Hva er PO Matching? Og hvordan automatisere det?

PO Matching er prosessen med å koble en innkjøpsordre (PO) utstedt av en klient som angir typer, mengder og avtalte priser for produkter/tjenester til faktura utstedt av en leverandør for det er levering. Målet med PO-matching er å sikre rettidig leverandørbetalinger, korrekt regnskapsføring av kostnader og enkel oppdagelse av uredelig praksis.

Manuell PO-matching

PO-matching involverer flere trinn, inkludert kvittering og innhenting av fakturadata, verifisering med innkjøpsordre, matching av parametere og oppløsning basert på ulike parametere. Fakturabehandling og PO-matching er komplekse, tidkrevende og ressurskrevende prosesser når de utføres manuelt, spesielt i oppskalerte forretningsaktiviteter.

Selv i avdelinger hvor det er digitalisering av informasjon i form av Enterprise Resource Planning (ERP)-applikasjoner, kreves det en betydelig mengde menneskelig arbeidskraft; fra det tidspunktet en faktura sendes eller mottas til den legges inn i ERP-applikasjonen, leverandørgjeld personell utfører en tilsynelatende endeløs liste over gjøremål.

---

Ønsker du å automatisere PO Matching-prosessen? GIve Nanonets™ et forsøk og få fordelene ved å bruke AI-basert OCR i PO Matching-prosessen.

---

· Åpne og skanne posten / åpne fysiske fakturaer / PO

· Hente fakturaer / postnummer fra en e-postboks, portal eller fysiske konvolutter

· Taste informasjonen fra fakturaer inn i datamaskinen

· Manuell matching av fakturaer med innkjøpsordrer (PO) og leveringskvitteringer

· Fysisk dirigering av fakturaer / OPer til ledere og godkjenningspersonell

· Løs unntak gjennom tungvint øyeboll og manuell analyse.

· Legge inn samsvarende fakturainformasjon i ERP

· Søke i ERP for duplisering og mangler

· Avstemming av fakturaer med betalinger

· Oppdatere leverandørens stamdata

Noen ødeleggende utfordringer i storskala PO-matching, spesielt når de utføres manuelt, er:

Håndtering av flere fakturadatapunkter: Store organisasjoner håndterer rutinemessig PO-er og / eller fakturaer fra flere leverandører / klienter i flere formater, inkludert tekstbehandlingsfiler (f.eks. MS-Word-dokumenter), dataregistreringsfiler (f.eks. MS-Excel-filer), strukturerte XML-dokumenter fra Electronic Data Interchange (EDI), PDF-filer og bildefiler, og noen ganger som papirdokumenter.

Samlingen av alle disse dokumentene er tidkrevende og feilutsatt når den utføres manuelt. Feil ved starten av arbeidsflyt for fakturabehandling kan snøballe inn i alvorlige utfall som overbetaling, feilbetalinger, fakturaduplisering osv. som kan føre til tap av produktivitet og tillit.

Datamisforhold: De leverandørgjeld avdelingen til selskapet må ofte matche innkjøpsordren med varemottatt notat (GRN), og kontraktsdata, i tillegg til fakturaen. "Stirre og sammenlign"-prosessen med manuell matching, i tillegg til å være arbeidskrevende og anstrengende, kan føre til alvorlige feil som tapte datoer og verdier, hvis korrigering vil bremse driften og utsette organisasjonen for en risiko for produktivitetstap og virksomhet. -ledelse/klientforhold.

Avvikshåndtering: Kundeavdelinger bruker mye tid på å håndtere unntak, inkludert feil, ufullstendig og ikke-samsvarende informasjon i fakturaer. Opp til 20% av fakturaene inneholder regelmessig feil eller ufullstendig informasjon, og en konvensjonell (manuell) kundeavdeling bruker 25% av tiden på å løse problemer og spore opp manglende informasjon.

