Miksi laskuautomaatio ei vieläkään riitä – ja miten itseoppiva tekoäly muuttaa tilanteen IFS-asiakkaille
Jos käytät IFS:ää, laskuautomaatio on todennäköisesti ollut kehityssuunnitelmissasi jo vuosien ajan.
Useimmat organisaatiot ovat investoineet merkittävästi ostotilausten täsmäytyksen kattavuuteen, sillä se on vakiintunein reitti automaatioon IFS:ssä, ja ostotilauksiin perustuvien laskujen osalta se toimii hyvin. OCR on käytössä, hyväksymisprosessit on määritetty ja tiliöintisääntöjä on hiottu uudelleen ja uudelleen. Paperilla prosessi näyttää automatisoidulta.
Käytännössä monet taloushallinnon tiimit joutuvat edelleen tiliöimään merkittävän osan laskuistaan manuaalisesti. Erityisesti ilman ostotilausta saapuvat laskut ovat edelleen ostoreskontran vaikeimpia haasteita. Jos tämä kuulostaa tutulta, et ole yksin, eikä kyse ole ponnistelujen tai investointien puutteesta, vaan taustalla olevan lähestymistavan rajoituksista.
Tässä kirjoituksessa haluamme jakaa havaintojamme IFS-ekosysteemistä: miksi perinteinen automaatiomalli on huomaamatta saavuttanut lakipisteensä ja mikä muuttuu, kun itseoppiva tekoäly tuodaan suoraan osaksi IFS-laskutustyönkulkua.
Lämmin kiitos Addovationin tiimille kutsusta jakaa näkökulmamme heidän yhteisölleen.
Automaatiokuilu IFS Finance -ratkaisussa
Useimmat IFS-asiakkaat ovat jo ottaneet merkittäviä askeleita talousprosessien digitalisoinnissa. Havaitsemamme kuilu löytyy lähes aina samasta paikasta: skannatun laskun ja täysin tiliöidyn, oikein reititetyn ja hyväksyttävään kuntoon saatetun asiakirjan välisestä vaiheesta.
Ostotilauksiin perustuvat laskut ovat suhteellisen suoraviivaisia, sillä ostotilaus antaa järjestelmälle riittävästi rakennetta automaattista tarkistusta, täsmäytystä ja reititystä varten. Ilman ostotilausta tulevat laskut sen sijaan ovat aivan toinen ongelma. Vastattavaa ostotilausta ei ole, tiliöinti riippuu organisaation kontekstista ja oikea hyväksyjä määräytyy usein kulun luonteen eikä kiinteän säännön mukaan. Juuri tähän taloushallinnon tiimit tuhlaavat edelleen tunteja viikoittain.
Missä perinteinen automaatio törmää seinään
Suurin osa nykyisistä laskuautomaatioratkaisuista rakentuu kolmen osan varaan:
- Tietojen poimintaan käytettävä OCR
- Sääntöpohjainen logiikka tiliöintiin
- Työnkulkutyökalut reititykseen ja hyväksyntöihin
Kaikilla kolmella on tärkeä rooli, mutta ne kaikki edellyttävät ennalta määriteltyä rakennetta. OCR pystyy poimimaan laskun tiedot, mutta se ei voi päättää, miten lasku tulisi tiliöidä.
Säännöt voivat soveltaa logiikkaa, mutta vain tilanteissa, jotka olet ennakoinut ja konfiguroinut. Taloushallinto taas – kuten kuka tahansa alalla työskentelevä tietää – harvoin pysyy paikoillaan:
- Uusia toimittajia tulee jatkuvasti
- Laskujen tiedot ovat puutteellisia tai epäjohdonmukaisia
- Kustannusrakenteet ja pääkirjahierarkiat muuttuvat
- Toimittajakohtaiset tiliöintimallit, jotka ovat hyvin yleisiä IFS:ssä, ovat vaikeuksissa silloin, kun sama toimittaja lähettää laskuja, jotka on tiliöitävä eri tavoin
- Useita rivejä ja kohteita sisältävät laskut eivät sovi siisteihin malleihin
Seurauksena on, että vain osa laskuista voidaan käsitellä automaattisesti. Loput palaavat ihmisen käsiteltäväksi tarkistusta, korjausta ja reititystä varten, ja jokainen poikkeustapausten varalle luotu uusi sääntö on taas yksi ylläpidettävä sääntö lisää.
Käsittelimme tätä aihetta syvällisemmin tuoreessa artikkelissa miksi useimmat IFS-tiimit tiliöivät laskut edelleen manuaalisesti, jos haluat perehtyä taustalla oleviin mekanismeihin tarkemmin.
Osittaisen automaation piilokustannukset
Tämä luo vähemmän näkyvän, mutta merkittävän toiminnallisen hidasteen. Erityisesti IFS:ssä noin 90 % ilman ostotilausta tulevista laskuista jää tyypillisesti kaikkien automaatiosääntöjen ja -mallien ulkopuolelle. Tämä tarkoittaa, että suurin osa tiliöidään täysin manuaalisesti ja vain pientä toistuvien laskujen joukkoa käsitellään säännöillä. Tiimit käyttävät aikansa sääntöjen ylläpitoon, poikkeusten tarkistamiseen, tiliöintien epäjohdonmukaisuuksien korjaamiseen ja uusien kollegoiden perehdyttämiseen yhä kasvavaan poikkeustapausten listaan. Automaatiota on olemassa, mutta se ei skaalaudu. Liiketoimintamäärien kasvaessaan kasvaa myös sen vaatima manuaalinen työmäärä.
