Vad är PO-matchning? Och hur automatiseras det?

PO Matchning är processen att koppla en inköpsorder (PO) utfärdad av en kund som anger typer, kvantiteter och överenskomna priser för produkter/tjänster till faktura utfärdad av en säljare för det är leverans. Målet med PO-matchning är att säkerställa snabba leverantörsbetalningar, korrekt redovisning av kostnader och enkel upptäckt av bedrägliga metoder.

Manuell PO-matchning

PO-matchning innefattar flera steg, inklusive kvitto och insamling av fakturadata, verifiering med inköpsorder, matchning av parametrarna och upplösning baserat på olika parametrar. Fakturahantering och PO-matchning är komplexa, tidskrävande och resurskrävande processer när de utförs manuellt, särskilt i uppskalade affärsaktiviteter.

Även på avdelningar där det sker digitalisering av information i form av Enterprise Resource Planning (ERP)-applikationer krävs en betydande mängd mänsklig arbetskraft; från det att en faktura ställs eller tas emot till dess att den läggs in i ERP-applikationen, leverantörsskulder personal utför en till synes oändlig lista med sysslor.

---

Vill du automatisera PO-matchningsprocessen? GIve Nanonets™ ett försök att få fördelarna med att använda AI-baserad OCR i PO Matching-processen.

---

· Öppna och skanna posten / öppna fysiska fakturor / PO

· Hämta fakturor / beställningar från en e-postlåda, portal eller fysiska kuvert

· Koda informationen från fakturor till datorn

· Manuell matchning av fakturor med inköpsorder (PO) och leveranskvitton

· Fysisk dirigering av fakturor / OP: er till chefer och godkännandepersonal

· Lös undantag genom besvärliga ögonglobning och manuell analys.

· Ange matchad fakturainformation i ERP

· Söka efter ERP efter duplicering och utelämnanden

· Avstämning av fakturor med betalningar

· Uppdatera leverantörens stamdata

Några försvagande utmaningar i storskalig PO-matchning, särskilt när de utförs manuellt är:

Hantering av flera fakturadatapunkter: Stora organisationer hanterar rutinmässigt PO och / eller fakturor från flera leverantörer / klienter i flera format inklusive ordbehandlingsfiler (t.ex. MS-Word-dokument), datainmatningsfiler (t.ex. MS-Excel-filer), strukturerade XML-dokument från Electronic Data Interchange (EDI), PDF-filer och bildfiler, och ibland som pappersdokument.

Sammanställningen av alla dessa dokument är tidskrävande och felbenägen när den utförs manuellt. Fel i början av arbetsflöde för fakturabehandling kan snöa in på allvarliga utfall som överbetalning, felaktiga betalningar, fakturaduplicering etc. som kan leda till förlust av produktivitet och förtroende.

Datafel: Smakämnen leverantörsskulder avdelningen på företaget måste ofta matcha inköpsordern med informationen om mottagna varor (GRN) och kontraktsdata, utöver fakturan. Processen att "stirra och jämföra" med manuell matchning, förutom att vara arbetsintensiv och ansträngande, kan leda till allvarliga fel som missade datum och värden, vars korrigering skulle sakta ner verksamheten och utsätta organisationen för risker för produktivitetsförlust och affärer -lednings-/klientrelationsfrågor.

Undantagshantering: Leverantörsavdelningar spenderar mycket tid på att hantera undantag, inklusive felaktig, ofullständig och icke-matchande information på fakturor. Upp till 20% av fakturorna innehåller regelbundet felaktig eller ofullständig information, och en konventionell (manuell) kundavdelning spenderar 25% av sin tid på att lösa problem och spåra saknad information.

Kostnad per fakturabehandling: Manuell fakturabehandling och PO-matchning medför kostnader inklusive manuella timmar, papper och porto, vilket skulle förvärras av påföljder, sena avgifter, produktretur och förlust av företag i händelse av fel.

Bedrägeri och stöld: Certified Fraud Examiners (ACFE) rapporterar att en typisk organisation förlorar 5% av sina intäkter till bedrägerier varje år. Brottslingar som imiterar chefer eller leverantörer e-postar autentiska fakturor eller andra betalningsförfrågningar och ett mindre än vaksamt team som kan betala leverantörer kan falla bytet på det.

En undersökning från 2020 av Levvel Research Det Visade manuell datainmatning och ineffektivitet fortsätter att vara smärtpunkterna i process för leverantörsskulder.

