosledan mesečni proces. Power Query može da uvozi, filtrira, spaja i
preoblikuje podatke iz više datoteka. Kada se nova mesečna datoteka doda
u pravilno organizovanu fasciklu, osvežavanje upita može da je uključi u
objedinjenu tabelu bez ponovnog ručnog kopiranja.
Na toj osnovi mogu se pratiti tekuća i ubrzana likvidnost,
dug/kapital, ROE, ROA, EBITDA marža, obrt imovine i DSO. Umesto pregleda
samo poslednje vrednosti, sistem može da posmatra promenu u odnosu na
prethodni mesec, duži trend, pokretni prosek i odstupanje od istorijskog
raspona.
Python in Excel omogućava da se analiza izvršava uz podatke u radnoj
svesci. Model može da boduje neuobičajene promene, grupiše slične
obrasce ili proceni naredne vrednosti serije. Power BI zatim može da
označi neočekivane skokove i padove na linijskom grafikonu i da prikaže
očekivani raspon.
Takav proces pomaže računovođi da vreme ne troši ravnomerno na sve
stavke. Ako skor pokaže da istovremeno rastu DSO i zaduženost, dok
likvidnost i marža padaju, taj slučaj dobija viši prioritet.
Profesionalac može ranije da proveri naplatu, strukturu obaveza, izvore
promene marže i ispravnost knjiženja.
Šira istraživanja o radu ukazuju da automatizacija češće menja
pojedinačne zadatke nego što ukida čitave profesije. U tom smislu,
računovođa se pomera od ručnog objedinjavanja ka kontroli kvaliteta,
tumačenju i savetovanju.
Pesimistična
perspektiva: crna kutija, loši podaci i pritisak na poslove
Isti sistem može da stvori lažan osećaj sigurnosti. Model koji uredno
prikazuje skor i boju upozorenja može izgledati autoritativnije nego što
zaista jeste. Ako su ulazni podaci nepotpuni, nedosledni ili pogrešno
klasifikovani, automatizacija samo brže proizvodi nepouzdan
rezultat.
Finansijski problemi su često retki događaji. Zbog neravnoteže
podataka model može postići dobar ukupan rezultat, a ipak propustiti baš
rizične slučajeve. Tehnike poput SMOTE mogu da ublaže problem stvaranjem
sintetičkih manjinskih primera, dok modeli osetljivi na cenu greške mogu
snažnije kažnjavati propušteno upozorenje. Nijedan pristup sam po sebi
ne garantuje pouzdanost.
Postoji i neslaganje oko najboljeg algoritma. Istraživanja često daju
prednost modelima XGBoost, Random Forest i LightGBM na tabelarnim
finansijskim podacima, dok pojedine studije prijavljuju veoma dobre
rezultate neuronskih mreža. Takvi nalazi nisu dozvola da se objavljena
tačnost prenese na drugo preduzeće. Model mora da se proverava na
vremenski odvojenim podacima i, kada je relevantno, na društvima koja
nisu bila deo obučavanja.
Objašnjivost ublažava, ali ne uklanja problem. SHAP može da pokaže da
su na visok skor najviše uticali rast duga, pad profitabilnosti ili
pogoršanje likvidnosti. Ne može da potvrdi da li je uzrok sezonska
promena, jednokratna transakcija, greška u knjiženju ili stvarna
finansijska slabost.
Rizik postoji i za zaposlene. Administrativni i računovodstveni
poslovi izloženi su automatizaciji, posebno kada se sastoje od unosa,
objedinjavanja i rutinskih provera. Ipak, izloženost nije isto što i
siguran gubitak posla. Ishod zavisi od toga da li organizacija koristi
tehnologiju za razvoj rada i obuku zaposlenih ili samo za smanjenje
troškova.
Uravnotežen
zaključak: skor je početak istrage
ML rano upozoravanje ima smisla kada se tretira kao kontrolni
mehanizam, a ne kao digitalni finansijski direktor. Njegova najrealnija
uloga jeste da prati više racija kroz vreme, dosledno primenjuje
pravila, prepoznaje neobične obrasce i usmerava pažnju
profesionalca.
Skor nije odluka. Visok skor znači „proveri prvo“, a ne „preduzeće je
ugroženo“. Nizak skor takođe nije potvrda da problema nema. Pragovi
moraju da uzmu u obzir industriju, poslovni model, sezonalnost i
istoriju konkretnog društva.
Čovek ostaje odgovoran za kvalitet podataka, računovodstveno
tumačenje, proveru transakcija i konačnu odluku. Najbolji rezultat zato
ne daje najautonomniji model, već dobro uređen spoj automatizacije i
stručnog nadzora.
Praktični saveti za mesečni
proces
Zamislimo da se analiza pokreće nakon mesečnog zatvaranja.
-
Standardizujte ulaz. Power Query uvozi mesečne
podatke, uklanja prazne redove, usklađuje zaglavlja i spaja periode u
jednu tabelu. Svako neočekivano odstupanje u broju redova ili strukturi
kolona treba evidentirati. -
Izračunajte racije dosledno. U istoj tabeli
čuvajte tekuću i ubrzanu likvidnost, dug/kapital, ROE, ROA, EBITDA
maržu, obrt imovine i DSO po mesecu. -
Dodajte vremenska obeležja. Pored same
vrednosti, pratite mesečnu promenu, smer trenda i odstupanje od
istorijskog raspona. Za ozbiljnije prognoze Azure Machine Learning
AutoML može da pravi zaostale vrednosti, pokretne agregate i vremenska
obeležja, uz proveru vremenskom unakrsnom validacijom. -
Napravite razumljiv skor. Kombinujte upozorenja
iz više pokazatelja, ali sačuvajte pojedinačne doprinose. Ako se koristi
složeniji model, SHAP može pomoći da se objasni zbog čega je određeni
mesec označen kao rizičan. -
Prikažite trend, ne samo boju. Power BI linijski
grafikoni mogu da označe anomalije, ali njihove tehničke uslove i
ograničenja treba proveriti pre primene. -
Uvedite ljudsku kontrolu. Za svaki alarm
pregledajte izvorne podatke, relevantne transakcije, jednokratne
događaje i poslovni kontekst. Tek nakon toga odredite da li je potrebna
korekcija podataka, dodatna analiza ili upravljačka reakcija.
Tako Excel prestaje da bude samo mesto za obračun, a postaje
kontrolna tačka ranog upozoravanja — bez pretvaranja algoritma u
autoritet koji ne može da snosi odgovornost.