Hvad er PO Matching? Og hvordan automatiseres det?

PO Matching er processen med at forbinde en indkøbsordre (PO) udstedt af en kunde med angivelse af typer, mængder og aftalte priser for produkter/tjenester til faktura udstedt af en sælger for det er levering. Målet med PO-matching er at sikre rettidige leverandørbetalinger, korrekt regnskabsføring af omkostninger og nem opdagelse af svigagtig praksis.

Manuel PO Matching

PO-matching involverer flere trin, inklusive kvitteringen og opsamling af fakturadata, verifikation med indkøbsordre, matchning af parametrene og opløsning baseret på forskellige parametre. Fakturabehandling og PO-matching er komplekse, tidskrævende og ressourcekrævende processer, når de udføres manuelt, især i opskalerede forretningsaktiviteter.

Selv i afdelinger, hvor der er digitalisering af information i form af Enterprise Resource Planning (ERP) applikationer, kræves der en betydelig mængde menneskelig arbejdskraft; fra det tidspunkt, hvor en faktura rejses eller modtages til dens indtræden i ERP-applikationen, gældsforpligtelser personale udfører en tilsyneladende endeløs liste af gøremål.

---

Ønsker du at automatisere PO Matching-processen? Give nanonetter™ prøv at få fordelene ved at bruge AI-baseret OCR i PO Matching-processen.

---

· Åbning og scanning af posten/åbning af fysiske fakturaer/PO'er

· Hentning af fakturaer/PO'er fra en e-mail-boks, portal eller fysiske konvolutter

· Indtastning af oplysningerne fra fakturaer i computeren

· Manuel matchning af fakturaer med indkøbsordrer (PO'er) og leveringskvitteringer

· Fysisk videresendelse af fakturaer/OP'er til ledere og godkendelsespersonale

· Løs undtagelser gennem besværlig øjenhygge og manuel analyse.

· Indtastning af matchede fakturaoplysninger i ERP

· Søgning i ERP'en for duplikering og udeladelser

· Afstemning af fakturaer med betalinger

· Opdatering af leverandørstamdata

Nogle invaliderende udfordringer i storstilet PO-matching, især når de udføres manuelt er:

Håndtering af flere fakturadatapunkter: Store organisationer håndterer rutinemæssigt PO'er og/eller fakturaer fra flere leverandører/klienter i flere formater, herunder tekstbehandlingsfiler (f.eks. MS-Word-dokumenter), dataindtastningsfiler (f.eks. MS-Excel-filer), strukturerede XML-dokumenter fra Electronic Data Interchange (EDI), PDF'er og billedfiler, og nogle gange som papirdokumenter.

Samlingen af ​​alle disse dokumenter er tidskrævende og fejlbehæftet, når den udføres manuelt. Fejl i starten af arbejdsgang for fakturabehandling kan snebolde sig ind i alvorlige udfald såsom overbetaling, forkerte betalinger, fakturaduplikering osv., der kan føre til tab af produktivitet og tillid.

Data uoverensstemmelse: gældsforpligtelser afdelingen af ​​virksomheden er ofte nødt til at matche PO'en med Goods Received Note (GRN) og kontraktdata, ud over fakturaen. Processen med at "stirre og sammenligne" med manuel matchning kan, udover at være arbejdsintensiv og anstrengende, føre til alvorlige fejl såsom forpassede datoer og værdier, hvis korrektion ville bremse driften og udsætte organisationen for en risiko for produktivitetstab og forretning. -ledelse/klient forhold.

Undtagelseshåndtering: Kreditorafdelinger bruger meget tid på at håndtere undtagelser, herunder forkerte, ufuldstændige og ikke-matchende oplysninger i fakturaer. Op til 20 % af fakturaerne indeholder regelmæssigt forkerte eller ufuldstændige oplysninger, og en konventionel (manuel) kreditorafdeling bruger 25 % af sin tid på at løse problemer og spore manglende information.

