4 publicacions etiquetades amb "comptabilitat empresarial"

L'empresa de tecnologia financera Puzzle.io ofereix una plataforma de comptabilitat impulsada per intel·ligència artificial. Posicionat com un sistema "natiu d'IA", pretén oferir una alternativa al programari de comptabilitat tradicional. L'empresa afirma que la seva missió és "construir la pròxima generació de programari de comptabilitat – un sistema d'intel·ligència financera que ajuda els fundadors a prendre millors decisions empresarials". Puzzle.io s'adreça a fundadors de startups, equips financers i despatxos de comptabilitat, centrant-se en oferir informació financera en temps real i automatització.

Reptes de la Comptabilitat Empresarial Abordats​

Puzzle.io utilitza la IA i tecnologies conversacionals per abordar diversos reptes comuns en les finances i operacions empresarials:

• Automatització de Tasques Comptables Repetitives: La plataforma busca automatitzar tasques com la categorització, conciliacions, entrada de dades i validació de transaccions. Puzzle.io informa que la seva IA pot categoritzar automàticament aproximadament el 90% de les transaccions, amb l'objectiu de reduir l'esforç manual i els errors, permetent als professionals de la comptabilitat centrar-se en el treball analític i estratègic.
• Informació Financera en Temps Real i Suport a la Decisió: Abordant els retards associats als processos tradicionals de tancament de mes, Puzzle.io proporciona dades en temps real i estats financers instantanis. El seu llibre major s'actualitza contínuament a partir d'eines bancàries i fintech integrades. Això permet als usuaris accedir a panells de control actualitzats sobre mètriques com el flux de caixa i la taxa de consum de caixa. El sistema també inclou monitorització d'anomalies financeres.
• Suport als Empleats Mitjançant Interfícies Conversacionals: Puzzle.io s'integra amb plataformes de xat com Slack, permetent als empleats consultar informació financera i gestionar tasques comptables a través d'un assistent conversacional. Un estudi de cas va indicar que una empresa associada va desenvolupar un Slackbot amb IA utilitzant les API de Puzzle.io, permetent als usuaris sol·licitar dades com els saldos de caixa actuals directament a Slack.
• Col·laboració Millorada i Servei al Client: La plataforma incorpora eines de comunicació dins del flux de treball comptable, permetent als usuaris etiquetar col·legues o clients en transaccions específiques. Una funció "Categoritzador d'IA" està dissenyada per ajudar els comptables a obtenir respostes més ràpides dels clients formulant preguntes senzilles sobre les transaccions.
• Compliment i Gestió del Coneixement: La IA de Puzzle.io té com a objectiu donar suport al compliment centrant-se en la integritat i precisió de les dades. Utilitza el processament del llenguatge natural (PLN) per ingerir i interpretar dades no estructurades de documents com PDF i factures, extraient informació rellevant. La plataforma inclou detecció d'anomalies i un informe de revisió de tancament de mes que destaca possibles inconsistències. Manté un llibre major immutable, només d'afegiment, com a pista d'auditoria.

Funcionalitats amb IA i Capacitats Conversacionals​

La plataforma de Puzzle.io incorpora diverses funcionalitats impulsades per IA:

• Llibre Major Natiu d'IA: El llibre major es descriu com a "reconstruït des de zero". Ingerix dades de diverses fonts i utilitza algorismes per al registre automàtic d'assentaments. La Categorització impulsada per IA aprèn de dades històriques, amb una precisió reportada de fins al 95% que millora amb el temps. La detecció d'anomalies també és una funcionalitat.
• Processament del Llenguatge Natural (PLN) per a Dades Comptables: La plataforma utilitza LLM i PLN per interpretar informació financera. Això inclou la "Comprensió de Documents i Rebuts", on el sistema extreu dades de PDFs i extractes. El PLN també s'aplica a la categorització de transaccions comprenent descripcions i notes. La IA també pot generar consultes en llenguatge natural per als usuaris quan es necessita més informació.
• Interfície Conversacional i Integració de Chatbot: Les API de Puzzle.io permeten la integració amb plataformes de xat. El Slackbot esmentat, construït pel soci Central, permet als usuaris consultar dades financeres i resoldre tasques de comptabilitat de manera conversacional. Els usuaris ho han descrit com tenir "tota una oficina de suport comptable basada en Slack".
• Ús de ChatGPT i Models de Llenguatge Grans: L'assistent comptable basat en Slack esmentat a l'estudi de cas de Central va ser construït "utilitzant ChatGPT i Puzzle". Els LLM com ChatGPT estan indicats per gestionar la comprensió del llenguatge natural i la generació de respostes, mentre que Puzzle.io proporciona les dades financeres i executa accions comptables. El CEO de la companyia va assenyalar que avenços com el GPT-4 aprovant l'examen de CPA van ser un "punt d'inflexió" per al desenvolupament de la plataforma.
• Integracions en Temps Real i API: La plataforma s'integra amb diverses eines fintech i empresarials (per exemple, Stripe, Gusto, Rippling) a través d'API en temps real. També ofereix una API de Comptabilitat Incrustada perquè els desenvolupadors incorporin l'automatització comptable a les seves pròpies aplicacions, com va demostrar Central.
• Controls amb Intervenció Humana: Les categoritzacions i extractes generats per IA poden ser revisats per comptables humans. Els elements categoritzats per IA s'etiqueten per a revisió, i la retroalimentació s'utilitza per entrenar la IA. Un informe de "revisió d'IA" de final de mes assenyala anomalies per a l'atenció humana.

