4 publicaciones con la etiqueta "contabilidad empresarial"

La empresa de tecnología financiera Puzzle.io ofrece una plataforma contable impulsada por inteligencia artificial. Posicionada como un sistema "nativo de IA", tiene como objetivo ofrecer una alternativa al software de contabilidad tradicional. La empresa declara que su misión es "construir la próxima generación de software de contabilidad – un sistema de inteligencia financiera que ayuda a los fundadores a tomar mejores decisiones de negocio". Puzzle.io se dirige a fundadores de startups, equipos financieros y firmas contables, centrándose en ofrecer información financiera en tiempo real y automatización.

Desafíos Contables Empresariales Abordados​

Puzzle.io utiliza IA y tecnologías conversacionales para abordar varios desafíos comunes en las finanzas y operaciones empresariales:

• Automatización de Tareas Contables Repetitivas: La plataforma busca automatizar tareas como la categorización de transacciones, conciliaciones, entrada de datos y validación. Puzzle.io informa que su IA puede categorizar automáticamente aproximadamente el 90% de las transacciones, con el objetivo de reducir el esfuerzo manual y los errores, permitiendo a los profesionales de la contabilidad centrarse en el trabajo analítico y estratégico.
• Información Financiera en Tiempo Real y Apoyo a la Toma de Decisiones: Abordando los retrasos asociados con los procesos tradicionales de cierre de fin de mes, Puzzle.io proporciona datos en tiempo real y estados financieros instantáneos. Su libro mayor se actualiza continuamente desde herramientas bancarias y fintech integradas. Esto permite a los usuarios acceder a paneles actualizados sobre métricas como el flujo de caja y la tasa de consumo. El sistema también incluye monitoreo de anomalías financieras.
• Soporte al Empleado a través de Interfaces Conversacionales: Puzzle.io se integra con plataformas de chat como Slack, permitiendo a los empleados consultar información financiera y gestionar tareas contables a través de un asistente conversacional. Un estudio de caso indicó que una empresa asociada desarrolló un Slackbot impulsado por IA utilizando las API de Puzzle.io, permitiendo a los usuarios solicitar datos como los saldos de caja actuales directamente en Slack.
• Colaboración Mejorada y Servicio al Cliente: La plataforma incorpora herramientas de comunicación dentro del flujo de trabajo contable, permitiendo a los usuarios etiquetar a colegas o clientes en transacciones específicas. Una función de "Clasificador de IA" está diseñada para ayudar a los contadores a obtener respuestas más rápidas de los clientes formulando preguntas sencillas sobre las transacciones.
• Cumplimiento y Gestión del Conocimiento: La IA de Puzzle.io está diseñada para apoyar el cumplimiento centrándose en la integridad y precisión de los datos. Utiliza procesamiento de lenguaje natural (PLN) para ingerir e interpretar datos no estructurados de documentos como PDF y facturas, extrayendo información relevante. La plataforma cuenta con detección de anomalías y un informe de revisión de fin de mes que destaca posibles inconsistencias. Mantiene un libro mayor inmutable, de solo adición, como pista de auditoría.

Funcionalidades Impulsadas por IA y Capacidades Conversacionales​

La plataforma de Puzzle.io incorpora varias funcionalidades impulsadas por IA:

• Libro Mayor Nativo de IA: El libro mayor se describe como "reconstruido desde cero". Ingiere datos de diversas fuentes y utiliza algoritmos para el registro automático de asientos. La Categorización Impulsada por IA aprende de datos históricos, con una precisión reportada de hasta el 95% que mejora con el tiempo. La detección de anomalías también es una funcionalidad.
• Procesamiento de Lenguaje Natural (PLN) para Datos Contables: La plataforma utiliza LLMs y PLN para interpretar información financiera. Esto incluye la "Comprensión de Documentos y Recibos", donde el sistema extrae datos de PDFs y extractos. El PLN también se aplica a la categorización de transacciones al comprender descripciones y notas. La IA también puede generar consultas en lenguaje natural para los usuarios cuando se necesita más información.
• Interfaz Conversacional e Integración de Chatbot: Las APIs de Puzzle.io permiten la integración con plataformas de chat. El Slackbot mencionado, construido por el socio Central, permite a los usuarios consultar datos financieros y resolver tareas de contabilidad de forma conversacional. Los usuarios lo han descrito como tener "una oficina administrativa de contabilidad completa basada en Slack".
• Uso de ChatGPT y Modelos de Lenguaje Grandes: El asistente de contabilidad basado en Slack, mencionado en el estudio de caso de Central, fue construido "usando ChatGPT y Puzzle". Los LLMs como ChatGPT están indicados para manejar la comprensión del lenguaje natural y la generación de respuestas, mientras que Puzzle.io proporciona los datos financieros y ejecuta acciones contables. El CEO de la compañía señaló que avances como GPT-4 aprobando el examen CPA fueron un "punto de inflexión" para el desarrollo de la plataforma.
• Integraciones en Tiempo Real y APIs: La plataforma se integra con diversas herramientas fintech y empresariales (por ejemplo, Stripe, Gusto, Rippling) a través de APIs en tiempo real. También ofrece una API de Contabilidad Incrustada para que los desarrolladores incorporen la automatización contable en sus propias aplicaciones, como lo demostró Central.
• Controles con Intervención Humana: Las categorizaciones y extractos generados por IA pueden ser revisados por contadores humanos. Los elementos categorizados por IA se etiquetan para revisión, y la retroalimentación se utiliza para entrenar a la IA. Un informe de "revisión de IA" de fin de mes señala anomalías para la atención humana.

