Petra pracuje jako freelancerka a potřebovala oddělit pracovní a osobní výdaje pro daně. Ruční třídění stovek transakcí každý měsíc byla noční můra. Chtěla systém, který udělá většinu práce za ni.
Klíčový problém byl v tom, že stejný obchod může být pracovní i osobní záležitost. Nákup v elektru může být kabel na focení nebo nabíječka na dovolenou. Potřebovala kontextové třídění, ne jen pravidla podle obchodu.
Řešení s pravidly a výjimkami
Začala s API banky, které stahuje transakce každý den. Vytvořila databázi v Airtable, kde má tři úrovně pravidel. První úroveň třídí podle jednoznačných věcí – mobilní operátor je vždy pracovní, supermarket vždy osobní.
Druhá úroveň používá částku jako vodítko. Nákup přes 2000 Kč v elektru označí k manuální kontrole, menší částky jdou do osobních. Třetí úroveň sleduje frekvenci – opakující se platby automaticky převezme z minulého měsíce.
Strojové učení na jednoduchém principu
Po třech měsících má dost dat na to, aby systém navrhoval kategorie. Používá základní pattern matching – když ručně označí nějaký typ transakce, systém hledá podobné a příště je automaticky zařadí. Není to AI, jen chytrá databáze s pamětí.
Má mobilní interface, kde vidí nerozpoznané transakce. Stačí swipe doleva nebo doprava pro kategorizaci. Zabere jí to 5 minut denně místo tří hodin měsíčně.
Zpočátku to vyžadovalo hodně nastavování, ale po měsíci už systém poznal 80% mých výdajů. Teď řeším jen výjimky.
Pro daně exportuje Excel se všemi pracovními výdaji. Má přehled o cashflow v reálném čase a ví, kdy může fakturovat výdaje klientům.