Автоматизация кредиторской задолженности:RPA, нечеткая логика и превращение черных списков в черные

Какие части кредиторской задолженности можно автоматизировать?

"Компании пытались автоматизировать буквально каждый аспект своих процессов, но автоматизация кредиторской задолженности была оставлена ​​на потом", – говорит Амит.

Это пример автоматизации процессов робототехники, но применительно к конкретной функции.

Все это вызывает вопрос, почему, почему именно сейчас, зачем вообще автоматизировать учет кредиторской задолженности?

Для Амита ключевым моментом являются ресурсы, а точнее их отсутствие. «Функция кредиторской задолженности в компании вряд ли получит много ресурсов», — говорит он, а это, в свою очередь, означает, что «ей не уделяется так много внимания, это одна из последних областей, которые пользуются преимуществами автоматизации. .”

Так что это значит? Какую часть кредиторской задолженности можно автоматизировать? Амит объяснил, что его можно применить к:

* сбор информации о поставках,
* ее проверка,
* выполнение платежа,
* общение с поставщиками,
* сбор счетов-фактур,
* сопоставление их с заказами на покупку,
* обновление бухгалтерских книг,
* принятие решений о том, какой код бухгалтерской книги следует применять к какой строке счета,
* и автоматический выбор подходящих утверждающих лиц.

Но тогда автоматизация также может помочь с соблюдением требований. Действительно, любая задача, управляемая процессом, например соблюдение нормативных процедур, часто является легко висящим плодом любой формы автоматизации процессов, независимо от того, включает ли она программного робота или нет.

«В конечном счете кредиторская задолженность должна стать повсеместной и стать лишь частью набора инструментов каждой компании», — говорит Амит.

Как это работает

«Когда мы получаем информацию о поставщике, мы прогоняем ее с помощью нечеткой логики и других процессов машинного обучения, чтобы проверить ее по черным спискам и другим средствам, чтобы решить, является ли поставщик законным. Мы выполняем платеж, и если с платежом возникает какая-либо проблема, мы применяем логику и принимаем решения, консультируя поставщика, как исправить любую ошибку, которая произошла в процессе.

OCR и логика

Перевод информации с бумажных носителей более сложен. Вот где в историю вступает оптическое распознавание символов или OCR. «Однако OCR может помочь вам только в этом, — говорит он. — Мы используем управляемый сервис, чтобы дополнить все, что OCR может делать с людьми, и это позволит вам получать более высокий процент сбора счетов».

Амит приводит другой пример:

«Когда вы получаете счет, вам нужно решить, например, является ли ноутбук расходами на маркетинг, расходы на ИТ или инженерные расходы. Логику и логику машинного обучения можно применять, чтобы определить, какая учетная запись должна применяться к конкретному счету. Машинное обучение также может помочь определить, кто утверждающий, и мы делаем это, изучая прошлое поведение клиента».

Чен Амит — соучредитель и генеральный директор компании Tipalti, занимающейся автоматизацией операций с кредиторской задолженностью. Его клиенты варьируются от Amazon и Twitter, Nikon и других гигантов до небольших компаний и всего диапазона между ними. Сегодня они обрабатывают около 6,5 млн долларов в год