Expertenwissen zu Digitalisierung & Automatisierung von Geschäftsprozessen
Expertenwissen zu Digitalisierung & Automatisierung von Geschäftsprozessen
Themen: Rechnungsverarbeitung | KI und Machine Learning
Durch die fortschreitende Digitalisierung hat sich künstliche Intelligenz in den vergangenen Jahren mit enormen Entwicklungssprüngen zu einem großen Zukunftsthema entwickelt. „Künstliche Intelligenz“ wird in den unterschiedlichsten Begriffsformen diskutiert. Auch wir bieten in unserem Blogartikel aus 2019 „Künstliche Intelligenz – die wichtigsten Begriffe“ einen Überblick dazu. Wenn von künstlicher Intelligenz gesprochen wird – besonders im Zusammenhang mit selbstlernenden Softwaresystemen – nimmt dies meist Bezug auf eine besondere Unterform: „Machine Learning“. Mit Machine Learning sind Algorithmen gemeint, die auf Grundlage von Erfahrungen eigenständig aus Informationen und Daten lernen können. Damit ist das System in der Lage, Ergebnisse zu verbessern und durch das Erkennen von Mustern Lösungen zu generieren. So ist es also möglich, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erfassen oder Vorhersagen zu treffen.
Vielseitige Anwendungsgebiete von künstlicher Intelligenz finden sich beispielsweise im Bereich von Chatbots, Kaufempfehlungen im Online-Handel oder auch Risikoanalysen zum Schutz vor Betrugsversuchen werden mittels künstlicher Intelligenz unterstützt. Durch den Einsatz von KI entsteht für Unternehmen jedoch auch die Chance, Geschäftsprozesse, wie z. B. die Rechnungserfassung, zu optimieren und neue Potenziale zu evaluieren, um die Prozesse effizienter zu steuern.
Doch noch stehen viele Unternehmen vor den aktuellen Herausforderungen einer manuellen Rechnungserfassung. Genau diese Herausforderungen wollen wir hier näher beleuchten und mögliche Lösungsansätze durch eine automatisierte Rechnungserfassungslösung aufzeigen. Darauf aufbauend wird näher betrachtet, welches Zukunftspotenzial künstliche Intelligenz in der Rechnungserfassung birgt.
Heute noch Rechnungen ins jeweilige ERP-System manuell einzugeben, ist besonders bei hohen Belegvolumen nicht mehr zeitgemäß, weil zeitraubend und fehleranfällig. Gerade bei der Rechnungsverarbeitung bzw. bereits bei der Erfassung von Rechnungen, begegnen Sachbearbeiter immer noch großen Herausforderungen. Eine Studie aus dem Jahr 2018 untersuchte die häufigsten. Neben verloren gegangenen oder fehlenden Rechnungen, Belegen in Papierformat, manuellem Routing zur Rechnungsüberprüfung, langen Bearbeitungszeiten und dadurch Verlust von Skonti und Rabatten, ist die manuelle Dateneingabe in der Rechnungserfassung der zentrale Vorgang, den es zu ändern gilt: Fast die Hälfte der Befragten gab an, dass die manuelle Erfassung von Daten aus Belegen sowie die daraus resultierenden ineffizienten Prozesse immer noch die größte Hürde bei der Erfassung darstellt.
Aber woran liegt das nun, dass manuelle Dateneingabe als so problematisch angesehen wird? Zum einen ist es so, dass die Fehleranfälligkeit bei händischer Erfassung und auch gerade bei hohen Belegvolumen ansteigt, außerdem aber auch zeitraubend und sehr monoton ist. Fehler passieren, wo man in der Regel keine machen möchte. Zum anderen ist es so, dass bei steigendem Belegvolumen die manuelle Datenerfassung nicht mehr zu schaffen ist und hier die Automatisierung solcher Tätigkeiten einen Zugewinn an Effizienz bringt.
Warum also nicht die Rechnungserfassung automatisieren? Wenn man damit die oben genannten Schwachstellen mittels einer Softwarelösung meistern kann?
Eine automatisierte Rechnungserfassung erleichtert die Dateneingabe und macht die manuelle Bearbeitung von Papierrechnungen überflüssig. Dabei werden nach der Digitalisierung der Belege, die Daten anhand einer zentralen Extraktion ausgelesen und anschließend zur Validierung der/m Bearbeiter*in zur Verfügung gestellt. Bei der Extraktion werden die Daten aus den Belegen anhand der definierten Felder identifiziert. Die Umsetzung einer solchen automatisierten Rechnungserfassungslösung kann mittels sogenannter Templates geschehen. Anhand dieser wird festgelegt an welcher Stelle des Dokuments bestimmte Daten erfasst werden. So wird eine Rechnungsnummer beispielsweise im Bereich der Kopfdaten erwartet. Ebenso werden Regeln definiert, anhand derer die Rechnungsnummer identifiziert werden kann, wenn sie zum Beispiel einer bestimmten Zeichenfolge entspricht. Ein Fälligkeitsdatum kann außerdem über einen Anker „fällig am“ identifiziert werden, ebenso wie ein Datum in der Zukunft. Im Falle von Änderungen solcher Regeln für Kreditoren, Rechnungsnummern, etc. müssen diese auch stetig in der Konfiguration angepasst werden.
