Säännöistä tekoälyyn: koneoppimisen hyödyt ostolaskuprosessin automatisoinnissa
Kokko, Katriina (2022)
Kokko, Katriina
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022111923147
https://urn.fi/URN:NBN:fi:amk-2022111923147
Tiivistelmä
Opinnäytetyössä perehdytään taloushallinnon digitalisaation ja automatisaation edellytyksiin ja vaatimuksiin sekä koneoppimisen soveltamiseen yrityksen ostolaskuprosessiin. Liiketoiminnan taloushallintoon kohdistamat vaatimukset ovat muuttuneet. Taloushallinnon on oltava kumppani, joka tuottaa oikeellista ja ajantasaista raportointia nopeasti ja tehokkaasti. Perinteiset työskentelytavat ja työkalut eivät enää riitä vastaamaan näihin vaatimuksiin, vaan toimintoja on keskitettävä ja siirryttävä kohti älykästä taloushallintoa: automatisoituihin prosesseihin, tekoälyteknologiaan sekä uuteen työnjakoon koneen ja ihmisen välillä.
Nämä vaatimukset kohdistuvat myös ostolaskuprosessiin. Tutkimuksen kohdeyrityksessä ostolaskuprosessin automaatio perustuu sääntöpohjaiseen automaatioon, joka tuki kohtuullisen hyvin hiljaiseen tietoon nojaavia paikallisia prosesseja. Taloustoimintojen keskittämisen jälkeen todettiin, että sääntöpohjainen automaatio ei tue riittävästi talouspalvelukeskuksen prosessia, jossa transaktiovolyymit ovat suuret, dataa liikkuu paljon ja vaihtuvat henkilöt palvelevat useaa eri yhtiötä. Syntyi tarve rekrytoida tekoäly ostoreskontran työntekijäksi.
Esimerkkinä tekoälyteknologiasta on koneoppimiseen perustuva Snowfox-järjestelmä, joka tukee sääntöpohjaista automaatiota ja tehostaa ostolaskuprosessia etsimällä laskuille oikean tarkastajan ja tiliöimällä laskut. Koneoppiminen on älykäs teknologia, joka otetaan käyttöön jalostamalla dataa koneoppimismalliksi. Automaatio toteutetaan algoritmien luomien päättelysääntöjen perusteella, kun taas sääntöpohjaisessa automaatiossa tarvitaan ihmistä sääntöjen luomiseen. Koneoppimisessa ohjelmistolle syötetään dataa, josta se algoritmien avulla etsii säännönmukaisuuksia ja soveltaa niitä päätöksenteossaan. Koneoppimiseen siirtyminen asettaa vaatimuksia datan laadulle, sillä koneoppimista hyödyntävä järjestelmä on vain yhtä hyvä kuin data, jota se käyttää.
Opinnäytetyön empiirisessä osassa testattiin Snowfox-järjestelmän kykyä prosessoida ostolaskuja itsenäisesti, sekä tehtiin data-analyysi, jonka tulosten perusteella syntyi toimenpide-ehdotus tiliöintidatan laadun parantamiseksi. Tutkimuksen päätavoite oli selvittää konkreettiset hyödyt, joita tekoälyteknologian käyttöönotosta koituu kohdeyritykselle. Tutkimuksen tuloksena syntyi laskelma, jolla osoitettiin prosessin automatisoinnista koituvat taloudelliset hyödyt, jotka koostuivat työajan vapautumisesta aiheutuvista henkilöstökulujen säästöistä palvelukeskuksessa ja liiketoiminnassa. Taloudellista hyötyä odotettiin syntyvän myös alentuneista viivästys- ja korkokuluista. Prosessihyötyä syntyi ostolaskuprosessin pahimpien pullonkaulojen purkamisesta automaation avulla. Laadullista hyötyä arvioitiin syntyvän datan laadun parantamiseen tähtäävien toimenpiteiden lisäksi työnteon laadun paranemisesta: kiireen tunnun vähenemisestä ja työn mielekkyyden paranemisesta. Koneoppimisen avulla työntekijöiden aikaa vapautuu arvoa tuottavan työn tekemiseen. Samoin raportoinnin laadun ja tehokkuuden arvioitiin paranevan tekoälyteknologian avulla.
Nämä vaatimukset kohdistuvat myös ostolaskuprosessiin. Tutkimuksen kohdeyrityksessä ostolaskuprosessin automaatio perustuu sääntöpohjaiseen automaatioon, joka tuki kohtuullisen hyvin hiljaiseen tietoon nojaavia paikallisia prosesseja. Taloustoimintojen keskittämisen jälkeen todettiin, että sääntöpohjainen automaatio ei tue riittävästi talouspalvelukeskuksen prosessia, jossa transaktiovolyymit ovat suuret, dataa liikkuu paljon ja vaihtuvat henkilöt palvelevat useaa eri yhtiötä. Syntyi tarve rekrytoida tekoäly ostoreskontran työntekijäksi.
Esimerkkinä tekoälyteknologiasta on koneoppimiseen perustuva Snowfox-järjestelmä, joka tukee sääntöpohjaista automaatiota ja tehostaa ostolaskuprosessia etsimällä laskuille oikean tarkastajan ja tiliöimällä laskut. Koneoppiminen on älykäs teknologia, joka otetaan käyttöön jalostamalla dataa koneoppimismalliksi. Automaatio toteutetaan algoritmien luomien päättelysääntöjen perusteella, kun taas sääntöpohjaisessa automaatiossa tarvitaan ihmistä sääntöjen luomiseen. Koneoppimisessa ohjelmistolle syötetään dataa, josta se algoritmien avulla etsii säännönmukaisuuksia ja soveltaa niitä päätöksenteossaan. Koneoppimiseen siirtyminen asettaa vaatimuksia datan laadulle, sillä koneoppimista hyödyntävä järjestelmä on vain yhtä hyvä kuin data, jota se käyttää.
Opinnäytetyön empiirisessä osassa testattiin Snowfox-järjestelmän kykyä prosessoida ostolaskuja itsenäisesti, sekä tehtiin data-analyysi, jonka tulosten perusteella syntyi toimenpide-ehdotus tiliöintidatan laadun parantamiseksi. Tutkimuksen päätavoite oli selvittää konkreettiset hyödyt, joita tekoälyteknologian käyttöönotosta koituu kohdeyritykselle. Tutkimuksen tuloksena syntyi laskelma, jolla osoitettiin prosessin automatisoinnista koituvat taloudelliset hyödyt, jotka koostuivat työajan vapautumisesta aiheutuvista henkilöstökulujen säästöistä palvelukeskuksessa ja liiketoiminnassa. Taloudellista hyötyä odotettiin syntyvän myös alentuneista viivästys- ja korkokuluista. Prosessihyötyä syntyi ostolaskuprosessin pahimpien pullonkaulojen purkamisesta automaation avulla. Laadullista hyötyä arvioitiin syntyvän datan laadun parantamiseen tähtäävien toimenpiteiden lisäksi työnteon laadun paranemisesta: kiireen tunnun vähenemisestä ja työn mielekkyyden paranemisesta. Koneoppimisen avulla työntekijöiden aikaa vapautuu arvoa tuottavan työn tekemiseen. Samoin raportoinnin laadun ja tehokkuuden arvioitiin paranevan tekoälyteknologian avulla.