Osman Rana/Hayon Thapaliya/Unsplash

af Janus Heie

Hvorfor er du ikke allerede i gang?

AI og Machine Learning lider af et problem, hvor den overordnede idé og koncept kan være tiltalende og inspirerende for mange. Men at oversætte disse tanker til løsninger, der skal kunne implementeres på kort sigt, kan måske være mindre klart. Her er en brugssituation, som man faktisk kan implementere mandag morgen.

Implementér en Machine Learning løsning til at automatisere kontering og bogføring af fakturaer. Det fungerer fremragende med teknologi, der allerede er tilgængelig i dag!

Denne process er den perfekte blanding af at være forudsigelig, datadrevet og med høj volumen, dog samtidigt kompliceret, i forhold til de mange leverandører, forskellige varelinjer og mulige kontostrenge. Ved at lære af din organisations tidligere manuelle håndteringsproces, kan en Machine Learning løsning reducere arbejdsbelastningen af kontering af fakturaer og bogføring med over 80%.

Det er faktisk alt, hvad jeg ville sige, men læs videre, hvis du er interesseret i hvorfor, og hvordan det ville fungere for dig.
Ved håndtering af fakturaer er der typisk to hovedopgaver, der skal udføres i processen: Hver faktura skal konteres og godkendes til betaling. Begge disse aktiviteter er egnede kandidater til intelligent automatisering ved hjælp af Machine Learning.

Kontering af en faktura

Det er en af de opgaver, der er vanskelig at automatisere ved hjælp af traditionel regelbaseret automatisering eller endda RPA. Dette, primært, fordi der er så mange leverandører, ofte kommer der nye til hver måned, ligesom der også findes tusindvis af mulige fakturalinjer på tværs af de forskellige fakturaer. Derfor er dét at skabe et udtømmende regelsæt for alle mulige kombinationer, der skal følges slavisk af en RPA, ikke en realistisk løsning.

Denne tilgang vil fungere fint for mængderne af gentagne fakturaer fra de store leverandører, men kun i begrænset omfang for de mindre og nyere leverandører. Fakturaer med indkøbsordre automatiserer selvfølgelig sin andel af den totale fakturavolumen, men hvad med alle gentagne fakturaer for abonnementer eller komplicerede servicekontrakter, for ikke at nævne alle de irriterende engangsleverandører og ad hoc køb, som typisk udgør 60-80% af fakturavolumen?

Med Machine Learning behøver man ikke at specificere reglerne for fakturahåndtering. Hvordan man konterer fakturaer, f.eks. fra din primære mobiltelefonileverandør, vil løsningen selv finde ud af igennem træning. Det handler alt sammen om læring og adaptiv kapacitet.

Fakturagodkendelse

Denne opgave er også dårligt egnet til regelbaseret automatisering. Brug af faste beløbsgrænser eller 3-vejs matching er muligvis en basal løsning for højt kontrollerede udgiftsområder, men de mange undtagelser og ændringer gør denne fremgangsmåde besværlig og fejlagtig.

Machine learning kan dog tilbyde en anden tilgang til godkendelse af fakturaer. Hvis en faktura er “normal”, bliver den godkendt af løsningen, hvis ikke, bliver den sendt til manuel kontrol. Hvad der betegnes som ”normalt” vil være meget forskelligt, men en Machine Learning løsning vil med meget høj nøjagtighed opdage afvigelser fra normalen og stoppe sådanne fakturaer. For eksempel kan en telefonregning på 250 kroner virke normal og ville blive godkendt automatisk under en regelbaseret godkendelsesopsætning.

Men en Machine Learning løsning ville opdage, at det er meget unormalt f.eks. at have spåkone-tjenester som en varelinje på en telefonregning og stoppe fakturaen. Dette, på grund af den høje ulighed i forhold til de tusindvis af fakturaer, den har set før. Forskellen kan også være i brugen af data versus opkaldstid, de lande, der ringes til, faktureringens frekvens mv. Det afgørende er, hvad der bryder mønsteret og hvor alvorlig afvigelsen er. Derfor får man en grundig evaluering og bedømmelse af hver enkelt faktura, baseret på dennes normalitet, snarere end overholdelse af nogle få enkle regler

Implementeringsovervejelser

Det, der er så godt ved at implementere en Machine Learning automatiseringsløsning i dag, er; at de data, der er nødvendige fra de nuværende fakturahåndteringssystemer (dvs. historiske fakturaer og deres bogføringer) ofte er tilgængelige i forvejen, ligesom outputtet af Machine Learning løsningen (kontostreng og godkendelsesflag) også er relativt simpelt. En Machine Learning løsning vil kunne køre i realtid, hvis det er nødvendigt, og (evt. ved hjælp af RPA) kunne integreres i de systemer, der allerede anvendes.

Janus Heie

Janus Heie

Tlf: (+45) 92445655
E-mail: jhe@carve.dk
LinkedIn