Procena kreditnog rizika kupaca tradicionalno se oslanja na
finansijske izveštaje, istoriju plaćanja, kreditne izveštaje i iskustvo
računovođe ili kreditnog kontrolora. Problem nije u tome što su ti
izvori izgubili vrednost, već što se često pregledaju ručno, periodično
i tek kada se kašnjenje već pojavi.
AI i modeli mašinskog učenja omogućavaju drugačiji pristup. Oni mogu
povezati podatke iz ERP i CRM sistema, evidenciju otvorenih stavki,
obrasce naručivanja, iskorišćenost kreditnog limita i ponašanje kupca
pri plaćanju. Rezultat može biti procena kreditne sposobnosti,
verovatnoće kašnjenja ili neplaćanja, rizika postojećih potraživanja i
preporučenog kreditnog limita.
Takav rezultat nije konačna odluka. To je signal koji
računovodstvenom timu pomaže da ranije prepozna problem, doslednije
rasporedi pažnju i dokumentuje razloge za postupanje.
Optimistična perspektiva
Najveća korist AI nije samo brži obračun boda rizika. Važnija je
mogućnost da se kreditni rizik prati kontinuirano, umesto da se
procenjuje samo prilikom otvaranja kupca ili povremenog pregleda
limita.
Model može uočiti kombinaciju signala koja čoveku nije odmah
vidljiva: postepeno produžavanje prosečnog kašnjenja, rast otvorenih
faktura, češće korišćenje punog limita, promenu vrednosti porudžbina ili
povećanje broja spornih stavki. Na osnovu istorijskih obrazaca sistem
može proceniti da li raste verovatnoća budućeg kašnjenja ili
neplaćanja.
Za računovodstveni tim to donosi nekoliko praktičnih koristi:
- rizični kupci mogu biti označeni pre ozbiljnog kašnjenja;
- naplata se može usmeriti prema verovatnoći plaćanja i očekivanoj
naplativosti; - odluke o limitima mogu biti zasnovane na aktuelnom ponašanju, a ne
samo na zastarelim podacima; - ista pravila mogu se doslednije primenjivati na ceo portfelj;
- vreme se oslobađa za razgovore sa kupcima, rešavanje sporova i
složenije procene.
Specijalizovani alati dodatno automatizuju pripremu podataka. Finance
rešenje u Microsoft 365 Copilot može u Excelu da prepoznaje vrste
kolona, preoblikuje izvezene ERP podatke, predlaže povezivanje
transakcija i označava uparene, moguće uparene i neuparene stavke. Trag
između izvornih podataka i rezultata olakšava naknadnu proveru.
ChatGPT Enterprise i slični generativni alati mogu izdvojiti podatke
iz finansijskih izveštaja i dokumenata, sažeti komunikaciju sa kupcem
ili pripremiti nacrt kreditnog obrazloženja. Međutim, pouzdaniji pristup
razdvaja generisanje teksta od izvršenja odluke: generativni alat
priprema nacrt, dok definisana pravila, prediktivni model i ovlašćena
osoba određuju stvarni tretman kupca.
Pesimistična perspektiva
Isti sistem koji ubrzava rad može da stvori lažan osećaj sigurnosti.
Napredni modeli, uključujući slučajne šume i modele gradijentnog
pojačavanja, mogu prepoznati složene i nelinearne odnose, ali njihovu
odluku nije uvek lako objasniti. Visok bod rizika nema dovoljnu poslovnu
vrednost ako tim ne zna koji su ga podaci proizveli.
Tehnike objašnjive AI mogu prikazati doprinos pojedinih promenljivih
odluci, ali ni takva objašnjenja nisu nepogrešiva. Mogu biti nestabilna
ili samo približno predstaviti logiku složenog modela. Zato
jednostavniji i razumljiviji model ponekad može biti primereniji od
preciznijeg modela koji niko u finansijskom timu ne može pouzdano da
protumači.
Pristrasnost predstavlja poseban problem. Model uči iz istorijskih
podataka, a ti podaci mogu sadržati ranije nejednakosti ili
nereprezentativne obrasce. Čak i naizgled neutralna promenljiva može
posredno predstavljati osetljivu karakteristiku. Dosledna automatizacija
tada ne uklanja problem, već ga dosledno ponavlja.
Širenje skupa podataka povećava i rizike privatnosti i bezbednosti.