Kostnad per fakturabehandling: Manuell fakturabehandling og PO-matching medfører kostnader inkludert manuelle åpningstider, papir og porto, noe som vil bli forverret av straffer, sene gebyrer, produktretur og tap av virksomhet i tilfelle feil.

Svindel og tyveri: Certified Fraud Examiners (ACFE) rapporterer at en typisk organisasjon mister 5% av inntektene til svindel hvert år. Kriminelle som utgir seg for ledere eller leverandører som sender e-post med autentiske fakturaer eller andre betalingsforespørsler, og et mindre enn årvåken team som kan betales bli byttedyr for det.

En 2020-undersøkelse av Levvel Research viste at manuell datainntasting og ineffektivitet fortsetter å være smertepunktene i leverandørgjeldsprosess.

UK-basert leverandørgjeldsforening fant det:

• 56% av virksomhetene opplever problemer med kontantstrømsprognoser på grunn av problemer med leverandørgjeld
• 91% av selskapene mottar jevnlig telefonsamtaler fra leverandører som jager betalinger.
• 23% av virksomhetene hadde leverandører som nektet å jobbe med dem igjen på grunn av ineffektivitet i leverandørgjeld

---

Ønsker du å automatisere PO Matching-prosessen? GIve Nanonets™ et forsøk og få fordelene ved å bruke AI-basert OCR i PO Matching-prosessen.

---

Automatisert PO Matching

Mange av de ovennevnte problemene kan overvinnes ved hjelp av automatisk PO-samsvar. Automatisering kan innføres i forskjellige trinn i regnskapsprosessen, og det er følgelig to typer automatisering:

Optisk karaktergjenkjenning (OCR) -basert datafangst:

OCR-basert fakturadatafangst bruker en kombinasjon av maskinvare for bilderegistrering og konverteringsprogramvare for å konvertere bilder til tekst som kan behandles manuelt av regnskapsteamet. Det er åpenbart at dette bare digitaliserer dataene og ikke samsvarer med dem, og må involvere påfølgende manuelle operasjoner.

Videre mislykkes frittstående OCR-systemer i å arbeide med forskjellige maler, filtyper og oppsett, og det krever ofte menneskelig inngrep for å sette malregler for forskjellige typer dokumenter.

Automatisert kontobehandling / PO-matching:

Dette er av tre typer:

• Robotic process automation (RPA) etterligner menneskelige handlinger i repetitive oppgaver.
• Kunstig intelligens (AI), informatikkens “Holy Grail” med Bill Gates ord, etterligner menneskelig skjønn og oppførsel for å matche PO, fakturaer og kvitteringer.
• Machine learning (ML) er en delmengde av AI der datamaskinen "lærer av erfaring" gjennom algoritmer som Neural Network som etterligner hjernens læringsprosess.

Alle tre typer automatisert databehandling fanger opp relevante data fra fakturaer, PO og annen økonomisk dokumentasjon og behandler dem automatisk på en måte som etterligner menneskesinnet. Av dem kan AI-aktivert behandling også sammenligne og matche poster og ta beslutninger som å overføre transaksjonen, flagge feil eller heve unntak.

AI-basert samsvar består av fire trinn:

1. Datafangst og utvinning: Dette trinnet innebærer en viss mengde menneskelig inngripen i manuell skanning av fysiske fakturaer i systemer eller inkorporering av faksede eller e-postfakturaer for konvertering til bilder. Zonal Optical Character Recognition (OCR), eller Template OCR, brukes til å trekke ut tekst som er lokalisert på et bestemt sted i et skannet dokument. Et Zonal OCR-system blir trent ved å definere hvor spesifikke datafelter kan bli funnet i et dokument. OpenCV, Tesseract og Python er noen zon-OCR-systemer som kan trenes i å plukke ut spesifikke felt fra en fanget faktura eller PO.

