Was ist PO-Matching? Und wie kann man es automatisieren?

PO-Matching ist der Prozess des Verbindens einer Bestellung (PO), die von einem Kunden ausgestellt wurde und Typen, Mengen und vereinbarte Preise für Produkte/Dienstleistungen angibt, mit der Rechnung, die von einem Lieferanten ausgestellt wurde für seine Lieferung. Das Ziel des Bestellabgleichs besteht darin, rechtzeitige Lieferantenzahlungen, eine korrekte Abrechnung der Kosten und eine einfache Erkennung betrügerischer Praktiken sicherzustellen.

Manueller Bestellabgleich

Der Bestellabgleich umfasst mehrere Schritte, einschließlich der Quittung & Erfassung von Rechnungsdaten, Überprüfung mit Bestellung, Anpassung der Parameter und Auflösung basierend auf verschiedenen Parametern. Rechnungsverarbeitung und Bestellabgleich sind komplexe, zeitaufwändige und ressourcenintensive Prozesse, wenn sie manuell durchgeführt werden, insbesondere bei skalierten Geschäftsaktivitäten.

Selbst in Abteilungen, in denen Informationen in Form von ERP-Anwendungen (Enterprise Resource Planning) digitalisiert werden, ist eine erhebliche Menge an menschlicher Arbeit erforderlich; vom Zeitpunkt der Rechnungsstellung oder des Rechnungseingangs bis zu ihrer Eingabe in die ERP-Anwendung, abbrechnungsverbindlichkeiten Das Personal führt eine scheinbar endlose Liste von Aufgaben aus.

---

Möchten Sie den PO Matching-Prozess automatisieren? Give Nanonetze™ Versuchen Sie, die Vorteile der Verwendung von AI-basierter OCR im PO Matching-Prozess zu nutzen.

---

· Öffnen und Scannen der E-Mails / Öffnen von physischen Rechnungen / Bestellungen

· Abrufen von Rechnungen / Bestellungen aus einem E-Mail-Postfach, Portal oder physischen Umschlägen

· Eingabe der Informationen aus Rechnungen in den Computer

· Manuelles Abgleichen von Rechnungen mit Bestellungen und Lieferbelegen

· Weiterleiten von Rechnungen / OPs an Manager und Genehmigungspersonal

· Beheben Sie Ausnahmen durch umständliches Augapfel und manuelle Analyse.

· Eingabe übereinstimmender Rechnungsinformationen in das ERP

· Durchsuchen des ERP nach Duplikaten und Auslassungen

· Abgleich von Rechnungen mit Zahlungen

· Aktualisieren von Lieferantenstammdaten

Einige schwächende Herausforderungen beim groß angelegten PO-Abgleich, insbesondere bei manueller Ausführung, sind:

Umgang mit mehreren Rechnungsdatenpunkten: Große Unternehmen bearbeiten routinemäßig Bestellungen und / oder Rechnungen von mehreren Lieferanten / Kunden in verschiedenen Formaten, einschließlich Textverarbeitungsdateien (z. B. MS-Word-Dokumente), Dateneingabedateien (z. B. MS-Excel-Dateien) und strukturierten XML-Dokumenten von Electronic Data Interchange (EDI), PDFs und Bilddateien und manchmal auch als Hardcopy-Dokumente.

Die Zusammenführung all dieser Dokumente ist bei manueller Durchführung zeitaufwändig und fehleranfällig. Fehler zu Beginn der Rechnungsbearbeitungsworkflow kann zu schwerwiegenden Folgen wie Überzahlung, falschen Zahlungen, Doppelrechnungen usw. führen, die zu Produktivitäts- und Vertrauensverlust führen können.

Dateninkongruenz: Das abbrechnungsverbindlichkeiten Die Abteilung des Unternehmens muss die Bestellung oft zusätzlich zur Rechnung mit der Wareneingangsanzeige (GRN) und den Vertragsdaten abgleichen. Der „Stare-und-Vergleich“-Prozess des manuellen Abgleichs ist nicht nur arbeitsintensiv und anstrengend, sondern kann auch zu schwerwiegenden Fehlern wie verpassten Daten und Werten führen, deren Korrektur den Betrieb verlangsamen und die Organisation dem Risiko von Produktivitäts- und Geschäftsverlusten aussetzen würde - Management-/Kundenbeziehungsprobleme.

