In einem aktuellen Webinar von EBG Network erörtern Dr. Bernhard Schaffrik, Principal Analyst bei Forrester Consulting, und Magnus Bergfors, Global Business Director bei Basware, die Rolle und die Vorteile von künstlicher Intelligenz, maschinellem Lernen und robotergestützter Prozessautomatisierung in den P2P- und Finanzfunktionen, um die Entscheidungsfindung auf dem Weg zur Automatisierung zu unterstützen.
"Welche Pläne hat Ihr Unternehmen in Bezug auf den Einsatz von künstlicher Intelligenz - insbesondere maschinelles Lernen und Deep Learning?" Diese Frage stellte Forrester rund 3.000 Entscheidungsträgern aus der ganzen Welt, die sich mit Big Data und Analytik befassen, aus verschiedensten Branchen kommen und Unternehmen unterschiedlicher Größe angehören. Zu Beginn des Webinars stellte Forrester die Ergebnisse dieser Umfrage vor:
mehr als 20 % haben künstliche Intelligenz (KI) bereits im Einsatz und wollen das weiter ausbauen
weitere 20 % sind gerade dabei, KI einzuführen
Das bedeutet, dass fast 50 % der Befragten schon heute künstliche Intelligenz und maschinelles Lernen (ML) nutzen.
Eine weitere Frage lautete: "Welche Vorteile könnte der Einsatz von KI- und ML-Technologien für Ihr Unternehmen haben?" Die vier wichtigsten Antworten waren folgende:
verstärkte Automatisierung der internen Prozesse
Verbesserung der allgemeinen betrieblichen Effizienz
Verbesserung der Kundenerfahrung
Steigerung des Umsatzwachstums
Diese Antworten zeigen, dass Unternehmen sich nicht mehr nur auf mögliche Gewinneinbußen und Kosteneffizienz fokussieren. Ihre Aufmerksamkeit widmen sie vielmehr einer ergebnisorientierten Diskussion, in welcher der Hauptfokus auf Umsatzsteigerung und der Frage, wie diese durch ML und KI ermöglicht werden kann, liegt.
Die robotergestützte Prozessautomatisierung – auch Robotic Process Automation (RPA) genannt – kombiniert einige der wichtigsten Aspekte der heutigen Softwareentwicklung: Roboter und Automatisierung. Mit RPA können sich wiederholende Tätigkeiten während der Ausführung aufgezeichnet und in ein Skript übertragen werden. Anhand dieses Skriptes können dann Software-Roboter einige dieser Aufgaben automatisch ausführen. Obwohl RPA als eine der nützlichsten Technologien für den Procure-to-Pay-Prozess (P2P) anerkannt ist, ist sie nur ein Teil des Innovationspuzzles in einer fortschreitenden Technologielandschaft. RPA wird oft als virtuelle Arbeitskraft bezeichnet und kann in Software integriert werden, um einfache Aufgaben wie die Pflege einer Lieferantendatenbank, die Bestätigung des Wareneingangs, die Behebung von Preisdiskrepanzen, die Festlegung eines Zahlungsdatums oder die Aktualisierung des Hauptbuchs zu übernehmen.
RPA ist jedoch nicht die einzige Technologie, die Unternehmen einsetzen, um die Effizienz ihrer P2P-Operationen zu steigern. KI und ML bieten den Beschaffungs- und Finanzabteilungen ebenfalls umfangreiche Unterstützung, um einen strategischen Mehrwert zu schaffen und zukünftiges Wachstum zu fördern.
Robotic Process Automation führt weniger zur Umgestaltung der Geschäftsprozesse, sondern ersetzt eher mühsame manuelle Aufgaben. Dadurch erreicht man auch mit alten Systemen einen schnellen Effizienzgewinn. Werden diese veralteten Systeme jedoch erneuert, um den gesamten Prozess effizienter zu gestalten, verlieren die bestehenden RPA-Tools an Bedeutung. Über die anfänglichen Kosteneinsparungen durch die Reduzierung manueller Aufgaben hinaus bringen sie keinen Nutzen mehr.
RPA eignet sich gut für sich wiederholende Aufgaben mit hohem Volumen, die mit sehr spezifischen Geschäftsregeln automatisiert werden können. Aber was passiert, wenn sich die Parameter ändern? Die Roboter müssen neu lernen, was sie zu tun haben. RPA eignet sich zwar hervorragend für einige Aufgaben innerhalb des P2P-Prozesses (insbesondere für KMUs), lässt sich aber nicht skalieren. Globale Unternehmen mit komplexen Prozessen, die oft das Ergebnis mehrerer Fusionen und Übernahmen sind, brauchen etwas anderes, um ihre Anforderungen zu erfüllen.