Casos d'ús i aplicacions en la indústria​

Les solucions de Puzzle.io s'han aplicat en diversos contextos empresarials:

• Departaments de Finances i Comptabilitat: La plataforma s'utilitza per reduir el temps dedicat al tancament mensual i al processament de transaccions. Les firmes de comptabilitat que utilitzen Puzzle.io han informat d'un estalvi de temps d'aproximadament el 25% en el tancament de final de mes per als clients de startups.
• Plataformes Back-Office Tot en Un: Central, una startup de RRHH/fintech, es va associar amb Puzzle.io per potenciar el component comptable de la seva plataforma unificada per a nòmines, beneficis, compliment normatiu i comptabilitat. Aquesta integració permet gestionar les tasques de comptabilitat mitjançant un assistent de Slack juntament amb les tasques de RRHH.
• Suport informàtic i a l'empleat (Chatbot de Finances com a Servei): De manera similar als chatbots de suport informàtic, un assistent de xat impulsat per Puzzle.io pot respondre consultes dels empleats relacionades amb les finances (p. ex., polítiques de despeses, estat de les factures) en plataformes com Microsoft Teams o Slack.
• Automatització Financera Específica per a la Indústria: La plataforma pot calcular mètriques específiques per a startups (p. ex., ARR, MRR) i gestionar múltiples bases comptables. Les firmes de serveis professionals poden utilitzar-la per a l'autocategorització de despeses per projecte o client.

Comparació amb Solucions de Xat d'IA Competidores​

Puzzle.io se centra específicament en la comptabilitat i les finances, diferenciant-se de les solucions d'IA empresarials més àmplies. Aquí teniu una breu comparació:

Perspectiva Comparativa: L'especialització de Puzzle.io és en finances, oferint intel·ligència comptable específica del domini. Plataformes com Moveworks, Forethought i Aisera aborden escenaris de suport més amplis a través de TI, RRHH i servei al client. Tot i que totes aprofiten l'IA avançada, inclosos els LLM, Puzzle.io l'aplica per automatitzar els fluxos de treball comptables, mentre que les altres generalment se centren en l'automatització d'interaccions de suport o servei al client. Aquestes solucions podrien ser complementàries dins d'una empresa.

L'arquitectura tècnica i la pila d'IA de Puzzle.io​

La base tècnica de Puzzle.io inclou:

• Nucli Comptable Redissenyat: La plataforma utilitza un sistema de llibre major immutable i de només afegir, dissenyat per a pistes d'auditoria i processament d'IA, permetent l'anàlisi en temps real.
• Múltiples Models d'IA per a la Precisió: Segons el CEO de Puzzle.io, Sasha Orloff, s'utilitzen "diferents models d'aprenentatge automàtic i models d'IA per a diferents nivells de competència". Això inclou models per a la classificació, la detecció d'anomalies i un procés generatiu i de validació de dues etapes per als estats financers.
• Integració de Llenguatge Natural i LLM: Els LLM s'integren per a tasques com l'anàlisi de dades textuals i l'impuls d'interfícies conversacionals (per exemple, ChatGPT a Slack). L'empresa ha indicat que els avenços dels LLM van ser clau per al seu desenvolupament. Les dades probablement es gestionen per garantir la privadesa i la precisió en interactuar amb models de llenguatge de propòsit general.
• Disseny Centrat en API i de Microserveis: La plataforma sembla utilitzar una arquitectura de microserveis amb funcions accessibles mitjançant API, com la seva "API de Comptabilitat Incrustada". Es descriu com "un sistema basat en esdeveniments, entrenat amb estrictes estàndards comptables", suggerint el processament en temps real d'esdeveniments de transacció.
• Mesures de Seguretat i Privadesa de Dades: Puzzle.io posa èmfasi en la "seguretat de les dades, la precisió, l'auditabilitat i la transparència del producte". Això probablement implica el xifrat de dades, controls d'accés i pràctiques segures per gestionar dades financeres sensibles, especialment en interactuar amb models d'IA externs. El llibre major de només afegir també dóna suport a l'auditabilitat i l'explicabilitat.

