Прогноз денежного потока

Финансовая команда тратит время каждую неделю на пересборку прогноза кеш-флоу: выгрузка проводок, сведение в Excel, перерасчёт под «что если». Автоматизация снимает эту рутину и переводит прогноз из режима «снимок раз в месяц» в режим «актуальная картина каждый день».

AI-агент берёт данные из бухгалтерской системы и data warehouse / BI, строит прогноз на 30/60/90 дней и сопровождает его текстовым объяснением. Финансовый менеджер не получает голую таблицу — он получает короткий отчёт с пояснением, что изменилось и почему.

Что делает автоматизация

1. Подтягивает фактические данные из бухгалтерии (поступления, платежи, обязательства) и из data warehouse (контрактные графики, периодические подписки, прогноз продаж).
2. Категоризирует движения: операционные поступления, налоги, ФОТ, аренда, разовые платежи.
3. Строит прогноз на три горизонта: 30, 60 и 90 дней.
4. Формирует три сценария: базовый (по факту и подтверждённым обязательствам), оптимистичный (с учётом pipeline), пессимистичный (с задержкой ключевых поступлений).
5. Сравнивает с прошлой версией прогноза: что изменилось, какие новые риски появились, какой тренд по cash position.
6. Готовит текстовый narrative — короткое объяснение цифр в формате, понятном собственнику без финансового образования.
7. Доставляет отчёт по расписанию (например, утром по понедельникам) или по запросу — в email, Slack или Notion.

Чего автоматизация не делает

• Не заменяет казначея и финансового директора. Решения о платежах, переговорах с банком, привлечении финансирования остаются за человеком.
• Не предсказывает выручку, которой нет в системе. Если pipeline ведётся в голове менеджера, а не в CRM — прогноз будет неполным.
• Не правит данные в источнике. Если бухгалтерия не закрыта или проводки задержаны — прогноз отразит это, но не починит.

Под капотом — связка из коннекторов к источникам, ETL-слоя для нормализации данных, прогнозной модели и LLM для генерации текстового комментария. Реализация — custom-code на Python: готовые SaaS-решения редко покрывают специфику работы со счетами, контрагентами и графиком налогов конкретной компании.

Архитектурный поток

Сырые данные приходят из двух категорий источников. Бухгалтерия (1С, QuickBooks, Xero, NetSuite — что используется) даёт фактические остатки, проводки, контрагентов, открытые счета. Data warehouse / BI (BigQuery, Snowflake, Metabase) даёт продуктовые метрики, контрактные графики, расширенный pipeline. Если warehouse нет, AI-агент работает напрямую с CRM и таблицами.

Дальше слой ETL приводит данные к единой модели: счета сводятся к категориям движения, периодические платежи (аренда, подписки, зарплата) выделяются как известные обязательства, разовые платежи — как сценарные. Прогнозная модель строит три траектории и считает остаток на каждый день горизонта.

LLM (AI-модель или аналог) получает на вход цифры и контекст и генерирует текстовый narrative: что в фокусе на этой неделе, какой риск самый ощутимый, что изменилось с прошлого прогноза.

Шаги внедрения

1. Аудит источников. Описать, где лежат фактические данные (бухгалтерия), где плановые (CRM, контракты), какие категории расходов нужно отслеживать.
2. Маппинг счетов. Свести план счетов и категории CRM к единой таксономии для прогноза (операционка, ФОТ, налоги, инвестиции, разовое).
3. Подключение коннекторов. API бухгалтерии и data warehouse / BI; если API ограничен — выгрузка через regular dump.
4. Сборка прогнозной модели. Базовая логика — recurring + scheduled + scenario adjustments. Без ML на первой итерации, чтобы результат был объяснимым.
5. Настройка сценариев. Параметры для оптимистичного и пессимистичного сценариев согласовываются с CFO: % задержки поступлений, % сорванного pipeline, ускоренные платежи.
6. Подключение LLM-слоя для narrative. Промпт с контекстом компании, последний прогноз, изменения. Тон и формат комментария согласовываются на нескольких итерациях.
7. Канал доставки. Email с PDF, Slack-сообщение, Notion-страница, дашборд в BI — выбирается по тому, как команда уже работает с финансовой отчётностью.
8. Запуск в shadow-режиме на 2-4 недели. AI-агент строит прогноз параллельно с ручной версией, расхождения разбираются и калибруются.

Компоненты

Оркестрация — low-code платформа или код в Airflow / cron, в зависимости от того, что уже используется в команде. Для SMB чаще workflow-движок: визуальный workflow проще поддерживать без выделенного DevOps.

Внедрение требует доступа к источникам данных и небольшой подготовительной работы со стороны финансовой команды.

Доступы и данные

• Доступ к бухгалтерской системе (1С, QuickBooks, Xero, NetSuite или другая) — лучше API, в крайнем случае выгрузка.
• Доступ к data warehouse / BI или к источникам, на которых строится pipeline (CRM, биллинг, таблицы контрактов).
• План счетов и таксономия движений в актуальном виде.
• Информация о повторяющихся обязательствах: аренда, подписки, ФОТ, налоги.

Готовность команды

• CFO или финансовый менеджер, который согласует таксономию и параметры сценариев. Это не одноразовая задача — на первой итерации требуется 4-6 рабочих сессий.
• Готовность работать в shadow-режиме 2-4 недели: ручной прогноз и AI-прогноз параллельно для калибровки.
• Доступ к человеку, который понимает структуру данных в источниках (бухгалтер, владелец BI).

Сроки

Базовое внедрение занимает 6-10 недель:

1. Аудит источников и маппинг — 2 недели.
2. Сборка модели и интеграций — 3-4 недели.
3. Shadow-период и калибровка — 2-4 недели.

Сроки растут, если данные в источниках разрозненны или если требуются нестандартные сценарии (мульти-валютный прогноз, факторинг, работа с авансами от крупных клиентов).