Ausnahmebehandlung: Die Kreditorenabteilungen verbringen viel Zeit mit der Bearbeitung von Ausnahmen, einschließlich falscher, unvollständiger und nicht übereinstimmender Informationen in Rechnungen. Bis zu 20% der Rechnungen regelmäßig falsche oder unvollständige Informationen enthalten, und eine herkömmliche (manuelle) Kreditorenabteilung verbringt 25% ihrer Zeit damit, Probleme zu lösen und fehlende Informationen aufzuspüren.

Kosten pro Rechnungsverarbeitung: Die manuelle Rechnungsverarbeitung und der Bestellabgleich verursachen Kosten einschließlich manueller Stunden, Papier und Porto, die durch Strafen, verspätete Gebühren, Produktrückgabe und Geschäftsverlust bei Fehlern verschärft würden.

Betrug und Diebstahl: Certified Fraud Examiners (ACFE) berichtet, dass eine typische Organisation jedes Jahr 5% ihres Umsatzes durch Betrug verliert. Kriminelle, die sich als Führungskräfte oder Lieferanten ausgeben, senden authentisch aussehende Rechnungen oder andere Zahlungsaufforderungen per E-Mail, und ein weniger wachsames Team für Kreditorenbuchhaltung kann dies ihm zum Opfer fallen.

Eine 2020-Umfrage von Levvel Research zeigten, dass manuelle Dateneingabe und Ineffizienz sind weiterhin die Schwachstellen in der Kreditorenbuchhaltung.

Vereinigte Königreich Accounts Payable Association festgestellt, dass:

• 56% der Unternehmen haben Probleme mit der Cashflow-Prognose aufgrund von Kreditorenproblemen
• 91% der Unternehmen erhalten regelmäßig Anrufe von Anbietern, die Zahlungen verfolgen.
• 23% der Unternehmen hatten Lieferanten, die sich aufgrund von Ineffizienzen bei den Kreditorenbuchhaltungen weigerten, wieder mit ihnen zusammenzuarbeiten

---

Möchten Sie den PO Matching-Prozess automatisieren? Give Nanonetze™ Versuchen Sie, die Vorteile der Verwendung von AI-basierter OCR im PO Matching-Prozess zu nutzen.

---

Automatisierter Bestellabgleich

Viele der oben genannten Probleme können durch automatisierten PO-Abgleich überwunden werden. Die Automatisierung kann in verschiedenen Schritten des Rechnungslegungsprozesses eingeführt werden, und dementsprechend gibt es zwei Arten der Automatisierung:

OCR-basierte Datenerfassung (Optical Character Recognition):

Die OCR-basierte Rechnungsdatenerfassung verwendet eine Kombination aus Bilderfassungshardware und Konvertierungssoftware, um Bilder in Text zu konvertieren, der vom Buchhaltungsteam manuell verarbeitet werden kann. Es ist offensichtlich, dass dies lediglich die Daten digitalisiert und nicht mit ihnen übereinstimmt und nachfolgende manuelle Operationen beinhalten muss.

Darüber hinaus können eigenständige OCR-Systeme nicht mit verschiedenen Vorlagen, Dateitypen und Layouts arbeiten, was häufige menschliche Eingriffe erforderlich macht, um Vorlagenregeln für verschiedene Dokumenttypen festzulegen.

Automatisierte Kontenverarbeitung / Bestellabgleich:

Es gibt drei Arten:

• Robotic Process Automation (RPA) ahmt menschliche Handlungen bei sich wiederholenden Aufgaben nach.
• Künstliche Intelligenz (KI), der „Heilige Gral“ der Informatik in den Worten von Bill Gates, ahmt das menschliche Urteilsvermögen und Verhalten nach, um Bestellungen, Rechnungen und Quittungen abzugleichen.
• Maschinelles Lernen (ML) ist eine Teilmenge der KI, bei der der Computer durch Algorithmen wie das Neuronale Netz, das den Lernprozess des Gehirns nachahmt, „aus Erfahrung lernt“.

