Finansijsko planiranje tradicionalno pokušava da složenu budućnost
svede na nekoliko urednih kolona: plan prodaje, troškove, dobit i
novčani tok. Problem je što poslovno okruženje ne prati jednu putanju.
Inflacija može podići i prodajne cene i ulazne troškove, recesija može
istovremeno oboriti obim prodaje i usporiti naplatu, a rast kamatnih
stopa može pogoditi rezultat i likvidnost mnogo pre dospeća
glavnice.
AI i mašinsko učenje nude način da se veći broj takvih veza obradi
brže. Mogu da pomognu u pronalaženju obrazaca, otkrivanju odstupanja,
pripremi polazne prognoze, izboru važnih pokretača i automatizaciji
ponavljajućih analiza. Međutim, brzina obrade nije isto što i pouzdanost
zaključka.
Za računovođe, kontrolore i CFO rukovodioce zato nije presudno
pitanje da li koristiti AI, već kako ga uključiti u kontrolisan model.
Dobar sistem mora da pokaže kako promena poslovne pretpostavke prolazi
kroz bilans uspeha, bilans stanja i novčani tok, ko je tu pretpostavku
odobrio i na koji način je rezultat proveren.
Kako se
grade scenariji koji povezuju celo poslovanje
Osnovni scenario polazi od odobrenog plana i najverovatnijih
operativnih pretpostavki: količine, cene, broja zaposlenih, troškova
nabavke, rokova naplate, zaliha, ulaganja i izvora finansiranja. To nije
tvrdnja da će se plan ostvariti, već referentna putanja prema kojoj se
mere ostali ishodi.
Recesioni scenario uvodi pad tražnje, slabiji obim prodaje ili
pritisak na cene. Niži prihod može smanjiti bruto dobit, dok se fiksni
troškovi ne prilagođavaju istom brzinom, pa operativna marža dodatno
pada. Ako kupci sporije plaćaju, potraživanja rastu u odnosu na prodaju,
novac se oslobađa sporije, a potreba za kratkoročnim finansiranjem može
porasti.
Inflacioni scenario menja više pretpostavki odjednom. Rast cena
sirovina, energije ili rada povećava troškove, dok sposobnost prenosa
tog rasta na kupce određuje kretanje marže. Više nominalne cene mogu
povećati vrednost potraživanja i zaliha, pa dobit na papiru ne mora
značiti i bolji novčani tok.
Kamatno osetljivi scenario menja stope na postojećem i novom dugu.
Viši trošak finansiranja umanjuje rezultat kroz rashode kamata, a
istovremeno povećava odlive novca. Ako recesioni pritisak već produžava
naplatu, kombinacija slabije prodaje i skupljeg finansiranja može biti
znatno ozbiljnija od zbira dva izolovana testa.
Svaki scenario zato mora biti integrisan. Pretpostavke se prvo
pretvaraju u prihode i marže, zatim u potraživanja, zalihe i obaveze,
potom u trošak finansiranja i ulaganja, a na kraju u bilans uspeha,
bilans stanja i novčani tok. Model koji menja samo dobit, bez provere
gotovine i bilansne ravnoteže, daje nepotpunu sliku rizika.
Optimistična
„boomer” perspektiva: više produktivnosti, više vremena za
prosuđivanje
Optimistični pogled polazi od činjenice da veliki deo finansijskog
rada čine prikupljanje podataka, usaglašavanje verzija, provera
odstupanja i ponavljanje sličnih proračuna. AI može da ubrza upravo te
mehaničke korake. Time se računovođama i FP&A timovima otvara više
vremena za tumačenje rezultata, razgovor sa poslovnim jedinicama i
pripremu odluka.
U Excel okruženju Copilot može da predloži formule, napravi
grafikone, analizira tabelarne podatke i pomogne u izradi analiza
promenjenih pretpostavki. Režim planiranja omogućava pregled predloženih
koraka pre izmene radne sveske, dok režim razgovora može dati uvid bez
neposrednog menjanja podataka. Python in Excel proširuje mogućnosti
statističke analize i omogućava da se Python proračuni vrate u radni
list.
Za šire planiranje mogu se koristiti platforme kao što su Anaplan,
Workday Adaptive Planning, Planful i Datarails. Njihovo mesto je u
povezivanju planskog procesa, podataka i organizacionih učesnika, dok
Excel često ostaje praktičan interfejs za detaljne proračune i pregled
modela.
