Kaj je ujemanje PO? In kako to avtomatizirati?

Ujemanje PO je postopek povezovanja naročila za nakup (PO), ki ga je izdal naročnik in navaja vrste, količine in dogovorjene cene za izdelke/storitve z račun, ki ga izda prodajalec za dostavo. Cilj usklajevanja naročil je zagotoviti pravočasna plačila prodajalcem, pravilno obračunavanje stroškov in enostavno odkrivanje goljufivih praks.

Ročno ujemanje naročilnic

Ujemanje naročilnic vključuje več korakov, vključno s potrdilom o prejemu in zajem podatkov o računih, preverjanje z naročila, ujemanje s parametri in ločljivost na podlagi različnih parametrov. Obdelava računov in ujemanje naročil je zapletena, dolgotrajna in zahtevata veliko virov, če se izvajata ročno, zlasti v povečanih poslovnih dejavnostih.

Tudi v oddelkih, kjer poteka digitalizacija informacij v obliki aplikacij za načrtovanje virov podjetja (ERP), je potrebna precejšnja količina človeškega dela; od trenutka, ko je račun dvignjen ali prejet do njegovega vnosa v aplikacijo ERP, obveznosti do dobaviteljev osebje opravlja na videz neskončen seznam opravil.

---

Želite avtomatizirati postopek ujemanja PO? Give Nanonets™ poskusite izkoristiti prednosti uporabe OCR na osnovi umetne inteligence v postopku ujemanja PO.

---

· Odpiranje in skeniranje pošte / odpiranje fizičnih računov / naročilnic

· Pridobivanje računov / naročilnic iz e-poštnega predala, portala ali fizičnih ovojnic

· Vnos informacij z računov v računalnik

· Ročno usklajevanje računov z naročilnicami in potrdili o dostavi

· Fizično usmerjanje računov / operativnih programov menedžerjem in osebju za odobritev

· Izjeme odpravite z okornimi očmi in ročnimi analizami.

· Vnos usklajenih informacij o računu v ERP

· Iskanje ERP za podvajanje in opustitve

· Uskladitev računov s plačili

· Posodabljanje glavnih podatkov prodajalca

Nekateri izčrpavajoči izzivi pri obsežnem ujemanju PO, zlasti če se izvajajo ročno, so:

Obdelava več podatkovnih točk na računih: Velike organizacije se redno ukvarjajo z naročniškimi naročili in / ali računi več dobaviteljev / strank v več formatih, vključno z datotekami za obdelavo besedil (npr. MS-Word dokumenti), datotekami za vnos podatkov (npr. Datotekami MS-Excel), strukturiranimi dokumenti XML iz elektronske izmenjave podatkov (EDI), PDF-ji in slikovne datoteke, včasih pa tudi v tiskani obliki.

Poenotenje vseh teh dokumentov je dolgotrajno in podvrženo napakam, če se izvaja ročno. Napake na začetku potek obdelave računov lahko povzroči resne posledice, kot so preplačila, nepravilna plačila, podvajanje računov itd., ki lahko povzročijo izgubo produktivnosti in zaupanja.

Neujemanje podatkov: O obveznosti do dobaviteljev oddelek podjetja mora poleg računa pogosto uskladiti naročilnico z obvestilom o prejetem blagu (GRN) in podatki o pogodbah. Postopek ročnega usklajevanja »poglej in primerjaj« je poleg tega, da je delovno intenziven in naporen, lahko povzroči resne napake, kot so zgrešeni datumi in vrednosti, katerih popravek bi upočasnil delovanje in izpostavil organizacijo tveganjem izgube produktivnosti in poslovanja. - težave z odnosom med vodstvom in strankami.

Obravnava izjem: Plačilni oddelki porabijo veliko časa za reševanje izjem, vključno z napačnimi, nepopolnimi in neujemajočimi se informacijami na računih. Do 20% računov redno vsebujejo napačne ali nepopolne informacije, običajni (ročni) obračun obveznosti pa 25% svojega časa nameni reševanju težav in iskanju manjkajočih informacij.

Cena na obdelavo računa: Ročna obdelava računov in usklajevanje naročil povzročajo stroške, vključno z ročnimi urami, papirjem in poštnino, kar bi se v primeru napak poslabšalo zaradi kazni, zamud pri plačilih, vračila izdelkov in izgube posla.

