Miksi laskutuksen automatisointi ei vielä toimi täydellisesti, ja miten itseoppiva tekoäly muuttaa tilannetta IFS:n asiakkaille
Jos käytät IFS-järjestelmää, on hyvin todennäköistä, että laskujen automatisointi on ollut suunnitelmissasi jo vuosia.
Useimmat organisaatiot ovat panostaneet voimakkaasti ostotilausten kattavuuden parantamiseen, sillä ostotilausten täsmäytys on vakiintunein tie automaatioon IFS-järjestelmässä, ja se toimii hyvin ostotilauslaskujen kohdalla. OCR-tunnistus on otettu käyttöön, hyväksyntäprosessit on määritetty ja luokittelusäännöt on hiottu yhä tarkemmiksi. Teoriassa prosessi näyttää automatisoidulta.
Käytännössä monet taloushallinnon tiimit joutuvat edelleen kirjaamaan manuaalisesti merkittävän osan laskuistaan, etenkin ilman ostotilausta lähetetyt laskut, mikä on edelleen yksi ostoreskontran suurimmista haasteista. Jos tämä kuulostaa tutulta, et ole ainoa, eikä kyse ole ponnistelujen tai investointien puutteesta. Syynä on itse lähestymistavan rajoitukset.
Tässä artikkelissa haluamme kertoa, mitä olemme havainneet IFS-ekosysteemissä, miksi perinteinen automaatiomalli on hiljalleen saavuttanut tasapainotilan ja mitä muuttuu, kun itseoppiva tekoäly integroidaan suoraan IFS:n laskutusprosessiin.
Haluan kiittää lyhyesti Addovationin tiimiä kutsusta jakaa näkemyksemme heidän yhteisölleen.
Automaatiokuilu IFS Finance -järjestelmässä
Suurin osa IFS:n asiakkaista on jo ryhtynyt merkittäviin toimiin taloushallinnon prosessiensa digitalisoimiseksi. Havaitsemamme puute koskee lähes poikkeuksetta samaa kohtaa: vaihetta skannatun laskun ja täysin kirjatun, oikeaan kohteeseen ohjattavan ja hyväksyntää odottavan asiakirjan välillä.
Ostotilauslaskut ovat suhteellisen yksinkertaisia, sillä ostotilaus tarjoaa järjestelmälle riittävän rakenteen laskujen tarkistamiseen, täsmäyttämiseen ja automaattiseen ohjaamiseen. Sen sijaan muut kuin ostotilauslaskut ovat eri asia. Niitä ei ole mihin täsmäyttää, luokittelu riippuu organisaation käytännöistä, ja oikea hyväksyjä määräytyy usein kulujen luonteen perusteella, ei kiinteän säännön mukaan. Tähän taloushallinnon tiimit käyttävät edelleen tunteja joka viikko.
Missä perinteinen automaatio pettää
Nykyisin käytössä oleva laskujen automaatio perustuu pääasiassa kolmeen osatekijään:
- OCR-tunnistus tietojen poimimista varten
- Sääntöihin perustuva logiikka koodauksessa
- Työnkulutyökalut reititykseen ja hyväksyntöihin
Jokaisella on tärkeä rooli. Mutta kaikki kolme ovat riippuvaisia ennalta määritetystä rakenteesta. OCR pystyy poimimaan laskun tiedot, mutta se ei osaa päättää, miten lasku tulisi kirjata.
Säännöt voivat soveltaa logiikkaa, mutta vain tilanteissa, jotka olet ennakoinut ja määrittänyt. Ja kuten jokainen alalla työskennellyt tietää, talousala on harvoin muuttumaton:
- Uusia toimittajia ilmestyy jatkuvasti
- Laskutiedot ovat puutteellisia tai epäjohdonmukaisia
- Kustannusrakenteet ja pääkirjahierarkiat muuttuvat
- IFS-järjestelmässä hyvin yleiset toimittajakohtaiset kirjanpitomallit aiheuttavat ongelmia, kun sama toimittaja lähettää laskuja, jotka on kirjattava eri tavoin
- Useita rivejä ja useita yrityksiä sisältävät laskut eivät sovi siisteihin malleihin
Tämän seurauksena vain osa laskuista voidaan käsitellä automaattisesti. Loput ohjataan takaisin ihmisen käsiteltäviksi tarkistusta, korjausta ja edelleenlähetystä varten, ja jokainen uusi sääntö, joka laaditaan poikkeustapausten varalta, merkitsee yhtä uutta sääntöä, jota on ylläpidettävä.