En resum, Puzzle.io aplica la tecnologia d'IA i de xat a la comptabilitat empresarial, centrant-se en l'automatització, els coneixements en temps real i la col·laboració millorada. La seva arquitectura es construeix al voltant d'un llibre major nadiu d'IA, PNL i integracions, amb mecanismes de supervisió humana.

Els propietaris de petites empreses dediquen una mitjana d'11 hores al mes a classificar manualment les despeses, gairebé tres setmanes laborals completes a l'any dedicades a l'entrada de dades. Una enquesta de QuickBooks de 2023 revela que el 68% dels propietaris d'empreses classifiquen el seguiment de despeses com la seva tasca de tinença de llibres més frustrant, tot i que només el 15% ha adoptat solucions d'automatització.

La comptabilitat en text pla, impulsada per eines com Beancount, ofereix un enfocament nou per a la gestió financera. Combinant una arquitectura transparent i programable amb les capacitats modernes de la IA, les empreses poden aconseguir una classificació de despeses altament precisa mantenint un control total sobre les seves dades.

Aquesta guia us guiarà en la construcció d'un sistema d'automatització de despeses adaptat als patrons únics del vostre negoci. Aprendreu per què el programari tradicional es queda curt, com aprofitar la base de text pla de Beancount i els passos pràctics per implementar models d'aprenentatge automàtic adaptatius.

Els costos ocults de la gestió manual de despeses​

La classificació manual de despeses no només consumeix temps, sinó que també soscava el potencial empresarial. Considereu el cost d'oportunitat: aquelles hores dedicades a fer coincidir rebuts amb categories podrien, en canvi, impulsar el creixement del negoci, enfortir les relacions amb els clients o millorar les vostres ofertes.

Una enquesta recent d'Accounting Today va trobar que els propietaris de petites empreses dediquen 10 hores setmanals a tasques de tinença de llibres. Més enllà de la pèrdua de temps, els processos manuals introdueixen riscos. Prenguem el cas d'una agència de màrqueting digital que va descobrir que la seva classificació manual havia inflat les despeses de viatge en un 20%, distorsionant la seva planificació financera i la presa de decisions.

La mala gestió financera continua sent una de les principals causes de fallida de les petites empreses, segons la Small Business Administration. Les despeses mal classificades poden emmascarar problemes de rendibilitat, passar per alt oportunitats d'estalvi de costos i crear maldecaps durant la temporada d'impostos.

L'arquitectura de Beancount: on la simplicitat es troba amb el poder​

La base de text pla de Beancount transforma les dades financeres en codi, fent que cada transacció sigui rastrejable i preparada per a la IA. A diferència del programari tradicional atrapat en bases de dades propietàries, l'enfocament de Beancount permet el control de versions mitjançant eines com Git, creant una pista d'auditoria per a cada canvi.

Aquesta arquitectura oberta permet una integració perfecta amb llenguatges de programació i eines d'IA. Una agència de màrqueting digital va informar d'un estalvi de 12 hores mensuals gràcies a scripts personalitzats que classifiquen automàticament les transaccions segons les seves regles de negoci específiques.

El format de text pla garanteix que les dades romanguin accessibles i portàtils: l'absència de dependència del proveïdor significa que les empreses poden adaptar-se a mesura que la tecnologia evoluciona. Aquesta flexibilitat, combinada amb robustes capacitats d'automatització, crea una base per a una gestió financera sofisticada sense sacrificar la simplicitat.

Creació del vostre pipeline d'automatització​

La construcció d'un sistema d'automatització de despeses amb Beancount comença amb l'organització de les vostres dades financeres. Repassem una implementació pràctica utilitzant exemples reals.