Goljufije in kraje: Pooblaščeni preizkuševalci goljufij (ACFE) poročajo, da tipična organizacija vsako leto izgubi 5% svojih prihodkov zaradi goljufij. Kriminalci, ki se predstavljajo kot izvršni direktorji ali dobavitelji, po e-pošti pošljejo verodostojne račune ali druge zahteve za plačilo in manj kot budna skupina za plačila računov lahko postanite plen tega.

Raziskava Levvel Research za leto 2020 pokazala, da ročni vnos podatkov in neučinkovitost sta še naprej težavni točki v postopek obračunavanja obveznosti.

Združenje za plačila računov s sedežem v Združenem kraljestvu ugotovljeno, da je:

• 56% podjetij ima težave z napovedjo denarnega toka zaradi težav z obveznostmi
• 91% podjetij redno prejema telefonske klice prodajalcev, ki lovijo plačila.
• 23% podjetij je imelo dobavitelje, ki so zaradi neučinkovitosti obveznosti do računov ponovno zavrnili sodelovanje z njimi

---

Želite avtomatizirati postopek ujemanja PO? Give Nanonets™ poskusite izkoristiti prednosti uporabe OCR na osnovi umetne inteligence v postopku ujemanja PO.

---

Samodejno ujemanje naročil

Številne zgornje težave je mogoče odpraviti z uporabo samodejnega ujemanja PO. Avtomatizacijo je mogoče uvesti v različnih korakih v procesu računovodstva, zato obstajata dve vrsti avtomatizacije:

Zajem podatkov na podlagi optičnega prepoznavanja znakov (OCR):

Zajem podatkov na podlagi optičnega prepoznavanja podatkov uporablja kombinacijo strojne opreme za zajem slike in programske opreme za pretvorbo za pretvorbo slik v besedilo, ki jih lahko računovodska skupina obdela ročno. Očitno je, da to zgolj digitalizira podatke in se ne ujema z njimi ter mora vključevati nadaljnje ročne operacije.

Poleg tega samostojni sistemi OCR ne delujejo z različnimi predlogami, vrstami datotek in postavitvami, kar zahteva pogosto človekovo posredovanje za določanje pravil o predlogah za različne vrste dokumentov.

Avtomatizirana obdelava računov / ujemanje PO:

To je tri vrste:

• Robotska avtomatizacija procesov (RPA) posnema človeška dejanja pri ponavljajočih se nalogah.
• Umetna inteligenca (AI), "sveti gral" računalništva po besedah ​​Billa Gatesa, posnema človeško presojo in vedenje, da se ujema z naročniškimi računi, računi in prejemki.
• Strojno učenje (ML) je podskupina umetne inteligence, v kateri se računalnik "uči iz izkušenj" z algoritmi, kot je nevronska mreža, ki posnema učni proces možganov.

Vse tri vrste avtomatizirane obdelave podatkov zajemajo ustrezne podatke iz računov, naročilnic in druge finančne dokumentacije ter jih samodejno obdelajo na način, ki posnema človeški um. Med njimi lahko obdelava z omogočeno inteligenco primerja zapise in se z njimi ujema ter sprejema odločitve, kot je posredovanje transakcije, napake pri označevanju ali ustvarjanje izjem.

Ujemanje na podlagi umetne inteligence vključuje štiri korake:

1. Zajem in ekstrakcija podatkov: Ta korak vključuje določeno količino človeškega posredovanja pri ročnem skeniranju fizičnih računov v sisteme ali vključitev faksiranih ali e-poštnih računov za pretvorbo v slike. Zonsko optično prepoznavanje znakov (OCR) ali predloga OCR se uporablja za pridobivanje besedila na določenem mestu znotraj optično prebranega dokumenta. Zonski sistem OCR se usposobi tako, da se določi, kje v dokumentu lahko najdete določena podatkovna polja. OpenCV, Tesseract in Python so nekateri območni sistemi OCR, ki jih je mogoče usposobiti za izbiro določenih polj iz zajetega računa ali naročila.

2. Prepoznavanje podatkov: Prepoznavanje in kategorizacija zajetih podatkov v vrste s pomočjo klasifikacije na podlagi pravil ali z algoritmi strojnega učenja. Sistemi OI OI lahko odstranijo več kot 80% operacij v okviru zajema, ekstrakcije in indeksiranja podatkov na računih.

