Optisen kirjaintunnistuksen, robottiprosessien automatisoinnin ja kirjanpidon tekoälyn erot ja käyttö

Toimitko maksupalvelualalla? Sitten olet todennäköisesti perehtynyt lyhenteisiin, kuten OCR (Optical Character Recognition), RPA (Robotic Process Automation) ja AI (Artificial Intelligence), jotka liittyvät maksupalvelujen automatisointiin. Näiden termien, niiden toimintamekanismien, niiden mahdollisten hyötyjen ja sen automaation laajuuden, jonka ne voivat tuoda kirjanpidon maksupalvelutiimillesi, kattava ymmärtäminen voi kuitenkin olla vaikeaa. Aloitetaan tutkiminen prosessin alusta.

Tietojen kaappaus PDF-tiedostosta (tai JPEG-, TIFF-, …) AP/ERP-ohjelmistoon

Jos olet kiinnostunut optimoimaan aikatehokkuuden maksupalvelun sisällä poistamalla laskujen tietojen manuaalisen syöttämisen tai toistuvan tehtävän, joka on laskujen kopioiminen ja liittäminen edellisiltä kuukausilta pienin muutoksin, saatat olla jo perehtynyt OCR-käsitteeseen. Miten OCR tarkalleen ottaen toimii kirjanpidossa?

OCR, joka on lyhennesanoista “Optical Character Recognition” (optinen merkintunnistus), tarkoittaa pääasiassa tekstin muuntamista käsin kirjoitetusta tai laskukuviin (esim. PDF, TIFF, JPEG tai muihin kuvaformaatteihin) tulostetusta tekstistä koneellisesti koodatuksi tekstiksi, joka on sekä haettavissa että muokattavissa (esim. XML, JSON, CSV jne.).

OCR:n avulla laskujen manuaalinen syöttäminen on tarpeetonta. Sen sijaan OCR-ohjelmisto voi poimia laskun tiedot, kuten laskun tyypin, laskun numeron, toimittajan ja ostajan tiedot, viitenumerot, päivämäärät, summat, alv-luokitukset ja jopa rivikohdat ja vastaavat kuvaukset. Tämä helpottaa laskujen tarkkaa kirjaamista kirjauskäytäntöjen mukaisesti.

Nykyaikaisia OCR-ratkaisuja on usein parannettu tekoäly- ja koneoppimismoottoreilla. Nämä kehittyneet teknologiat auttavat tunnistamaan tehokkaammin erilaisia laskumalleja ja poimimaan laskutiedot entistä tarkemmin. Yksinkertaisemmin sanottuna, kun uusi lasku vastaanotetaan, merkitsemällä asiaankuuluvat tiedot uuteen malliin OCR-ratkaisu pystyy suurella todennäköisyydellä automaattisesti poimimaan tarvittavat tiedot seuraavista laskuista aiemmin käsitellyn mallin perusteella.

Vaikka lukuisat OCR-ratkaisut tarjoavat tietojen lähettämisen automatisointiominaisuuksia, on tärkeää huomata, että useimmissa tapauksissa kyse on “viimeisimpien valittujen arvojen kopioinnista ja liittämisestä” tai vain helposta käytettyjen arvojen algoritmiominaisuudesta eikä todellisesta tekoälymoottorista, joka mahdollistaa ennakoivan lähettämisen taustalla. Inhimillisestä erehdyksestä johtuvien virheellisten laskujen kirjausten vaikutukset korostavat tällaisten lähestymistapojen tehottomuutta ja sopimattomuutta. Onneksi tilanteen parantaminen on suoraviivainen prosessi. Miten? Jatketaan!

Sääntöpohjainen automaatio

RPA, joka on lyhennesanoista “Robotic Process Automation” tai “ohjelmistorobotiikka”, auttaa automatisoimaan toistuvia tehtäviä. Kun kyseessä on maksuliike ja laskujen kirjaaminen, RPA-ratkaisut voivat helpottaa kirjauskenttien (esim. pääkirjanpito, alv-koodi, kustannuspaikka, hanke jne.) tai jopa kokonaisten työnkulkujen esitäyttöä hyödyntämällä sellaisia kriteerejä kuin yritystunnus, viitenumero, nimikkeen kuvaus ja muita vastaavia parametreja.

Lisäksi sääntöpohjaisen automaation piirissä merkittäviä ominaisuuksia ovat“Purchase Order Matching” (ostotilausten täsmäytys) ja “Contract Matching”. Nämä automaatioprosessit ovat sääntöpohjaisia, koska ne edellyttävät tiettyjä tietoja vastaavien sääntöjen käynnistämiseksi Accounts Payable/ERP-järjestelmässä. Ostotilauksen täsmäytys sisältää tietojen, kuten ostotilauksen numeron, perusteella tapahtuvan automaation, joka käynnistää laskun täsmäytyksen ennalta hyväksyttyyn ostotilaukseen. Sopimusten täsmäytys taas käynnistyy, kun lasku sisältää sopimusnumeron, jolloin lasku automatisoidaan (täsmäytetään) alkuperäiseen toimittajasopimukseen.

Huolimatta siitä, että monet yritykset ovat viime vuosikymmeninä pyrkineet jatkuvasti 100-prosenttiseen ostotilausten automatisointiin, huomattava osa yrityksistä on jäänyt siitä jälkeen ja saavuttanut vain 30 tai 40 prosenttia. Jopa silloin, kun ostotilausten täsmäytys on otettu käyttöön, on ennen päätöksentekoa ratkaistava keskeiset kysymykset:

• Ovatko kaikki ostolaskujen ja niitä vastaavien ostotilausten väliset vastaavuudet 100-prosenttisesti yhteneväiset?
• Sisältävätkö ostotilaukset kaikki vaaditut mitat, jotka on poimittava ostotilauksesta ja täytettävä saapuvaan laskuun organisaatiosi varauskäytännön mukaisesti?
• Voiko AP-ryhmä käsitellä laskun helposti, jos täsmäytystä ei ole käynnistetty?
  • Entä miten toimitaan, kun PO-vertailua ei saada aktivoitua? Olisi otettava huomioon liiketoimintayksiköiden (hyväksymisprosessiin osallistuvat kollegat) ja maksupalvelutiimin väliseen viestintään käytetty aika.

