Proces i tehnologija
Kad poduzetnik u Gornjem gradu otvori svoj bankovni izvod, ono što vidi je niz brojeva i šifri transakcija. Ono što naš sustav vidi je slika likvidnosti koja se mijenja iz dana u dan. Tim Bakine Bašte je od 2010. godine, uz iskustvo stečeno u FINA-i i poslovnim bankama, gradio model koji taj niz brojeva pretvara u jasan, upotrebljiv zaključak. U nastavku objašnjavamo svaki korak obrade, od trenutka povezivanja računa do mjesečnog izvještaja koji slijeće u pretinac klijenta.
Korak 01
Prvi korak nije unos lozinki u treću aplikaciju, nego siguran protokol propisan direktivom PSD2, koji omogućuje da hrvatske banke dijele podatke o transakcijama izravno s ovlaštenim pružateljem usluga, uz pristanak klijenta. Nema ručnog preuzimanja izvoda, nema slanja PDF-ova e-poštom.
Naš sustav trenutno čita dvanaest formata izvoda koje koriste banke u Hrvatskoj, od starijih MT940 zapisa do modernijih API odgovora. Kad klijent iz Đakova ili Vinkovaca odobri pristup, povezivanje je gotovo u nekoliko minuta, bez posjete poslovnici.
Korak 02
Nakon povezivanja, model obrađuje svaku transakciju pojedinačno — u prosjeku u manje od četiri sekunde. To uključuje čišćenje opisa plaćanja, koji često dolaze skraćeni ili nedosljedno zapisani ovisno o banci, te usklađivanje valute i datuma u jedinstven format. Marko Jurić, voditelj razvoja AI modela, ovaj dio naziva "pročišćavanjem šuma" — bez njega bi svaka sljedeća analiza nasljeđivala pogreške iz izvornih podataka.
Za svako poduzeće sustav gradi povijesni niz od do 24 mjeseca transakcija, koji postaje temelj za sve naredne korake — od kategorizacije do predviđanja.
Korak 03
Umjesto da knjigovođa ručno razvrstava stavke poput "režija", "nabava" ili "plaće", model koristi strojno učenje treniran na tisućama transakcija iz slavonskih poduzeća kako bi prepoznao obrazac iza svake stavke. Sustav uči i na povratnim ispravkama — kad Ivana Kovačević, naša financijska analitičarka, ručno prekategorizira neku stavku, model tu izmjenu pamti za buduće slične slučajeve.
Rezultat je urednija knjiga troškova bez sati provedenih u Excelu, i podloga za analizu kreditne sposobnosti dobavljača prije nego što se potpiše ugovor.
Korak 04
S kategoriziranom poviješću transakcija, model projicira priljeve i odljive za sljedećih nekoliko mjeseci. Projekcija uzima u obzir sezonske obrasce — na primjer, usporavanje naplate u ljetnim mjesecima kod poduzeća koja surađuju s poljoprivrednim sektorom — kao i ponavljajuće obveze poput rata leasinga ili doprinosa. Metodologija se oslanja na statističke pristupe koje opisuje i Hrvatska narodna banka u svojim analizama likvidnosti sektora, prilagođene razini pojedinog poduzeća.
Cilj nije savršena preciznost na dan, nego rano upozorenje: ako model procijeni da će za šest tjedana doći do napetosti u likvidnosti, klijent to vidi na vrijeme da pregovara rok plaćanja ili odgodi nabavu.
Korak 05
Na kraju mjeseca, više od 140 poduzeća u Slavoniji prima automatizirani izvještaj koji sažima kretanje troškova, odstupanja od predviđanja i konkretne preporuke za upravljanje likvidnošću — primjerice prijedlog da se dio viška sredstava usmjeri u oročeni depozit, ili upozorenje da određeni dobavljač sustavno kasni s isporukom nakon plaćanja unaprijed.
Svi podaci se obrađuju u skladu s GDPR okvirom, a Tomislav Babić i tim podrške dostupni su klijentima za svako pitanje o tumačenju izvještaja ili podešavanju postavki kategorizacije.
Razgovarajte s našim timom u uredu u ul. Kneza Trpimira 61 ili zakažite poziv kako bismo prošli korake obrade na primjeru vašeg poslovanja.
Zatražite demonstraciju