Finansijska prognoza više ne mora da počinje izborom jednog
„najpametnijeg“ modela. Praktičniji tok za 2025–2026. počinje
jednostavnim pitanjem: da li se obrazac može pouzdano videti u uređenoj
vremenskoj seriji, ili su za prognozu potrebni dodatni poslovni
pokretači? Za računovođe to znači postepeni izbor između ugrađenog Excel
alata, prilagođene analize i zasebnog okruženja za mašinsko učenje.
Najvažnije je ne mešati tri različite stvari. FORECAST.ETS je
Excelova funkcija za vremenske serije. Azure Machine Learning je zaseban
radni tok za pripremu, obuku, poređenje i primenu modela. Copilot je
generativni pomoćnik za rad sa sadržajem i analizom, ali ga ne treba
predstavljati kao dokazani izvršni mehanizam za svaki model.
Od obrasca u tabeli do
prognoze
Sezonalnost je ponavljanje obrasca u pravilnim vremenskim razmacima.
Kod prihoda to može biti rast u istim mesecima svake godine; kod rashoda
periodično obnavljanje licenci, osiguranja ili ugovora; kod novčanog
toka razmak između ciklusa naplate i plaćanja. Model pokušava da odvoji
takva ponavljanja od dugoročnog kretanja i preostale promenljivosti.
Za brz početak u Excelu, FORECAST.ETS nudi ugrađeno prognoziranje
zasnovano na eksponencijalnom izglađivanju. Prateća funkcija
FORECAST.ETS.SEASONALITY pokazuje dužinu automatski pronađenog
ponavljajućeg obrasca, identičnog onome koji FORECAST.ETS koristi uz
iste ulazne parametre [ref310]. To je korisna kontrola: računovođa može
proveriti da li je Excel prepoznao, na primer, razuman godišnji obrazac
u mesečnim podacima, umesto da rezultat prihvati bez pregleda.
Vremenska osa mora imati dosledan korak. Funkcija može da obradi do
30% nedostajućih podataka, podrazumevano ih dopunjavajući prosekom
susednih tačaka, dok se može zadati i tretiranje nedostajućih tačaka kao
nula. Duplikati vremenskih oznaka mogu se objediniti prosekom, zbirom,
brojanjem, minimumom, maksimumom ili medijanom [ref310]. Ove mogućnosti
su praktične, ali nisu zamena za odluku da li prazno polje zaista znači
nepoznatu vrednost, nultu aktivnost ili grešku u uvozu.
Kada jednostavan model
nije dovoljan
ARIMA i eksponencijalno izglađivanje oslanjaju se pre svega na
istoriju ciljne veličine. U Azure AutoML oba su dostupna kao modeli
vremenskih serija, zajedno sa jednostavnim i sezonskim početnim modelima
[ref317]. Takav pristup odgovara relativno stabilnim serijama u kojima
prošle vrednosti i njihov redosled nose najveći deo korisnog
signala.
Prophet je u Azure AutoML svrstan među regresione modele. Regresioni
modeli mogu uključiti cenu, dan u nedelji, praznik ili drugi
objašnjavajući činilac, ali postoji važna granica: vrednosti svih unetih
karakteristika moraju biti poznate u budućnosti najmanje do horizonta
prognoze [ref317]. Ako se buduća cena ili poslovna odluka ne zna, model
ne može legitimno da je koristi kao da je poznata.
AutoML dodatno može stvarati kalendarske karakteristike, kašnjenja,
pokretne agregate, praznične pokazatelje i opcionu STL sezonsku
dekompoziciju. Takođe proverava nestacionarnost i primenjuje
diferenciranje kada je otkrije [ref317]. To proširuje analizu, ali
povećava potrebu za dokumentovanjem: finansijski tim mora znati koje su
kolone korišćene, kako su praznine popunjene i koji je period
predstavljao obuku i proveru.
Azure Machine Learning nije skrivena opcija unutar Excel formule. To
je zasebno okruženje u kojem se upravlja skupovima podataka,
eksperimentima, izvršavanjima i modelima. Obučeni model može se
primeniti kao usluga koju koristi druga aplikacija [ref435]. U
finansijskom procesu to podrazumeva kontrolisani prenos podataka iz
Excel datoteke ili drugog izvora, izvršavanje modela i vraćanje
rezultata u tabelu ili izveštaj.
