Skillnader och användning av Optical Character Recognition, Robotic Process Automation & Accounting AI

Är du verksam inom området leverantörsreskontra? Då är du sannolikt bekant med akronymer som OCR (Optical Character Recognition), RPA (Robotic Process Automation) och AI (Artificial Intelligence) när det gäller automatisering av leverantörsreskontran. Det kan dock vara svårt att få en heltäckande förståelse för dessa termer, deras operativa mekanismer, deras potentiella fördelar och omfattningen av automatisering som de kan införa i ditt leverantörsreskontrateam. Låt oss börja vår undersökning från början av processen.

Datainsamling från PDF (eller JPEG, TIFF, …) till AP/ERP-programvara

Om du är intresserad av att optimera tidseffektiviteten inom leverantörsreskontran genom att eliminera manuell inmatning av fakturadata eller den repetitiva uppgiften att kopiera och klistra in fakturor från tidigare månader med efterföljande mindre ändringar, kanske du redan känner till begreppet OCR. Hur fungerar OCR exakt i samband med leverantörsreskontra?

OCR, en akronym för“Optical Character Recognition“, innebär i huvudsak att text, oavsett om den är handskriven eller tryckt på fakturabilder (t.ex. PDF, TIFF, JPEG eller andra bildformat), omvandlas till maskinkodad text som är både sökbar och redigerbar (t.ex. XML, JSON, CSV etc.).

Med hjälp av OCR blir den manuella inmatningen av fakturor överflödig. Istället kan OCR-programvaran extrahera fakturadata, t.ex. fakturatyp, fakturanummer, leverantörs- och köparinformation, referensnummer, datum, belopp, momsklassificering och till och med rader med motsvarande beskrivningar. Detta underlättar korrekt fakturabokning i enlighet med bokningspolicyn.

Dagens OCR-lösningar kompletteras ofta med motorer för artificiell intelligens (AI) och maskininlärning (ML). Dessa avancerade tekniker bidrar till en effektivare igenkänning av olika fakturamallar och extrahering av fakturadata med ökad precision. När en ny faktura tas emot kan man förenklat säga att genom att markera relevanta data i den nya mallen kan OCR-lösningen med stor sannolikhet automatiskt extrahera den information som krävs från efterföljande fakturor baserat på den mall som tidigare behandlats.

Även om många OCR-lösningar erbjuder automatiseringsfunktioner för kontering av data är det viktigt att notera att det i de flesta fall handlar om en “kopiera och klistra in de senast valda värdena”, eller bara en enkel algoritm för använda värden, snarare än en riktig AI-motor för prediktiv kontering i bakgrunden. Konsekvenserna av felaktiga fakturabokningar till följd av mänskliga misstag understryker hur ineffektiva och olämpliga sådana metoder är. Lyckligtvis är det en enkel process att förbättra denna situation. Hur gör man? Låt oss fortsätta!

Regelbaserad automatisering

RPA, en akronym som står för“Robotic Process Automation“, även kallad Software Robotics, bidrar till att automatisera repetitiva uppgifter. När det gäller leverantörsreskontra och fakturabokning kan RPA-lösningar underlätta förfyllnad av konteringsfält (t.ex. huvudbok, momskod, kostnadsställe, projekt etc.) eller till och med hela arbetsflöden, med hjälp av kriterier som affärs-ID, referensnummer, artikelbeskrivning och andra liknande parametrar.

När det gäller regelbaserad automatisering finns det dessutom funktioner som “Matchning avinköpsorder” (kallad “PO Matchning”) och “Matchning avkontrakt”. Dessa automatiseringsprocesser är regelbaserade eftersom de kräver specifik information för att utlösa motsvarande regler i systemet för leverantörsreskontra/ERP. PO Matching innebär automatisering baserad på data som inköpsordernumret, vilket initierar matchningen av en faktura till en förhandsgodkänd inköpsorder. Kontraktsmatchning används däremot när en faktura innehåller ett kontraktsnummer, vilket leder till automatisering (matchning) av fakturan mot det ursprungliga leverantörskontraktet.