2. Datagjenkjenning: Anerkjennelse og kategorisering av fangede data i typer enten gjennom regelbasert klassifisering eller ved maskinlæringsalgoritmer. AI OCR-systemer kan eliminere over 80% av operasjonene under datainnsamling, utvinning og indeksering av fakturaer.

3. Record Matching og validering: AI-algoritmen utfører rekordmatching - prosessen med å finne samsvarende informasjonsbiter fra store datasett. Matchingsprosessen kan være 2-veis, 3-veis eller 4-veis, avhengig av selskapets behov.

En undersøkelse av Levvel Research viser at raskere godkjenning av fakturaer og økt ansattes produktivitet er de to øverste fordelene du opplever fra en overgang til AI-aktivert 2-veis og 3-måte matching prosesser.

4. Gjeldende gjennomgang og behandling av unntak, basert på selskapets unike behov, blir de samsvarende dataene sendt gjennom eller dirigert til den aktuelle medarbeideren for videre behandling.

Fordeler med AI-basert PO Matching

Berøringsfri behandling:Når alle dokumenter (faktura, innkjøpsordre, kvittering osv.) Er elektroniske, fjerner "berøringsfri behandling" papir-sentriske prosesser og minimerer menneskelig inngripen, og gir dermed bedre ytelse, skalerbarhet og smidighet; alle forretningsdokumenter mottas, digitaliseres, dirigeres, matches, godkjennes og behandles uten behov for å skyve et eneste stykke papir mellom personell og avdelinger. Berøringsfri behandling fungerer gjennom følgende trinn:

1. Programvaren ser etter uleste e-post.

2. Vedlegg blir funnet og løsrevet fra e-posten for behandling.

3. Vedleggene leses ved hjelp av kognitive evner og data blir hentet ut.

4. Faktura / PO-informasjon er validert basert på forhåndsdefinerte forretningsregler.

5. En faktura opprettes, matches med PO og leveringskvitteringer basert på forhåndsinnstilte regler, og kontrolleres for å sikre at det ikke er duplikatfakturaer.

6. Brukere får beskjed om fakturaer ble behandlet.

Berøringsfri behandling bruker ofte maskinlæring for å trene AI-er til å prestere bedre enn enkle regelbaserte AI-systemer. Systemet lærer derfor av både kundebasen og de spesifikke komplikasjonene til hver kunde.

Smart matching:  PO-er kan matches med PO-nummer, frigjøring, linje, forsendelse og PO-mottakelse og sorteres i forskjellige former innen få sekunder, en oppgave som er veldig viktig med menneskelig innsats alene.

Enkel håndtering av flere PO-er til flere fakturaer:  Automatisering er spesielt nyttig når volumet av bestillinger og fakturaer er høyt, og manuell innsats vil ta dager, om ikke måneder å administrere og kategorisere dem.

Komplett revisjonsspor og etterlevelse: AI-systemer kan gi menneskelige operatører intuitiv hjelp og utføre valideringer og korreksjoner som tar timer med menneskelig arbeid, innen få sekunder.

Arbeidskraftbesparelse: AI opererer på grunnlag av det ”nevrale nettverket” - algoritmer som kan gjenkjenne underliggende forhold i et datasett omtrent som den menneskelige hjerne. Bortsett fra ytelse, kan maskinlæring og muligheter for dyp læring innen AI hjelpe programvaren til å lære av erfaring, noe som kan finjustere operasjonen for å øke produktiviteten og nøyaktigheten, og unngå menneskelig inngripen og validering.

Feil under rapportering og minimering: Der den menneskelige hjerne kan mislykkes på grunn av utmattelse fra repeterende handling, kan AI-basert system faktisk forbedre ytelsen med tiden og "erfaring". Selv om automatisering ikke helt kan eliminere menneskelige feil, kan det sikre konsistens i stor skala. Automatisert regnskap kan øke sannsynligheten for å identifisere små problemer betydelig før de faller inn i større. I tilfelle problemer eller feil blir et varsel automatisk flagget til IT-teamet som raskt kan identifisere årsaken og løse den. Ingenting er savnet, og løsningen er mye raskere. Rettidig feilflagging kan spare tid, redusere kostnadstider og forhindre alvorlig brannslukking på et senere tidspunkt.

