Gå tilbake

Hvorfor fakturaautomatisering fortsatt ikke lykkes, og hvordan selvlærende AI endrer ligningen for IFS-kunder

Hvis du bruker IFS, er det stor sannsynlighet for at fakturaautomatisering har vært på planen din i årevis.

Skrevet av Emma Blackmore, markedsføringssjef hos Snowfox

Et gjesteinnlegg fra Snowfox, skrevet for Addovation-fellesskapet.

De fleste organisasjoner har investert tungt i å øke innkjøpsordredekningen, fordi innkjøpsordrematching er den mest etablerte veien til automatisering i IFS, og for bestillingsfakturaer fungerer det bra. OCR er på plass, godkjenningsarbeidsflyter er konfigurert, kodingsregler er forbedret og refinert. På papiret ser prosessen ut til å være automatisert.

I praksis finner mange økonomiteam seg fortsatt i å manuelt kode en betydelig andel av fakturaene sine, spesielt fakturaer som ikke er innkjøpsordrer, som fortsatt er et av de vanskeligste problemene innen leverandørgjeld. Hvis det høres kjent ut, er du ikke alene, og det er ikke en fiasko på grunn av innsats eller investering. Det er en begrensning i den underliggende tilnærmingen.

I dette innlegget ønsker vi å dele hva vi ser på tvers av IFS-økosystemet, hvorfor den tradisjonelle automatiseringsmodellen i all hemmelighet har stagnert, og hva som endrer seg når selvlærende AI legges direkte til i IFS-fakturaarbeidsflyten.

En rask takk til teamet hos Addovation for invitasjonen til å dele vårt perspektiv med lokalsamfunnet deres.

Automatiseringsgapet i IFS Finance

De fleste IFS-kunder har allerede tatt betydelige skritt for å digitalisere sine økonomiprosesser. Gapet vi ser er nesten alltid på samme sted: trinnet mellom en skannet faktura og et fullstendig kodet, korrekt rutet dokument klart for godkjenning.

Fakturaer for innkjøpsordrer er relativt enkle, fordi innkjøpsordren gir systemet nok struktur til å validere, matche og rute automatisk. Fakturaer som ikke er innkjøpsordrer, derimot, er et annet problem. Det finnes ingen innkjøpsordre å matche mot, kodingen avhenger av organisasjonens kontekst, og riktig godkjenner avhenger ofte av utgiftens art, ikke en fast regel. Det er her økonomiteamene fortsatt bruker timer hver uke.

Der tradisjonell automatisering bryter sammen

Mesteparten av fakturaautomatiseringen som finnes i dag er bygget på tre komponenter:

  • OCR for datauttrekking
  • Regelbasert logikk for koding
  • Arbeidsflytverktøy for ruting og godkjenninger

Hver spiller en viktig rolle. Men alle tre er avhengige av en forhåndsdefinert struktur. OCR kan hente ut dataene på en faktura, men den kan ikke bestemme hvordan fakturaen skal kodes.

Regler kan anvende logikk, men bare i scenarier du har forutsett og konfigurert. Og finans, som alle som har jobbet med det vet, sitter sjelden stille:

  • Nye leverandører dukker stadig opp
  • Fakturadataene er ufullstendige eller inkonsekvente
  • Kostnadsstrukturer og hovedbokhierarkier utvikler seg
  • Leverandørbaserte kodingsmaler, som er svært vanlige i IFS, sliter når den samme leverandøren sender fakturaer som må kodes forskjellig.
  • Fakturaer med flere linjer og flere enheter passer ikke inn i pene maler

Resultatet er at bare en del av fakturaene kan håndteres automatisk. Resten går tilbake til et menneske for gjennomgang, korrigering og ruting, og hver ny regel som skrives for å fange opp et kanttilfelle blir en ny regel å vedlikeholde.

Vi utforsket dette mer grundig i en fersk artikkel om hvorfor de fleste IFS-team fortsatt koder fakturaer manuelt , hvis du vil dykke dypere ned i den underliggende mekanikken.

Den skjulte kostnaden ved delvis automatisering

Dette skaper en mindre synlig, men betydelig driftsmessig belastning. Spesielt i IFS ligger rundt 90 % av ikke-innkjøpsordrefakturaer vanligvis utenfor automatiseringsregler eller -maler, noe som betyr at majoriteten kodes helt manuelt, med bare et lite sett med gjentakende fakturaer som plukkes opp av regler. Team bruker tiden sin på å vedlikeholde disse reglene, gjennomgå unntak, korrigere inkonsekvenser i koden og lære opp nye kolleger i en stadig voksende liste over edge-tilfeller. Automatisering eksisterer, men den skalerer ikke. Etter hvert som transaksjonsvolumene vokser, øker også den manuelle administrasjonen som ligger oppå det.

Et skifte i tilnærming: fra regler til læring

Selvlærende AI endrer utgangspunktet. I stedet for å bli fortalt hvordan en faktura skal kodes gjennom regler og maler, lærer modellen fra organisasjonens historiske fakturadata, hvordan teamet ditt faktisk har kodet fakturaer tidligere, hvordan godkjenninger faktisk har flytet og hvor det faktisk har oppstått unntak.