1. Configuració de la vostra estructura Beancount​

Primer, establiu la vostra estructura de comptes i categories:

2025-01-01 open Assets:Business:Checking
2025-01-01 open Expenses:Office:Supplies
2025-01-01 open Expenses:Software:Subscriptions
2025-01-01 open Expenses:Marketing:Advertising
2025-01-01 open Liabilities:CreditCard

2. Creació de regles d'automatització​

Aquí teniu un script de Python que demostra la classificació automàtica:

import pandas as pd
from datetime import datetime

def categorize_transaction(description, amount):
    rules = {
        'ADOBE': 'Expenses:Software:Subscriptions',
        'OFFICE DEPOT': 'Expenses:Office:Supplies',
        'FACEBOOK ADS': 'Expenses:Marketing:Advertising'
    }
    
    for vendor, category in rules.items():
        if vendor.lower() in description.lower():
            return category
    return 'Expenses:Uncategorized'

def generate_beancount_entry(row):
    date = row['date'].strftime('%Y-%m-%d')
    desc = row['description']
    amount = abs(float(row['amount']))
    category = categorize_transaction(desc, amount)
    
    return f'''
{date} * "{desc}"
    {category}                               {amount:.2f} USD
    Liabilities:CreditCard                  -{amount:.2f} USD
'''

3. Processament de transaccions​

Així és com es veuen les entrades automatitzades al vostre fitxer Beancount:

2025-05-01 * "ADOBE CREATIVE CLOUD"
    Expenses:Software:Subscriptions            52.99 USD
    Liabilities:CreditCard                   -52.99 USD

2025-05-02 * "OFFICE DEPOT #1234 - PRINTER PAPER"
    Expenses:Office:Supplies                  45.67 USD
    Liabilities:CreditCard                   -45.67 USD

2025-05-03 * "FACEBOOK ADS #FB12345"
    Expenses:Marketing:Advertising           250.00 USD
    Liabilities:CreditCard                  -250.00 USD

Les proves són crucials: comenceu amb un subconjunt de transaccions per verificar la precisió de la classificació. L'execució regular mitjançant planificadors de tasques pot estalviar més de 10 hores mensuals, alliberant-vos per centrar-vos en prioritats estratègiques.

Assoliment d'alta precisió mitjançant tècniques avançades​

Explorem com combinar l'aprenentatge automàtic amb la concordança de patrons per a una classificació precisa.

Concordança de patrons amb expressions regulars​

import re

patterns = {
    r'(?i)aws.*cloud': 'Expenses:Cloud:AWS',
    r'(?i)(zoom|slack|notion).*subscription': 'Expenses:Software:Subscriptions',
    r'(?i)(uber|lyft|taxi)': 'Expenses:Travel:Transport',
    r'(?i)(marriott|hilton|airbnb)': 'Expenses:Travel:Accommodation'
}

def regex_categorize(description):
    for pattern, category in patterns.items():
        if re.search(pattern, description):
            return category
    return None

Integració de l'aprenentatge automàtic​

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
import re
from typing import List, Tuple

class ExpenseClassifier:
    def __init__(self):
        self.vectorizer = TfidfVectorizer()
        self.classifier = MultinomialNB()
    
    def parse_beancount_entries(self, beancount_text: str) -> List[Tuple[str, str]]:
        """Parse Beancount entries into (description, category) pairs."""
        entries = []
        for line in beancount_text.split('\n'):
            # Look for transaction descriptions
            if '* "' in line:
                desc = re.search('"(.+)"', line)
                if desc:
                    description = desc.group(1)
                    # Get the next line which should contain the expense category
                    next_line = next(filter(None, beancount_text.split('\n')[beancount_text.split('\n').index(line)+1:]))
                    if 'Expenses:' in next_line:
                        category = next_line.split()[0].strip()
                        entries.append((description, category))
        return entries
        
    def train(self, beancount_text: str):
        """Train the classifier using Beancount entries."""
        entries = self.parse_beancount_entries(beancount_text)
        if not entries:
            raise ValueError("No valid entries found in training data")
            
        descriptions, categories = zip(*entries)
        X = self.vectorizer.fit_transform(descriptions)
        self.classifier.fit(X, categories)
        
    def predict(self, description: str) -> str:
        """Predict category for a new transaction description."""
        X = self.vectorizer.transform([description])
        return self.classifier.predict(X)[0]