3. Ujemanje zapisov in potrditev: Algoritem AI izvaja ujemanje zapisov - postopek iskanja ujemajočih se delov informacij iz velikih naborov podatkov. Postopek ujemanja je lahko dvosmeren, trismerni ali štirismerni, odvisno od potreb podjetja.

Raziskava avtorja Levvel Research To kaže hitrejša odobritev računov in povečana produktivnost zaposlenih sta glavni dve prednosti prehoda na 2-smerni in 3-smerni sistem z umetno inteligenco.način ujemanja procesov.

4. Pregled obveznosti in obdelava izjem, na podlagi edinstvenih potreb podjetja, se ujemajoči podatki posredujejo ustreznemu zaposlenemu ali ga usmerijo v nadaljnjo obdelavo.

Prednosti ujemanja naročil na podlagi umetne inteligence

Breztična obdelava:Kadar so vsi dokumenti (račun, naročilnica, potrdilo itd.) Elektronske narave, "brez dotika obdelava" odstrani postopke, ki so osredotočeni na papir, in zmanjša človekovo posredovanje, kar zagotavlja boljšo zmogljivost, razširljivost in okretnost; vsi poslovni dokumenti so prejeti, digitalizirani, usmerjeni, usklajeni, odobreni in obdelani, ne da bi bilo treba med osebjem in oddelki premeščati niti en kos papirja. Breztična obdelava deluje v naslednjih korakih:

1. Programska oprema preverja neprebrana e-poštna sporočila.

2. Priloge najdete in ločite od e-pošte za obdelavo.

3. Priloge beremo s pomočjo kognitivnih zmožnosti in pridobivamo podatke.

4. Podatki o računu / položnici se potrdijo na podlagi vnaprej določenih poslovnih pravil.

5. Račun se ustvari, primerja z naročniki in potrdili o dostavi na podlagi vnaprej določenih pravil in preveri, da ni podvojenih računov.

6. Uporabniki so obveščeni o tem, ali so bili računi uspešno obdelani.

Breztična obdelava pogosto uporablja strojno učenje za usposabljanje umetnih inteligenc za boljše delovanje od preprostih sistemov umetne inteligence, ki temeljijo na pravilih. Sistem se torej uči tako iz baze strank kot iz posebnih zapletenosti vsake stranke.

Pametno ujemanje:  PO-ji se lahko ujemajo s številko naročila, sprostitvijo, vrstico, pošiljko in prejemom pošiljke in v nekaj sekundah razvrstijo v različne oblike, kar je herkulska naloga samo s človeškim trudom.

Enostavno upravljanje več naročilnic na več računov:  Avtomatizacija je še posebej koristna, kadar je količina naročilnic in računov velika, ročni napor pa bi jih potreboval dneve, če ne mesece, da bi jih upravljali in razvrstili.

Popolna revizijska sled in skladnost: Sistemi umetne inteligence lahko človeškim operaterjem nudijo intuitivno pomoč in v nekaj sekundah opravijo validacije in popravke, ki trajajo ure s človeškim delom.

Prihranek delovne sile: AI deluje na podlagi "nevronske mreže" - algoritmov, ki lahko prepoznajo osnovne odnose v nizu podatkov, podobno kot človeški možgani. Poleg hitrosti zmogljivosti lahko strojno učenje in možnosti globokega učenja znotraj umetne inteligence pomagajo programski opremi učiti iz izkušenj, ki lahko natančno prilagodijo delovanje za povečanje produktivnosti in natančnosti ter preprečijo človekovo posredovanje in potrjevanje.

Napaka pri označevanju in zmanjševanju: Kadar lahko človeški možgani odpovejo zaradi utrujenosti zaradi ponavljajočega se delovanja, lahko sistem, ki temelji na umetni inteligenci, s časom in "izkušnjami" izboljša zmogljivost. Čeprav avtomatizacija ne more popolnoma odpraviti človeških napak, lahko zagotovi doslednost v velikem obsegu. Avtomatizirano računovodstvo lahko znatno poveča verjetnost prepoznavanja majhnih vprašanj, preden se prelivajo v večja. V primeru težav ali napak se opozorilo samodejno označi IT-timu, ki lahko hitro ugotovi osnovni vzrok in ga odpravi. Nič ni zamudeno in popravek je veliko hitrejši. Pravočasno označevanje z napakami lahko prihrani čas, zmanjša drage zastoje in pozneje odpravi resno gašenje požarov.