Förenade kungariket baserade i Storbritannien hittade det:

• 56% av företagen upplever problem med kassaflödesprognoser på grund av problem med leverantörsskulder
• 91% av företagen får regelbundet telefonsamtal från leverantörer som jagar betalningar.
• 23% av företagen hade leverantörer som vägrade att arbeta med dem igen på grund av ineffektivitet hos leverantörsreskontra

---

Vill du automatisera PO-matchningsprocessen? GIve Nanonets™ ett försök att få fördelarna med att använda AI-baserad OCR i PO Matching-processen.

---

Automatiserad PO-matchning

Många av problemen ovan kan övervinnas med hjälp av automatiserad PO-matchning. Automation kan införas i olika steg i redovisningsprocessen, och följaktligen finns det två typer av automatisering:

Optisk teckenigenkänning (OCR) -baserad datafångst:

OCR-baserad fakturadatafångst använder en kombination av maskinvara för bildtagning och konverteringsprogramvara för att konvertera bilder till text som kan behandlas manuellt av redovisningsteamet. Det är uppenbart att detta bara digitaliserar uppgifterna och inte matchar dem och måste involvera efterföljande manuella operationer.

Dessutom fungerar inte fristående OCR-system med olika mallar, filtyper och layouter, vilket kräver frekvent mänsklig intervention för att ställa in mallregler för olika typer av dokument.

Automatiskt kontohantering / PO-matchning:

Detta är av tre typer:

• Robotic process automation (RPA) härmar mänskliga handlingar i repetitiva uppgifter.
• Artificiell intelligens (AI), datavetenskapens “Holy Grail” enligt Bill Gates ord, efterliknar mänskligt omdöme och beteende för att matcha PO, fakturor och kvitton.
• Maskininlärning (ML) är en delmängd av AI där datorn "lär sig av erfarenhet" genom algoritmer som Neural Network som efterliknar hjärnans inlärningsprocess.

Alla tre typerna av automatiserad databehandling fångar relevanta data från fakturor, PO och annan ekonomisk dokumentation och bearbetar dem automatiskt på ett sätt som efterliknar det mänskliga sinnet. Av dem kan AI-aktiverad bearbetning också jämföra och matcha poster och fatta beslut som att skicka transaktionen, flagga fel eller höja undantag.

AI-baserad matchning består av fyra steg:

1. Datainsamling och extrahering: Detta steg involverar en viss mängd mänsklig intervention vid manuell skanning av fysiska fakturor i system eller införlivande av faxade eller mejlade fakturor för konvertering till bilder. Zonal Optical Character Recognition (OCR) eller OCR-mall används för att extrahera text som finns på en specifik plats i ett skannat dokument. Ett Zonal OCR-system utbildas genom att definiera var specifika datafält finns i ett dokument. OpenCV, Tesseract och Python är några zon-OCR-system som kan utbildas för att plocka ut specifika fält från en fångad faktura eller PO.

2. Uppgiftsigenkänning: Erkännande och kategorisering av de fångade uppgifterna i typer antingen genom regelbaserad klassificering eller genom maskininlärningsalgoritmer. AI OCR-system kan eliminera över 80% av operationerna under fakturadatainsamling, extraktion och indexering.

3. Registrera matchning och validering: AI-algoritmen utför postmatchning - processen att hitta matchande bitar av information från stora datamängder. Matchningsprocessen kan vara 2-vägs, 3-vägs eller 4-vägs, beroende på företagets behov.

En undersökning av Levvel Research visar att snabbare godkännande av fakturor och ökad anställdas produktivitet är de två främsta fördelarna med en byte till AI-aktiverad 2-vägs och 3-sätt att matcha processer.

4. Leverantörsgranskning och bearbetning av undantag, baserat på företagets unika behov, överförs matchade data eller dirigeras till lämplig medarbetare för vidare bearbetning.

Fördelar med AI-baserad PO-matchning

Beröringsfri bearbetning:När alla dokument (faktura, inköpsorder, kvitto osv.) Är elektroniska till sin natur tar bort "beröringsfri bearbetning" papperscentrerade processer och minimerar mänsklig intervention, vilket ger bättre prestanda, skalbarhet och smidighet alla affärsdokument tas emot, digitaliseras, dirigeras, matchas, godkänns och behandlas utan behov av att skicka ett enda papper mellan personal och avdelningar. Beröringsfri bearbetning fungerar genom följande steg:

1. Programvaran söker efter olästa e-postmeddelanden.

2. Bilagor hittas och tas bort från e-postmeddelandet för bearbetning.

3. Bilagorna läses med kognitiva funktioner och data extraheras.

4. Faktura / PO-information valideras baserat på fördefinierade affärsregler.

5. En faktura skapas, matchas mot beställningar och leveranskvitton baserat på förinställda regler och kontrolleras för att säkerställa att det inte finns några dubbla fakturor.

