Що таке PO Matching? І як це автоматизувати?

Зіставлення замовлення на закупівлю – це процес підключення замовлення на купівлю (PO), виданого клієнтом із зазначенням типів, кількості та погоджених цін на продукти/послуги, із рахунок-фактура, виставлений постачальником за його доставку. Метою зіставлення замовлення на замовлення є забезпечення своєчасних платежів постачальників, правильний облік витрат і легке виявлення шахрайства.

Ручне зіставлення замовлення на замовлення

Зіставлення замовлення на покупку складається з кількох етапів, включаючи квитанцію та збір даних рахунків-фактур, перевірка с purchase order, що відповідає параметрам, і роздільна здатність на основі різних параметрів. Обробка рахунків-фактур і зіставлення замовлення на замовлення є складними, трудомісткими та ресурсомісткими процесами, якщо вони виконуються вручну, особливо в масштабних бізнес-діяльності.

Навіть у відділах, де є оцифровка інформації у формі програм планування ресурсів підприємства (ERP), потрібна значна кількість людської праці; з моменту виставлення або отримання рахунку-фактури до його введення в програму ERP, кредиторська заборгованість персонал виконує, здавалося б, нескінченний перелік справ.

---

Хочете автоматизувати процес зіставлення замовлення на замовлення? Give Nanonets™ спробувати й отримати переваги використання OCR на основі штучного інтелекту в процесі зіставлення замовлення на замовлення.

---

· Відкриття та сканування пошти/відкриття фізичних рахунків-фактур/PO

· Отримання рахунків-фактур/PO з електронної поштової скриньки, порталу або фізичних конвертів

· Введення інформації з рахунків-фактур в комп'ютер

· Ручне зіставлення рахунків із замовленнями на купівлю (PO) та квитанціями про доставку

· Фізична маршрутизація рахунків-фактур/операцій менеджерам і персоналу з питань затвердження

· Вирішуйте винятки шляхом громіздкого огляду та ручного аналізу.

· Введення відповідної інформації про рахунок-фактуру в ERP

· Пошук ERP на наявність дублікатів і пропусків

· Звірка рахунків з оплатою

· Оновлення основних даних постачальника

Нижче наведено деякі виснажливі проблеми під час великомасштабного зіставлення замовлення на покупку, особливо якщо це виконується вручну.

Обробка кількох точок даних рахунку: Великі організації регулярно мають справу з замовленнями на замовлення та/або рахунками-фактурами від кількох постачальників/клієнтів у різних форматах, включаючи файли текстового процесора (наприклад, документи MS-Word), файли введення даних (наприклад, файли MS-Excel), структуровані XML-документи з електронного обміну даними (EDI), PDF-файли та файли зображень, а іноді як друковані документи.

Уніфікація всіх цих документів займає багато часу та може викликати помилки вручну. Помилки на початку робочий процес обробки рахунків-фактур може призвести до серйозних наслідків, таких як переплата, неправильні платежі, дублювання рахунків-фактур тощо, що може призвести до втрати продуктивності та довіри.

Невідповідність даних: Команда кредиторська заборгованість відділу компанії часто доводиться співставляти замовлення на замовлення з накладною на отримання товарів (GRN) і даними контрактів, окрім рахунку-фактури. Процес ручного зіставлення «дивись і порівняй», окрім того, що є трудомістким і виснажливим, може призвести до серйозних помилок, таких як пропущені дати та значення, виправлення яких уповільнить роботу та піддасть організацію ризику втрати продуктивності та бізнесу - проблеми управління/відносини з клієнтами.

Обробка винятків: Відділи кредиторської заборгованості витрачають багато часу на роботу з винятками, включаючи неправильну, неповну та невідповідну інформацію в рахунках-фактурах. Аж до 20% рахунків регулярно містять невірну або неповну інформацію, а звичайний (ручний) відділ кредиторської заборгованості витрачає 25% свого часу на вирішення проблем і відстеження відсутньої інформації.