Casos de Uso y Aplicaciones en la Industria​

Las soluciones de Puzzle.io se han aplicado en diversos contextos empresariales:

• Departamentos de Finanzas y Contabilidad: La plataforma se utiliza para reducir el tiempo dedicado al cierre mensual y al procesamiento de transacciones. Las firmas de contabilidad que utilizan Puzzle.io han reportado ahorros de tiempo de aproximadamente el 25% en el cierre de fin de mes para clientes startups.
• Plataformas de Back-Office Todo en Uno: Central, una startup de RRHH/fintech, se asoció con Puzzle.io para potenciar el componente contable de su plataforma unificada para nóminas, beneficios, cumplimiento normativo y contabilidad. Esta integración permite que las tareas de contabilidad se gestionen a través de un asistente de Slack junto con las tareas de RRHH.
• Soporte de TI y Empleados (Chatbot Financiero como Servicio): De manera similar a los chatbots de soporte de TI, un asistente de chat impulsado por Puzzle.io puede responder consultas de empleados relacionadas con finanzas (por ejemplo, políticas de gastos, estado de facturas) en plataformas como Microsoft Teams o Slack.
• Automatización Financiera Específica de la Industria: La plataforma puede calcular métricas específicas de startups (por ejemplo, ARR, MRR) y manejar múltiples bases contables. Las firmas de servicios profesionales pueden usarla para la categorización automática de gastos por proyecto o cliente.

Comparación con Soluciones de Chat de IA Competidoras​

Puzzle.io se centra específicamente en la contabilidad y las finanzas, lo que lo diferencia de soluciones de IA empresariales más amplias. A continuación, se presenta una breve comparación:

Perspectiva Comparativa: La especialización de Puzzle.io se encuentra en las finanzas, ofreciendo inteligencia contable específica del dominio. Plataformas como Moveworks, Forethought y Aisera abordan escenarios de soporte más amplios en TI, RRHH y servicio al cliente. Si bien todas aprovechan la IA avanzada, incluidos los LLM, Puzzle.io la aplica para automatizar flujos de trabajo contables, mientras que las otras generalmente se centran en automatizar interacciones de soporte o servicio al cliente. Estas soluciones podrían ser complementarias dentro de una empresa.

La Pila de IA y la Arquitectura Técnica de Puzzle.io​

La base técnica de Puzzle.io incluye:

• Núcleo Contable Reconstruido: La plataforma utiliza un sistema de libro mayor inmutable y de solo anexión, diseñado para pistas de auditoría y procesamiento de IA, lo que permite el análisis en tiempo real.
• Múltiples Modelos de IA para la Precisión: Según el CEO de Puzzle.io, Sasha Orloff, se utilizan "diferentes modelos de aprendizaje automático y modelos de IA para distintos niveles de competencia". Esto incluye modelos para clasificación, detección de anomalías y un proceso generativo y de validación en dos etapas para los estados financieros.
• Lenguaje Natural e Integración de LLM: Los LLM se integran para tareas como el análisis de datos textuales y para potenciar interfaces conversacionales (por ejemplo, ChatGPT en Slack). La empresa ha indicado que los avances de los LLM fueron clave para su desarrollo. Es probable que los datos se gestionen para garantizar la privacidad y la precisión al interactuar con modelos de lenguaje de propósito general.
• Diseño Centrado en API y de Microservicios: La plataforma parece utilizar una arquitectura de microservicios con funciones accesibles a través de API, como su "API de Contabilidad Incrustada". Se describe como "un sistema basado en eventos, entrenado con estrictas normas contables", lo que sugiere un procesamiento en tiempo real de los eventos de transacciones.
• Medidas de Seguridad y Privacidad de Datos: Puzzle.io enfatiza la "seguridad de los datos, precisión, auditabilidad y transparencia del producto". Esto probablemente implica cifrado de datos, controles de acceso y prácticas seguras para el manejo de datos financieros sensibles, especialmente al interactuar con modelos de IA externos. El libro mayor de solo anexión también admite la auditabilidad y la explicabilidad.