Økt produktivitet: Med frihet fra tidkrevende aktiviteter som PO-matching og fakturabehandling, kan Accounts Payable-teamet nå fokusere på menneskesentriske aktiviteter som økonomisk planlegging, analyse og uthenting av innsikt for forbedringer, og forbedring av mellommenneskelige og institusjonelle forhold, som alle kunne forbedre bunnlinjen.

Kostnadsfordeler: Selv om installering av AI-aktivert fakturabehandling er knyttet til en oppstartkostnad, vil driften medføre så lite som 20 prosent av en ansattes lønn.

Datasikkerhet og skalerbarhet:  Større driftseffektivitet for globale virksomheter skyldes å kunne kjøre 24X7, i motsetning til menneskelige operatører som er begrenset av mental båndbredde og tid.

Revisjonsberedskap: PO, GRN og faktura er blant de vanligste dokumentene som blir spurt under revisjon. AI-aktivert PO-samsvar har allerede disse dokumentene godkjent, matchet og organisert, noe som muliggjør sømløs revisjonsprosess.

Automatisering av fakturabehandling og PO-matching kan hjelpe ulike ledere i et selskap:

• Finansledere kan redusere kostnader og gratis ressurser som kan omorganiseres for å forbedre bunnlinjen og hjelpe til med strategisk vekst.
• Bedriftsledere kan bedre forstå ytelse og overvåke kontantstrøm ved å analysere dashborddataene som tilbys av mange av automatiseringsprogramvarene for å måle.
• Regnskapsførende team kan eliminere papirfakturaer og manuelle interaksjoner på grunn av strømlinjeformet ruting, koding, samsvarende leverandørfakturaer ved hjelp av forhåndsdefinerte regnskapsregler.
• Regnskapsførere og forskerstab har fullstendig og øyeblikkelig tilgang til innkjøpsordrer og fakturaer for fremtidig planlegging.

---

Ønsker du å automatisere PO Matching-prosessen? GIve Nanonets™ et forsøk og få fordelene ved å bruke AI-basert OCR i PO Matching-prosessen.

---

Oppsett og implementering av AI-aktiverte PO Matching-systemer

Oppsettet av et AI-aktivert PO-matchingssystem i en organisasjon er en tredelt prosess.

Selv om automatisert fakturabehandling og PO-matching er fordelaktig når de implementeres, eksisterer det utvilsomt en læringskurve, og selskapet / teamet må følge noen få protokoller for at automatiseringen skal få de forventede resultatene. Noen trinn som må tas før og under implementering av automatiserte regnskapsprosesser er som følger:

Full involvering av alle interessenter

Vellykket automatisering av betalbare kontoer avhenger av full deltakelse fra hvert medlem av økonomiteamet, som innebærer periodisk opplæring og oppdateringsprogrammer for å betjene systemet og håndtere unntak.

Fasemessig automatisering

Utnytte kraften i automatisering og AI henger på riktig oppsett og implementering. I tillegg er det en ganske bratt læringskurve forbundet med å gå fra manuell regnskap til AI-basert fakturamatching. Ved fasemessig overgang er det mulig å sette opp uten feil og også gi teamet tid til å ta i bruk nye prosesser.

Integrering av alle systemer

Det gjeldende teamet kan allerede bruke programvare for uensartede formål som ERP (enterprise resource planning), administrasjon av kundeforhold og andre kjerneøkonomisystemer. AI-automatiseringssystemet skal kunne integreres med eksisterende programvare for å gjøre det enkelt for brukerne.

