Прогноз грошового потоку

Фінансова команда витрачає час щотижня на перезбирання прогнозу кеш-флоу: вивантаження проводок, зведення в Excel, перерахунок під «що якщо». Автоматизація знімає цю рутину і переводить прогноз із режиму «знімок раз на місяць» у режим «актуальна картина щодня».

AI-агент бере дані з бухгалтерської системи та data warehouse / BI, будує прогноз на 30/60/90 днів і супроводжує його текстовим поясненням. Фінансовий менеджер не отримує голу таблицю — він отримує короткий звіт із поясненням, що змінилося і чому.

Що робить автоматизація

1. Підтягує фактичні дані з бухгалтерії (надходження, платежі, зобов'язання) та з data warehouse (контрактні графіки, періодичні підписки, прогноз продажів).
2. Категоризує рухи: операційні надходження, податки, ФОТ, оренда, разові платежі.
3. Будує прогноз на три горизонти: 30, 60 і 90 днів.
4. Формує три сценарії: базовий (за фактом і підтвердженими зобов'язаннями), оптимістичний (з урахуванням pipeline), песимістичний (із затримкою ключових надходжень).
5. Порівнює з попередньою версією прогнозу: що змінилося, які нові ризики з'явилися, який тренд по cash position.
6. Готує текстовий narrative — коротке пояснення цифр у форматі, зрозумілому власнику без фінансової освіти.
7. Доставляє звіт за розкладом (наприклад, вранці щопонеділка) або на запит — в email, Slack або Notion.

Чого автоматизація не робить

• Не замінює скарбника і фінансового директора. Рішення про платежі, переговори з банком, залучення фінансування залишаються за людиною.
• Не передбачає виручку, якої немає в системі. Якщо pipeline ведеться в голові менеджера, а не в CRM — прогноз буде неповним.
• Не править дані у джерелі. Якщо бухгалтерія не закрита або проводки затримані — прогноз відобразить це, але не виправить.

Під капотом — зв'язка з коннекторів до джерел, ETL-шару для нормалізації даних, прогнозної моделі та LLM для генерації текстового коментаря. Реалізація — custom-code на Python: готові SaaS-рішення рідко покривають специфіку роботи з рахунками, контрагентами та графіком податків конкретної компанії.

Архітектурний потік

Сирі дані надходять з двох категорій джерел. Бухгалтерія (1С, QuickBooks, Xero, NetSuite — що використовується) дає фактичні залишки, проводки, контрагентів, відкриті рахунки. Data warehouse / BI (BigQuery, Snowflake, Metabase) дає продуктові метрики, контрактні графіки, розширений pipeline. Якщо warehouse немає, AI-агент працює напряму з CRM і таблицями.

Далі шар ETL приводить дані до єдиної моделі: рахунки зводяться до категорій руху, періодичні платежі (оренда, підписки, зарплата) виділяються як відомі зобов'язання, разові платежі — як сценарні. Прогнозна модель будує три траєкторії та рахує залишок на кожен день горизонту.

LLM (AI-модель або аналог) отримує на вхід цифри та контекст і генерує текстовий narrative: що у фокусі цього тижня, який ризик найбільш відчутний, що змінилося з попереднього прогнозу.

Кроки впровадження

1. Аудит джерел. Описати, де лежать фактичні дані (бухгалтерія), де планові (CRM, контракти), які категорії витрат потрібно відстежувати.
2. Маппінг рахунків. Звести план рахунків та категорії CRM до єдиної таксономії для прогнозу (операційка, ФОТ, податки, інвестиції, разове).
3. Підключення коннекторів. API бухгалтерії та data warehouse / BI; якщо API обмежений — вивантаження через regular dump.
4. Збірка прогнозної моделі. Базова логіка — recurring + scheduled + scenario adjustments. Без ML на першій ітерації, щоб результат був пояснюваним.
5. Налаштування сценаріїв. Параметри для оптимістичного та песимістичного сценаріїв узгоджуються з CFO: % затримки надходжень, % зірваного pipeline, прискорені платежі.
6. Підключення LLM-шару для narrative. Промпт з контекстом компанії, останній прогноз, зміни. Тон та формат коментаря узгоджуються на кількох ітераціях.
7. Канал доставки. Email з PDF, Slack-повідомлення, Notion-сторінка, дашборд у BI — вибирається за тим, як команда вже працює з фінансовою звітністю.
8. Запуск у shadow-режимі на 2-4 тижні. AI-агент будує прогноз паралельно з ручною версією, розбіжності розбираються та калібруються.

Компоненти

Оркестрація — low-code платформа або код в Airflow / cron, залежно від того, що вже використовується в команді. Для SMB частіше workflow-рушій: візуальний workflow простіше підтримувати без виділеного DevOps.

Впровадження потребує доступу до джерел даних і невеликої підготовчої роботи з боку фінансової команди.

Доступи та дані

• Доступ до бухгалтерської системи (1С, QuickBooks, Xero, NetSuite або інша) — краще API, у крайньому разі вивантаження.
• Доступ до data warehouse / BI або до джерел, на основі яких будується pipeline (CRM, білінг, таблиці контрактів).
• План рахунків і таксономія рухів в актуальному вигляді.
• Інформація про повторювані зобов'язання: оренда, підписки, ФОТ, податки.

Готовність команди

• CFO або фінансовий менеджер, який погоджує таксономію та параметри сценаріїв. Це не одноразове завдання — на першій ітерації потрібно 4-6 робочих сесій.
• Готовність працювати в shadow-режимі 2-4 тижні: ручний прогноз і AI-прогноз паралельно для калібрування.
• Доступ до людини, яка розуміє структуру даних у джерелах (бухгалтер, власник BI).

Терміни

Базове впровадження займає 6-10 тижнів:

1. Аудит джерел і маппінг — 2 тижні.
2. Збірка моделі та інтеграцій — 3-4 тижні.
3. Shadow-період і калібрування — 2-4 тижні.

Терміни зростають, якщо дані в джерелах розрізнені або якщо потрібні нестандартні сценарії (мульти-валютний прогноз, факторинг, робота з авансами від великих клієнтів).