Alle drei Arten der automatisierten Datenverarbeitung erfassen relevante Daten aus Rechnungen, Bestellungen und anderen Finanzdokumentationen und verarbeiten sie automatisch auf eine Weise, die den menschlichen Verstand nachahmt. Von diesen kann die AI-fähige Verarbeitung auch Datensätze vergleichen und abgleichen und Entscheidungen treffen, z. B. das Übergeben der Transaktion, das Markieren von Fehlern oder das Auslösen von Ausnahmen.

AI-basiertes Matching besteht aus vier Schritten:

1. Datenerfassung und -extraktion: Dieser Schritt beinhaltet einen gewissen menschlichen Eingriff in das manuelle Scannen physischer Rechnungen in Systeme oder das Einbeziehen von Rechnungen per Fax oder E-Mail zur Konvertierung in Bilder. Die zonale optische Zeichenerkennung (OCR) oder Vorlagen-OCR wird verwendet, um Text zu extrahieren, der sich an einer bestimmten Stelle in einem gescannten Dokument befindet. Ein zonales OCR-System wird trainiert, indem definiert wird, wo sich bestimmte Datenfelder in einem Dokument befinden. OpenCV, Tesseract und Python sind einige zonale OCR-Systeme, die trainiert werden können, um bestimmte Felder aus einer erfassten Rechnung oder Bestellung auszuwählen.

2. Datenerkennung: Die Erkennung und Kategorisierung der erfassten Daten in Typen entweder durch regelbasierte Klassifizierung oder durch Algorithmen für maschinelles Lernen. AI OCR-Systeme können über 80% der Vorgänge bei der Erfassung, Extraktion und Indizierung von Rechnungsdaten eliminieren.

3. Datensatzabgleich und Validierung: Der AI-Algorithmus führt einen Datensatzabgleich durch - den Prozess des Findens übereinstimmender Informationen aus großen Datenmengen. Der Matching-Prozess kann je nach den Anforderungen des Unternehmens in zwei, drei oder vier Richtungen erfolgen.

Eine Umfrage von Level-Forschung zeigt, dass schnellere Genehmigung von Rechnungen und Steigerung der Mitarbeiterproduktivität sind die beiden größten Vorteile, die sich aus einem Wechsel zu KI-fähigem 2-Wege- und 3-Wege-Weg passend Prozesse.

4. Überprüfung der Kreditorenbuchhaltung und Bearbeitung von AusnahmenBasierend auf den individuellen Anforderungen des Unternehmens werden die übereinstimmenden Daten zur weiteren Verarbeitung an den entsprechenden Mitarbeiter weitergeleitet oder an diesen weitergeleitet.

Vorteile des KI-basierten PO-Matchings

Berührungslose Verarbeitung:Wenn alle Dokumente (Rechnung, Bestellung, Quittung usw.) elektronischer Natur sind, werden durch „berührungslose Verarbeitung“ papierzentrierte Prozesse entfernt und menschliche Eingriffe minimiert, wodurch eine bessere Leistung, Skalierbarkeit und Flexibilität erzielt werden. Alle Geschäftsdokumente werden empfangen, digitalisiert, weitergeleitet, abgeglichen, genehmigt und verarbeitet, ohne dass ein einziges Blatt Papier zwischen Personal und Abteilungen ausgetauscht werden muss. Die berührungslose Verarbeitung führt die folgenden Schritte aus:

1. Die Software sucht nach ungelesenen E-Mails.

2. Anhänge werden gefunden und zur Verarbeitung von der E-Mail getrennt.

3. Die Anhänge werden mit kognitiven Fähigkeiten gelesen und Daten werden extrahiert.

4. Rechnungs- / Bestellinformationen werden anhand vordefinierter Geschäftsregeln validiert.

5. Eine Rechnung wird erstellt, anhand von voreingestellten Regeln mit Bestellungen und Lieferbelegen abgeglichen und überprüft, um sicherzustellen, dass keine doppelten Rechnungen vorhanden sind.

6. Benutzer werden darüber informiert, ob Rechnungen erfolgreich verarbeitet wurden.

Bei der berührungslosen Verarbeitung wird häufig maschinelles Lernen verwendet, um AIs so zu trainieren, dass sie eine bessere Leistung erbringen als einfache regelbasierte AI-Systeme. Das System lernt daher sowohl vom Kundenstamm als auch von den spezifischen Feinheiten jedes Kunden.