Povečana produktivnost: Ker se pred zamudnimi dejavnostmi, kot sta usklajevanje naročilnic in obdelava računov, lahko skupina za obračun obveznosti zdaj osredotoči na človeško usmerjene dejavnosti, kot so finančno načrtovanje, analiziranje in pridobivanje vpogledov za izboljšave ter izboljšanje medosebnih in institucionalnih odnosov, kar vse lahko izboljšala spodnjo črto.

Stroškovne koristi: Čeprav je namestitev obdelave računov z omogočeno inteligenco povezana z začetnimi stroški, bi njeno delovanje pomenilo le 20 odstotkov plače zaposlenega.

Varnost in razširljivost podatkov:  Večja operativna učinkovitost globalnih podjetij je posledica delovanja sistema 24X7, za razliko od človeških operaterjev, ki so omejeni s pasovno širino in časom.

Pripravljenost na revizijo: PO, GRN in računi so med najpogostejšimi dokumenti, ki jih zahtevajo med revizijami. Ujemanje PO z omogočenim inteligenčnim sistemom že ima te dokumente odobrene, usklajene in organizirane, kar omogoča nemoten postopek revizije.

Avtomatizacija obdelave računov in usklajevanje naročil lahko pomaga različnim nivojem vodstvenih delavcev v podjetju:

• Finančni direktorji lahko znižajo stroške in brezplačne vire, ki jih je mogoče reorganizirati, da bi izboljšali spodnji rezultat in pomagali pri strateški in podjetniški rasti.
• Vodstveni delavci lahko bolje razumejo uspešnost in spremljajo denarni tok z analizo podatkov na armaturni plošči, ki jih ponuja veliko programske opreme za avtomatizacijo.
• Plačilne ekipe lahko odpravijo račune v papirni obliki in ročne interakcije zaradi poenostavljenega usmerjanja, kodiranja in ujemanja računov dobaviteljev z uporabo vnaprej določenih računovodskih pravil.
• Računovodje in raziskovalno osebje imajo popoln in takojšen dostop do naročil in računov za prihodnje načrtovanje.

---

Želite avtomatizirati postopek ujemanja PO? Give Nanonets™ poskusite izkoristiti prednosti uporabe OCR na osnovi umetne inteligence v postopku ujemanja PO.

---

Nastavitev in izvedba sistemov za ujemanje naročil z umetno inteligenco

Vzpostavitev sistema za ujemanje PO z omogočenim inteligenčnim sistemom v organizaciji je tristopenjski postopek.

Medtem ko sta avtomatizirana obdelava računov in ujemanje naročil pri izvedbi koristna, nedvomno obstaja učna krivulja in podjetje / ekipa mora slediti nekaj protokolom, da bo avtomatizacija dosegla pričakovane rezultate. Nekaj ​​korakov, ki jih je treba izvesti pred in med izvajanjem avtomatiziranih računovodskih postopkov, je:

Polno sodelovanje vseh zainteresiranih strani

Uspešna avtomatizacija plačil računov je odvisna od polnega sodelovanja vsakega člana finančne skupine, kar vključuje redno usposabljanje in osvežitvene programe za upravljanje sistema in obvladovanje izjem.

Fazna avtomatizacija

Izkoriščanje moči avtomatizacije in umetne inteligence je odvisno od pravilne namestitve in izvedbe. Poleg tega obstaja precej strma učna krivulja, povezana s prehodom z ročnega računovodstva na ujemanje računov na podlagi umetne inteligence. S faznim prehodom je mogoče brez napak nastaviti in ekipi dati tudi čas, da sprejme nove procese.

Integracija vseh sistemov

Plačilna skupina morda že uporablja programsko opremo za ločene namene, kot je načrtovanje virov v podjetju (ERP), upravljanje odnosov s strankami in drugi osnovni finančni sistemi. Sistem za avtomatizacijo umetne inteligence bi bilo treba integrirati z obstoječo programsko opremo, da bi olajšali uporabnikom uporabo.