Jos jokin näistä kysymyksistä tuottaa vastauksen “EI”, nykyistä automaatiotasoa on epäilemättä mahdollista parantaa.

Tekoäly nykyisen automaation edistäjänä tai johtajana

Tekoäly, joka on lyhenne sanoista “Artificial Intelligence“, simuloi ihmisen älykkyysprosessia tietokonejärjestelmien avulla. Nykyään voimme nähdä monia erilaisia tekoälytyökaluja jokapäiväisessä elämässämme – esimerkiksi virtuaaliagentti, jonka kanssa puhumme ennen kuin otamme yhteyttä oikeaan henkilöön pankin osastolta, jonka kanssa meidän on puhuttava, tai chatbot, kun haluamme ilmoittaa jostakin teknisestä ongelmasta Internet-palveluntarjoajalle.

Mikä ihana uutinen – tekoäly on vihdoin saapunut myös maksupalvelualalle.

Snowfox.AI ennustaa tietoja, joita ei ole laskussa, mutta jotka ovat olennainen osa laskun käsittelyä – valitsemalla kirjaustiedot, kuten pääkirjanpidon tili, alv-koodi, kustannuspaikka, projekti, WBS-elementti jne. Kirjausmittojen lisäksi Snowfox.AI pystyy tarvittaessa tarjoamaan myös laskun hyväksyjän/tarkastajan sekä koko hyväksymisalueen.

Oletko kiinnostunut siitä, miten tekoäly voi käsitellä organisaatiosi saapuvia laskuja?

Ei hätää, voimme tehdä sinulle tekoälykykytestin. Prosessissa tekoäly käynnistetään historiatietoerällä, joka sisältää laskukuvia (esimerkiksi PDF/TIFF/JPEG-muodossa), strukturoituja laskutietoja (laskun metatiedot OCR-tiedon louhinnan jälkeen, esimerkiksi CSV/XML/JSON-muodossa) sekä kirjauksia ja reititystietoja AP- tai ERP-järjestelmästä (CSV/XLSX/XML/JSON). Nämä tietokokonaisuudet voidaan helposti viedä nykyisestä AP/ERP-ohjelmistosta tai saada järjestelmän toimittajalta.

Noin 70 prosenttia historiallisesta datasta käytetään tekoälykoulutukseen, jonka tuloksena saadaan erityinen tekoälymalli, joka on räätälöity kunkin yrityksen yksilöllisiin vaatimuksiin. Loput 30 prosenttia historiatiedoista käsitellään “uusina laskuina”, ja tekoälyennusteita verrataan olemassa oleviin tietoihin, mikä osoittaa, miten tekoäly voi ennustaa laskuja visuaalisesti intuitiivisella tavalla.

Snowfox.AI:n toimintaa ja tekoälyominaisuuksia koskevien kysymysten lisäksi saamme usein myös seuraavia kysymyksiä:

• Miten Snowfox.AI toimii todellisessa tuotannossa, kun minulla on jo sääntöpohjainen automaatio?
• Mitä tapahtuu, kun kirjanpitäjä tekee virheen?
• Entä jos saamme täysin uuden laskun?

Vastaukset ovat yksinkertaisempia kuin luulitkaan. Tekoäly tekee saumatonta yhteistyötä olemassa olevan sääntöpohjaisen automaation kanssa. Todellisessa tuotannossa tekoäly ennustaa vain ne laskut, joita ei voida käsitellä nykyisillä säännöillä. Tilanteissa, joissa sääntöjen luominen ja ylläpitäminen on haastavaa, tekoäly voi käsitellä tehokkaasti kaikki saapuvat laskut. Jos kirjanpitäjä on tehnyt virheen, tekoäly ei ennusta automaattisesti viimeksi valittua arvoa. Tekoäly odottaa jonkin aikaa tämän muutoksen huomioimiseksi ja päivittää lähettämislogiikkaa.

Lisäksi jos pääkirjanpidon kaavioon tai muihin ulottuvuuksiin tehdään muutoksia, tekoälymalli voidaan helposti kouluttaa uudelleen. Kun edessä on täysin uusi lasku, tekoäly hyödyntää historiatietoja tehdäkseen ennusteita kaikkien aiempien laskujen aiempien ostojen perusteella.

Onko “kosketuksettoman prosessin” saavuttaminen edes mahdollista?

Vastaus on selvä KYLLÄ. Tekoäly pystyy yhteistyössä AP/ERP-järjestelmän kanssa siirtämään ennakoidut laskut suoraan kirjanpito-ohjelmistoon ilman hyväksymisprosessia. Tämä virtaviivaistettu lähestymistapa mahdollistaa merkittävän ajansäästön, koska sen avulla voidaan tunnistaa laskut, jotka tekoäly voi käsitellä itsenäisesti. Kuinka yksinkertaista se onkaan?

Jos nykyinen sääntöpohjainen automaatiosi ei täytä odotuksia tai haluat tutkia, miten tekoäly voi nopeasti parantaa automaatioprosessejasi, kutsumme sinut lataamaan oppaamme ja sopimaan kanssamme keskustelun, jotta voimme syventyä Snowfox.AI:n ominaisuuksiin.