Ut fra det kan den forutsi, faktura for faktura:

  • Riktig hovedbokkonto, kostnadssenter og andre kodedimensjoner, for eksempel prosjekt eller forretningsenhet
  • MVA-behandling
  • Riktig godkjenner og godkjenningsvei
  • Fritekstfeltverdier som er spesifikke for kodemønstrene dine

Og fordi den lærer av hver korrigering og hver nye faktura, forbedres nøyaktigheten over tid i stedet for å forringes etter hvert som virksomheten endrer seg. Det er ingen maler å bygge og ingen regler å vedlikeholde. Modellen tilpasser seg automatisk etter hvert som kodemønstrene og godkjenningsreglene dine utvikler seg.

Hva dette betyr i IFS

For IFS-kunder er det praktiske spørsmålet hvordan dette passer inn i et miljø dere allerede har investert i. Det korte svaret: det ligger inni det, ikke ved siden av det.

Snowfox er utviklet for å fungere innenfor den eksisterende IFS-fakturaarbeidsflyten i stedet for å erstatte noen del av den. IFS forblir ditt system for registrering. Godkjenningshierarkiet ditt, kontoplanen din, styringsmodellen din – alt forblir på plass. Det som endres er at fakturaer ankommer godkjenningsfasen allerede kodet og rutet, lært fra dine egne historiske data, med en nøyaktighet som forbedrer transaksjon for transaksjon.

I operative termer betyr det vanligvis:

  • En vesentlig høyere andel fakturaer håndtert uten manuell koding
  • Færre kontaktpunkter per faktura og raskere syklustider
  • Mer konsistent koding på tvers av enheter og på tvers av nye deltakere
  • Finanskapasitet omdirigert fra dataregistrering til analyse og kontroll

Det er også verdt å merke seg at denne tilnærmingen støtter organisasjoner på ulike stadier av IFS-reisen, inkludert de som går over fra tidligere versjoner til IFS Cloud.

Automatiseringskapasiteten trenger ikke å gjenoppbygges hver gang den underliggende plattformen utvikler seg.

For en nærmere titt på dette arbeidet i IFS, inkludert en live gjennomgang, holdt vi nylig et webinar med IFS om automatisering av leverandørfakturakoding ved hjelp av selvlærende AI, som er tilgjengelig for visning på forespørsel.

Hvorfor partneren er viktig

Å introdusere AI i en fysisk finansprosess handler like mye om implementeringsvurdering som om teknologi. Arbeidsflyter må forstås ordentlig før de kan automatiseres ordentlig. Eierskap mellom finans og IT må være tydelig. Og integreringen i IFS må gjøres av folk som virkelig kjenner systemet.

Det er her erfarne IFS-partnere, som Addovation, spiller en sentral rolle. Kombinasjonen av dyp IFS-kunnskap på den ene siden og spesialisert AI på den andre siden er det som gjør en lovende funksjon til en reell driftsendring. En som lander rent, holder mål i revisjoner og fortsetter å forbedre seg etter lansering.

Bli med på Addovations kommende webinar med Snowfox!

13. mai klokken 08:30 CEST arrangerer vi et webinar sammen med Snowfox , hvor vi skal utforske flere av utfordringene som er fremhevet i dette blogginnlegget mer grundig.

Sikre deg plass i dag – ikke gå glipp av det!

Registrer deg!

Fra trinnvise gevinster til skalerbar effektivitet

Når automatisering går utover regler og begynner å lære av reelle data, endres fordelens karakter. Det er ikke lenger en fast prosentandel spart på et fast sett med fakturaer. Det blir en funksjon som skaleres, en som blir bedre etter hvert som volumene vokser, absorberer nye leverandører uten omkonfigurering, og reduserer vedlikeholdsbyrden i stedet for å øke den.

For IFS-kunder er spørsmålet ikke lenger om fakturaautomatisering er mulig. Det handler om hvordan man kan gå fra delvis automatisering, med sine regler og unntak, til noe mer skalerbart, mer nøyaktig og genuint bærekraftig.

Dette skiftet er allerede godt i gang i hele IFS-økosystemet. Hvis det er noe du utforsker, er Addovation-teamet ditt et godt sted å starte samtalen, og du kan lese mer om hvordan Snowfox jobber i IFS på vår IFS-partnerskapsside .

 

Om forfatteren

Emma Blackmore er markedsføringssjef i Snowfox, der hun leder markedsføring og partnerhistoriefortelling på tvers av Snowfox-økosystemet. Med bakgrunn fra B2B SaaS og partnerdrevet vekst, fokuserer Emma på hvordan spesialiserte teknologier som Snowfox havner i den virkelige verden, gjennom partnerne som implementerer dem og finansteamene som jobber med dem hver dag. Hun tror sterkt på at den beste markedsføringen på dette området starter med en genuin forståelse av arbeidet, og hun bringer det perspektivet inn i alt Snowfox legger ut.