Machine learning and rule induction in invoice processing : Comparing machine learning methods in their ability to assign account codes in the bookkeeping process

Companies with more than 3 million SEK in revenue per year are by law in Sweden required to bookkeep invoices as soon as the invoice arrives after a purchase. One part in this bookkeeping process is to choose which accounts to be credited for every received invoice. This is a time-consuming process which demands to find the right account codes for every invoice depending on a number of factors. This thesis investigates how well machine learning can manage this process. Specifically, it is investigated how well machine learning methods that produce unordered rule sets can classify invoice data for prediction of account codes. These rule induction methods are compared to two other popular and well-tested machine learning methods that do not necessarily produce rules for interpretation and knowledge discovery as well as two naive classifiers for baseline comparisons. The results show that naive classifiers are strong but that the machine learning methods perform better when it comes to accuracy and F2score. The results also show that the rule induction method, FURIA, produces significantly less number of rules than MODLEM. The non-rule induction method Random forest has a tendency to perform best overall when it comes to given performance metrics.Företag med över 3 miljoner SEK i omsättning per år är enligt lag i Sverige skyldiga att bokföra fakturor när de tas emot efter ett köp. En del i denna bokförinsprocess är att välja vilka konton som skall krediteras/debiteras för varje mottagen faktura. Detta är en tidskrävandeprocess som kräver att man använder och hittar rätt kontokod för varje faktura beroende på olika faktorer. Denna rapport undersöker hur väl maskininlärning klarar av denna process. Specifikt undersöks hur väl maskininläringsmetoder som producerar oordnade regeluppsättningar kan klassificera fakturadata för prediktering av kontokoder. Dessa jämförs mot två andra populära och vältestade maskininlärningmetoder som inte nödväntigtvis kan producera regler för tolkning och kunskapsupptäckande samt två naive metoder som grundnivå att jämföra med. Resultaten visar att naiva metoder är starka men att maskininlärningsmetoder lyckas prestera bättre när det kommer till bland annat accuracy och F2score. Resultaten visar också att regelframtagningsalgoritmen FURIA producerar signifikant andel färre regler än MODLEM. Random forest tenderar att prestera bäst överlag när det kommer till givna utvärderingsmått