Trots många företags ihärdiga ansträngningar under de senaste årtiondena för att uppnå 100% automatisering av inköpsorder (PO) har ett stort antal företag misslyckats och endast nått 30% eller 40%. Även när PO-matchning implementeras måste man ta ställning till viktiga frågor innan man fattar några beslut:

• Är alla PO-fakturor konsekvent matchade till 100% med motsvarande inköpsorder?
• Innehåller inköpsorderna alla nödvändiga mått som måste hämtas från inköpsordern och fyllas i på den inkommande fakturan, i enlighet med organisationens bokföringspolicy?
• Kan AP-teamet enkelt behandla en faktura om matchningen inte har utlösts?
  • Och hur går man tillväga när matchningen av beställningar inte aktiveras? Man bör ta hänsyn till den tid som läggs på kommunikation mellan affärsenheterna (kollegor som går in i godkännandeprocessen) och teamet för leverantörsreskontra.

Om någon av dessa frågor leder till ett “nej” finns det utan tvekan utrymme för att förbättra den nuvarande automatiseringsnivån.

AI som förstärkare eller ledare av den nuvarande automatiseringen

AI, som är en akronym för “ArtificiellIntelligens”, simulerar en mänsklig intelligensprocess med hjälp av datorsystem. I dag kan vi se många olika AI-verktyg i vår vardag – till exempel den virtuella agent vi pratar med innan vi får kontakt med den riktiga personen på bankavdelningen som vi behöver prata med, eller en chatbot när vi vill rapportera ett tekniskt problem till internetleverantören.

Vilken fantastisk nyhet – AI har äntligen kommit även till leverantörsreskontraområdet.

Snowfox.AI förutser data som inte finns i fakturan, men som är en integrerad del av fakturahanteringen – val av bokföringsdata som huvudbokskonto, momskod, kostnadsställe, projekt, WBS-element etc. Förutom bokningsdimensionerna kan Snowfox.AI också förse dig med en godkännare/granskare av fakturan samt hela godkännandeområdet om det behövs.

Är du intresserad av hur AI kan hantera din organisations inkommande fakturor?

Inga problem, vi kan göra ett AI-kapacitetstest åt dig. Processen innebär att AI initieras med en batch av historiska data, bestående av fakturabilder (i format som PDF/TIFF/JPEG), strukturerad fakturadata (fakturametadata efter OCR-datautvinning, i format som CSV/XML/JSON) samt konteringar och routinginformation från AP- eller ERP-systemet (CSV/XLSX/XML/JSON). Dessa datauppsättningar kan enkelt exporteras från den aktuella AP/ERP-programvaran eller erhållas från systemets leverantör.

Cirka 70% av den historiska datan används för AI-träning, vilket resulterar i en specifik AI-modell som är skräddarsydd för varje företags unika krav. De återstående 30% av den historiska datan behandlas som “nya fakturor” och AI-förutsägelser jämförs med befintlig data, vilket visar hur AI kan förutsäga fakturor på ett visuellt intuitivt sätt.

Förutom frågorna om hur Snowfox.AI fungerar och vad AI-funktionerna är, får vi ofta följande frågor:

• Hur fungerar Snowfox.AI i verklig produktion när jag redan har regelbaserad automatisering?
• Vad händer när en revisor gör ett misstag?
• Vad händer om vi får en helt ny faktura?

Svaren är enklare än du trodde. AI samarbetar sömlöst med befintlig regelbaserad automatisering. I verklig produktion förutspår AI endast de fakturor som inte kan behandlas med befintliga regler. I situationer där det är svårt att skapa och underhålla regler kan AI effektivt hantera alla inkommande fakturor. Om en revisor har gjort ett misstag kommer AI inte automatiskt att förutsäga det senast valda värdet. AI avvaktar en tid för att ta hänsyn till denna ändring och uppdaterar postningslogiken.

Om ändringar görs i diagrammet över huvudböcker eller andra dimensioner kan AI-modellen dessutom enkelt tränas om. När AI ställs inför en helt ny faktura utnyttjar AI historiska data för att göra förutsägelser baserade på tidigare inköp i alla historiska fakturor.

Är det ens möjligt att uppnå en “beröringsfri process”?

Svaret är ett rungande JA. AI i samarbete med AP/ERP-systemet har möjlighet att direkt överföra förväntade fakturor till bokföringsprogrammet utan att kräva någon godkännandeprocess. Detta strömlinjeformade tillvägagångssätt ger betydande tidsbesparingar genom att möjliggöra identifiering av fakturor som AI kan hantera självständigt. Hur enkelt är det, eller hur?

Oavsett om din nuvarande regelbaserade automatisering inte lever upp till förväntningarna eller om du är intresserad av att utforska hur AI snabbt kan förbättra dina automatiseringsprocesser, inbjuder vi dig att ladda ner vår guide och boka en diskussion med oss för att fördjupa dig ytterligare i Snowfox.AI:s funktioner.