Omkostninger pr. fakturabehandling: Manuel fakturabehandling og PO-matchning medfører omkostninger, herunder manuelle timer, papir og porto, som ville blive forværret af bøder, forsinkede gebyrer, produktretur og tab af forretning i tilfælde af fejl.

Bedrageri og tyveri: Certified Fraud Examiners (ACFE) rapporterer, at en typisk organisation mister 5 % af sin omsætning til svindel hvert år. Kriminelle, der efterligner ledere eller leverandører, e-mailer autentisk udseende fakturaer eller andre betalingsanmodninger, og et mindre årvågent Kreditor-team kan blive ofre for det.

En 2020-undersøgelse fra Levvel Research viste, at manuel dataindtastning og ineffektivitet fortsætter med at være smertepunkterne i kreditorprocessen.

Storbritannien-baserede Kreditorforening fandt det:

• 56 % af virksomhederne oplever problemer med likviditetsprognoser på grund af kreditorproblemer
• 91 % af virksomhederne modtager regelmæssigt telefonopkald fra leverandører, der jagter betalinger.
• 23 % af virksomhederne havde leverandører, der nægtede at arbejde med dem igen på grund af kreditorineffektivitet

---

Ønsker du at automatisere PO Matching-processen? Give nanonetter™ prøv at få fordelene ved at bruge AI-baseret OCR i PO Matching-processen.

---

Automatiseret PO Matching

Mange af ovenstående problemer kan løses ved hjælp af automatiseret PO-matching. Automatisering kan indføres på forskellige trin i regnskabsprocessen, og der er derfor to slags automatisering:

Optical Character Recognition (OCR)-baseret datafangst:

OCR-baseret fakturadatafangst bruger en kombination af billedoptagelseshardware og konverteringssoftware til at konvertere billeder til tekst, der kan behandles manuelt af regnskabsteamet. Det er indlysende, at dette blot digitaliserer dataene og ikke stemmer overens med dem og skal involvere efterfølgende manuelle operationer.

Desuden fejler stand-alone OCR-systemer med at arbejde med forskellige skabeloner, filtyper og layouts, hvilket nødvendiggør hyppig menneskelig indgriben for at sætte skabelonregler for forskellige typer dokumenter.

Automatiseret kontobehandling/PO-matchning:

Dette er af tre typer:

• Robotisk procesautomatisering (RPA) efterligner menneskelige handlinger i gentagne opgaver.
• Kunstig intelligens (AI), datalogiens "hellige gral" med Bill Gates' ord, efterligner menneskelig dømmekraft og adfærd for at matche PO'er, fakturaer og kvitteringer.
• Machine learning (ML) er en delmængde af AI, hvor computeren "lærer af erfaring" gennem algoritmer som det neurale netværk, der efterligner hjernens læreproces.

Alle tre typer af automatiseret databehandling fanger relevante data fra fakturaer, PO'er og anden finansiel dokumentation og autobehandler dem på en måde, der efterligner det menneskelige sind. Af dem kan den AI-aktiverede behandling også sammenligne og matche registreringer og træffe beslutninger, såsom at overføre transaktionen, markere fejl eller rejse undtagelser.

AI-baseret matching omfatter fire trin:

1. Dataopsamling og udtræk: Dette trin involverer en vis mængde menneskelig indgriben i den manuelle scanning af fysiske fakturaer i systemer eller inkorporering af faxede eller e-mailede fakturaer til konvertering til billeder. Zonal Optical Character Recognition (OCR) eller Template OCR bruges til at udtrække tekst placeret på et bestemt sted inde i et scannet dokument. Et Zonal OCR-system trænes ved at definere, hvor specifikke datafelter kan findes inde i et dokument. OpenCV, Tesseract og Python er nogle zonale OCR-systemer, der kan trænes til at udvælge specifikke felter fra en registreret faktura eller PO.