Ein Ansatz, um solche Anpassungen nicht mehr machen zu müssen, ist es, die automatisierte Rechnungserfassung mit künstlicher Intelligenz zu unterstützen.
Machine Learning beschreibt das Erlernen in Mustern von Daten. Der Ansatz in der Rechnungserfassung ist, dass je mehr Daten das System sammelt, desto schlauer wird das System und kann durch erkannte Muster Rechnungen schneller und genauer auslesen.
Mit Machine Learning und damit auch durch den Einsatz von künstlicher Intelligenz, ist es möglich, Rechnungsdokumente automatisiert zu erkennen und aus den enthaltenen Informationen zu lernen. Das reicht von der Dokumententrennung über die Beleglesung und Lieferantenerkennung bis hin zur Auslesung einzelner Feldinhalte. Dabei können die Trainings, also die gelernten Ergebnisse, auch langfristig für nachfolgende Belege genutzt werden.
Für die automatisierte Rechnungserfassung werden, um aus wiederkehrenden Belegen die Informationen zu erkennen, Templates erstellt, auf die die Software zurückgreift. In diesen Templates wird festgelegt, an welcher Stelle eines Beleges welche Information extrahiert werden soll. So wird eine Rechnungsnummer beispielsweise immer im oberen rechten Bereich eines Beleges gefunden. Die Positionsdaten werden dagegen im mittleren Bereich der Rechnungsdaten üblicherweise erfasst. Angaben zum Kreditor finden sich dann wiederum in der Absenderadresse eines Beleges sowie innerhalb der Fußzeile mit Daten zur Kontoverbindung, USt-ID oder Steuernummer.
Durch künstliche Intelligenz ist die Software in der Lage, solche Templates sowie Trainings aus historischen Daten zu erstellen. Die künstliche Intelligenz innerhalb der Software lernt dabei kontinuierlich durch die Änderungen, die in der Web-Oberfläche gemacht werden und passt das Template fortwährend an. Ändert aber auch zum Beispiel ein Kreditor sein Rechnungslayout, erkennt die Software die Änderungen und passt das Template dann wiederum automatisch an. Werden von der Sachbearbeitung zusätzliche Felder für einen Beleg benötigt, so können die Merkmale zu den Daten durch die/den Bearbeiter*in angelegt werden und die Software erkennt dann zukünftig das neue Feld und ergänzt es in dem Template.
Rechnungen können auf unterschiedliche Art im Unternehmen eingehen. Digital per E-Mail oder auf dem klassischen Postweg. Eine Rechnung kann eine oder mehrere (hundert) Seiten umfassen. Die postalisch eingetroffenen Belege müssen digitalisiert werden. Hierfür sind zwei Ansätze denkbar, um die Belege, die teilweise eine unterschiedliche Anzahl von Seiten umfassen, voneinander zu trennen.
Bei dem ersten Ansatz wird vor dem Digitalisieren der Rechnungen auf jeden Beleg ein Barcode-Aufkleber angebracht. Die Software zur Digitalisierung der Belege erkennt den Barcode als erste Seite für ein Dokument und führt die Dokumententrennung durch.
Bei dem zweiten Ansatz werden die eingegangenen Belege erst nach der Digitalisierung innerhalb der Lösung manuell durch eine/n Bearbeiter*in getrennt.
Künstliche Intelligenz ist hingegen in der Lage, Unterschiede zwischen neuen Belegen zu identifizieren. Die Identifizierung erfolgt anhand von abweichenden Layouts, Seitenzahlen und Datenfeldern.
Eine Validierung durch die Bearbeiter macht ein manuelles Korrigieren möglich. Die Softwarelösung lernt dann aus den gemachten Änderungen und zieht diese Trainingseffekte für zukünftige Erkennungen heran und leitet daraus weitere Regeln ab.
Wenn man also zurückblickt auf die Entwicklungssprünge der künstlichen Intelligenz der vergangenen zehn Jahre und die vielseitigen Anwendungsgebiete von Machine Learning, so fällt auf, dass enormes Potenzial erschlossen wurde und gegebenenfalls auch noch weiteres verborgen liegt. Anbieter geben Gas, um weitere zukunftsbringende Softwarelösungen zu entwickeln, die die Herausforderungen in den heutigen Unternehmen intelligent und selbstständig umsetzen. Im Fokus steht klar dabei: Die Mitarbeiter*innen entlasten, damit sich diese wieder auf ihre Kernaufgaben und -prozesse konzentrieren können.