Dragan Stojanovic — October 03, 2026
Nedostajuće vrednosti u finansijskim podacima nisu samo tehnički
problem. Nepotpuno knjiženje glavne knjige može poremetiti analizu
troškova, prazan kod troškovnog centra može pogrešno usmeriti
izveštavanje, a prekidi u istorijskim podacima mogu oslabiti prognozu.
Kod evidencije plaćanja kupaca, prazno polje može značiti tehničku
grešku, kašnjenje u unosu ili stvarno odsustvo informacije.
Mašinsko učenje može automatski otkriti takve praznine i predložiti
verovatne vrednosti. Ipak, najvažnije pravilo ostaje jednostavno:
imputirana vrednost je procena, a ne originalni knjigovodstveni dokaz.
Ona ne sme samostalno zameniti fakturu, izvod, ugovor, nalog za
knjiženje ili drugu autorizovanu dokumentaciju, niti treba da pokrene
nekontrolisano automatsko knjiženje.
Pre
popunjavanja treba razumeti zašto podatak nedostaje
Nije svaka praznina ista. Ako nedostajanje nema veze ni sa jednom
poznatom ili nepoznatom vrednošću, govori se o potpuno slučajnom
nedostajanju. Ako je povezano sa raspoloživim podacima — na primer,
određena poslovna jedinica češće izostavlja troškovni centar — model
može da iskoristi tu vezu. Najteži slučaj nastaje kada je praznina
povezana baš sa informacijom koja nije evidentirana, kao kada
problematični finansijski pokazatelji ostanu neprijavljeni.
Obrasci se mogu tražiti vizuelnim pregledom praznina, korelacionim
prikazima i indikatorima koji označavaju da li vrednost nedostaje. Ti
indikatori mogu se porediti sa drugim promenljivama kako bi se proverilo
da li se praznine sistematski pojavljuju kod određenih perioda, kupaca
ili organizacionih jedinica. Littleov test može pomoći pri proveri
pretpostavke o potpuno slučajnom nedostajanju, ali ni povoljan rezultat
ne dokazuje da je ta pretpostavka tačna. Razlikovanje težih obrazaca
zahteva računovodstveni kontekst i analizu osetljivosti.
Četiri
pristupa imputaciji bez matematičke magle
KNN: predlog na osnovu
sličnih zapisa
KNN pronalazi određeni broj najsličnijih potpunih zapisa i iz njih
izvodi predlog za prazno polje. Kod nedostajućeg troškovnog centra može
posmatrati dobavljača, konto, poslovnu jedinicu, opis i tip transakcije.
Kod zapisa o plaćanju kupaca može koristiti slične profile i prethodno
ponašanje.
Metoda je intuitivna, ali rezultat zavisi od toga kako je definisana
sličnost. Ako su istorijski zapisi nedosledni, algoritam može uredno
ponoviti stare greške.
MICE: više
mogućih, međusobno povezanih procena
MICE iterativno modeluje svaku promenljivu sa prazninama pomoću
ostalih promenljivih. Umesto da se ponaša kao da postoji samo jedan
siguran odgovor, može generisati više mogućih kompletnih skupova
podataka i tako prikazati neizvesnost imputacije.
Ovaj pristup je naročito prikladan kada se nedostajanje može
objasniti raspoloživim podacima. Međutim, računarski je zahtevniji, a
standardne varijante mogu biti ograničene kada su odnosi izrazito
nelinearni ili kada nedostaje veoma veliki deo podataka.
Imputacija
slučajnom šumom: varijacija nije isto što i dokaz
Praznine se mogu popunjavati slučajno generisanim vrednostima ili
šumom, uključujući Gausovu šumu. Takav postupak uvodi varijaciju, ali
sam po sebi ne koristi dovoljno računovodstvenih odnosa da bi
identifikovao najverovatniju stvarnu vrednost. Zato slučajno popunjena
vrednost ne treba tretirati kao utvrđenu stavku, već jasno označiti kao
simuliranu.
Slučajna šuma ima važniju ulogu pri obuci denoising autoenkodera:
poznati podaci se namerno „kvare“, a mreža uči da rekonstruiše izvorne
vrednosti.
Duboki
autoenkoderi: učenje složenih obrazaca
Autoenkoder pokušava da sažme strukturu podataka i zatim rekonstruiše
ulaz. Denoising varijanta uči iz namerno oštećenih zapisa, pa prazninu
tretira kao oblik šuma. Duboke varijante mogu prepoznati složene i
nelinearne veze u obimnim tabelama.
To ih čini zanimljivim za istorijske finansijske skupove sa mnogo
povezanih atributa. Ipak, zahtevaju dovoljno podataka, pažljivo
podešavanje i kontrolu prekomernog prilagođavanja. Njihova
sofisticiranost nije garancija boljeg rezultata: u pojedinim
finansijskim skupovima jednostavno popunjavanje prosekom bilo je
ravnopravno ili bolje, jer su praznine bile grupisane u velike blokove,
a veze između promenljivih slabe. Klasične metode zasnovane na slučajnim
šumama takođe često ostaju konkurentne dubokom učenju.