2. Datagenkendelse: Genkendelse og kategorisering af de indfangede data i typer enten gennem regelbaseret klassificering eller ved maskinlæringsalgoritmer. AI OCR-systemer kan eliminere over 80 % af operationerne under fakturadatafangst, udtræk og indeksering.

3. Record Matching og validering: AI-algoritmen udfører record-matching - processen med at finde matchende informationer fra store datasæt. Matchningsprocessen kan være 2-vejs, 3-vejs eller 4-vejs, afhængigt af virksomhedens behov.

En undersøgelse af Levvel Research fremgår det, at hurtigere godkendelse af fakturaer og øget medarbejders produktivitet er de to største fordele ved at skifte til AI-aktiveret 2-vejs og 3-måde at matche processer.

4. Kreditorgennemgang og undtagelsesbehandling, baseret på virksomhedens unikke behov, sendes de matchede data igennem eller dirigeres til den relevante medarbejder til videre behandling.

Fordele ved AI baseret PO Matching

Berøringsfri behandling:Når alle dokumenter (faktura, indkøbsordre, kvittering osv.) er elektroniske, fjerner "berøringsfri behandling" papircentrerede processer og minimerer menneskelig indgriben, hvilket giver bedre ydeevne, skalerbarhed og smidighed; alle forretningsdokumenter modtages, digitaliseres, dirigeres, matches, godkendes og behandles uden behov for pendling af et enkelt stykke papir mellem personale og afdelinger. Berøringsfri behandling fungerer gennem følgende trin:

1. Softwaren kontrollerer for ulæste e-mails.

2. Vedhæftede filer findes og frigøres fra e-mailen til behandling.

3. De vedhæftede filer læses ved hjælp af kognitive evner, og data udtrækkes.

4. Faktura/PO information valideres baseret på foruddefinerede forretningsregler.

5. En faktura oprettes, matches mod indkøbsordrer og leveringskvitteringer baseret på forudindstillede regler, og kontrolleres for at sikre, at der ikke er duplikerede fakturaer.

6. Brugere får besked om, hvorvidt fakturaer er blevet behandlet.

Berøringsfri behandling bruger ofte maskinlæring til at træne AI'er til at yde bedre end simple regelbaserede AI-systemer. Systemet lærer derfor af både kundegrundlaget og de specifikke forviklinger hos hver enkelt kunde.

Smart matchning:  PO'er kan matches efter PO-nummer, frigivelse, linje, forsendelse og PO-modtagelse og sorteres i forskellige former inden for få sekunder, en opgave, der er uhyggelig med menneskelig indsats alene.

Nem håndtering af flere PO'er til flere fakturaer:  Automatisering er især nyttig, når mængden af ​​PO'er og fakturaer er høj, og manuel indsats ville tage dage, hvis ikke måneder, at administrere og kategorisere dem.

Komplet revisionsspor og overholdelse: AI-systemer kan give menneskelige operatører intuitiv assistance og udføre valideringer og rettelser, der tager timer med menneskeligt arbejde inden for få sekunder.

Arbejdsbesparelse: AI opererer på basis af det "neurale netværk" - algoritmer, der kan genkende underliggende relationer i et sæt data, ligesom den menneskelige hjerne. Bortset fra hastigheden på ydeevnen, kan maskinlæring og muligheder for dyb læring inden for AI hjælpe softwaren med at lære af erfaringer, som kan finjustere operationen for at øge produktiviteten og nøjagtigheden, og undgå menneskelig indgriben og validering.

Fejl ved markering og minimering: Hvor den menneskelige hjerne kan svigte på grund af træthed fra gentagne handlinger, kan AI-baseret system faktisk forbedre ydeevnen med tiden og "erfaring". Selvom automatisering ikke helt kan eliminere menneskelige fejl, kan den sikre sammenhæng i stor skala. Automatiseret regnskab kan markant øge sandsynligheden for at identificere små problemer, før de går over i større. I tilfælde af problemer eller fejl bliver der automatisk markeret en advarsel til it-teamet, som hurtigt kan identificere årsagen og løse den. Intet er savnet, og rettelsen er meget hurtigere. Rettidig fejlmarkering kan spare tid, reducere dyre nedetider og undgå alvorlig brandslukning på et senere tidspunkt.