En resumen, Puzzle.io aplica la tecnología de IA y chat a la contabilidad empresarial con un enfoque en la automatización, los conocimientos en tiempo real y la colaboración mejorada. Su arquitectura se basa en un libro mayor nativo de IA, PNL e integraciones, con mecanismos de supervisión humana.

Los propietarios de pequeñas empresas dedican un promedio de 11 horas al mes a categorizar gastos manualmente, lo que equivale a casi tres semanas laborales completas al año dedicadas a la entrada de datos. Una encuesta de QuickBooks de 2023 revela que el 68% de los dueños de negocios consideran el seguimiento de gastos como su tarea contable más frustrante, sin embargo, solo el 15% ha adoptado soluciones de automatización.

La contabilidad de texto plano, impulsada por herramientas como Beancount, ofrece un enfoque innovador para la gestión financiera. Al combinar una arquitectura transparente y programable con las capacidades modernas de la IA, las empresas pueden lograr una categorización de gastos altamente precisa manteniendo un control total sobre sus datos.

Esta guía le guiará en la construcción de un sistema de automatización de gastos adaptado a los patrones únicos de su negocio. Aprenderá por qué el software tradicional se queda corto, cómo aprovechar la base de texto plano de Beancount y los pasos prácticos para implementar modelos de aprendizaje automático adaptativos.

Los Costos Ocultos de la Gestión Manual de Gastos​

La categorización manual de gastos no solo consume tiempo, sino que también socava el potencial empresarial. Considere el costo de oportunidad: esas horas dedicadas a emparejar recibos con categorías podrían, en cambio, impulsar el crecimiento del negocio, fortalecer las relaciones con los clientes o refinar sus ofertas.

Una encuesta reciente de Accounting Today reveló que los propietarios de pequeñas empresas dedican 10 horas semanales a tareas de contabilidad. Más allá de la pérdida de tiempo, los procesos manuales introducen riesgos. Tomemos el caso de una agencia de marketing digital que descubrió que su categorización manual había inflado los gastos de viaje en un 20%, distorsionando su planificación financiera y toma de decisiones.

La mala gestión financiera sigue siendo una de las principales causas del fracaso de las pequeñas empresas, según la Administración de Pequeñas Empresas. Los gastos mal clasificados pueden ocultar problemas de rentabilidad, pasar por alto oportunidades de ahorro de costos y generar dolores de cabeza en la temporada de impuestos.

Arquitectura de Beancount: Donde la Simplicidad se Une al Poder​

La base de texto plano de Beancount transforma los datos financieros en código, haciendo que cada transacción sea rastreable y esté lista para la IA. A diferencia del software tradicional atrapado en bases de datos propietarias, el enfoque de Beancount permite el control de versiones a través de herramientas como Git, creando un rastro de auditoría para cada cambio.

Esta arquitectura abierta permite una integración perfecta con lenguajes de programación y herramientas de IA. Una agencia de marketing digital informó haber ahorrado 12 horas mensuales mediante scripts personalizados que categorizan automáticamente las transacciones según sus reglas de negocio específicas.

El formato de texto plano garantiza que los datos permanezcan accesibles y portátiles; la ausencia de dependencia del proveedor significa que las empresas pueden adaptarse a medida que la tecnología evoluciona. Esta flexibilidad, combinada con sólidas capacidades de automatización, crea una base para una gestión financiera sofisticada sin sacrificar la simplicidad.

Creación de su Pipeline de Automatización​

La construcción de un sistema de automatización de gastos con Beancount comienza con la organización de sus datos financieros. Recorramos una implementación práctica utilizando ejemplos reales.

1. Configuración de su Estructura Beancount​

Primero, establezca su estructura de cuentas y categorías:

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. Creación de Reglas de Automatización​

Aquí tiene un script de Python que demuestra la categorización automática:

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. Procesamiento de Transacciones​

Así es como se ven las entradas automatizadas en su archivo 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

Las pruebas son cruciales: comience con un subconjunto de transacciones para verificar la precisión de la categorización. La ejecución regular a través de programadores de tareas puede ahorrar más de 10 horas mensuales, liberándole para centrarse en prioridades estratégicas.