Smart Matching:  Bestellungen können nach Bestellnummer, Freigabe, Linie, Versand und Bestellbeleg abgeglichen und innerhalb von Sekunden in verschiedenen Formen sortiert werden - eine Aufgabe, die allein mit menschlichem Aufwand herkulisch ist.

Einfache Handhabung mehrerer Bestellungen auf mehrere Rechnungen:  Die Automatisierung ist besonders nützlich, wenn das Volumen der Bestellungen und Rechnungen hoch ist und der manuelle Aufwand Tage, wenn nicht Monate dauern würde, um sie zu verwalten und zu kategorisieren.

Vollständiger Audit-Trail und Compliance: KI-Systeme können menschlichen Bedienern intuitive Unterstützung bieten und Validierungen und Korrekturen durchführen, die mit menschlicher Arbeit innerhalb von Sekunden Stunden dauern.

Arbeitskräfteeinsparung: KI arbeitet auf der Grundlage des „neuronalen Netzwerks“ - Algorithmen, die zugrunde liegende Beziehungen in einem Datensatz ähnlich wie das menschliche Gehirn erkennen können. Abgesehen von der Geschwindigkeit der Leistung können maschinelles Lernen und Deep-Learning-Möglichkeiten innerhalb der KI dazu beitragen, dass die Software aus Erfahrungen lernt, wodurch der Betrieb fein abgestimmt werden kann, um Produktivität und Genauigkeit zu steigern und menschliches Eingreifen und Validieren zu vermeiden.

Fehlerkennzeichnung und -minimierung: Wenn das menschliche Gehirn aufgrund von Müdigkeit durch wiederholte Aktionen versagen kann, kann das AI-basierte System tatsächlich die Leistung mit der Zeit und der „Erfahrung“ verbessern. Während die Automatisierung menschliche Fehler nicht vollständig beseitigen kann, kann sie die Konsistenz in großem Maßstab sicherstellen. Die automatisierte Buchhaltung kann die Wahrscheinlichkeit erheblich erhöhen, kleine Probleme zu identifizieren, bevor sie in größere übergehen. Bei Problemen oder Fehlern wird automatisch eine Warnung an das IT-Team gesendet, das die Grundursache schnell identifizieren und beheben kann. Nichts wird übersehen und die Lösung ist viel schneller. Das rechtzeitige Markieren von Fehlern kann Zeit sparen, kostspielige Ausfallzeiten reduzieren und zu einem späteren Zeitpunkt ernsthafte Brandbekämpfung vermeiden.

Erhöhte Produktivität: Das Team für Kreditorenbuchhaltung ist frei von zeitaufwändigen Aktivitäten wie Bestellabgleich und Rechnungsverarbeitung und kann sich nun auf menschenbezogene Aktivitäten wie Finanzplanung, Analyse und Ableitung von Erkenntnissen für Verbesserungen sowie auf die Verbesserung zwischenmenschlicher und institutioneller Beziehungen konzentrieren könnte das Endergebnis verbessern.

Kostenvorteile: Obwohl die Installation einer AI-fähigen Rechnungsverarbeitung mit Startkosten verbunden ist, würde ihr Betrieb nur 20 Prozent des Gehalts eines Mitarbeiters bedeuten.

Datensicherheit und Skalierbarkeit:  Eine höhere betriebliche Effizienz für globale Unternehmen resultiert aus der Möglichkeit, rund um die Uhr zu arbeiten, im Gegensatz zu menschlichen Bedienern, die durch mentale Bandbreite und Zeit begrenzt sind.

Prüfungsbereitschaft: Bestellungen, GRNs und Rechnungen gehören zu den häufigsten Dokumenten, die bei Audits angefordert werden. Beim AI-fähigen Bestellabgleich wurden diese Dokumente bereits genehmigt, abgeglichen und organisiert, was einen nahtlosen Prüfprozess ermöglicht.