6. Användarna får information om huruvida fakturor har behandlats framgångsrikt.

Beröringsfri bearbetning använder ofta maskininlärning för att utbilda AI för att prestera bättre än enkla reglerbaserade AI-system. Systemet lär sig därför både från kundbasen och från varje kunds specifika komplikationer.

Smart matchning:  PO kan matchas med PO-nummer, släpp, linje, sändning och PO-mottagning och sorteras i olika former inom några sekunder, en uppgift som är herculean med enbart mänsklig ansträngning.

Enkel hantering av flera PO: er till flera fakturor:  Automatisering är särskilt användbart när volymen på beställningar och fakturor är hög och manuell ansträngning skulle ta dagar, om inte månader att hantera och kategorisera dem.

Komplett granskningsspår och efterlevnad: AI-system kan ge mänskliga operatörer intuitiv hjälp och utföra valideringar och korrigeringar som tar timmar med mänskligt arbete, inom några sekunder.

Manbesparing: AI fungerar på basis av det ”neurala nätverket” - algoritmer som kan känna igen underliggande relationer i en uppsättning data ungefär som den mänskliga hjärnan. Förutom prestandahastighet kan maskininlärning och djupinlärningsmöjligheter inom AI hjälpa programvaran att lära av erfarenheterna, vilket kan finjustera operationen för att öka produktiviteten och noggrannheten, vilket undanröjer mänsklig intervention och validering.

Fel under flaggning och minimering: Där den mänskliga hjärnan kan misslyckas på grund av trötthet från repetitiva åtgärder, kan AI-baserade system faktiskt förbättras i prestanda med tiden och "erfarenhet". Även om automatisering inte helt kan eliminera mänskliga fel kan det säkerställa konsekvens i stor skala. Automatiserad redovisning kan öka sannolikheten för att identifiera små problem betydligt innan de faller i större. Vid problem eller fel flaggas automatiskt en varning till IT-teamet som snabbt kan identifiera orsaken och lösa den. Ingenting saknas och fixen går mycket snabbare. Felflaggning i rätt tid kan spara tid, minska kostnadstider och förhindra allvarlig brandbekämpning vid ett senare tillfälle.

Ökad produktivitet: Med frihet från tidskrävande aktiviteter som PO-matchning och fakturabehandling kan teamet för leverantörsreskontra nu fokusera på mänskligt centrerade aktiviteter som ekonomisk planering, analys och att få insikter för förbättringar och förbättra interpersonella och institutionella relationer, alla skulle kunna förbättra bottenlinjen.

Kostnadsfördelar: Även om installation av AI-aktiverad fakturabehandling är förknippad med en startkostnad, skulle dess drift medföra så lite som 20 procent av en anställds lön.

Datasäkerhet och skalbarhet:  Ökad operativ effektivitet för globala företag är resultatet av att kunna köra 24X7, till skillnad från mänskliga operatörer som är begränsade av mental bandbredd och tid.

Revisionsberedskap: PO, GRN och fakturor är bland de vanligaste dokumenten som begärs under revisioner. AI-aktiverad PO-matchning har redan dessa dokument godkända, matchade och organiserade, vilket möjliggör sömlös granskningsprocess.

Automatisering av fakturabehandling och PO-matchning kan hjälpa olika nivåer av chefer i ett företag:

• Finanschefer kan minska kostnaderna och fria resurser som kan omorganiseras för att förbättra bottenlinjen och hjälpa till med strategisk tillväxt.
• Företagsledare kan bättre förstå prestanda och övervaka kassaflöde genom analys av instrumentpanelens data som erbjuds av många av automatiseringsprogramvaran för att mäta.
• Leverantörsgrupper kan eliminera pappersfakturor och manuella interaktioner på grund av strömlinjeformad routing, kodning, matchning av leverantörsfakturor med fördefinierade bokföringsregler.
• Revisorer och forskningsanställda har fullständig och omedelbar tillgång till inköpsorder och fakturor för framtida planering.

---

Vill du automatisera PO-matchningsprocessen? GIve Nanonets™ ett försök att få fördelarna med att använda AI-baserad OCR i PO Matching-processen.