Načrtovanje izrednih razmer

Zrušitev strežnika, izpad električne energije in motnje v omrežju lahko močno motijo ​​delovanje sistemov za ujemanje PO, ki podpirajo umetno inteligenco. Toda utrjen načrt neprekinjenega poslovanja, ki vključuje varnostne kopije, neprekinjeno napajanje in računalništvo v oblaku, lahko pomaga pri reševanju teh težav. Pomembno je tudi ohranjanje zgodovine procesov, če bi bilo treba operacije začasno preusmeriti nazaj na ročno obdelavo.

Organizacija vseh ustreznih dokumentov

V tri- in štirismernem ujemanju. Naročila, GRN in računi se morajo ujemati. Medtem ko je večina prodajalcev in strank skrbnih za naročila in račune, so ponavadi neprevidni glede GRN in potrdil. Odsotnost potrdila lahko obesi 3-smerni postopek ujemanja z umetno inteligenco in ustvarile bi se izjeme, ki bi vodile do vratu steklenic v poteku dela.

Temu se je mogoče izogniti s centralizacijo prejema predmetov, zato je ustvarjanje potrdil omejeno na eno ali nekaj oseb, da se prepreči podvajanje in opustitve. Drug način, ki je odporen proti napakam, je oblikovanje sistemsko usmerjenega pristopa, v katerem je nastavljen samodejni opomnik za generiranje prejemkov in nadaljnje ukrepanje.

Z zagotovitvijo, da se vsi računi, naročila in potrdila takoj vnesejo v sistem, lahko avtomatizacija AP drastično zmanjša dneve, ki jih je treba plačati (DPO). povprečno 5.55 dni. Popolnoma avtomatiziran sistem, v katerem programska oprema zajema dokumente neposredno iz mehkega vira (e-pošta itd.), Lahko to zagotovi, vendar v primeru ročnega nalaganja podatkov to postane pomembna točka.

Ujemanje podatkov o prodajalcih

Trosmerni postopek ujemanja je odvisen od dobavitelja kot glavnega gonilnika procesa. Natančnost podatkov, ki jih posredujejo dobavitelji, lahko zagotovi, da ne bo prišlo do neskladnosti podatkov. Za ročno oddajo računov je potrebna skrbnost, da se zagotovi natančnost. Natančnost vključuje enotnost merske enote, ceno na enoto in rok dobave. Katalogi prodajalcev lahko odpravijo napake in izboljšajo nakupno izkušnjo.

Nastavitev tolerance za samodejno odobritev

Nekatere pogoste izjeme, ki se pojavijo med tekmo PO:

· Količine računov se ne ujemajo s številko naročila

· Manjkajoče ali napačne referenčne informacije o naročilu na računu

· Manjka dobavitelj ali davčna struktura za račun

· Razlike v cenah na ravni vrstice ali celotnega računa. Na primer, paket za naročilo je lahko za 10 enot kosov po ceni 10 Rs / enota, račun pa za 1 enoto izdelka za ceno Rs. 100.

Ravnanje z robnimi ohišji

Primeri robov so občasni dogodki, ki jih mora rešiti programska oprema. Pri ujemanju PO na računih je zapletenost ponavljajočega se obračunavanja pogosto podcenjena. Sistem AI mora vključevati prilagodljivo ponavljajoče se obračunavanje, da upošteva te robne primere, ki se lahko pojavijo zaradi sprememb časovnega pasu, večkratnih ponavljajočih se stroškov, prilagoditev cen za nazaj in spremenljive dolžine mesecev, da se zagotovi avtomatizacija brez napak.

---

Želite avtomatizirati postopek ujemanja PO? Give Nanonets™ poskusite izkoristiti prednosti uporabe OCR na osnovi umetne inteligence v postopku ujemanja PO.

---

Primeri sistemov za ujemanje PO z umetno inteligenco

Izbira računovodskega sklopa z omogočeno umetno inteligenco je odvisna od narave posla in obsega poslovanja. Ujemanje PO z omogočenim AO je lahko bodisi točkovna rešitev bodisi popoln računovodski paket, ki bi bil odvisen od obstoječe programske opreme ali pomanjkanja le-te. V primeru prvega bi moral komunicirati z obstoječimi sistemi, vključno z ERP. PO Matching je na voljo v številnih orodjih, ki se uporabljajo za računovodstvo, vključno z Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree itd.