Bei Aufgaben, die mit komplexen Prozessen verbunden sind, sollte man eine intelligente Automatisierung in Betracht ziehen. Bei Basware suchen wir ständig nach Möglichkeiten, die berührungslose Bearbeitung durch intelligente Verarbeitung, künstliche Intelligenz und maschinelles Lernen zu verbessern. Um die Unterschiede herauszuarbeiten, lassen Sie uns ein paar konkrete Beispiele betrachten.
Bei Basware können wir durch die in unsere Lösungen eingebaute Logik mehr Bestellungs- und Rechnungsszenarien abgleichen als alle unsere Mitbewerber. Dadurch wird die Anzahl der Ausnahmen, mit denen sich die Mitarbeiter der Kreditorenbuchhaltung befassen müssen, minimiert.
Wenn es sich um eine einfache Transaktion mit vielleicht ein oder zwei Positionen handelt oder wenn die Rechnung vollständig mit der Bestellung übereinstimmt, würde der Abgleich auch dann nahtlos funktionieren, wenn Sie sich allein auf robotergestützte Automatisierung verlassen.
Aber wenn Ihre Rechnungen komplexere Szenarien mit mehreren Positionen abbilden, oder wenn auf Positionsebene Unterschiede zwischen Rechnung und Bestellung bestehen, wird bei der Verwendung von RPA nach wie vor ein menschlicher Eingriff zur Lösung der Diskrepanz notwendig sein.
Baswares Lösung kann jedoch alle diese komplexen Szenarien mit Leichtigkeit bewältigen. Das Gleiche gilt für die Kodierung - unser SmartCoding analysiert mit Hilfe von Künstlicher Intelligenz und Maschinellem Lernen vergangene Transaktionen, um Kodierungsvorschläge zu machen, auch für Rechnungen ohne zugehörige Bestellung.
Während die meisten unserer Konkurrenten optische Zeichenerkennung (OCR) zum Extrahieren von Daten verwenden, stellt unsere Lösung zunächst fest, ob eine PDF-Rechnung maschinenlesbar ist, also ein sogenanntes natives PDF oder ein Bild-PDF ist. Wenn es sich um ein maschinenlesbares PDF handelt, ist es nicht nötig, es in ein Bild umzuwandeln und dann OCR zu verwenden. Sie hätten dadurch nur Einbußen bei der Datengenauigkeit. Mit der Einführung einer KI-Komponente für unser SmartPDF-Angebot können Rechnungsfelder auch dann automatisch einander zugeordnet werden, wenn Lieferanten und Käufer unterschiedliche Rechnungsformate verwenden. So entfällt der manuelle Aufwand vollständig.
Wir nutzen Künstliche Intelligenz und maschinelles Lernen auch auf der analytischen Seite der Lösung. Prädiktive und präskriptive Analysen helfen der modernen Finanzorganisation, indem Daten aus dem gesamten P2P-Zyklus verwendet werden können, um die wahrscheinlichen Ergebnisse von Prozessen zu analysieren, bessere Entscheidungen zu treffen und die Erreichung von KPIs zu fördern.
Dies sind nur einige Beispiele. Die Lösungen von Basware haben das Ziel den manuellen Aufwand im P2P-Prozess zu minimieren, die vollautomatisierte Verarbeitung auszubauen, um Ausnahmebehandlungen zu reduzieren und die begrenzten Ressourcen der Kreditorenbuchhaltung strategischer nutzbar zu machen. All das ist möglich durch die Kombination von maschinellem Lernen, künstlicher Intelligenz und fortschrittlicher Automatisierung.
Mit den vorausschauenden Analysen machen sich unsere Kunden bereits heute auf den Weg zu KI-gestützten Erkenntnissen, die ihnen einen deutlichen Vorteil verschaffen. Dank dieses Ansatzes sind künstliche Intelligenz und maschinelles Lernen nicht mehr nur reine Schlagworte, sondern haben messbare Auswirkungen auf die Abläufe im Procure-to-Pay-Prozess. Der erweiterte Einblick führt dazu, dass Kunden ihre Betriebskosten senken, ihre Ausgaben intelligenter gestalten und starke Geschäftsbeziehungen zu Lieferanten aufbauen können – und so langfristige Einsparungen und Wachstum sichern.
Sehen Sie sich das gesamte Webinar an, um mehr darüber zu erfahren, wie Sie die Komplexität der Prozesse in Ihrer Kreditorenbuchhaltung reduzieren können, um sich auf das Wachstum Ihres Unternehmens zu konzentrieren. Wenn Sie wissen möchten, wie Basware Ihre Kreditorenbuchhaltung in ein Profitcenter verwandeln kann, schauen Sie sich dieses eBook an oder vereinbaren Sie einen unverbindlichen Gesprächstermin.
Besonders relevant sind wir für:
Unternehmen mit mehr als 50.000 Eingangsrechnungen pro Jahr
Shared Service Center Organisationen
Unternehmen mit mehreren ERP-Systemen