Käsittelimme tätä aihetta tarkemmin äskettäin julkaistussa artikkelissa, jossa pohdittiin, miksi useimmat IFS-tiimit kirjaavat laskut edelleen manuaalisesti. Jos haluat perehtyä asiaan tarkemmin, suosittelemme lukemaan kyseisen artikkelin.
Osittaisen automatisoinnin piilevät kustannukset
Tämä aiheuttaa vähemmän näkyvän mutta merkittävän toiminnallisen rasitteen. Erityisesti IFS-järjestelmässä noin 90 % tilauslomakkeeseen perustumattomista laskuista jää tyypillisesti automaatiosääntöjen tai mallipohjien ulkopuolelle, mikä tarkoittaa, että suurin osa laskuista kirjataan kokonaan manuaalisesti ja vain pieni osa toistuvista laskuista käsitellään sääntöjen avulla. Tiimit käyttävät aikaa näiden sääntöjen ylläpitoon, poikkeusten tarkistamiseen, koodausvirheiden korjaamiseen ja uusien työntekijöiden kouluttamiseen alati kasvavasta poikkeustapausten luettelosta. Automaatio on olemassa, mutta se ei skaalaudu. Transaktiomäärien kasvaessa kasvaa myös niiden päälle kertyvä manuaalinen työmäärä.
Uusi lähestymistapa: säännöistä oppimiseen
Itseoppiva tekoäly muuttaa lähtökohdan. Sen sijaan, että mallille annettaisiin ohjeet laskujen luokittelusta sääntöjen ja mallipohjien avulla, se oppii organisaationne aiemmista laskutiedoista, miten tiiminne on tosiasiassa luokitellut laskuja aiemmin, miten hyväksymisprosessi on tosiasiassa sujunut ja missä poikkeustapauksia on todellisuudessa ilmennyt.
Sen perusteella se voi ennustaa lasku kerrallaan:
- Oikea pääkirjatili, kustannuspaikka ja muut luokitteluperusteet, kuten projekti tai liiketoimintayksikkö
- Arvonlisäverokäsittely
- Oikea hyväksyjä ja hyväksymisprosessi
- Koodauskäytäntöihisi liittyvät vapaamuotoisen kentän arvot
Ja koska järjestelmä oppii jatkuvasti jokaisesta korjauksesta ja jokaisesta uudesta laskusta, tarkkuus paranee ajan myötä sen sijaan, että se heikkenisi liiketoiminnan muuttuessa. Mallipohjia ei tarvitse luoda eikä sääntöjä ylläpitää. Malli mukautuu automaattisesti, kun kirjaustavat ja hyväksymiskäytännöt kehittyvät.
Mitä tämä tarkoittaa IFS:n sisällä
IFS:n asiakkaille käytännön kysymys on, miten tämä sopii ympäristöön, johon olette jo investoineet. Lyhyt vastaus: se on osa sitä, ei sen rinnalla.
Snowfox on suunniteltu toimimaan osana olemassa olevaa IFS-laskutusprosessia sen sijaan, että se korvaisi mitään sen osia. IFS säilyy edelleen pääjärjestelmänänne. Hyväksymishierarkianne, tilikarttanne ja hallintomallinne pysyvät ennallaan. Ainoa muutos on se, että laskut saapuvat hyväksymisvaiheeseen jo koodattuina ja reititettyinä: järjestelmä oppii omista historiatiedoistanne, ja sen tarkkuus paranee jokaisen tapahtuman myötä.