# Example usage with training data:
classifier = ExpenseClassifier()

training_data = """
2025-04-01 * "AWS Cloud Services Monthly Bill" 
    Expenses:Cloud:AWS                         150.00 USD
    Liabilities:CreditCard                   -150.00 USD

2025-04-02 * "Zoom Monthly Subscription"
    Expenses:Software:Subscriptions            14.99 USD
    Liabilities:CreditCard                    -14.99 USD
    
2025-04-03 * "AWS EC2 Instances"
    Expenses:Cloud:AWS                         250.00 USD
    Liabilities:CreditCard                    -250.00 USD

2025-04-04 * "Slack Annual Plan"
    Expenses:Software:Subscriptions           120.00 USD
    Liabilities:CreditCard                   -120.00 USD
"""

# Train the classifier
classifier.train(training_data)

# Test predictions
test_descriptions = [
    "AWS Lambda Services",
    "Zoom Webinar Add-on",
    "Microsoft Teams Subscription"
]

for desc in test_descriptions:
    predicted_category = classifier.predict(desc)
    print(f"Description: {desc}")
    print(f"Predicted Category: {predicted_category}\

Hola a tothom! En la publicació del blog d'avui, ens submergim en el món de Beancount, una eina de comptabilitat de partida doble estimada per molts per la seva simplicitat i potència. Més concretament, parlarem de dos conceptes clau: els Comptes a Cobrar i els Comptes a Pagar.

Comprendre aquests termes és crucial per utilitzar Beancount (o qualsevol sistema de comptabilitat de partida doble) de manera efectiva. Però no us preocupeu si sou principiants, ho desglossarem tot, pas a pas!

Comptes a Cobrar i a Pagar: Els Conceptes Bàsics​

En comptabilitat, "comptes a cobrar" i "comptes a pagar" són termes utilitzats per fer un seguiment dels diners deguts. Els "comptes a cobrar" es refereixen als diners que altres us deuen, mentre que els "comptes a pagar" es refereixen als diners que vosaltres deveu a altres.

Vegem un exemple:

1. Comptes a Cobrar (C/C): Suposem que sou propietaris d'una llibreria i un client compra un llibre a crèdit. Els diners que us deuen pel llibre són un compte a cobrar.

2. Comptes a Pagar (C/P): D'altra banda, imagineu que demaneu un nou lot de llibres a un editor, però no els pagueu per avançat. Els diners que deveu a l'editor són un compte a pagar.

A Beancount, aquests es registren normalment mitjançant comptes corresponents. El principal benefici aquí és que us proporciona una imatge clara i precisa de la vostra posició financera en qualsevol moment.

Configuració de Comptes a Cobrar i a Pagar a Beancount​

L'estructura del vostre fitxer Beancount pot ser tan senzilla o complexa com necessiteu. Per als comptes a cobrar i a pagar, probablement voldreu crear comptes separats sota les seccions d'Actius i Passius.

Aquí teniu un exemple senzill:

1970-01-01 open Assets:AccountsReceivable
1970-01-01 open Liabilities:AccountsPayable

Seguiment de Transaccions​

Costat del Cobrador​

Després de configurar els vostres comptes, podeu fer un seguiment de les transaccions que involucren comptes a cobrar i a pagar. Vegem un exemple:

2023-05-29 * "Sold books to customer on credit"
  Assets:AccountsReceivable  100 USD
  Income:BookSales          -100 USD

Aquí, esteu afegint 100 $ als vostres comptes a cobrar perquè un client us deu aquesta quantitat. Simultàniament, esteu reduint els vostres ingressos per la mateixa quantitat per mantenir l'equilibri (ja que encara no heu rebut els diners).

Quan el client finalment pagui, ho registrareu així:

2023-06-01 * "Received payment from customer"
  Assets:Bank:Savings        100 USD
  Assets:AccountsReceivable -100 USD

Costat del Pagador​

El mateix principi s'aplica als comptes a pagar, però amb signes invertits:

2023-05-30 * "Bought books from publisher on credit"
  Liabilities:AccountsPayable  200 USD
  Expenses:BookPurchases     -200 USD

I quan pagueu el vostre deute:

2023-06-02 * "Paid off debt to publisher"
  Liabilities:AccountsPayable -200 USD
  Assets:Bank:Checking        200 USD

Conclusió​

Els comptes a cobrar i a pagar són el cor de qualsevol sistema comptable. En fer-ne un seguiment precís, obteniu una comprensió completa de la vostra salut financera.