Die Automatisierung der Rechnungsverarbeitung und des Bestellabgleichs kann verschiedenen Führungsebenen in einem Unternehmen helfen:

• Finanzmanager können Kosten senken und Ressourcen freisetzen, die neu organisiert werden können, um das Endergebnis zu verbessern und das strategische und Unternehmenswachstum zu unterstützen.
• Führungskräfte in Unternehmen können die Leistung besser verstehen und den Cashflow überwachen, indem sie die Dashboard-Daten analysieren, die von vielen der zu messenden Automatisierungssoftware angeboten werden.
• Kreditorenbuchhaltungsteams können Papierrechnungen und manuelle Interaktionen durch optimiertes Routing, Codierung und Abgleich von Lieferantenrechnungen mithilfe vordefinierter Buchhaltungsregeln eliminieren.
• Buchhalter und Forschungsmitarbeiter haben vollständigen und sofortigen Zugriff auf Bestellungen und Rechnungen für die zukünftige Planung.

---

Möchten Sie den PO Matching-Prozess automatisieren? Give Nanonetze™ Versuchen Sie, die Vorteile der Verwendung von AI-basierter OCR im PO Matching-Prozess zu nutzen.

---

Einrichtung und Implementierung von KI-fähigen PO-Matching-Systemen

Das Einrichten eines AI-fähigen PO-Matching-Systems in einer Organisation ist ein dreistufiger Prozess.

Während die automatisierte Rechnungsverarbeitung und der Bestellabgleich bei der Implementierung von Vorteil sind, besteht zweifellos eine Lernkurve, und das Unternehmen / Team muss einige Protokolle befolgen, damit die Automatisierung die erwarteten Ergebnisse erzielt. Einige Schritte, die vor und während der Implementierung automatisierter Buchhaltungsprozesse unternommen werden müssen, sind folgende:

Volle Einbeziehung aller Beteiligten

Eine erfolgreiche Automatisierung der Kreditorenbuchhaltung hängt von der vollständigen Teilnahme jedes Mitglieds des Finanzteams ab. Dazu gehören regelmäßige Schulungs- und Auffrischungsprogramme für den Betrieb des Systems und die Behandlung von Ausnahmen.

Phasenweise Automatisierung

Die Leistungsfähigkeit von Automatisierung und KI zu nutzen, hängt von der richtigen Einrichtung und Implementierung ab. Darüber hinaus gibt es eine ziemlich steile Lernkurve, die mit dem Übergang von der manuellen Buchhaltung zum AI-basierten Rechnungsabgleich verbunden ist. Durch den phasenweisen Übergang ist es möglich, fehlerfrei einzurichten und dem Team Zeit zu geben, neue Prozesse einzuführen.

Integration aller Systeme

Das Kreditorenbuchhaltungsteam verwendet möglicherweise bereits Software für disjunkte Zwecke wie ERP (Enterprise Resource Planning), Kundenbeziehungsmanagement und andere Kernfinanzierungssysteme. Das AI-Automatisierungssystem sollte in vorhandene Software integriert werden können, um den Benutzern die Arbeit zu erleichtern.

Planung für Eventualverbindlichkeiten

Serverabsturz, Stromausfall und Netzwerkstörungen können den Betrieb von AI-fähigen PO-Matching-Systemen erheblich stören. Ein fester Plan für die Geschäftskontinuität, der Backups, unterbrechungsfreie Stromversorgungen und Cloud Computing umfasst, kann jedoch zur Lösung dieser Probleme beitragen. Es ist auch wichtig, einen Verlauf der Prozesse zu führen, falls die Vorgänge vorübergehend auf manuelle Handhabung zurückgeschaltet werden müssen.

Organisation aller relevanten Dokumente

In Drei- und Vier-Wege-Matching. Bestellungen, GRN und Rechnungen müssen übereinstimmen. Während die meisten Anbieter und Kunden fleißig mit Bestellungen und Rechnungen umgehen, neigen sie dazu, GRNs und Quittungen nachlässig zu behandeln. Das Fehlen eines Empfangs kann einen AI-integrierten 3-Wege-Match-Prozess zum Erliegen bringen, und es werden Ausnahmen generiert, die zu Engpässen im Workflow führen.

Dies kann durch die Zentralisierung des Empfangs von Artikeln vermieden werden, sodass die Erstellung von Belegen auf eine oder wenige Personen beschränkt ist, um Doppelarbeit und Auslassungen zu vermeiden. Eine andere ausfallsichere Möglichkeit besteht darin, einen systemgesteuerten Ansatz zu entwerfen, bei dem eine automatische Erinnerung für die Generierung und Nachverfolgung von Belegen festgelegt wird.