Logrando Alta Precisión Mediante Técnicas Avanzadas​

Exploremos cómo combinar el aprendizaje automático con la coincidencia de patrones para una categorización precisa.

Coincidencia de Patrones con Expresiones Regulares​

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

Integración de Aprendizaje Automático​

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}\n")

Esta implementación incluye:

• Análisis adecuado de las entradas de Beancount
• Datos de entrenamiento con múltiples ejemplos por categoría
• Sugerencias de tipo para una mayor claridad del código
• Manejo de errores para datos de entrenamiento no válidos
• Ejemplos de predicciones con transacciones similares pero no vistas

Combinando Ambos Enfoques​

2025-05-15 * "AWS Cloud Platform - Monthly Usage"
    Expenses:Cloud:AWS                        234.56 USD
    Liabilities:CreditCard                   -234.56 USD

2025-05-15 * "Uber Trip - Client Meeting"
    Expenses:Travel:Transport                  45.00 USD
    Liabilities:CreditCard                    -45.00 USD

2025-05-16 * "Marriott Hotel - Conference Stay"
    Expenses:Travel:Accommodation             299.99 USD
    Liabilities:CreditCard                   -299.99 USD

Este enfoque híbrido logra una precisión notable al:

1. Usar expresiones regulares para patrones predecibles (suscripciones, proveedores)
2. Aplicar ML para transacciones complejas o nuevas
3. Mantener un bucle de retroalimentación para la mejora continua

Una startup tecnológica implementó estas técnicas para automatizar su seguimiento de gastos, reduciendo el tiempo de procesamiento manual en 12 horas mensuales mientras mantenía una precisión del 99%.

Seguimiento del Impacto y Optimización​

Mida el éxito de su automatización a través de métricas concretas: tiempo ahorrado, reducción de errores y satisfacción del equipo. Rastree cómo la automatización afecta indicadores financieros más amplios como la precisión del flujo de caja y la fiabilidad de la previsión.

El muestreo aleatorio de transacciones ayuda a verificar la precisión de la categorización. Cuando surjan discrepancias, refine sus reglas o actualice los datos de entrenamiento. Las herramientas de análisis integradas con Beancount pueden revelar patrones de gasto y oportunidades de optimización previamente ocultas en los procesos manuales.

Participe con la comunidad de Beancount para descubrir las mejores prácticas emergentes y técnicas de optimización. El perfeccionamiento regular asegura que su sistema continúe aportando valor a medida que su negocio evoluciona.

Avanzando​

La contabilidad automatizada de texto plano representa un cambio fundamental en la gestión financiera. El enfoque de Beancount combina la supervisión humana con la precisión de la IA, ofreciendo exactitud mientras se mantiene la transparencia y el control.

Los beneficios se extienden más allá del ahorro de tiempo: piense en una visión financiera más clara, errores reducidos y una toma de decisiones más informada. Ya sea que esté inclinado a la tecnología o centrado en el crecimiento empresarial, este marco ofrece un camino hacia operaciones financieras más eficientes.

Emp

¡Hola a todos! En la entrada del blog de hoy, nos adentramos en el mundo de Beancount, una herramienta de contabilidad de doble entrada que muchos aprecian por su simplicidad y potencia. Más específicamente, vamos a hablar de dos conceptos clave: Cuentas por Cobrar y Cuentas por Pagar.

Comprender estos términos es crucial para usar Beancount (o cualquier sistema de contabilidad de doble entrada) de manera efectiva. Pero no te preocupes si eres principiante, ¡vamos a desglosarlo todo, paso a paso!

Cuentas por Cobrar y Pagar: Lo Básico​

En contabilidad, "cuentas por cobrar" y "cuentas por pagar" son términos utilizados para rastrear el dinero que se debe. Las "cuentas por cobrar" se refieren al dinero que otros te deben a ti, mientras que las "cuentas por pagar" se refieren al dinero que tú debes a otros.

Veamos un ejemplo:

1. Cuentas por Cobrar (C/C): Supongamos que eres dueño de una librería y un cliente compra un libro a crédito. El dinero que te deben por el libro es una cuenta por cobrar.

2. Cuentas por Pagar (C/P): Por otro lado, imagina que pides un nuevo lote de libros a un editor, pero no los pagas por adelantado. El dinero que le debes al editor es una cuenta por pagar.

En Beancount, estas se suelen rastrear a través de cuentas correspondientes. El principal beneficio aquí es que te proporciona una imagen clara y precisa de tu posición financiera en cualquier momento.

Configuración de Cuentas por Cobrar y Pagar en Beancount​

La estructura de tu archivo Beancount puede ser tan simple o tan compleja como necesites. Para las cuentas por cobrar y por pagar, probablemente querrás crear cuentas separadas bajo tus secciones de Activos y Pasivos.