---

Konfigurera och implementera AI-aktiverade PO Matching-system

Uppsättningen av ett AI-aktiverat PO-matchningssystem i en organisation är en tredelt process.

Medan automatiserad fakturabehandling och PO-matchning är fördelaktiga när de implementeras, finns det utan tvekan en inlärningskurva, och företaget / teamet måste följa några protokoll för att automatiseringen ska få de förväntade resultaten. Några steg som måste vidtas före och under implementeringen av automatiserade redovisningsprocesser är som följer:

Fullt deltagande av alla intressenter

Framgångsrika konton betalningsautomation beror på att alla medlemmar i ekonomiteamet deltar fullt, vilket innebär periodisk utbildning och uppdateringsprogram för att driva systemet och hantera undantag.

Fasvis automatisering

Utnyttja kraften i automatisering och AI är beroende av korrekt installation och implementering. Dessutom finns det en ganska brant inlärningskurva associerad med att gå från manuell redovisning till AI-baserad fakturamatchning. Genom fasvis övergång är det möjligt att konfigurera utan fel och också ge teamet tid att anta nya processer.

Integration av alla system

Leverantörsgruppen kan redan använda programvara för oskiljaktiga ändamål som ERP (enterprise resource planning), kundrelationshantering och andra kärnfinansieringssystem. AI-automatiseringssystemet bör kunna integreras med befintlig programvara för att göra det enkelt för användarna.

Planerar för eventualiteter

Serverkrasch, strömavbrott och nätverksstörningar kan allvarligt störa driften av AI-aktiverade PO-matchningssystem. Men en förstärkt plan för företagskontinuitet som inkluderar säkerhetskopior, oavbruten strömförsörjning och molnberäkning kan hjälpa till att lösa dessa problem. Det är också viktigt att ha en historik över processerna om operationerna tillfälligt måste svängas tillbaka till manuell hantering.

Organisation av alla relevanta dokument

I tre- och fyrvägsmatchning. Inköpsorder, GRN och fakturor måste matchas. Medan de flesta leverantörer och kunder är flitiga om PO och fakturor, tenderar de att vara slarviga med GRN och kvitton. Frånvaron av mottagande kan hänga en AI-integrerad 3-vägs matchningsprocess och undantag skulle genereras som leder till flaskhalsar i arbetsflödet.

Detta kan undvikas genom centralisering av mottagandet av artiklar, så skapandet av kvitton är begränsat till en eller få personer för att undvika dubbelarbete och utelämnande. Ett annat felsäkert sätt är att utforma ett systemdrivet tillvägagångssätt, där en automatisk påminnelse ställs in för kvittogenerering och uppföljning.

För att säkerställa att alla fakturor, beställningar och kvitton matas in i systemet omedelbart kan AP-automatisering dramatiskt minska antalet utestående dagar (DPO) med en i genomsnitt 5.55 dagar. Ett helt automatiserat system där programvaran samlar in dokumenten direkt från den mjuka källan (e-post, etc.) kan säkerställa detta, men i fallet med manuell uppladdning av data blir detta en viktig punkt.

Matchning av leverantörsdata

En 3-vägs matchprocess är beroende av leverantören som den viktigaste drivkraften för processen. Noggrannheten i data som tillhandahålls av leverantörer kan säkerställa frånvaron av problem med dataöverensstämmelse. För manuell inlämning av fakturor krävs due diligence för att säkerställa noggrannhet. Noggrannhet innebär enhetlighet av måttenhet, enhetspris och leveranstid. Leverantörskataloger kan eliminera fel och förbättra köpupplevelsen.

Ställa in en tolerans för automatisk godkännande

Några vanliga undantag som uppstår under PO-match är:

· Fakturamängderna överensstämmer inte med PO

· Saknad eller felaktig PO-referensinformation på fakturan

· Saknad leverantör eller skattestruktur för en faktura

· Avvikelser mellan priser på radnivå eller för den totala fakturan. Exempelvis kan PO beställa 10 enheter till en kostnad av Rs.10 / enhet och fakturan kan vara för 1 artikel för priset Rs. 100.

Hantering av kantväskor

Edge-fall är ovanliga händelser som måste hanteras av programvaran. I PO-matchning av fakturor underskattas ofta komplexiteten i återkommande fakturering. AI-systemet måste ha anpassningsbar återkommande fakturering för att överväga dessa kantfall som kan uppstå på grund av tidszonsändringar, flera återkommande avgifter, retroaktiva prisjusteringar och variabla månadslängder för att säkerställa felfri automatisering.