Python u Excelu može se posmatrati kao mogući most ka prilagođenoj
analizi, ali njegovu dostupnost i konkretno podržane biblioteke treba
proveriti pre izbora rešenja. Za složenije, nadzirane procese Azure
ostaje zaseban tok. Copilot može pomoći da se podaci opišu, pitanja
formulišu i nalaz dokumentuje, ali ne treba tvrditi da samostalno
pokreće FORECAST.ETS, ARIMA, Prophet i sve AutoML postupke.
Tri finansijska slučaja
Kod sezonskih prihoda, prvo treba prikazati mesečne
iznose, proveriti pravilnost datuma i pomoću FORECAST.ETS.SEASONALITY
utvrditi koji je ciklus otkriven. Ako su poznati budući praznici ili
cene, složeniji regresioni pristup može ih razmatrati.
Kod ciklusa rashoda, agregiranje je presudno. Više
knjiženja istog dana možda treba sabrati, a ne prosečiti. Pogrešan izbor
može stvoriti lažnu sezonalnost pre nego što model uopšte počne da
prognozira.
Kod novčanog toka, potrebno je odvojiti prilive i
odlive ili bar dokumentovati kako su objedinjeni. Stabilan istorijski
ciklus može pomoći, ali promena rokova naplate, politike plaćanja ili
poslovnog režima može učiniti stari obrazac manje relevantnim.
Optimističan
pogled: više vremena za prosuđivanje
Automatsko prepoznavanje sezonalnosti i poređenje više modela mogu
smanjiti ručni rad oko ponavljajućih obračuna. AutoML može kombinovati
najbolje modele ponderisanim ansamblom, dok je slagani ansambl
podrazumevano isključen zbog uočene sklonosti ka prekomernom
prilagođavanju vremenskim serijama [ref317]. Najveća korist zato nije
„nepogrešiva prognoza“, već brže stvaranje proverljivih kandidata,
scenarija i obrazloženja za upravu.
Pesimističan
pogled: uredna greška je i dalje greška
Loši datumi, pogrešne nule i neadekvatno objedinjavanje mogu
proizvesti tehnički urednu, ali poslovno pogrešnu prognozu. Složen model
može postati crna kutija ako korisnik ne razume ulaze i pretpostavke.
Promena režima može prekinuti istorijsku vezu, dok rekurzivne prognoze
mogu akumulirati grešku jer prethodne prognoze vraćaju u naredne korake
[ref317].
Postoji i zabrinutost za radna mesta, naročito za rutinske početne
zadatke. Međutim, stručna rasprava 2025–2026. istovremeno naglašava
ljudsko prosuđivanje, obrazovanje, etiku i preoblikovanje profesionalnih
uloga [ref425]. Dostavljeni dokazi zato više podržavaju promenu sadržaja
rada nego tvrdnju da će tehnologija ukloniti potrebu za
računovođama.
Praktični saveti
- Uredite jednu kolonu datuma i jednu ciljnu finansijsku
veličinu. - Proverite pravilan vremenski korak, duplikate, praznine i značenje
nula. - Napravite jednostavnu početnu prognozu pre složenog modela.
- Zabeležite automatski otkrivenu sezonalnost i proverite njenu
poslovnu logiku. - Odvojite period za proveru od perioda korišćenog za obuku.
- Dokumentujte ulaze, dopune podataka, model, horizont i odgovornu
osobu. - Zahtevajte ljudsko odobrenje pre budžetske, likvidnosne ili
izveštajne odluke.
Uravnotežen zaključak
Savremeni finansijski tok ne bira između čoveka i algoritma, već
između kontrolisanog i nekontrolisanog korišćenja alata. Excel je dobar
početak za transparentnu sezonsku prognozu; Azure AutoML je opravdan
kada treba porediti modele i uključiti dodatne pokretače; Python može
podržati prilagođavanje, a Copilot pripremu i dokumentovanje. Konačna
odgovornost ipak ostaje kod finansijskog profesionalca koji razume
podatke, prepoznaje promenu režima i ume da objasni zašto prognoza
zaslužuje poverenje.