Øget produktivitet: Med frihed fra tidskrævende aktiviteter såsom PO-matching og fakturabehandling, kan Kreditor-teamet nu fokusere på menneskecentrerede aktiviteter såsom finansiel planlægning, analyse og udledning af indsigt til forbedringer og forbedring af interpersonelle og institutionelle relationer, som alt sammen kunne forbedre bundlinjen.

Omkostningsfordele: Selvom installation af AI-aktiveret fakturabehandling er forbundet med en opstartsomkostning, vil driften medføre så lidt som 20 procent af en medarbejders løn.

Datasikkerhed og skalerbarhed:  Større operationel effektivitet for globale virksomheder er resultatet af at kunne køre 24x7, i modsætning til menneskelige operatører, der er begrænset af mental båndbredde og tid.

Revisionsberedskab: PO'er, GRN'er og fakturaer er blandt de mest almindelige dokumenter, der stilles til under revisioner. AI-aktiveret PO-matchning har allerede disse dokumenter godkendt, matchet og organiseret, hvilket muliggør en problemfri revisionsproces.

Automatisering af fakturabehandling og PO-matchning kan hjælpe forskellige niveauer af ledere i en virksomhed:

• Finanschefer kan reducere omkostninger og frigøre ressourcer, der kan omorganiseres for at forbedre bundlinjen og hjælpe med strategisk vækst og virksomhedsvækst.
• Virksomhedsledere kan bedre forstå ydeevne og overvåge pengestrømme ved at analysere de dashboarddata, der tilbydes af mange af automatiseringssoftwaren til at måle.
• Kreditorteams kan eliminere papirfakturaer og manuelle interaktioner på grund af strømlinet routing, kodning, matchende leverandørfakturaer ved hjælp af foruddefinerede regnskabsregler.
• Revisorer og forskningspersonale har fuldstændig og øjeblikkelig adgang til indkøbsordrer og fakturaer til fremtidig planlægning.

---

Ønsker du at automatisere PO Matching-processen? Give nanonetter™ prøv at få fordelene ved at bruge AI-baseret OCR i PO Matching-processen.

---

Opsætning og implementering af AI-aktiverede PO Matching-systemer

Opsætningen af ​​et AI-aktiveret PO-matchingssystem i en organisation er en proces i tre niveauer.

Mens automatiseret fakturabehandling og PO-matching er fordelagtige, når de implementeres, eksisterer der utvivlsomt en læringskurve, og virksomheden/teamet skal følge nogle få protokoller for at automatiseringen kan give de forventede resultater. Nogle trin, der skal tages før og under implementering af automatiserede regnskabsprocesser, er som følger:

Fuld inddragelse af alle interessenter

Succesfuld kreditorautomatisering afhænger af fuld deltagelse af hvert medlem af økonomiteamet, hvilket indebærer periodisk træning og genopfriskningsprogrammer til at betjene systemet og håndtere undtagelser.

Fasevis automatisering

Udnyttelse af kraften i automatisering og AI afhænger af korrekt opsætning og implementering. Derudover er der en ret stejl læringskurve forbundet med at gå fra manuel bogføring til AI-baseret fakturamatchning. Ved fasevis overgang er det muligt at opsætte uden fejl og samtidig give teamet tid til at tage nye processer til sig.

Integration af alle systemer

Kreditorteamet bruger muligvis allerede software til usammenhængende formål såsom virksomhedsressourceplanlægning (ERP), administration af kunderelationer og andre centrale økonomisystemer. AI-automatiseringssystemet skal kunne integreres med eksisterende software for at gøre tingene nemmere for brugerne.