In Oracle, Obveznosti je orodje za ujemanje PO z omogočeno umetno inteligenco, pri katerem se po vnosu računa in ujemanju z njim samodejno ustvarijo distribucije in preveri skladnost z opredeljenim odstopanjem. Ko se kreditne obveznosti izenačijo, posodobi količino, zaračunano za vsako ujemajočo se pošiljko, in njeno ustrezno distribucijo (-e) za znesek, vpisan v polje Fakturirana količina. Obveznosti tudi posodabljajo znesek, zaračunan pri distribuciji PO.

Žajbelj Intakkt Nakup ustvari strukturirane, vnaprej določene postopke odobritve transakcij in nakupov. Mineralno drevo, ponudnik obračunskih obveznosti (AP) in ponudnik rešitev za avtomatizacijo plačil, ponuja samodejno ujemanje naročilnic / računov za Sage Intacc. Pri tem se podrobnosti glave in vrstice samodejno pridobijo s tehnologijo OCR iz računov, ki jih prodajalci pošljejo na določeno e-pošto. Nato samodejno poveže dohodne račune z nakupnimi nalogi ali potrdili in jih nato vstavi v notranji potek dela uporabnikov za odobritev in plačilo računov. Vsi podatki se sinhronizirajo s sistemom ERP podjetja za doslednost platforme.

Nexonia Stroški, rešitev za upravljanje poročil o stroških v spletu in v oblaku, ki ima prilagodljiv potek odobritve in globoko integracijo z obstoječimi sistemi.

In Tipalti, vsi računi pred obdelavo plačila opravijo standardni OCR, napredno pridobivanje podatkov in poteke odobritve. Pravila se lahko določijo, da se določi, ali je račun podprt s PO in ali mora iti skozi postopek ujemanja. Osnovna pravila veljajo za znesek dobavitelja ali računa, in če ima račun naročilnico, podatki o kodiranju računa PO samodejno vnaprej vnesejo račun.

In DocuWare, ko je račun zajet, orodje za množično učenje, ki temelji na AI, izvleče vse ključne podatke, potrebne za obdelavo, kot so ime prodajalca, ID, številka računa, vmesni seštevek, davek, tovor in skupni znesek. Za potrditev računa sistem potrdi, ali so veljavni prodajalci, dvakrat preveri, ali so podvojene številke računov, se ujema z naročilnicami in dobavnicami ter ponovno izračuna zneske.

Na voljo je veliko več orodij za ujemanje PO z različnimi funkcijami, ki ustrezajo različnim aplikacijam.

Nanonets AI OCR

Nanonets AI-OCR bere nevidne polstrukturirane dokumente, ki ne sledijo standardni predlogi, in preverja podatke, zajete iz dokumenta. Programska oprema lahko zajema podatke iz različnih dokumentov, vključno z računi, osebno izkaznico, naročilnicami, dokazili o dohodku, davčnimi obrazci in hipotekarnimi obrazci.

Omogoča uvoz podatkov iz uporabniške platforme in neposreden izvoz zajetih podatkov v obstoječi potek dela, ne da bi pri tem motil sistem. Nanonets ima jezikovne vezi v Shell, Ruby, Golang, Java, C # in Python. AI motor se z uporabo uči in izboljšuje. Z intuitivnim spletnim vmesnikom odpravlja okorne ročne procese in avtomatizira račune, račune in preglede dokumentov. Znano je, da čas obdelave skrajša do 90% in prihrani pri stroških do 50%.

Umetna inteligenca naj bi igrala ključno vlogo pri preobrazbi načina izvajanja računovodstva in usklajevanja naročil v korporacijskem svetu. Vendar človekove udeležbe ne more odpraviti - tehnologija ne more obstajati sama.

Umetna inteligenca bo pomagala, ne pa zamenjala računovodjo. Ključ do uspešne uporabe računovodskega sistema z omogočeno umetno inteligenco je njihovo povezovanje. Prihodnost uporabe umetne inteligence pri računovodstvu in ujemanju PO je v veliki meri odvisna od tega, kako jo lahko ljudje pritrdijo, da izboljšajo svojo sposobnost zagotavljanja dolgoročnih vrednosti.