automatisatie in finance: 3 use cases.

De wens om efficiënter te werken, leeft in heel wat finance-afdelingen. Een goed digitalisatie- en automatisatieproces neemt repetitieve taken uit handen van je finance-collega’s en geeft hen de kans om op strategisch vlak bij te dragen aan het bedrijf. Bovendien verhoogt het ook de kwaliteit van het verrichte werk. 

Onderstaande cases geven je een paar realistische voorbeelden. Ze tonen aan dat het oké is om niet overhaast te werk te gaan en niet van vandaag op morgen spectaculaire resultaten te verwachten. Elke stap die je zet - hoe klein die soms ook mag lijken - levert je een tijdsbesparing op. En die vrijgekomen tijd kan je vervolgens wéér investeren in een volgende, nieuwe etappe in je automatisatietraject.

• automatische factuurverwerking
• omzet voorspellen met machine learning
• het werk van een credit controller vergemakkelijken

automatische factuurverwerking.

Een bedrijf in de transportsector klopte onlangs bij ons aan: of we hun facturatieproces niet vlotter kunnen laten verlopen. En dat is een veelgehoorde vraag vandaag. 

Van controle en registratie, tot goedkeuring en archivering: bij het verwerken van facturen komt er heel wat kijken. Onze klant haalde aan dat hun huidig proces veel tijd in beslag neemt en onderhevig is aan fouten. En zulke fouten kunnen élk bedrijf duur komen te staan. Enerzijds kan je dat letterlijk nemen: laattijdige betaling kan resulteren in hoge boetes. Anderzijds kan je de goede naam van je bedrijf in het gedrang brengen.

deep-dive in het proces.

We zetten ons rond tafel met een aantal stakeholders en doken samen in het huidige facturatieverwerkingsproces. De transportfirma ontvangt nog steeds veel facturen op papier. Alle gegevens worden manueel overgetypt in het boekhoudsysteem, wat natuurlijk een tijdrovend en foutgevoelig werkje is. 

Het verwerken van facturen is doorgaans een ideale kandidaat voor automatisatie: het is een repetitief en gestandaardiseerd proces, met gestructureerde data. In een volgende stap gingen we - via task en process mining - dieper in op hun specifieke proces. 

Wim, senior solutions architect bij Ausy, was bij die stap betrokken: “Bij task en process mining achterhalen we welke specifieke stappen een menselijke collega zet, zodat we weten welke acties de softwarebot zal moeten uitvoeren. Soms komen daarbij zeer belangrijke aandachtspunten naar voren die, als we er niet van op de hoogte zouden zijn, ervoor zouden zorgen dat de bot bij de eerste run struikelt over een bepaalde stap.” 

“In deze case was de extra facturatiekost van 2 euro bij papieren facturen zo’n aandachtspunt. Het uiteindelijk gefactureerde bedrag wijkt daardoor af van de eerder goedgekeurde offerte. Dat is iets wat de bot moet weten: om zulke facturen correct te verwerken, moet hij een specifieke boekingscode opzoeken.”

Daarnaast namen we ook de volgende aandachtspunten mee bij het ontwikkelen van de softwarebot: 

• de lay-out van elke factuur is verschillend
• de lengte van facturen verschilt: soms gaat het om 1 pagina, soms om meerdere pagina’s
• er komen facturen binnen van over de hele wereld, dus in verschillende talen en valuta

eerste stap: de bot trainen.

Door de papieren facturen te laten inscannen en er vervolgens een softwarebot op los te laten, hou je fouten onder controle en gaat het werk sneller. Maar een bot kan niet zomaar van de ene op de andere dag mee ingeschakeld worden in het team. Hij moet eerst een training ondergaan.