Planlægning af beredskaber

Servernedbrud, strømafbrydelse og netværksafbrydelser kan alvorligt forstyrre driften af ​​AI-aktiverede PO-matching-systemer. Men en fastgjort forretningskontinuitetsplan, der inkluderer sikkerhedskopier, uafbrudte strømforsyninger og cloud computing, kan hjælpe med at tackle disse problemer. Det er også vigtigt at vedligeholde en historik over processerne, hvis operationerne midlertidigt skal drejes tilbage til manuel håndtering.

Organisering af alle relevante dokumenter

I tre- og fire-vejs matching. Indkøbsordrer, GRN og fakturaer skal matches. Mens de fleste leverandører og kunder er omhyggelige med PO'er og fakturaer, har de en tendens til at være skødesløse med hensyn til GRN'er og kvitteringer. Fraværet af kvittering kan hænge en AI-integreret 3-vejs matchproces, og undtagelser vil blive genereret, hvilket fører til flaskehalse i arbejdsgangen.

Dette kan undgås gennem centralisering af modtagelsen af ​​varer, så oprettelse af kvitteringer er begrænset til en eller få personer for at undgå duplikering og udeladelser. En anden fejlsikker måde er at designe en systemdrevet tilgang, hvor der sættes en automatisk påmindelse til kvitteringsgenerering og opfølgning.

Ved at sikre, at alle fakturaer, PO'er og kvitteringer indtastes i systemet med det samme, kan AP-automatisering dramatisk reducere udestående dage (DPO) med en i gennemsnit 5.55 dage. Et fuldstændigt automatiseret system, hvor softwaren fanger dokumenterne direkte fra den bløde kilde (e-mails osv.) kan sikre dette, men i tilfælde af manuel upload af data bliver dette en vigtig pointe.

Matching af leverandørdata

En 3-vejs matchproces afhænger af leverandøren som den vigtigste drivkraft i processen. Nøjagtigheden af ​​data leveret af leverandører kan sikre fravær af datamismatchproblemer. Ved manuelle indsendelser af fakturaer kræves due diligence for at sikre nøjagtighed. Nøjagtighed indebærer ensartethed af måleenhed, enhedspris og leveringstidsramme. Leverandørkataloger kan eliminere fejl og forbedre købsoplevelsen.

Opsætning af en tolerance for automatisk godkendelse

Nogle almindelige undtagelser, der opstår under PO-match, er:

· Fakturamængder stemmer ikke overens med PO

· Manglende eller forkerte PO-referenceoplysninger på fakturaen

· Manglende leverandør eller skattestruktur for en faktura

· Prisafvigelser på linjeniveau eller for den samlede faktura. For eksempel kunne indkøbsordren være for 10 vareenheder til en pris af Rs.10/enhed, og fakturaen kunne være for 1 vareenhed til prisen af ​​Rs. 100.

Håndtering af kantsager

Kantsager er ualmindelige hændelser, der skal håndteres af softwaren. Ved matchning af fakturakøb er kompleksiteten af ​​tilbagevendende fakturering ofte undervurderet. AI-systemet skal have adaptiv tilbagevendende fakturering for at tage højde for disse kanttilfælde, der kan opstå på grund af tidszoneændringer, flere tilbagevendende gebyrer, retrospektive prisjusteringer og variable månedslængder for at sikre fejlfri automatisering.

---

Ønsker du at automatisere PO Matching-processen? Give nanonetter™ prøv at få fordelene ved at bruge AI-baseret OCR i PO Matching-processen.

---

Eksempler på AI-aktiverede PO Matching-systemer

Valget af en AI-aktiveret regnskabspakke afhænger af virksomhedens art og driftens omfang. AO-aktiveret PO-matching kan enten være en punktløsning eller en komplet regnskabspakke, som vil afhænge af den eksisterende software eller mangel på samme. I førstnævnte tilfælde skal det kommunikere med eksisterende systemer, herunder ERP. PO Matching er tilgængelig i mange værktøjer, der bruges til regnskab, inklusive Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree osv.

