Stručni članci
Na ovim stranicama bilježimo promjene u načinu na koji slavonska poduzeća upravljaju novčanim tokom, dobavljačima i bankovnim izvodima. Tim Bakine Bašte u Gornjem gradu prati regulatorne izmjene, testira nove modele strojnog učenja i razgovara s knjigovodstvenim servisima diljem Osijeka, Đakova i Vinkovaca — a zaključke prenosimo ovdje, bez žargona kojeg nitko nema vremena dešifrirati.
01 — Trendovi
Posljednjih nekoliko godina hrvatske banke postupno su uskladile svoje sustave s direktivom PSD2, čime je poslovnim korisnicima omogućen izravan, siguran pristup transakcijskim podacima putem API-ja. Za poduzeća u Slavoniji to znači kraj ručnog preuzimanja izvoda u PDF formatu i njihovog prepisivanja u Excel tablice — proces koji je dosad oduzimao satima knjigovodstvenog vremena svaki mjesec.
Naš sustav obrađuje izvode iz 12 formata hrvatskih banaka u manje od 4 sekunde po transakciji, a integracija putem PSD2 API-ja znači da financijski direktor u Vinkovcima može vidjeti stanje svih poslovnih računa na jednom mjestu, bez čekanja na mjesečni izvadak. Primijetili smo da poduzeća koja su prešla na automatsku kategorizaciju troškova skraćuju vrijeme zatvaranja mjeseca za gotovo polovicu, jer se transakcije razvrstavaju prema skupinama čim stignu, a ne naknadno, pod pritiskom roka.
Smjer je jasan: banke otvaraju podatke, strojno učenje ih tumači, a knjigovodstveni servisi se oslobađaju rutinskog unosa i usmjeravaju na savjetovanje klijenata. Hrvatska narodna banka redovito objavljuje statistiku platnog prometa koja potvrđuje ubrzani rast bezgotovinskih transakcija, što dodatno povećava vrijednost automatizirane obrade podataka za mala i srednja poduzeća.
02 — Regulativa
Kad AI model obrađuje bankovne izvode, transakcije dobavljača i podatke o bonitetu poslovnih partnera, pitanje zaštite osobnih podataka postaje jednako važno kao i točnost predviđanja. Opća uredba o zaštiti podataka (GDPR) postavlja jasne granice: podaci se obrađuju samo u svrhu za koju su prikupljeni, čuvaju se onoliko dugo koliko je nužno, a svaki klijent ima pravo uvida i brisanja.
Za poduzeća u Osijeku i okolici to u praksi znači provjeru ugovora s pružateljima financijske automatizacije — tko ima pristup izvodima, gdje se podaci pohranjuju i na koji način se anonimiziraju prije analize. Analiza kreditne sposobnosti dobavljača, primjerice, zahtijeva posebnu pažnju jer uključuje procjenu rizika trećih strana, a ne samo internih financija poduzeća.
Naš tim, s iskustvom stečenim u FINA-i i poslovnim bankama, svaki model gradi uz ugrađenu minimizaciju podataka: izvodi se obrađuju, kategoriziraju i brišu iz privremene memorije čim je izvještaj generiran. Detaljnije informacije o načinu obrade podataka dostupne su na našoj stranici o privatnosti.
03 — Praksa
Razgovarajući s više od 140 poduzeća kojima svaki mjesec šaljemo financijske izvještaje, primijetili smo ponavljajući obrazac: likvidnosni problemi rijetko nastaju preko noći, nego se najavljuju mjesecima unaprijed kroz sitne, lako zanemarive signale. Kašnjenja naplate od dva do tri ključna kupca, sezonski pad narudžbi koji se ne prati sustavno, ili rastući troškovi sirovina koji se ne prevode u novu cijenu na vrijeme — sve su to podaci koje AI model, uz 24 mjeseca povijesnih transakcija, prepoznaje puno prije nego što postanu vidljivi na računu.
Vlasnici obrta i manjih tvrtki u Slavoniji često nam opisuju trenutak kad su shvatili da im nedostaje predvidljivost: narudžba za novu opremu stigla je istog tjedna kad i porezna obveza, a rezerva na računu nije bila dovoljna za oboje. Mjesečni financijski izvještaj s konkretnim preporukama — umjesto gole tablice brojki — upravo tu razliku pravi, jer upozorava na uska grla prije nego što postanu kriza, a ne nakon.
Praktičan savjet koji ponavljamo svakom klijentu: pratite novčani tok tjedno, ne mjesečno, i uvijek odvojeno promatrajte operativne troškove od jednokratnih izdataka poput investicija u opremu. Financijski direktori koji su to usvojili kao naviku rjeđe se oslanjaju na prekoračenja po poslovnom računu i imaju jasniju sliku prilikom pregovora s dobavljačima.
04 — Dubinski uvid
Sklapanje ugovora s novim dobavljačem ili distributerom često se temelji na preporuci ili dosadašnjem iskustvu, a rijetko na konkretnim financijskim pokazateljima. Analiza bonitetnog rizika, koju naš tim izrađuje za klijente prije potpisivanja ugovora, kombinira javno dostupne financijske podatke, povijest plaćanja i strukturu novčanog toka partnera kako bi procijenila vjerojatnost kašnjenja ili raskida suradnje.
Za poduzeća koja posluju s više manjih dobavljača u regiji Osijeka i Đakova, ova vrsta provjere smanjuje izloženost riziku lančanog kašnjenja plaćanja — situaciji u kojoj kašnjenje jednog partnera uzrokuje domino-efekt kroz cijeli lanac nabave. Slične preporuke iznosi i FINA u svojim godišnjim analizama bonitetnih pokazatelja hrvatskih poduzeća, naglašavajući važnost pravovremene provjere financijske stabilnosti poslovnih partnera.
Marko Jurić, voditelj razvoja AI modela u našem timu, često naglašava da je svrha ove analize zaštita, a ne isključivanje suradnje: cilj nije odbiti dobavljača s povišenim rizikom, nego ugovoriti uvjete plaćanja koji odgovaraju njegovoj stvarnoj financijskoj situaciji — kraće rokove, djelomična predujmove ili dodatne instrumente osiguranja plaćanja.
Pogledajte naše usluge ili nam se javite na +385 31 912 280.
Pogledajte usluge