Een voorbeeld maakt dat duidelijker: wij als mens zien op eender welke factuur onmiddellijk waar het totaal te betalen bedrag staat. Een bot moet zoiets leren. Hij moet kunnen herkennen dat het grootste bedrag met een euroteken ervoor het bedrag is dat betaald moet worden. Het model krijgt dus factuur na factuur voorgeschoteld om zo te leren herkennen wat de som is, welke de referentiecodes van producten of diensten zijn, welke aantallen van een bepaald product gefactureerd worden, welk bedrag mét btw is en welk zonder, enzovoort.

De bot leert dus echt de inhoud te snappen, en niet zomaar de lay-out van een factuur. Dat is een duurzame manier van werken. Stel dat de leverancier van logo verandert, of de vormgeving van zijn facturen aanpast, dan moet de bot op deze manier niet opnieuw beginnen leren.

van attended naar unattended bot.

Na de training kan de software bot aan de slag. Eerst is dat sowieso met menselijke tussenkomst - we spreken in dat geval over attended bots. We laten de bot een factuur zien waarop hij de informatie juist moet interpreteren. De uitkomst van die interpretatie wordt ter goedkeuring voorgelegd aan een mens. Zodra de bot 99,99% juist te werk gaat, kan hij alleen verder - als unattended bot.   

De softwarebot werkt met een combinatie van RPA en AI, en kan:

• scans of mails die facturen bevatten ophalen op basis van specifieke criteria
• facturen automatisch toevoegen aan je boekhoudsoftware
• facturen vergelijken met de bijbehorende offertes
• factuurgegevens lezen, herkennen, invoeren en verwerken
• een goedkeuringsflow in gang zetten op basis van de naam op de factuur
• facturen automatisch boeken en koppelen aan de juiste kostenplaats
• goedgekeurde betalingen automatisch uitvoeren

Menselijke tussenkomst is enkel nog vereist wanneer de softwarebots afwijkingen vaststellen.

tevreden klanten, tevreden medewerkers.

Als je je factuurverwerking digitaliseert en vervolgens automatiseert (met RPA en AI), pluk je daar al snel de vruchten van. Dit project moet voor de transportfirma dan ook uiteindelijk leiden naar: 

• een snellere en nauwkeurigere facturatieverwerking: foute of laattijdige betalingen zijn verleden tijd  
• een digitale en uniforme manier van werken die voor meer overzicht zorgt: iedereen weet te allen tijde de status van een factuur, en er raken ook geen papieren facturen meer kwijt  
• een digitaal archief waarin alle verwerkte facturen worden opgeslagen: iedereen kan oude facturen makkelijk terugvinden - ook handig tijdens een audit

De klanttevredenheid neemt toe, terwijl medewerkers uitdagender werk voorgeschoteld krijgen en meer het gevoel hebben van ‘in control’ te zijn. Wie tekent daar niet voor!

omzet voorspellen met machine learning.

Dat er een pak relevante inzichten gehaald kunnen worden uit de overvloed aan data binnen je bedrijf, hoeven we je niet te vertellen. Nuttig met die data aan de slag gaan, is een intensief en foutgevoelig proces. Daarom verlopen almaar meer voorspellingen en visualisaties vandaag via een systeem gekoppeld aan machine learning. 

Zo’n slimme oplossing haalt zélf de nodige informatie uit verschillende datasets, en voegt die vervolgens samen. Uit al de verschillende analyses die op die data uitgevoerd kunnen worden, kan je verschillende voorspellingen afleiden. Dat wil zeggen dat je zo bepaalde bedrijfsbeslissingen kan nemen op basis van actuele gegevens, en niet alleen meer op basis van gegevens uit het verleden.

Laat ons naar een specifiek voorbeeld kijken: het voorspellen van de omzet.

Revenue forecasting en het bepalen van budgetten is iets wat in onze eigen onderneming geoptimaliseerd kan worden. Om je een idee te geven: vandaag vraagt het finance team heel wat input aan de business, en wordt alles manueel bijgehouden in verschillende Excel-bestanden.