Вартість обробки рахунку: Ручна обробка рахунків-фактур і зіставлення замовлення на покупку спричиняє витрати, включаючи ручні години, папір і поштові витрати, які посиляться штрафами, комісіями за прострочення, поверненням продукту та втратою бізнесу у випадку помилок.

Шахрайство та крадіжка: Сертифіковані дослідники шахрайства (ACFE) повідомляють, що типова організація щороку втрачає 5% свого доходу через шахрайство. Злочинці, які видають себе за керівників чи постачальників, надсилають електронною поштою автентичні рахунки-фактури чи інші запити на оплату, і менш пильна команда з питань кредиторської заборгованості може стати його жертвою.

Опитування Levvel Research у 2020 році Показав це ручне введення даних і неефективність залишаються проблемними точками в процес кредиторської заборгованості.

Асоціація кредиторів із Великобританії знайшов це:

• 56% підприємств стикаються з проблемами прогнозування грошових потоків через проблеми з кредиторською заборгованістю
• 91% компаній регулярно отримують телефонні дзвінки від продавців, які чекають платежів.
• У 23% підприємств були постачальники, які знову відмовилися працювати з ними через неефективність кредиторської заборгованості

---

Хочете автоматизувати процес зіставлення замовлення на замовлення? Give Nanonets™ спробувати й отримати переваги використання OCR на основі штучного інтелекту в процесі зіставлення замовлення на замовлення.

---

Автоматизоване зіставлення замовлення на замовлення

Багато з перерахованих вище проблем можна подолати за допомогою автоматизованого зіставлення замовлення на замовлення. Автоматизація може бути запроваджена на різних етапах процесу бухгалтерського обліку, і відповідно існує два види автоматизації:

Отримання даних на основі оптичного розпізнавання символів (OCR):

Зйомка даних рахунків-фактур на основі оптичного розпізнавання символів використовує поєднання апаратного забезпечення для захоплення зображень і програмного забезпечення для конвертації для перетворення зображень на текст, який може обробити бухгалтерська група вручну. Очевидно, що це лише оцифровує дані, а не збігає їх, і потребує подальших ручних операцій.

Крім того, автономні системи OCR не можуть працювати з різними шаблонами, типами файлів і макетами, що вимагає частого втручання людини для встановлення правил шаблонів для різних типів документів.

Автоматизована обробка облікових записів/зіставлення замовлення на замовлення:

Він буває трьох видів:

• Роботизована автоматизація процесів (RPA) імітує дії людини в повторюваних завданнях.
• Штучний інтелект (ШІ), «Священний Грааль» інформатики, за словами Білла Гейтса, імітує людське судження та поведінку, щоб відповідати замовленням на замовлення, рахункам-фактурам і квитанціям.
• Машинне навчання (ML) — це підмножина штучного інтелекту, у якій комп’ютер «навчається на досвіді» за допомогою таких алгоритмів, як нейронна мережа, яка імітує процес навчання мозку.

Усі три типи автоматизованої обробки даних збирають відповідні дані з рахунків-фактур, замовлення на замовлення та іншої фінансової документації та автоматично обробляють їх у спосіб, що імітує людський розум. З них обробка з підтримкою штучного інтелекту також може порівнювати та зіставляти записи та приймати рішення, такі як проходження транзакції, позначення помилок або створення винятків.

Зіставлення на основі ШІ складається з чотирьох кроків:

1. Збір і вилучення даних: Цей крок передбачає певне втручання людини в ручне сканування фізичних рахунків-фактур у системи або включення рахунків-фактур, надісланих факсом або електронною поштою, для перетворення на зображення. Зональне оптичне розпізнавання символів (OCR) або шаблонне OCR використовується для вилучення тексту, розташованого в певному місці всередині сканованого документа. Система зонального оптичного розпізнавання символів навчається шляхом визначення того, де в документі можна знайти певні поля даних. OpenCV, Tesseract і Python — це деякі зональні системи оптичного розпізнавання символів, які можна навчити вибирати конкретні поля з отриманого рахунку-фактури або замовлення на замовлення.

2. Розпізнавання даних: Розпізнавання та категоризація отриманих даних за типами за допомогою класифікації на основі правил або за допомогою алгоритмів машинного навчання. Системи AI OCR можуть усунути понад 80% операцій під час збору, вилучення та індексування даних рахунків-фактур.