Durch die AP-Automatisierung wird sichergestellt, dass alle Rechnungen, Bestellungen und Quittungen unverzüglich in das System eingegeben werden Durchschnitt von 5.55 Tagen. Ein vollständig automatisiertes System, bei dem die Software die Dokumente direkt aus der Soft-Quelle (E-Mails usw.) erfasst, kann dies sicherstellen. Beim manuellen Hochladen von Daten wird dies jedoch zu einem wichtigen Punkt.

Vendor Data Matching

Ein 3-Wege-Match-Prozess hängt vom Lieferanten als Haupttreiber des Prozesses ab. Die Genauigkeit der von Lieferanten bereitgestellten Daten kann sicherstellen, dass keine Probleme mit der Dateninkongruenz auftreten. Bei der manuellen Übermittlung von Rechnungen ist eine sorgfältige Prüfung erforderlich, um die Richtigkeit sicherzustellen. Die Genauigkeit setzt die Einheitlichkeit von Maßeinheit, Stückpreis und Lieferzeit voraus. Herstellerkataloge können Fehler beseitigen und das Einkaufserlebnis verbessern.

Einrichten einer Toleranz für die automatische Genehmigung

Einige häufige Ausnahmen, die während des PO-Abgleichs auftreten, sind:

· Rechnungsmengen stimmen nicht mit der Bestellung überein

· Fehlende oder falsche Bestellreferenzinformationen auf der Rechnung

· Fehlende Lieferanten- oder Steuerstruktur für eine Rechnung

· Preisabweichungen auf Zeilenebene oder für die Gesamtrechnung. Zum Beispiel könnte die Bestellung für 10 Artikeleinheiten zum Preis von 10 Rs / Einheit sein, und die Rechnung könnte für 1 Artikeleinheit zum Preis von Rs. Sein. 100.

Handhabung von Randfällen

Randfälle sind seltene Vorkommnisse, die von der Software behandelt werden müssen. Beim Rechnungsbestellabgleich wird die Komplexität der wiederkehrenden Abrechnung häufig unterschätzt. Das KI-System muss über eine adaptive wiederkehrende Abrechnung verfügen, um diese Randfälle zu berücksichtigen, die aufgrund von Zeitzonenänderungen, mehreren wiederkehrenden Gebühren, rückwirkenden Preisanpassungen und variablen Monatslängen auftreten können, um eine fehlerfreie Automatisierung sicherzustellen.

---

Möchten Sie den PO Matching-Prozess automatisieren? Give Nanonetze™ Versuchen Sie, die Vorteile der Verwendung von AI-basierter OCR im PO Matching-Prozess zu nutzen.

---

Beispiele für KI-fähige PO-Matching-Systeme

Die Auswahl einer AI-fähigen Buchhaltungssuite hängt von der Art des Geschäfts und dem Umfang des Betriebs ab. Ein AO-fähiger PO-Abgleich kann entweder eine Punktlösung oder eine vollständige Abrechnungssuite sein, die von der vorhandenen Software oder deren Fehlen abhängt. Im ersteren Fall müsste es mit vorhandenen Systemen, einschließlich ERP, kommunizieren. PO Matching ist in vielen Tools verfügbar, die für die Buchhaltung verwendet werden, einschließlich Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree usw.

In Oracle, Verbindlichkeiten ist das AI-fähige Tool zum Bestimmen von Bestellungen. Sobald eine Rechnung eingegeben und mit einer Bestellung abgeglichen wurde, werden automatisch Verteilungen erstellt und die Übereinstimmung auf Übereinstimmung mit der definierten Toleranz überprüft. Nach dem Abgleich aktualisiert die Kreditorenbuchhaltung die für jede übereinstimmende Sendung in Rechnung gestellte Menge und die entsprechende (n) Verteilung (en) um den im Feld "Rechnungsmenge" eingegebenen Betrag. Die Verbindlichkeiten aktualisieren auch den auf der Bestellverteilung (en) in Rechnung gestellten Betrag.