Muutos lähestymistavassa: säännöistä oppimiseen
Itsestään oppiva tekoäly muuttaa lähtökohdan. Sen sijaan, että mallille kerrottaisiin sääntöjen ja mallien avulla, miten lasku tiliöidään, malli oppii organisaatiosi historiallisesta laskudatasta: miten tiimisi on tosiasiassa tiliöinyt laskuja aiemmin, miten hyväksynnät ovat todellisuudessa edenneet ja missä poikkeuksia on aidosti esiintynyt.
Sen pohjalta se voi ennustaa lasku laskulta:
- Oikean pääkirjatilin, kustannuspaikan ja muut tiliöintiulottuvuudet, kuten projektin tai liiketoimintayksikön
- Arvonlisäverokäsittelyn
- Oikean hyväksyjän ja hyväksyntäreitin
- Omiin tiliöintimalleihisi liittyvät vapaatekstikenttien arvot
Ja koska se oppii jatkuvasti jokaisesta korjauksesta ja jokaisesta uudesta laskusta, tarkkuus paranee ajan myötä sen sijaan, että se heikkenisi liiketoiminnan muuttuessa. Mitään malleja ei tarvitse rakentaa eikä sääntöjä ylläpitää. Malli mukautuu automaattisesti tiliöintimallien ja hyväksyntäkäytäntöjen kehittyessä.
Mitä tämä tarkoittaa IFS:n sisällä
IFS-asiakkaille käytännön kysymys on se, miten tämä sopii yhteen ympäristön kanssa, johon on jo investoitu. Lyhyt vastaus: se sijoittuu sen sisälle, ei sen rinnalle.
Snowfox on suunniteltu toimimaan osana nykyistä IFS-laskutusprosessia sen sijaan, että se korvaisi mitään sen osaa. IFS pysyy edelleen pääjärjestelmänänne. Hyväksymishierarkianne, tilikarttanne ja hallintomallinne pysyvät kaikki ennallaan. Muutos on siinä, että laskut saapuvat hyväksymisvaiheeseen jo koodattuina ja reititettyinä – järjestelmä on oppinut tämän omista historiatiedoistanne – ja tarkkuus paranee tapahtuma kerrallaan.
Toiminnallisesti se tarkoittaa tyypillisesti seuraavaa:
- Merkittävästi suurempi osuus laskuista käsitellään ilman manuaalista tiliöintiä
- Vähemmän käsittelyvaiheita laskua kohden ja nopeammat kiertoajat
- Yhdenmukaisempi tiliöinti eri yhtiöiden ja uusien työntekijöiden välillä
- Taloushallinnon resursseja vapautuu rutiinikirjauksista analysointiin ja valvontaan
On myös syytä huomata, että tämä lähestymistapa tukee organisaatioita IFS-matkan eri vaiheissa, myös niitä, jotka siirtyvät aiemmista versioista IFS Cloudiin.
Automaatioominaisuuksia ei tarvitse rakentaa uudelleen joka kerta, kun taustalla oleva alusta päivittyy.
Jos haluat nähdä, miten tämä toimii käytännössä IFS:ssä, mukaan lukien esittelyvideon, järjestimme hiljattain webinaarin IFS:n kanssa itsenäisesti oppivan tekoälyn hyödyntämisestä ostolaskujen tiliöinnin automatisoinnissa. Webinaari on nyt katsottavissa tallenteena.
Osallistu Addovationin tulevaan verkkoseminaariin, jossa vieraana on Snowfox!
Järjestämme 13. toukokuuta klo 08.30 CEST verkkoseminaarin yhdessä Snowfox, jossa tarkastelemme tarkemmin useita tässä blogikirjoituksessa esille tuotuja haasteita.
Varmista paikkasi heti – älä jää paitsi!
Miksi kumppanilla on väliä
Tekoälyn tuomisessa taloushallinnon prosesseihin on kyse yhtä lailla toteutukseen liittyvästä ymmärryksestä kuin teknologiastakin. Työnkulut on tunnettava perusteellisesti ennen niiden automatisointia. Taloushallinnon ja IT:n vastuualueiden on oltava selkeät. Lisäksi integraatiot IFS:ään on toteutettava henkilöiden toimesta, jotka tuntevat järjestelmän pohjaltaan.
Tässä kokeneilla IFS-kumppaneilla, kuten Addovationilla, on keskeinen rooli. Syvällinen
Vierasbloggaaja
Tietoa kirjoittajasta
Emma Blackmore on Snowfox-yrityksen markkinointijohtaja, jossa hän johtaa markkinointia ja kumppanien tarinankerrontaa koko Snowfox -ekosysteemissä. Emma, jolla on tausta B2B-SaaS-alalta ja kumppanivetoisesta kasvusta, keskittyy siihen, miten erikoistuneet teknologiat, kuten Snowfox , vakiintuvat käytäntöön niiden käyttöönottavien kumppaneiden ja niitä päivittäin käyttävien taloushallinnon tiimien kautta. Hän uskoo vakaasti, että alan paras markkinointi alkaa työn aidosta ymmärtämisestä, ja hän tuo tämän näkökulman esiin kaikessa, mitä Snowfox julkaisee.
