Specjalista analizujący dane finansowe na ekranie
Studia przypadków - fykiceu

Jak naprawdę działa kategoryzacja wydatków z AI

Zebraliśmy trzy konkretne wdrożenia z różnych środowisk biznesowych. Każde z nich zaczęło się od innego problemu - i każde pokazuje inne ograniczenia oraz możliwości automatycznej klasyfikacji kosztów.

3 analizowane przypadki
od 2019 dokumentujemy wdrożenia
PL kontekst lokalny
Automatyczna klasyfikacja dokumentów
Integracja z systemami ERP
Analiza kosztów w czasie rzeczywistym
Weryfikacja przez specjalistów fykiceu
01

Trzy wdrożenia, trzy różne punkty startowe

Każdy przypadek opisuje rzeczywisty kontekst, napotkane trudności i to, co faktycznie zadziałało.
01

Sieć sklepów regionalnych: faktury i paragony w jednym strumieniu

handel detaliczny OCR + klasyfikacja Małopolska

Sieć 14 punktów sprzedaży w Krakowie i okolicach obsługiwała miesięcznie ponad 900 dokumentów kosztowych - mix faktur VAT, paragonów i not obciążeniowych. Ręczne przypisywanie kategorii zajmowało księgowej Wioletcie Orzańskiej kilkanaście godzin tygodniowo. Po wdrożeniu modelu opartego na analizie tekstu i kontekstu dostawcy, czas weryfikacji skrócił się do przeglądu przypadków niepewnych - model oznacza je osobno zamiast zgadywać.

900+
dokumentów / miesiąc
Dokumenty finansowe w środowisku handlowym
02

Firma budowlana: dane niejednorodne, kategorie nieoczywiste

budownictwo integracja ERP koszty projektowe

Mała firma budowlana z Krakowa używała systemu ERP, który nie przewidywał automatycznej klasyfikacji - każdy koszt trafiał do ogólnego konta i był sortowany raz na kwartał. Problem polegał na tym, że ten sam dostawca materiałów mógł wystawiać faktury do trzech różnych projektów. Model AI musiał nauczyć się korzystać z numeru zlecenia w opisie dokumentu, a nie tylko z nazwy kontrahenta. Integracja trwała dłużej niż zakładano, ale finalnie działa bez ręcznej interwencji przy dokumentach z numerem projektu w tytule.

3
projekty równolegle
03

Freelancer i mikrobiuro: kiedy granica między prywatnym a służbowym jest płynna

samozatrudnienie reguły kontekstowe JDG

Grafik komputerowy prowadzący jednoosobową działalność w Krakowie kupował sprzęt, oprogramowanie i materiały biurowe - często przez te same sklepy, co zakupy prywatne. Klasyczny model kategorizacji nie radził sobie z tym rozróżnieniem. Rozwiązaniem okazało się połączenie reguł opartych na kwocie, dniu tygodnia i nazwie produktu z klasyfikatorem uczonym na historycznych danych z jego działalności. Wynik nie jest doskonały, ale Tomasz Wierzbicki - tak ma na imię ten grafik - twierdzi, że weryfikacja zajmuje mu teraz kilka minut zamiast kilku godzin.

JDG
jednoosobowa działalność
Wizualizacja danych finansowych w tle

Czego model nie zrobi za ciebie

Automatyczna kategoryzacja to narzędzie wspomagające - nie zastępuje decyzji, tylko przyspiesza ich podejmowanie. Trzy obszary, gdzie to widać najwyraźniej.

Niejednoznaczne opisy na fakturach

Gdy sprzedawca wpisuje „usługi różne" albo „materiały eksploatacyjne", model nie ma podstaw do pewnej klasyfikacji. Oznacza dokument jako wymagający przeglądu - i to jest właściwe zachowanie, nie błąd.

Zmiana struktury kosztów w firmie

Jeśli firma wchodzi w nowy obszar działalności, dotychczasowe kategorie przestają pasować. Model trzeba douczyć na nowych przykładach - samo wdrożenie nie przewiduje przyszłości.

Decyzje podatkowe i interpretacyjne

Czy dany wydatek jest kosztem uzyskania przychodu - to pytanie do księgowego lub doradcy podatkowego, nie do klasyfikatora. Model kategoryzuje, ale nie interpretuje prawa podatkowego.

04

Jak wygląda konsultacja z fykiceu

Zanim zaproponujemy konkretne rozwiązanie, chcemy zrozumieć, z jakimi dokumentami pracujesz i jak wygląda twój obecny proces. Każde wdrożenie zaczyna się od rozmowy, nie od oferty.

  • 01

    Analiza istniejącego przepływu dokumentów

    Patrzymy na to, skąd trafiają do ciebie dokumenty kosztowe, w jakim formacie i jak są teraz przetwarzane. Bez tego etapu każda propozycja techniczna byłaby strzelaniem na oślep.

  • 02

    Ocena jakości danych wejściowych

    Kategoryzacja AI działa tak dobrze, jak dane, na których pracuje. Sprawdzamy, czy twoje dokumenty są wystarczająco czytelne dla OCR i czy opisy są na tyle spójne, żeby model mógł się na nich uczyć.

  • 03

    Dobór podejścia do klasyfikacji

    Nie każda firma potrzebuje tego samego rozwiązania. Czasem wystarczą reguły oparte na słowach kluczowych, innym razem konieczny jest model uczony na historycznych danych. Rekomendujemy to, co pasuje do skali i budżetu.

  • 04

    Wdrożenie i etap weryfikacji

    Pierwsze tygodnie po uruchomieniu to czas kalibracji - sprawdzamy, które kategorie model myli najczęściej i korygujemy reguły lub dane treningowe. To normalny i konieczny element procesu.

  • 05

    Dokumentacja i przekazanie wiedzy

    Zależy nam, żebyś rozumiał, jak działa wdrożone rozwiązanie - nie tylko żebyś z niego korzystał. Każde wdrożenie kończymy dokumentacją, którą możesz przekazać kolejnemu pracownikowi lub księgowemu.