Podaci o novčanim tokovima, transakcijama, komunikaciji i ponašanju
kupaca moraju imati jasno određenu svrhu, prava pristupa i zaštitu.
Organizacija ostaje odgovorna i kada koristi model spoljnog
dobavljača.
Generativni alati mogu dati uverljiv, ali netačan odgovor. Mogu
pogrešno preneti iznos, povezati fakturu sa pogrešnim kupcem ili
sastaviti obrazloženje koje nije podržano izvornom dokumentacijom.
Dodatni operativni rizik postoji u Excelu, gde pretvaranje dugih brojeva
može dovesti do pogrešnog uparivanja transakcija.
Automatizacija može istisnuti deo rutinskih poslova, naročito ručno
prepisivanje, početno razvrstavanje stavki i izradu standardnih nacrta.
Ipak, ona ne uklanja potrebu za stručnim radom. Odgovornost se pomera ka
proveri podataka, tumačenju odstupanja, nadzoru modela, komunikaciji sa
kupcem i odobravanju odluka. Najveća opasnost nije samo gubitak
zadataka, već gubitak stručnog rasuđivanja ako zaposleni prestanu da
osporavaju rezultat sistema.
Praktični koraci za
računovodstveni tim
Početak ne zahteva potpuno autonomni sistem. Koristan ogledni
postupak može se napraviti u Excelu na kontrolisanom uzorku kupaca.
Tabela bi mogla da sadrži sledeće kolone:
| Kolona | Namena |
|---|---|
| Kupac i šifra kupca | Jedinstveno povezivanje podataka |
| Otvorena potraživanja | Trenutna kreditna izloženost |
| Dospela potraživanja | Iznos koji je već u kašnjenju |
| Dani prosečnog kašnjenja | Pokazatelj ponašanja pri plaćanju |
| Kreditni limit | Trenutno odobreni prag |
| Iskorišćenost limita | Odnos izloženosti i raspoloživog limita |
| Broj spornih faktura | Signal mogućih problema u procesu |
| Promena obrasca naručivanja | Rano upozorenje na neuobičajeno ponašanje |
| Bod rizika | Zajednička procena više pokazatelja |
| Razlog boda | Glavni faktori koji su uticali na rezultat |
| Predložena radnja | Praćenje, kontakt, pregled ili promena limita |
| Odluka i odobravalac | Dokumentovana ljudska kontrola |
U ilustrativnom internom modelu bod može biti prikazan na skali od 0
do 100, pri čemu viši broj označava viši rizik. Kupci se zatim mogu
podeliti u zelenu, žutu i crvenu grupu. Pragovi ne treba da budu
preuzeti kao univerzalni standard, već određeni prema politici
preduzeća, kvalitetu podataka i prihvatljivom nivou rizika.
Zelena grupa može obuhvatiti kupce bez značajnih upozorenja. Žuta
grupa zahteva pregled razloga, otvorenih stavki i komunikacije. Crvena
grupa pokreće obaveznu proveru kreditnog kontrolora pre promene limita,
blokiranja porudžbine ili intenziviranja naplate. Excel formula može
sprovesti početno bodovanje, dok model mašinskog učenja kasnije može
procenjivati verovatnoću kašnjenja na osnovu istorijskih ishoda.
Tim treba da čuva verziju podataka, korišćeno pravilo ili model,
dobijeni rezultat, obrazloženje i ime osobe koja je odluku odobrila.
Izlaz generativnog alata mora se proveriti prema fakturama, ugovorima,
izvodima i drugim izvornim dokumentima. Posebno treba pratiti pogrešna
upozorenja, propuštene rizične kupce i promene u ponašanju modela tokom
vremena.
Zaključak
AI može unaprediti procenu kreditnog rizika jer brže obrađuje
podatke, ranije označava probleme i podržava doslednije odluke o naplati
i kreditnim limitima. Može osloboditi računovodstvene profesionalce dela
ponavljajućeg rada, ali ne može preuzeti njihovu odgovornost.
Najrazumniji pristup nije potpuno ručni proces, ali ni autonomno
odlučivanje. Prediktivni model treba da procenjuje rizik,
specijalizovani alat da priprema i povezuje podatke, a generativna AI da
sažima i sastavlja nacrte. Računovođa ili kreditni kontrolor mora da
proveri činjenice, razume razlog preporuke i odobri odluku koja utiče na
kupca, naplatu ili kreditnu izloženost.