Najveća korist nije automatski napravljen izveštaj, već brži ciklus
pitanja i odgovora. Finansijski tim može da ispita šta se dešava sa
likvidnošću ako istovremeno padne prodaja, porastu zalihe i poskupi dug,
umesto da svaku promenu ručno ugrađuje u novu verziju datoteke.
Pesimistična
„doomer” perspektiva: greške se takođe automatizuju
Isti alati mogu da ubrzaju pogrešan model. Copilot može pogrešno
protumačiti podatke ili proizvesti netačnu formulu. Zbog toga se ne sme
predstavljati kao samostalan sistem koji pouzdano izrađuje revizorski
prihvatljive modele. Potrebno je proveriti svaku značajnu formulu, izvor
podataka, vezu između izveštaja i ekonomsku opravdanost
pretpostavke.
Mašinsko učenje nosi dodatni rizik kada je veza između ulaza i
rezultata teško objašnjiva. Model može dobro pratiti istorijske podatke,
a ipak oslabiti kada se tržišni odnosi promene. Zato su potrebni
poređenje prognoze sa ostvarenjem, praćenje grešaka, stres-testiranje i
nezavisna stručna provera.
Promena poslova je takođe stvarna. Poslovi zasnovani pretežno na
ručnom spajanju tabela, standardnim obračunima odstupanja i pripremi
polaznih prognoza mogu biti snažno automatizovani. To ne znači nužno
nestanak FP&A analitičara, ali znači transformaciju uloge: manje
vremena za održavanje datoteka, a više odgovornosti za poslovne
pokretače, kontrolu modela, objašnjenje rezultata i savetovanje
rukovodstva.
Monte Carlo:
raspodela ishoda, a ne kristalna kugla
Monte Carlo nije predviđanje budućnosti. To je simulacija raspodele
mogućih ishoda prema pretpostavkama koje je korisnik uneo o
promenljivama, njihovim rasponima i međusobnim vezama.
U Excel modelu simulacija može koristiti funkcije za slučajne brojeve
i statističke raspodele, uz tabele podataka za ponavljanje proračuna i
čuvanje rezultata. Python in Excel može podržati složeniju obradu i
vizuelizaciju, ali nema poseban ugrađeni čarobnjak koji automatski
rešava Monte Carlo modeliranje.
Rezultat može pokazati raspon dobiti, gotovine ili potrebe za
finansiranjem, kao i nepovoljne repove raspodele. Njegov kvalitet ipak
zavisi od kvaliteta pretpostavki. Nerealna raspodela, zanemarena
povezanost prodaje i naplate ili neodgovarajući statistički postupak
mogu dati precizan grafikon pogrešne priče.
Praktična pravila za
odgovornu primenu
Počnite sa malim brojem materijalnih pokretača i jasno dokumentujte
njihovu vezu sa finansijskim izveštajima. Odvojite polazne podatke,
pretpostavke, proračune i rezultate. Čuvajte verzije modela i beležite
ko je promenio ključne pretpostavke i zašto.
AI koristite za pripremu, proveru i ubrzavanje analize, ali zadržite
stručnjaka u postupku odobravanja. Copilot izmene treba pregledati kroz
formule i trag promena, dok Python proračuni zahtevaju proveru koda,
ulaza i izlaza. Prognoze treba redovno porediti sa ostvarenjem i sa
jednostavnijim statističkim merilima.
Uravnotežen
zaključak: automatizovati računanje, ne odgovornost
AI može značajno unaprediti višescenarijsko modeliranje jer ubrzava
obradu podataka, ponavljanje proračuna i istraživanje povezanih rizika.
Računovođe i FP&A analitičari time ne postaju manje važni. Njihova
vrednost se pomera sa ručnog sastavljanja modela ka izboru pretpostavki,
proveri logike i objašnjenju posledica.
Najbolji pristup nije ni bezuslovno poverenje ni potpuno odbacivanje.
Excel, Copilot, Python in Excel i FP&A platforme treba posmatrati
kao slojeve kontrolisanog procesa. Model daje raspon mogućnosti;
stručnjak procenjuje da li taj raspon ima poslovnog smisla.
Uprava na kraju ne donosi odluku na osnovu broja scenarija, već na
osnovu njihove verodostojnosti. AI može izračunati više budućnosti za
manje vremena, ali odgovornost za odluku ostaje ljudska.