Aquí tienes un ejemplo sencillo:

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

Seguimiento de Transacciones​

Lado del Beneficiario​

Después de configurar tus cuentas, puedes rastrear transacciones que involucren cuentas por cobrar y por pagar. Veamos un ejemplo:

2023-05-29 * "Venta de libros a cliente a crédito"
  Assets:AccountsReceivable  100 USD
  Income:BookSales          -100 USD

Aquí, estás añadiendo $100 a tus cuentas por cobrar porque un cliente te debe esta cantidad. Simultáneamente, estás reduciendo tus ingresos por la misma cantidad para mantener el balance (ya que aún no has recibido el dinero).

Cuando el cliente finalmente pague, lo registrarás así:

2023-06-01 * "Pago recibido del cliente"
  Assets:Bank:Savings        100 USD
  Assets:AccountsReceivable -100 USD

Lado del Pagador​

El mismo principio se aplica a las cuentas por pagar, pero con los signos invertidos:

2023-05-30 * "Compra de libros a editor a crédito"
  Liabilities:AccountsPayable  200 USD
  Expenses:BookPurchases     -200 USD

Y cuando saldas tu deuda:

2023-06-02 * "Deuda saldada con el editor"
  Liabilities:AccountsPayable -200 USD
  Assets:Bank:Checking        200 USD

Conclusión​

Las cuentas por cobrar y por pagar son el corazón de cualquier sistema contable. Al rastrearlas con precisión, obtienes una comprensión completa de tu salud financiera.

Este es solo un punto de partida, y Beancount es capaz de mucho más. Espero que esta entrada del blog ayude a aclarar estos importantes conceptos. Como siempre, ¡feliz contabilidad!

En la entrada de blog de hoy, desglosaremos un libro mayor de Beancount para empresas, lo que le ayudará a comprender las complejidades de este sistema de contabilidad de partida doble de texto plano.

Comencemos primero con el código:

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

Entendiendo el Código​

1. Apertura de Cuentas: El código comienza abriendo una serie de cuentas el 01-01-1970. Estas incluyen una mezcla de cuentas de activos (Assets:Bank:Mercury y Assets:Crypto), una cuenta de patrimonio (Equity:Bank:Chase), cuentas de ingresos (Income:Stripe y Income:Crypto:ETH), y cuentas de gastos (Expenses:COGS, Expenses:COGS:AmazonWebServices, Expenses:BusinessExpenses, y Expenses:BusinessExpenses:ChatGPT).

2. Transacciones: Luego, procede a registrar una serie de transacciones entre el 01-03-2023 y el 18-05-2023.

   • La transacción del 14-05-2023 representa un pago de $17.49 a CONTABO.COM desde Mercury Checking ••1234. Esto se registra como un gasto (Expenses:COGS:Contabo) y una deducción correspondiente de la cuenta Assets:Bank:Mercury.

   • De manera similar, la transacción del 11-05-2023 representa un pago de $14490.33 a Amazon Web Services desde la misma cuenta bancaria. Esto se registra bajo Expenses:COGS:AmazonWebServices.

   • La transacción del 01-03-2023 muestra ingresos de STRIPE siendo depositados en Mercury Checking ••1234, por un total de $21230.75. Esto se registra como ingreso (Income:Stripe) y una adición a la cuenta bancaria (Assets:Bank:Mercury).

   • La última transacción del 18-05-2023 representa una transacción de criptomonedas que involucra 19 ETH de un cliente. Esto se rastrea bajo Assets:Crypto e Income:Crypto:ETH. El {1,856.20 USD} muestra el precio de ETH en el momento de la transacción, mientras que el @@ 35267.8 USD especifica el valor total de la transacción de 19 ETH.

En todas las transacciones, se mantiene el principio de la contabilidad de partida doble, asegurando que la ecuación Activos = Pasivos + Patrimonio siempre se cumpla.

Reflexiones Finales​

Este libro mayor de Beancount proporciona un sistema sencillo pero robusto para el seguimiento de las transacciones financieras. Como se ve en la transacción final, Beancount es lo suficientemente flexible como para contabilizar activos no tradicionales como las criptomonedas, lo que es un testimonio de su utilidad en nuestro panorama financiero cada vez más digital.

Esperamos que este desglose le ayude a comprender mejor la estructura y las capacidades de Beancount, ya sea usted un contable experimentado o un principiante que intenta llevar un registro de sus finanzas personales. Manténgase atento a nuestra próxima entrada de blog, donde profundizaremos en operaciones avanzadas de Beancount.