Käytännössä tämä tarkoittaa yleensä seuraavaa:
- Merkittävästi suurempi osuus laskuista käsitellään ilman manuaalista koodausta
- Laskua kohti vähemmän käsittelyvaiheita ja nopeammat käsittelyajat
- Yhdenmukaisempi koodaus eri yksiköissä ja uusien työntekijöiden keskuudessa
- Taloushallinnon resurssit on siirretty tietojen syöttämisestä analysointiin ja valvontaan
On myös syytä huomata, että tämä lähestymistapa tukee organisaatioita niiden IFS-matkan eri vaiheissa, mukaan lukien ne, jotka siirtyvät aiemmista versioista IFS Cloudiin.
Automaatiotoimintoja ei tarvitse rakentaa uudelleen joka kerta, kun taustalla oleva alusta kehittyy.
Jos haluat tutustua tarkemmin tähän IFS:n sisäiseen toimintaan, mukaan lukien reaaliaikainen esittely, järjestimme äskettäin yhdessä IFS:n kanssa verkkoseminaarin, jossa käsiteltiin toimittajien laskujen koodaamisen automatisointia itseoppivan tekoälyn avulla. Seminaari on katsottavissa tallenteena.
Miksi kumppani on tärkeä
Tekoälyn käyttöönotto reaaliaikaisessa taloushallinnon prosessissa on yhtä paljon toteutustapaa koskevaa harkintaa kuin teknologiaa. Työnkulut on ymmärrettävä kunnolla, ennen kuin ne voidaan automatisoida tehokkaasti. Vastuunjaon taloushallinnon ja IT-osaston välillä on oltava selkeä. Ja integrointi IFS-järjestelmään on annettava tehtäväksi ihmisille, jotka todella tuntevat järjestelmän.
Tässä vaiheessa kokeneilla IFS-kumppaneilla, kuten Addovationilla, on keskeinen rooli. Syvällisen IFS-osaamisen ja tekoälyasiantuntemuksen yhdistelmä muuttaa lupaavan mahdollisuuden todelliseksi toiminnalliseksi muutokseksi. Muutokseksi, joka toteutuu sujuvasti, kestää tarkastukset ja kehittyy jatkuvasti käyttöönoton jälkeen.
Osallistu Addovationin ja Snowfoxin järjestämään webinaariin!
Järjestämme 13. toukokuuta klo 08.30 CEST verkkoseminaarin yhdessä Snowfoxin, jossa syvennämme useita tässä blogikirjoituksessa esille tuotuja haasteita.
Varmista paikkasi jo tänään – älä jää paitsi!
Pienistä parannuksista laajennettavaan tehokkuuteen
Kun automaatio ylittää sääntöjen rajat ja alkaa oppia todellisista tiedoista, hyödyn luonne muuttuu. Kyse ei ole enää kiinteästä prosenttiosuudesta, joka säästyy tietystä laskukokonaisuudesta. Siitä tulee skaalautuva ominaisuus, joka paranee volyymien kasvaessa, ottaa uudet toimittajat mukaan ilman uudelleenmäärittelyä ja vähentää ylläpitotaakkaa sen sijaan, että lisäisi sitä.
IFS:n asiakkaille kysymys ei ole enää se, onko laskujen automatisointi mahdollista. Kysymys on siitä, miten siirtyä osittaisesta automatisoinnista – sen säännöineen ja poikkeuksineen – kohti jotain skaalautuvampaa, tarkempaa ja aidosti kestävää.
Tämä muutos on jo täydessä vauhdissa koko IFS-ekosysteemissä. Jos olet kiinnostunut asiasta, Addovation-tiimimme on hyvä paikka aloittaa keskustelu. Lisätietoja Snowfoxin toiminnasta IFS-ympäristössä löydät IFS-kumppanuussivultamme.
Kirjoittajasta
Emma Blackmore on Snowfoxin markkinointijohtaja, ja hän johtaa markkinointia sekä kumppaneiden tarinankerrontaa koko Snowfox-ekosysteemissä. B2B-SaaS-alalta ja kumppanivetoisesta kasvusta taustansa saaneena Emma keskittyy siihen, miten Snowfoxin kaltaiset erikoistuneet teknologiat vakiintuvat käytännössä 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 tuottaa.
