skip to Main Content

Slimme factuurcontrole met Machine Learning

De letterlijke betekenis van Machine Learning (ML) is machinaal leren, waarbij alles draait om systemen met zelflerend vermogen. Die, door taken steeds opnieuw uit te voeren, leren van input en data. Op geniale wijze verbeteren ze zelfstandig de intelligentie van de algoritmes. Klinkt dat als toekomstmuziek? Welnee! Zonder dat je het weet wordt Machine Learning al volop toegepast. Google gebruikt de toepassing bijvoorbeeld om te bepalen welke zoekresultaten bovenaan getoond moeten worden als je een zoekopdracht invoert. En ook voor het optimaliseren van bedrijfsprocessen, zoals het facturatieproces, zijn er slimme ML-oplossingen beschikbaar.

Facturen controleren met ML

Voor veel bedrijven, waaronder groothandelsbedrijven in bloemen en planten, is factuurcontrole een tijdrovend proces. De juiste verwerking vraagt veel aandacht en accuratesse. Per maand worden er duizenden inkomende en uitgaande facturen verwerkt die betrekking hebben op duizenden producten en diensten. Fouten gaan vaak direct ten koste van de kwaliteit en winstgevendheid. Uit onderzoek blijkt dat organisaties die de factuurverwerking hebben geautomatiseerd 10x minder kosten maken en een accuratere controle hebben. Reden genoeg dus om eens serieus na te denken over slimme geautomatiseerde factuurcontrole!

 

Management by exception

Ontvang je meer dan duizend facturen per maand? Dan is het facturatieproces aanzienlijk te verbeteren met technologisch slimme toepassingen zoals Big Data en Machine Learning. Systemen die automatisch afwijkingen in facturen herkennen en een signaallijst met afwijkende facturen presenteren. Hoe weet de toepassing dan dat er fouten in een factuur zitten? De slimme ML herkent onder andere vanuit historische data (facturen uit eerdere jaren) of er afwijkingen in de facturen, berekeningen of aantallen zitten. Doordat de systemen zelflerend zijn, worden ze in hoog tempo steeds slimmer en herkennen ze fouten en combinaties van fouten steeds beter. Het grote voordeel is dat je als organisatie niet meer alle facturen hoeft te controleren om de afwijkingen eruit te filteren. Je kunt je volledig richten op de uitzonderingen; management by exception.

 

Rekenfoutjes verleden tijd

Verkopers bij groothandelsbedrijven in bloemen en planten maken dagelijks met hun klanten vele afspraken o.a. over prijzen, credits en transport. Gezien de aantallen is het niet vreemd dat er weleens een foutje insluipt dat niet goed wordt verwerkt op de factuur. Soms wordt wel op 3 decimalen achter de komma de commissie of de doorbelasting van transportmiddelen berekend. Een rekenfoutje is zo gemaakt. Het kan slecht om een paar centen gaan, maar als dat foutje doorwerkt in duizenden facturen, dan leidt het al gauw tot honderden euro’s verschil.

Met behulp van Machine Learning worden dit soort ‘foutjes’ automatisch herkend en gesignaleerd. Naar wens kunnen er direct acties aan gekoppeld worden, bijvoorbeeld een controlebericht aan de verkoper of een automatische correctie.

 

Inkomende facturen matchen

Bloemen en planten worden bij meerdere aanbieders ingekocht; bij de veiling, direct van de kweker of bij andere groothandelsbedrijven. De ingekochte producten worden vastgelegd in het ERP-systeem en de facturen komen later binnen. Door inkomende facturen digitaal en automatisch te verwerken wordt het proces van inkoop tot en met de betaling versoepelt. Het automatisch matchen van facturen met de bijbehorende inkooporder (EKT’s) kan de administratie van het inkoopproces aanzienlijk versnellen.

Het controleren van inkoopfacturen is een tijdrovende en zeer secure klus. Natuurlijk gaat ook hier weleens iets fout in de verwerking, het blijft mensenwerk. Denk aan facturen die moeilijk te controleren zijn omdat bijvoorbeeld de inkoopdatum afwijkt van de factuurdatum, de retourproducten niet zijn gecrediteerd, etc. De medewerker moet veel moeite doen om de juiste gegevens te achterhalen. Ook hier kan Machine Learning de helpende hand bieden. Zo worden afwijkingen, incomplete gegevens en fouten automatisch herkend en direct zichtbaar gemaakt. Dat scheelt veel handmatig controlewerk en dus kosten.

 

De winst van Machine Learning

Stel dat je een groothandel in bloemen en planten hebt met zo’n € 30 miljoen omzet, met 5 verkopers en 5 inkopers en 3 administratieve medewerkers. Als je de uren bij elkaar optelt, dan zijn 2 van deze medewerkers fulltime bezig met factuurcontrole. Met de toepassing van Machine Learning oplossingen is zeker 50% efficiency te bereiken in de administratieve controles. En een bijkomend voordeel is dat de nieuwe ML-medewerker geen koffiedrinkt, nooit op vakantie gaat en nooit ziek is. Een geweldige extra ondersteuning voor je vaste medewerkers.

Wil je de kracht van Machine Learning binnen het facturatieproces van jouw onderneming optimaal benutten?

Ik ga graag met je in gesprek.

Peter Rosman
06 83 22 03 46
peter@wdd.nl

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Back To Top