3. Зіставлення та перевірка записів: Алгоритм штучного інтелекту виконує зіставлення записів – процес пошуку відповідних фрагментів інформації з великих наборів даних. Процес узгодження може бути 2-, 3- або 4-стороннім залежно від потреб компанії.

Опитування від Дослідження рівня показує, що швидше затвердження рахунків-фактур і підвищення продуктивності праці працівників дві головні переваги переходу на 2-сторонній і 3-сторонній режими з підтримкою штучного інтелектувідповідність способу процесів.

4. Огляд кредиторської заборгованості та обробка винятків, виходячи з унікальних потреб компанії, відповідні дані передаються або направляються відповідному співробітнику для подальшої обробки.

Переваги зіставлення замовлення на замовлення на основі AI

Безконтактна обробка:Коли всі документи (рахунок-фактура, замовлення на купівлю, квитанція тощо) є електронними за своєю природою, «безконтактна обробка» усуває процеси, орієнтовані на папір, і мінімізує втручання людини, забезпечуючи таким чином кращу продуктивність, масштабованість і гнучкість; усі бізнес-документи приймаються, оцифровуються, направляються, узгоджуються, затверджуються та обробляються без необхідності пересилати один аркуш паперу між персоналом і відділами. Безконтактна обробка здійснюється за такими етапами:

1. Програма перевіряє наявність непрочитаних електронних листів.

2. Вкладення знайдені та від’єднані від електронного листа для обробки.

3. Вкладення зчитуються з використанням когнітивних можливостей, а дані витягуються.

4. Інформація про рахунок/заявку на замовлення перевіряється на основі попередньо визначених бізнес-правил.

5. Рахунок-фактура створюється, зіставляється з замовленнями на замовлення та квитанціями про доставку на основі попередньо встановлених правил і перевіряється на відсутність дублікатів рахунків-фактур.

6. Користувачі отримують сповіщення про успішну обробку рахунків.

Безконтактна обробка часто використовує машинне навчання, щоб навчити ШІ працювати краще, ніж прості системи ШІ на основі правил. Таким чином, система вчиться як на базі клієнтів, так і на конкретних тонкощах кожного клієнта.

Розумна відповідність:  Замовлення на покупку можна зіставляти за номером замовлення на замовлення, випуском, рядком, відправленням і квитанцією на замовлення та сортувати в різних формах за лічені секунди.

Просте керування кількома замовленнями на замовлення для кількох рахунків-фактур:  Автоматизація особливо корисна, коли обсяг замовлення на покупку та рахунків-фактур великий, і ручна робота займе дні, якщо не місяці, щоб керувати ними та класифікувати їх.

Повний контрольний слід і відповідність: Системи штучного інтелекту можуть надавати операторам інтуїтивно зрозумілу допомогу та виконувати перевірки та виправлення, які займають години за допомогою людської праці, за лічені секунди.

Економія робочої сили: ШІ працює на основі «нейронної мережі» — алгоритмів, які можуть розпізнавати базові зв’язки в наборі даних, подібно до людського мозку. Окрім швидкості роботи, можливості машинного та глибокого навчання в рамках штучного інтелекту можуть допомогти програмному забезпеченню вчитися на досвіді, що може точно налаштувати роботу для підвищення продуктивності та точності, уникаючи людського втручання та перевірки.

Позначення та мінімізація помилок: Там, де мозок людини може дати збій через втому від повторюваних дій, система на основі штучного інтелекту фактично може підвищити продуктивність з часом і «досвідом». Хоча автоматизація не може повністю усунути людські помилки, вона може забезпечити послідовність у великому масштабі. Автоматизований облік може значно збільшити ймовірність виявлення дрібних проблем до того, як вони переростуть у більші. У разі виникнення проблем або помилок ІТ-групі автоматично надсилається сповіщення, яке може швидко визначити основну причину та вирішити її. Нічого не втрачено, і виправлення відбувається набагато швидше. Своєчасне позначення помилок може заощадити час, скоротити дорогі простої та уникнути серйозної пожежі пізніше.