Er wordt nauw samengewerkt: onze finance experten controleren of de gegevens die doorgegeven worden correct zijn en bekijken of de verwachtingen in lijn liggen met wat mogelijk is. Op basis van wat uit die analyse komt, challengen ze de collega’s uit de business. Soms zijn hun assumpties te optimistisch, maar vaker zijn ze net te voorzichtig. 

In dat laatste geval moet finance de business kunnen aanmoedigen om meer risico te durven nemen. Maar dat is soms makkelijker gezegd dan gedaan. En daarom is ons finance team vragende partij voor een systeem waarmee ze de voorspellingen van de business sneller kunnen challengen.

machine voeden met data.

We experimenteren vandaag met een oplossing op basis van machine learning. Het is een oplossing die internationaal in verschillende Randstad- en Ausy-landen uitgerold wordt. De machine geeft een bepaald resultaat en op basis daarvan kunnen verwachtingen al dan niet bijgesteld worden.

Aan de start van dat experiment in ons land vorig jaar, gingen nog een aantal stappen vooraf.

Eerst en vooral verzamelden we stabiele data om de machine mee te voeden. De keuze van die data laat je afhangen van de KPI’s die je wil meten. Neem nu in ons geval: het aantal mensen dat we in dienst hebben, heeft een impact op onze omzet. Hoe meer mensen in dienst, hoe hoger de omzet. We willen dan ook weten welke groei in manpower mogelijk is in bepaalde afdelingen. De vraagstelling in dit geval is dan: kunnen we op basis van andere parameters voorspellen wat de groei in manpower zal zijn - en kan die factor vervolgens mee bepalen wat onze omzet op jaarbasis zal zijn?

Het bruto binnenlands product is in dit geval bijvoorbeeld een stabiele parameter. Er is daarover data beschikbaar van verschillende jaren, die gecorreleerd kan worden met groei in manpower.

welke data bootst de realiteit na?

Zo’n systeem werkt niet van vandaag op morgen volledig juist. Het is dus belangrijk om voldoende testen uit te voeren. En in die fase zitten wij zelf momenteel. 

Wat moet je je voorstellen bij zo’n test? Wel, we beschikken over alle omzetgegevens van vorig jaar. We zouden vervolgens de machine kunnen voeden met gegevens van de eerste helft van vorig jaar, waarna we een voorspelling verwachten voor de tweede helft van dat jaar. We voegen telkens een nieuwe parameter toe en proberen zo dicht mogelijk bij de effectieve resultaten van de tweede helft van vorig jaar te komen. Zodra dat lukt, weet je dat de data die je aanlevert de juiste output oplevert. Vervolgens kan je dezelfde data aanleveren om ook voor dit jaar of de komende jaren voorspellingen te doen.

Na de eerste run gebeuren er doorgaans nog een aantal aanpassingen. Wij merkten bijvoorbeeld dat het model elk jaar een zogezegde ‘coronadip’ aangaf, omdat aan het begin van de pandemie de hele economie werd platgelegd. Vandaag weten we echter dat de kans klein is dat een dergelijke dip jaarlijks terugkeert. Om ervoor te zorgen dat er geen onzuiverheden in onze data komen, passen we zoiets dus manueel aan. 

toekomstplannen.

Onze volgende stap? Dat is het resultaat van de machine vergelijken met de assumpties van de business, en die vervolgens gaan challengen. 

Kenny, teamlead business controlling bij Ausy, is al van bij het begin bij het traject betrokken. Van bij de start is hij enthousiast, en ook vandaag is hij overtuigd van de voordelen die deze oplossing ons op termijn zal brengen: “De fouten die menselijke assumpties met zich meebrengen, kunnen we elimineren. Die hogere mate van nauwkeurigheid zal onze controlling afdeling in staat stellen om zich bezig te houden met taken die meer toegevoegde waarden kunnen leveren. Onze controllers zullen minder bezig zijn met number crunchen en meer analytisch aan de slag kunnen gaan.” 