Planlegger for beredskaper

Serverkrasj, strømbrudd og nettverksforstyrrelser kan forstyrre driften av AI-aktiverte PO-matching-systemer. Men en solid bedriftskontinuitetsplan som inkluderer sikkerhetskopier, uavbrutt strømforsyning og cloud computing kan bidra til å takle disse problemene. Det er også viktig å opprettholde en historie om prosessene i tilfelle operasjonene midlertidig må svinges tilbake til manuell håndtering.

Organisering av alle relevante dokumenter

I tre og fireveis matching. Innkjøpsordrer, GRN og fakturaer må matches. Mens de fleste leverandører og kunder er flittige med PO og faktura, har de en tendens til å være uforsiktig med GRN og kvitteringer. Fraværet av kvittering kan henge en AI-integrert 3-veis matchprosess, og unntak vil bli generert som fører til flaskehals i arbeidsflyten.

Dette kan unngås gjennom sentralisering av mottak av varer, slik at opprettelse av kvitteringer er begrenset til en eller få personer for å unngå duplisering og mangler. En annen feilsikker måte er å designe en systemdrevet tilnærming der en automatisk påminnelse er satt for kvitteringsgenerering og oppfølging.

Å sørge for at alle fakturaer, PO-er og kvitteringer blir lagt inn i systemet raskt, kan AP-automatisering dramatisk redusere betalte utestående dager (DPO) med en gjennomsnitt på 5.55 dager. Et helt automatisert system der programvaren fanger opp dokumentene direkte fra den myke kilden (e-post osv.) Kan sikre dette, men i tilfelle manuell opplasting av data blir dette et viktig poeng.

Matching av leverandørdata

En 3-veis matchprosess henger på leverandøren som nøkkeldriveren for prosessen. Nøyaktigheten av data levert av leverandører kan sikre mangel på problemer med dataoverensstemmelse. For manuell innlevering av fakturaer er det påkrevd med omhu for å sikre nøyaktighet. Nøyaktighet innebærer enhetlighet av måleenhet, enhetspris og leveringstid. Leverandørkataloger kan eliminere feil og forbedre kjøpsopplevelsen.

Setter opp en toleranse for automatisk godkjenning

Noen vanlige unntak som oppstår under PO-kamp er:

· Fakturamengder samsvarer ikke med PO

· Manglende eller feil PO-referanseinformasjon på fakturaen

· Manglende leverandør eller skattestruktur for en faktura

· Prisavvik på linjenivå eller for total faktura. For eksempel kan PO være for 10 vareenheter til kostnad av Rs.10 / enhet, og fakturaen kan være for 1 vareenhet til prisen for Rs. 100.

Håndtering av kantsaker

Edge-tilfeller er uvanlige forekomster som må håndteres av programvaren. I faktura-PO-samsvar blir kompleksiteten til tilbakevendende fakturering ofte undervurdert. AI-systemet må ha adaptiv tilbakevendende fakturering for å vurdere disse kanttilfellene som kan oppstå på grunn av tidssoneendringer, flere gjentatte avgifter, tilbakevirkende prisjusteringer og variable månedslengder for å sikre feilfri automatisering.

---

Ønsker du å automatisere PO Matching-prosessen? GIve Nanonets™ et forsøk og få fordelene ved å bruke AI-basert OCR i PO Matching-prosessen.

---

Eksempler på AI-aktiverte PO Matching-systemer

Å velge en AI-aktivert regnskapspakke avhenger av virksomhetens art og omfanget av driften. AO-aktivert PO-matching kan enten være en punktløsning eller en full regnskapspakke, som vil avhenge av den eksisterende programvaren eller mangel på den. Når det gjelder førstnevnte, vil det trenge å kommunisere med eksisterende systemer, inkludert ERP. PO Matching er tilgjengelig i mange verktøy som brukes for regnskap, inkludert Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree, etc.

