Automatiserad fakturahantering med maskininlärning : Fördelar, nackdelar och teknisk genomförbarhet

When an organization receives invoices, accountants specify accounts and cost centers related to the purchases. This thesis investigated automated decision support with machine learning that gives suggestions to the accountant of what accounts and cost centers that can be used for invoices. The purpose was to identify benefits and risks of using machine learning automation for invoice processing and evaluate the performance of this technology. It was found that machine learning-based decision support for invoice processing is perceived to be beneficial by saving time, reducing the mental effort, create more coherent bookkeeping, detect errors, and enabling higher levels of automation. However, there are also risks related to implementing automation with machine learning. There is a high variety of how accounts and cost centers are used in different organizations and an uneven performance can be expected due to that some invoices are more complex to process than others. Machine learning experiments were conducted which indicated that the accuracy of suggesting the correct account was 73–76%. For cost centers, the accuracy was 50–62%. A method for filtering machine learning output was developed with the aim of raising the accuracy of the automated suggestions. With this method, the limited amount of suggestions that passed the filter achieved accuracy up to 100%.När en organisation tar emot fakturor anges konton och kostnadsställen relaterade till inköpen. Detta examensarbete undersökte automatiserat beslutsstöd med maskininlärning som ger förslag på vilka konton och kostnadsställe som kan användas för fakturor. Syftet var att identifiera fördelarna och riskerna med att använda automatisering med maskininlärning för fakturahantering och utvärdera teknikens prestanda. Resultaten visade att maskininlärningsbaserat beslutsstöd för fakturabehandling uppfattas vara fördelaktigt genom att spara tid, minska mentala ansträngning, skapa mer sammanhängande bokföring, upptäcka fel, och möjliggöra högre automatiseringsnivåer. Men det finns också risker relaterade till implementering av automatisering med maskininlärning. Det är en stor variation gällande hur konton och kostnadsställen används i olika organisationer och en ojämn prestanda kan förväntas på grund av att vissa fakturor är mer komplexa att bokföra än andra. Maskininlärningsexperiment genomfördes som indikerade att korrektheten i att föreslå rätt konto var 73–76%. För kostnadsställe var korrektheten 50–62%. En metod för att filtrera maskininlärnings-förslagen utvecklades i syfte att höja korrektheten för automatiseringen. Med denna metod uppnådde den begränsade mängden förslag som passerade filtret en korrekthet upp till 100%