Підвищена продуктивність: Звільнившись від таких трудомістких дій, як зіставлення замовлення на покупку та обробка рахунків-фактур, команда відділу кредиторської заборгованості тепер може зосередитись на діяльності, орієнтованій на людину, як-от фінансове планування, аналіз і отримання ідей для вдосконалення, а також покращення міжособистісних та інституційних стосунків, усе це може покращити підсумковий результат.

Вигоди: Незважаючи на те, що встановлення обробки рахунків із підтримкою штучного інтелекту пов’язане з початковими витратами, її використання потребуватиме лише 20 відсотків зарплати працівника.

Безпека даних і масштабованість:  Більша операційна ефективність для глобального бізнесу є результатом можливості працювати 24X7, на відміну від людей-операторів, які обмежені розумовою пропускною здатністю та часом.

Готовність до аудиту: Написи на замовлення, GRN і рахунки-фактури є одними з найпоширеніших документів, які запитують під час аудитів. Зіставлення замовлення на замовлення за допомогою штучного інтелекту вже підтвердило, зіставило та впорядкувало ці документи, що забезпечує безперебійний процес аудиту.

Автоматизація обробки рахунків-фактур і зіставлення замовлення на замовлення може допомогти керівникам різних рівнів компанії:

• Керівники фінансових відділів можуть скоротити витрати та звільнити ресурси, які можна реорганізувати, щоб підвищити кінцевий результат і сприяти стратегічному та корпоративному зростанню.
• Корпоративні керівники можуть краще розуміти продуктивність і контролювати грошові потоки, аналізуючи дані панелі керування, які пропонуються для вимірювання багатьма програмами автоматизації.
• Команди з обліку кредиторської заборгованості можуть усунути паперові рахунки-фактури та ручну взаємодію завдяки спрощеній маршрутизації, кодуванню, зіставленню рахунків-фактур постачальників із застосуванням попередньо визначених правил обліку.
• Бухгалтери та науковий персонал мають повний і миттєвий доступ до замовлень на закупівлю та рахунків-фактур для майбутнього планування.

---

Хочете автоматизувати процес зіставлення замовлення на замовлення? Give Nanonets™ спробувати й отримати переваги використання OCR на основі штучного інтелекту в процесі зіставлення замовлення на замовлення.

---

Налаштування та впровадження систем зіставлення замовлення на замовлення з підтримкою штучного інтелекту

Налаштування системи зіставлення замовлення на замовлення з підтримкою штучного інтелекту в організації є трирівневим процесом.

Незважаючи на те, що автоматизована обробка рахунків-фактур і зіставлення замовлення на замовлення є перевагами, коли їх впроваджено, крива навчання, безсумнівно, існує, і компанія/команда повинна дотримуватися кількох протоколів, щоб автоматизація дала очікувані результати. Нижче наведено деякі кроки, які необхідно виконати до та під час впровадження автоматизованих процесів бухгалтерського обліку:

Повне залучення всіх зацікавлених сторін

Успішна автоматизація кредиторської заборгованості залежить від повної участі кожного члена фінансової команди, що передбачає періодичне навчання та програми підвищення кваліфікації для роботи з системою та обробки винятків.

Поетапна автоматизація

Використання можливостей автоматизації та ШІ залежить від правильного налаштування та впровадження. Крім того, існує досить крута крива навчання, пов’язана з переходом від ручного обліку до зіставлення рахунків-фактур на основі ШІ. Завдяки поетапному переходу можна налаштувати без помилок, а також дати команді час для впровадження нових процесів.

Інтеграція всіх систем

Команда з питань кредиторської заборгованості вже може використовувати програмне забезпечення для різних цілей, таких як планування ресурсів підприємства (ERP), управління взаємовідносинами з клієнтами та інші основні фінансові системи. Система автоматизації штучного інтелекту повинна мати можливість інтегруватися з існуючим програмним забезпеченням, щоб полегшити роботу користувачів.