Això és només un punt de partida, i Beancount és capaç de molt més. Espero que aquesta publicació del blog ajudi a aclarir aquests conceptes importants. Com sempre, feliç comptabilitat!

En la publicació del blog d'avui, desglossarem un llibre major de Beancount per a empreses, cosa que us ajudarà a entendre les complexitats d'aquest sistema de comptabilitat de partida doble en text pla.

Comencem amb el codi:

1970-01-01 open Assets:Bank:Mercury
1970-01-01 open Assets:Crypto

1970-01-01 open Equity:Bank:Chase

1970-01-01 open Income:Stripe
1970-01-01 open Income:Crypto:ETH

1970-01-01 open Expenses:COGS
1970-01-01 open Expenses:COGS:Contabo
1970-01-01 open Expenses:COGS:AmazonWebServices

1970-01-01 open Expenses:BusinessExpenses
1970-01-01 open Expenses:BusinessExpenses:ChatGPT

2023-05-14 * "CONTABO.COM" "Mercury Checking ••1234"
  Expenses:COGS:Contabo                               17.49 USD
  Assets:Bank:Mercury                                -17.49 USD

2023-05-11 * "Amazon Web Services" "Mercury Checking ••1234"
  Expenses:COGS:AmazonWebServices                  14490.33 USD
  Assets:Bank:Mercury                             -14490.33 USD

2023-03-01 * "STRIPE" "Mercury Checking ••1234"
  Income:Stripe                                   -21230.75 USD
  Assets:Bank:Mercury                              21230.75 USD

2023-05-18 * "customer_182734" "0x5190E84918FD67706A9DFDb337d5744dF4EE5f3f"
  Assets:Crypto                                         -19 ETH {1,856.20 USD}
  Income:Crypto:ETH                                      19 ETH @@ 35267.8 USD

Entenent el Codi​

1. Obertura de Comptes: El codi comença obrint una sèrie de comptes l'1 de gener de 1970. Aquests inclouen una combinació de comptes d'actiu (Assets:Bank:Mercury i Assets:Crypto), un compte de patrimoni net (Equity:Bank:Chase), comptes d'ingressos (Income:Stripe i Income:Crypto:ETH), i comptes de despeses (Expenses:COGS, Expenses:COGS:AmazonWebServices, Expenses:BusinessExpenses, i Expenses:BusinessExpenses:ChatGPT).

2. Transaccions: Després, es procedeix a registrar una sèrie de transaccions entre el 01-03-2023 i el 18-05-2023.

   • La transacció del 14-05-2023 representa un pagament de 17.49 USD a CONTABO.COM des de Mercury Checking ••1234. Això es registra com una despesa (Expenses:COGS:Contabo) i una deducció corresponent del compte Assets:Bank:Mercury.

   • De manera similar, la transacció de l'11-05-2023 representa un pagament de 14490.33 USD a Amazon Web Services des del mateix compte bancari. Això es registra sota Expenses:COGS:AmazonWebServices.

   • La transacció del 01-03-2023 mostra ingressos de STRIPE dipositats a Mercury Checking ••1234, amb un total de 21230.75 USD. Això es registra com a ingrés (Income:Stripe) i una addició al compte bancari (Assets:Bank:Mercury).

   • L'última transacció del 18-05-2023 representa una transacció de criptomoneda que implica 19 ETH d'un client. Això es fa un seguiment sota Assets:Crypto i Income:Crypto:ETH. El {1,856.20 USD} mostra el preu de l'ETH en el moment de la transacció, mentre que el @@ 35267.8 USD especifica el valor total de la transacció de 19 ETH.

En totes les transaccions, es manté el principi de la comptabilitat de partida doble, assegurant que l'equació Actius = Passius + Patrimoni Net sempre es compleixi.

Reflexions Finals​

Aquest llibre major de Beancount proporciona un sistema senzill però robust per fer un seguiment de les transaccions financeres. Com es veu en la transacció final, Beancount és prou flexible per comptabilitzar actius no tradicionals com la criptomoneda, cosa que és un testimoni de la seva utilitat en el nostre paisatge financer cada vegada més digital.

Esperem que aquesta desglossament us ajudi a entendre millor l'estructura i les capacitats de Beancount, tant si sou un comptable experimentat com un principiant que intenta fer un seguiment de les vostres finances personals. Estigueu atents a la nostra propera publicació del blog, on aprofundirem en operacions avançades de Beancount.