---

Vill du automatisera PO-matchningsprocessen? GIve Nanonets™ ett försök att få fördelarna med att använda AI-baserad OCR i PO Matching-processen.

---

Exempel på AI-aktiverade PO Matching-system

Att välja en AI-aktiverad redovisningssvit beror på verksamhetens karaktär och verksamhetens omfattning. AO-aktiverad PO-matchning kan vara antingen en punktlösning eller en fullständig redovisningssvit, vilket beror på den befintliga programvaran eller bristen på den. När det gäller den förra skulle den behöva kommunicera med befintliga system, inklusive ERP. PO Matching finns i många verktyg som används för bokföring, inklusive Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree, etc.

In Oracle, Payables är det AI-aktiverade PO-matchningsverktyget där när en faktura har angetts och matchats med en PO skapas distributioner automatiskt och matchningen kontrolleras för överensstämmelse med den definierade toleransen. När de väl har matchats uppdaterar Payables den kvantitet som faktureras för varje matchad leverans och dess motsvarande distribution (er) med det belopp som anges i fältet Fakturamängd. Skulder uppdaterar också det belopp som faktureras på PO-distributionen.

Sage Intacct Inköp skapar strukturerade, fördefinierade arbetsflöden för transaktioner och köpgodkännanden. Mineralträd, en leverantör av leverantörsreskontra (AP) och betalningsautomatisering, tillhandahåller automatiserad PO / fakturamatchning för Sage Intacc. I detta extraheras rubrik- och linjenivåinformation automatiskt med OCR-teknik från fakturor som skickas av leverantörer till ett angivet e-postmeddelande. Den matchar sedan automatiskt inkommande fakturor mot inköpsorder eller kvitton och infogar dem sedan i användarnas interna arbetsflöden för fakturagodkännande och betalning. All data synkroniseras med företagets ERP för plattformskonsistens.

Nexonia utgifter, en molnbaserad lösning för hantering av webb- och mobilutgiftsrapporter som har flexibla arbetsflöden för godkännande och djup integration med befintliga system.

In Tipalti, alla fakturor går igenom en standard OCR, avancerad datautvinning och godkännandearbetsflöden innan betalningen behandlas. Regler kan ställas in för att avgöra om en faktura är PO-backad och om den ska gå igenom matchningsprocessen. Grundregler gäller leverantörs- eller fakturabelopp och om en faktura har en inköpsorder, fylls PO-fakturans kodningsdata automatiskt i fakturan.

In DocuWare, när en faktura fångas, extraherar ett AI-baserat, crowd-learning-verktyg alla viktiga data som krävs för bearbetning som leverantörsnamn, ID, fakturanummer, delsumma, moms, frakt och totalbelopp. För att validera fakturan bekräftar systemet om de är en giltig leverantör, dubbelkontrollerar eventuella dubbletter av fakturanummer, matchar inköpsorder och leveransavgifter och beräknar beloppen på nytt.

Det finns många fler PO-matchningsverktyg tillgängliga med olika funktioner som passar olika applikationer.

Nanonets AI OCR

Nanonets AI-OCR läser osynliga, halvstrukturerade dokument som inte följer en standardmall och validerar data som samlats in från dokumentet. Programvaran kan samla in data från en mängd olika dokument, inklusive faktura, ID-kort, inköpsorder, inkomstskydd, skatteformulär och inteckning.

Det gör det möjligt att importera data från användarens plattform och direkt exportera den inspelade data till ett befintligt arbetsflöde, utan att systemet störs. Nanonets har språkbindningar i Shell, Ruby, Golang, Java, C # och Python. AI-motorn lär sig och förbättras med användning. Med ett intuitivt webbgränssnitt eliminerar det besvärliga manuella processer och automatiserar fakturor, kvitton och dokumentgranskningar. Det är känt att minska behandlingstiden med upp till 90% och spara kostnader med upp till 50%.

Artificiell intelligens förväntas spela en avgörande roll i omvandlingen av hur bokföring och PO-matchning utförs i företagsvärlden. Det kan dock inte eliminera mänskligt deltagande - teknik kan inte existera ensam.

Artificiell intelligens hjälper, inte ersätter revisorn. Nyckeln till framgångsrik implementering av ett AI-aktiverat redovisningssystem är att föra dem samman. Framtiden för användning av AI i redovisning och PO-matchning är starkt beroende av hur människor kan förankra den för att förbättra deras förmåga att leverera långsiktiga värden.