Sage Intacct Durch den Einkauf werden strukturierte, vordefinierte Transaktions- und Kaufgenehmigungs-Workflows erstellt. MineralTree, ein Anbieter von Lösungen für Kreditorenbuchhaltung (AP) und Zahlungsautomatisierung, bietet automatisierten Bestell- / Rechnungsabgleich für Sage Intacc. Dabei werden Details auf Kopf- und Zeilenebene mithilfe der OCR-Technologie automatisch aus Rechnungen extrahiert, die von Anbietern an eine bestimmte E-Mail gesendet wurden. Anschließend werden eingehende Rechnungen automatisch mit Bestellungen oder Quittungen abgeglichen und zur Rechnungsgenehmigung und -zahlung in die internen Workflows der Benutzer eingefügt. Alle Daten werden aus Gründen der Plattformkonsistenz mit dem ERP des Unternehmens synchronisiert.

Nexonia Ausgaben, eine Cloud-basierte Lösung für die Verwaltung von Web- und mobilen Spesenabrechnungen, die flexible Genehmigungsworkflows und eine umfassende Integration in vorhandene Systeme bietet.

In TipaltiAlle Rechnungen durchlaufen eine Standard-OCR, erweiterte Datenextraktion und Genehmigungsworkflows, bevor die Zahlung verarbeitet wird. Es können Regeln festgelegt werden, um zu bestimmen, ob eine Rechnung PO-gesichert ist und ob sie den Abgleichprozess durchlaufen soll. Die Grundregeln gelten für den Lieferanten- oder Rechnungsbetrag. Wenn eine Rechnung eine Bestellung enthält, füllen die Bestellrechnungscodierungsdaten die Rechnung automatisch vor.

In DocuWareWenn eine Rechnung erfasst wird, extrahiert ein AI-basiertes Crowd-Learning-Tool alle für die Verarbeitung erforderlichen Schlüsseldaten wie Lieferantenname, ID, Rechnungsnummer, Zwischensumme, Steuer, Fracht und Gesamtbetrag. Um die Rechnung zu validieren, bestätigt das System, ob es sich um einen gültigen Lieferanten handelt, überprüft doppelte Rechnungsnummern, stimmt mit Bestellungen und Lieferscheinen überein und berechnet die Beträge neu.

Es gibt viele weitere PO-Matching-Tools mit verschiedenen Funktionen für verschiedene Anwendungen.

Nanonets AI OCR

Nanonets AI-OCR liest unsichtbare, halbstrukturierte Dokumente, die keiner Standardvorlage folgen, und validiert die aus dem Dokument erfassten Daten. Die Software kann Daten aus einer Vielzahl von Dokumenten erfassen, darunter Rechnung, Personalausweis, Bestellungen, Einkommensnachweis, Steuerformular und Hypothekenformulare.

Es ermöglicht den Import von Daten von der Benutzerplattform und den direkten Export der erfassten Daten in einen vorhandenen Workflow, ohne das System zu stören. Nanonets hat Sprachbindungen in Shell, Ruby, Golang, Java, C # und Python. Die KI-Engine lernt und verbessert sich mit dem Gebrauch. Mit einer intuitiven Weboberfläche werden umständliche manuelle Prozesse vermieden und Rechnungen, Belege und Dokumentenprüfungen automatisiert. Es ist bekannt, die Bearbeitungszeit um bis zu 90% zu reduzieren und Kosten um bis zu 50% zu sparen.

Künstliche Intelligenz wird voraussichtlich eine entscheidende Rolle bei der Veränderung der Art und Weise spielen, wie Buchhaltung und PO-Matching in der Unternehmenswelt durchgeführt werden. Es kann jedoch die Beteiligung des Menschen nicht beseitigen - Technologie kann nicht allein existieren.

Künstliche Intelligenz hilft, nicht den Buchhalter zu ersetzen. Der Schlüssel zur erfolgreichen Implementierung eines AI-fähigen Buchhaltungssystems besteht darin, sie zusammenzuführen. Die Zukunft des Einsatzes von KI bei der Buchhaltung und beim PO-Matching hängt stark davon ab, wie Menschen sie verankern können, um ihre Fähigkeit zu verbessern, langfristige Werte zu liefern.