“De voorspellingen die de machine maakt, leveren ons informatie op waarmee we onderbouwde proactieve beslissingen kunnen nemen”, gaat Kenny verder. “Mogelijke problemen komen bovendien al eerder aan de oppervlakte. Daar kunnen we dan sneller actief op werken, samen met de business.”

het werk van een credit controller vergemakkelijken.

Opnieuw een voorbeeld uit onze eigen Ausy finance afdeling: sinds 2 jaar maakt iController het werk van onze credit controllers een pak aangenamer en eenvoudiger. Hoe dan?

Als je actief bent in de finance wereld, dan weet je dat klanten de facturen die je hen stuurt, niet steeds op tijd betalen. Dat kan onder andere zijn omdat hun eigen verwerkingsproces gaten vertoont, omdat ze niet akkoord zijn met wat er gefactureerd is, of omdat er administratieve issues zijn met de factuur (omdat er een PO nodig is, bijvoorbeeld).

Voor credit controllers is het opvolgen van al die achterstallige betalingen een intensief proces: ze moeten voortdurend bellen en mailen, en hebben te allen tijde een correct overzicht van de niet-betaalde facturen nodig.

Wat iController doet, is een deel van het werk van een credit controller automatiseren. Zo zit het in grote lijnen bij ons in elkaar:

• de basisinformatie van alle vervallen facturen zit in Unit4
• de facturen zelf zitten in Changepoint
• iController haalt 2x per dag alle informatie op uit die 2 systemen
• in iController zit er dus een overzicht van welk bedrag er bij welke klant open staat

De verschillende procedures die we hanteren om om te gaan met laattijdige betalingen, hebben we ingesteld in iController. Die procedures - van standaard mailtjes tot officiële berichtgeving van de advocaat, worden vervolgens automatisch uitgevoerd. Is een factuur 1 week vervallen, dan wordt er bijvoorbeeld automatisch een eerste reminder gestuurd via mail. Dat is een standaard mail die je zelf kan aanmaken en kan toevoegen aan iController. Ook de mailbox beheren, kan van daaruit. 

Het manueel bepalen van wie er aangemaand moet worden, is vandaag dus volledig geautomatiseerd. We beschikken nu over een gestructureerd proces, waarbij heel wat handelingen niet langer 1 op 1 handmatig uitgevoerd moeten worden naar laattijdige betalers toe. 

Zo’n geautomatiseerde manier van werken laat onze credit controllers ook toe om eenvoudig allerlei interessante rapporten op te stellen, mede dankzij de historiek die in iController aanwezig is. Welke klanten betalen steeds op tijd? En welke zijn altijd te laat? Wat is je DSO-ratio? Aan het einde van de maand weten we ook duidelijk welke dossiers nog hangende zijn en al dan niet geëscaleerd moeten worden.

“iController heeft onze afdeling enorm geholpen”, vertelt Koen, finance director bij Ausy. Het dunning proces verloopt veel efficiënter sinds het geautomatiseerd is, waardoor achterstallige betalingen beter dan voorheen voldaan worden. Het werk van onze credit controllers is niet alleen eenvoudiger, maar ook interessanter geworden. De tool neemt het administratieve en repetitieve luik over, waardoor er meer tijd vrijkomt om analyses uit te voeren en dus toegevoegde business value te bieden.”

conclusie.

Je merkte vast wel wat al deze cases gemeenschappelijk hebben: ze willen finance experten meer tijd geven om aan de slag te gaan met het verhaal achter de cijfers. Om te profiteren van de voordelen van digitalisatie en automatisatie hoef je geen 10 stappen tegelijk te zetten. Ook als je start met je low hanging fruit, zal je al snel een impact waarnemen op de efficiëntie van je processen en de betrouwbaarheid van je data. 

Als je meer wil weten over deze cases of benieuwd bent naar nog andere toepassingen van automatisatie binnen finance departementen, stuur ons dan zeker eens een berichtje. We hebben tal van verhalen en tips die we graag met je delen!