Gde se ovo primenjuje u
računovodstvu
Kod nepotpunih knjiženja glavne knjige model može označiti stavke
kojima nedostaje konto, organizaciona oznaka ili drugi očekivani
podatak. Predlog se zatim šalje odgovornoj osobi na proveru prema
dokumentaciji.
Za nedostajuće kodove troškovnih centara mogu se koristiti prethodna
knjiženja sličnih dobavljača i vrsta rashoda. Kod istorijskih
finansijskih serija metode treba da uzmu u obzir vremenski redosled, jer
obična imputacija može previše izravnati promene i potceniti
volatilnost. Kod nepotpunih zapisa o plaćanju kupaca procena može
podržati analizu i prognozu, ali ne dokazuje da je uplata izvršena.
„Boomer“
perspektiva: manje čišćenja, bolji podaci i korisnije prognoze
Optimistični pogled polazi od toga da finansijski timovi previše
vremena troše na ručno pronalaženje praznih ćelija, povezivanje tabela i
ponavljanje istih korekcija. Automatizovano otkrivanje može brzo
izdvojiti sumnjive zapise, dok imputacija omogućava potpunije analitičke
skupove i stabilnije ulaze za prognoze.
Power Query je praktičan početak: povezuje izvore, preoblikuje
podatke i čuva transformacije kao ponovljiv niz koraka koji se može
osvežavati. Izvorne podatke pritom ne menja. Python u Excelu omogućava
izvođenje KNN, MICE i naprednijih analiza iz radne sveske, uz
izvršavanje u Microsoft Cloud okruženju. Azure Machine Learning dodaje
registre modela, verzionisanje, evidenciju porekla, kontrole pristupa,
odobravanja i operativne dnevnike.
Dobit nije samo brzina. Doslednije obrađene praznine mogu poboljšati
kvalitet podataka i omogućiti da se stručnjaci usredsrede na izuzetke,
procene i poslovno značenje.
„Doomer“
perspektiva: uredna tabela može prikriti stvarnu grešku
Pesimistični pogled upozorava da algoritam može napraviti naizgled
uverljiv broj tamo gde zapravo postoji ozbiljan procesni propust.
Popunjena ćelija može sakriti neproknjiženu transakciju, neusaglašenu
pomoćnu evidenciju ili nedostajući dokument.
Modeli mogu preneti istorijsku pristrasnost, a korisnici mogu
automatski poverovati njihovom predlogu čak i kada mu drugi dokazi
protivreče. Imputacija može promeniti raspodelu podataka, izravnati
vremenske serije ili poboljšati tehničku grešku rekonstrukcije bez
poboljšanja konačne prognoze.
Tu su i regulatorna usklađenost i revizijski trag. Potrebno je znati
koji model i koja verzija su korišćeni, nad kojim podacima, kada, sa
kojim rezultatom i ko je odobrio postupak. Python u Excelu radi u oblaku
i nema direktan pristup lokalnim datotekama, uređajima ili lokalnim
bazama preko lokalnih upravljačkih programa. Power Query u veb verziji
Excela ima ograničenja osvežavanja pojedinih izvora. Te operativne
granice moraju biti deo dizajna kontrole.
Praktičan savet za
finansijske timove
- Najpre označite praznine i istražite njihov obrazac; nemojte odmah
popunjavati podatke. - Čuvajte originalnu kolonu, a predlog upisujte u zasebnu kolonu sa
oznakom metode, verzije i vremena obrade. - Uporedite više metoda na poznatim vrednostima koje su privremeno
skrivene. - Merite i tačnost rekonstrukcije i uticaj na prognozu, raspodelu,
trend i volatilnost. - Za knjiženje zahtevajte proveru odgovorne osobe i originalni
dokaz. - Dokumentujte odbijene i prihvaćene predloge, promene modela i
odobrenja.
Zaključak:
pomoćnik za istragu, ne proizvođač činjenica
AI imputacija može pretvoriti nepotpune podatke u korisniji materijal
za analizu, kontrolu i prognoziranje. KNN pruža razumljive predloge iz
sličnih zapisa, MICE prikazuje više mogućih ishoda, slučajna šuma uvodi
simuliranu varijaciju, a autoenkoderi hvataju složene obrasce.
Ipak, najbolja metoda zavisi od uzroka praznina, strukture podataka i
poslovne namene. Najodgovorniji pristup nije automatsko pretvaranje
procene u činjenicu, već kontrolisan proces u kojem AI predlaže, sistem
beleži, stručnjak proverava, a knjigovodstveni dokaz ostaje konačna
osnova za knjiženje.