Планування на випадок непередбачених ситуацій

Збій сервера, відключення електроенергії та збої в мережі можуть серйозно порушити роботу систем зіставлення PO з підтримкою AI. Але чіткий план безперервності бізнесу, який включає резервне копіювання, безперебійне живлення та хмарні обчислення, може допомогти вирішити ці проблеми. Також важливо зберігати історію процесів на випадок, якщо операції доведеться тимчасово повернути до ручного керування.

Організація всіх відповідних документів

У трьох і чотирьох способах відповідності. Замовлення на купівлю, GRN і рахунки-фактури мають збігатися. Хоча більшість постачальників і клієнтів уважно ставляться до замовлення на замовлення та рахунків-фактур, вони, як правило, недбало ставляться до GRN і квитанцій. Відсутність квитанції може призвести до зупинки інтегрованого штучного інтелекту процесу тристороннього збігу, і будуть створені винятки, що призведе до вузьких місць у робочому процесі.

Цього можна уникнути шляхом централізації надходження товарів, тому створення квитанцій обмежується однією або кількома особами, щоб уникнути дублювання та пропусків. Іншим надійним способом є розробка системного підходу, у якому встановлюється автоматичне нагадування для створення квитанції та подальших дій.

Забезпечуючи швидке введення всіх рахунків-фактур, замовлення на замовлення та квитанцій у систему, автоматизація AP може значно скоротити кількість днів заборгованості (DPO) за рахунок в середньому 5.55 дні. Це може забезпечити повністю автоматизована система, у якій програмне забезпечення фіксує документи безпосередньо з програмного джерела (електронні листи тощо), але у випадку ручного завантаження даних це стає важливим моментом.

Відповідність даних постачальника

Тристоронній процес узгодження залежить від постачальника як ключового двигуна процесу. Точність даних, наданих постачальниками, може гарантувати відсутність проблем з невідповідністю даних. Для ручного подання рахунків-фактур необхідна належна обачність, щоб забезпечити точність. Точність передбачає однаковість одиниці виміру, ціни за одиницю та термінів доставки. Каталоги постачальників можуть усунути помилки та покращити процес покупки.

Налаштування допуску для автоматичного затвердження

Деякі поширені винятки, які виникають під час збігу замовлення на замовлення:

· Кількість рахунків-фактур не відповідає заявці на замовлення

· У рахунку-фактурі відсутня або неправильна довідкова інформація про замовлення на замовлення

· Відсутня структура постачальника або податку для рахунку-фактури

· Розбіжності в ціні на рівні рядка або для загального рахунку-фактури. Наприклад, замовлення на замовлення може стосуватися 10 одиниць товару за ціною 10 рупій за одиницю, а рахунок-фактура може стосуватися 1 одиниці товару за ціною рупій. 100.

Обробка крайових випадків

Граничні випадки є рідкісними явищами, які має обробляти програмне забезпечення. Під час зіставлення рахунків на поставку складність періодичного виставлення рахунків часто недооцінюється. Система штучного інтелекту повинна включати адаптивне регулярне виставлення рахунків, щоб враховувати ці граничні випадки, які можуть виникнути через зміну часового поясу, багаторазові регулярні платежі, ретроспективне коригування цін і змінну тривалість місяця, щоб забезпечити безпомилкову автоматизацію.

---

Хочете автоматизувати процес зіставлення замовлення на замовлення? Give Nanonets™ спробувати й отримати переваги використання OCR на основі штучного інтелекту в процесі зіставлення замовлення на замовлення.

---

Приклади систем зіставлення замовлення на замовлення з підтримкою AI

Вибір бухгалтерського набору з підтримкою штучного інтелекту залежить від характеру бізнесу та масштабу діяльності. Узгодження PO з підтримкою AO може бути або точковим рішенням, або повним набором обліку, що залежатиме від наявного програмного забезпечення або його відсутності. У першому випадку йому потрібно буде спілкуватися з існуючими системами, включаючи ERP. PO Matching доступний у багатьох інструментах, що використовуються для обліку, включаючи Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree тощо.