In Oracle, Kreditorer er det AI-aktiverede PO-matchningsværktøj, hvori når en faktura er indtastet og matchet til en PO, oprettes distributioner automatisk, og matchningen kontrolleres for overholdelse af den definerede tolerance. Når den er matchet, opdaterer Kreditor det fakturerede antal for hver matchede forsendelse og dens tilsvarende fordeling(er) med det beløb, der er angivet i feltet Faktureret mængde. Gæld opdaterer også det fakturerede beløb på PO-distribution(erne).

Sage Intacct Indkøb skaber strukturerede, foruddefinerede transaktions- og indkøbsgodkendelsesarbejdsgange. Mineraltræ, en leverandør af kreditorer (AP) og betalingsautomatiseringsløsninger, leverer automatisk PO/faktura-matchning for Sage Intacc. I denne udtrækkes header- og linjeniveaudetaljer automatisk ved hjælp af OCR-teknologi fra fakturaer sendt af leverandører til en udpeget e-mail. Herefter matcher den automatisk indgående fakturaer mod indkøbsordrer eller kvitteringer og indsætter dem derefter i brugernes interne arbejdsgange til fakturagodkendelse og betaling. Alle data synkroniseres med virksomhedens ERP for platformkonsistens.

Nexonia Udgifter, en cloud-baseret web- og mobiludgiftsrapportstyringsløsning, der har fleksible godkendelsesarbejdsgange og dyb integration med eksisterende systemer.

In Tipalti, gennemgår alle fakturaer en standard OCR, avanceret dataudtræk og godkendelsesarbejdsgange, før betalingen behandles. Der kan indstilles regler for at afgøre, om en faktura er PO-støttet, og om den skal gennemgå matchningsprocessen. Grundregler gælder for leverandør- eller fakturabeløb, og hvis en faktura har en indkøbsordre, udfylder PO-regningsdataene automatisk fakturaen.

In DocuWare, når en faktura registreres, udtrækker et AI-baseret, crowd-læringsværktøj alle nøgledata, der kræves til behandling, såsom leverandørnavn, id, fakturanummer, subtotal, skat, fragt og samlet beløb. For at validere fakturaen bekræfter systemet, om de er en gyldig leverandør, dobbelttjekker for eventuelle duplikerede fakturanumre, matcher til indkøbsordrer og følgesedler og genberegner beløbene.

Der er mange flere PO-matchningsværktøjer tilgængelige med forskellige funktioner, der passer til forskellige applikationer.

Nanonets AI OCR

Nanonets AI-OCR læser usete, semistrukturerede dokumenter, der ikke følger en standardskabelon, og validerer de data, der er fanget fra dokumentet. Softwaren kan fange data fra en række forskellige dokumenter, herunder faktura, id-kort, indkøbsordrer, indkomstbevis, skatteformular og pantformularer.

Det muliggør import af data fra brugerens platform og direkte eksport af de opfangede data til en eksisterende arbejdsgang uden at forstyrre systemet. Nanonets har sprogbindinger i Shell, Ruby, Golang, Java, C# og Python. AI-motoren lærer og forbedres med brug. Med en intuitiv webgrænseflade eliminerer den besværlige manuelle processer og automatiserer fakturaer, kvitteringer og dokumentgennemgange. Det er kendt for at reducere behandlingstiden med op til 90 % og spare på omkostningerne med op til 50 %.

Kunstig intelligens forventes at spille en afgørende rolle i transformationen af ​​den måde, regnskab og PO-matching udføres på i erhvervslivet. Det kan dog ikke eliminere menneskelig deltagelse - teknologi kan ikke eksistere alene.

Kunstig intelligens vil hjælpe, ikke erstatte revisoren. Nøglen til en vellykket implementering af et AI-aktiveret regnskabssystem er at bringe dem sammen. Fremtiden for brugen af ​​AI i regnskab og PO-matching afhænger i høj grad af, hvordan mennesker kan forankre den for at forbedre deres kapacitet til at levere langsigtede værdier.