In Oracle, Payables er det AI-aktiverte PO-matchingverktøyet der når en faktura er angitt og matchet med en PO, blir distribusjoner automatisk opprettet og samsvaret blir sjekket for samsvar med den definerte toleransen. Når de er matchet, oppdaterer Gyldige mengder som er fakturert for hver matchet forsendelse og dens tilsvarende fordeling (er) med beløpet som er angitt i feltet Fakturert mengde. Gjeld oppdaterer også beløpet fakturert på PO-distribusjonen (e).

Sage Intacct Innkjøp skaper strukturerte, forhåndsdefinerte arbeidsflyter for transaksjoner og kjøpsgodkjenninger. MineralTreet, en leverandør av betalbare leverandører (AP) og betalingsautomatisering, tilbyr automatisk PO / fakturamatching for Sage Intacc. I dette blir topp- og linjenivådetaljer automatisk hentet ut ved hjelp av OCR-teknologi fra fakturaer sendt av leverandører til en angitt e-post. Den samsvarer deretter automatisk med innkommende fakturaer mot innkjøpsordrer eller kvitteringer, og setter dem deretter inn i brukernes interne arbeidsflyter for godkjenning og betaling av faktura. All data synkroniseres med selskapets ERP for plattformkonsistens.

Nexonia utgifter, en skybasert administrasjonsløsning for nett- og mobilutgiftsrapporter som har fleksible arbeidsflyter for godkjenning og dyp integrasjon med eksisterende systemer.

In Tipalti, alle fakturaer går gjennom en standard OCR, avansert datautvinning og godkjenningsarbeidsflyter før betaling blir behandlet. Det kan settes regler for å avgjøre om en faktura er PO-støttet, og om den skal gå gjennom samsvaringsprosessen. Basisregler gjelder for leverandør- eller regningsbeløp, og hvis en faktura har en innkjøpsordre, fyller kodedataene for fakturaen automatisk ut fakturaen.

In DocuWare, når en faktura blir registrert, trekker et AI-basert, crowd-learning-verktøy ut alle viktige data som kreves for behandling, for eksempel leverandørnavn, ID, fakturanummer, delsum, avgift, frakt og totalbeløp. For å validere fakturaen, bekrefter systemet om de er en gyldig leverandør, dobbeltsjekker for duplikat av fakturanumre, samsvarer med innkjøpsordrer og leveringssedler og beregner beløpene på nytt.

Det er mange flere PO-matchende verktøy tilgjengelig med forskjellige funksjoner som passer til forskjellige applikasjoner.

Nanonetter AI OCR

Nanonets AI-OCR leser usynlige, semi-strukturerte dokumenter som ikke følger en standardmal og validerer dataene som er hentet fra dokumentet. Programvaren kan fange opp data fra en rekke dokumenter, inkludert faktura, ID-kort, innkjøpsordrer, inntektssikker, skatteskjema og pantelån.

Det gjør det mulig å importere data fra brukerens plattform og direkte eksportere innsamlede data til en eksisterende arbeidsflyt, uten å forstyrre systemet. Nanonets har språkbindinger i Shell, Ruby, Golang, Java, C # og Python. AI-motoren lærer og forbedrer seg med bruk. Med et intuitivt webgrensesnitt eliminerer det tungvint manuelle prosesser og automatiserer fakturaer, kvitteringer og dokumentgjennomgang. Det er kjent å redusere behandlingstiden med opptil 90% og spare kostnader med opptil 50%.

Det forventes at kunstig intelligens vil spille en avgjørende rolle i transformasjonen av måten regnskap og PO-matching utføres i bedriftens verden. Imidlertid kan det ikke eliminere menneskelig deltakelse - teknologi kan ikke eksistere alene.

Kunstig intelligens vil hjelpe, ikke erstatte regnskapsføreren. Nøkkelen til vellykket implementering av et AI-aktivert regnskapssystem er å bringe dem sammen. Fremtiden for bruk av AI i regnskap og PO-matching er sterkt avhengig av hvordan mennesker kan forankre den for å forbedre deres kapasitet til å levere langsiktige verdier.