In оракул, Кредиторська заборгованість — це інструмент зіставлення замовлень із підтримкою штучного інтелекту, в якому після введення рахунку-фактури та відповідності замовлень автоматично створюються розподіли, а відповідність перевіряється на відповідність визначеному допуску. Після збігу Кредиторська заборгованість оновлює кількість, виставлену рахунком за кожне відповідне відправлення, та його відповідний(і) розподіл(и) на суму, введену в полі Кількість виставленої рахунки. Кредиторська заборгованість також оновлює суму, виставлену рахунком за розподілом(ами) замовлення.

Шавлія Intakct Закупівля створює структуровані, попередньо визначені робочі процеси транзакцій і схвалення покупок. MineralTree, постачальник рішень для автоматизації рахунків до оплат (AP) та автоматизації платежів, надає автоматичне співставлення замовлень/рахунків-фактур для Sage Intacc. При цьому деталі заголовка та рівня рядка автоматично витягуються за допомогою технології OCR із рахунків-фактур, надісланих постачальниками на визначену електронну адресу. Потім він автоматично порівнює вхідні рахунки-фактури із замовленнями на покупку або квитанціями, а потім вставляє їх у внутрішні робочі процеси користувачів для затвердження рахунків-фактур та оплати. Усі дані синхронізуються з ERP компанії для узгодженості платформи.

Витрати Nexonia, хмарне рішення для керування звітами про витрати для веб- та мобільних пристроїв, яке має гнучкі робочі процеси затвердження та глибоку інтеграцію з існуючими системами.

In Тіпалті, усі рахунки-фактури проходять стандартне OCR, розширене вилучення даних та робочі процеси затвердження перед обробкою платежу. Можуть бути встановлені правила, щоб визначити, чи має рахунок-фактура підтримка замовлень і чи має він проходити процес узгодження. Базові правила застосовуються до постачальника або суми рахунку, і якщо рахунок-фактура містить замовлення на покупку, дані кодування рахунку-фактури автоматично попередньо заповнюють рахунок-фактуру.

In DocuWare, коли фіксується рахунок-фактура, інструмент для вивчення натовпу на основі штучного інтелекту витягує всі ключові дані, необхідні для обробки, як-от назва постачальника, ідентифікатор, номер рахунка-фактури, проміжна сума, податок, фрахт і загальна сума. Щоб підтвердити рахунок-фактуру, система підтверджує, чи є вони дійсними постачальниками, двічі перевіряє наявність повторюваних номерів рахунків-фактур, збігається із замовленнями на покупку та накладними, а також перераховує суми.

Існує багато інших інструментів зіставлення замовлень з різними функціями, які підходять для різних застосувань.

Nanonets AI OCR

Nanonets AI-OCR читає невидимі, напівструктуровані документи, які не відповідають стандартному шаблону, і перевіряє дані, отримані з документа. Програмне забезпечення може отримувати дані з різних документів, включаючи рахунки-фактури, ідентифікаційну картку, замовлення на покупку, довідку про доходи, податкову форму та форми іпотеки.

Це дозволяє імпортувати дані з платформи користувача та безпосередньо експортувати отримані дані в існуючий робочий процес, не порушуючи роботу системи. Nanonets має мовні прив’язки в Shell, Ruby, Golang, Java, C# та Python. Двигун AI навчається та вдосконалюється з використанням. Завдяки інтуїтивно зрозумілому веб-інтерфейсу він усуває громіздкі ручні процеси та автоматизує рахунки-фактури, квитанції та перегляд документів. Відомо, що він скорочує час обробки до 90% і заощаджує витрати до 50%.

Очікується, що штучний інтелект відіграватиме вирішальну роль у трансформації способу бухгалтерського обліку та відповідності замовлень у корпоративному світі. Однак це не може виключити участь людини – технологія не може існувати сама.

Штучний інтелект допоможе, а не замінить бухгалтера. Ключ до успішного впровадження системи обліку з підтримкою штучного інтелекту полягає в тому, щоб об’єднати їх. Майбутнє використання штучного інтелекту в обліку та узгодженні замовлень значною мірою залежить від того, як люди можуть закріпити його, щоб покращити свою здатність надавати довгострокові цінності.