Kostenrechnungen im Arbeitsvorrat des Sachbearbeiters verlangen weiterhin manuelle Tätigkeiten. Unter anderem müssen diese gesichtet, kontiert und zur Freigabe an den richtigen Genehmiger weitergeleteit werden.
Dieser Prozess verbraucht kostbare Personalressourcen, die den korrekten Ablauf im Finanz- und Rechnungsprozess gewährleisten.
Eine Automatisierung des Prozesses durch regelbasierte Einstellungen mittels SAP-Customizing ist aufgrund der Vielfalt sowie der Divergenz von Kostenrechnungen nicht zielführend.
Die Erstellung solcher Regeln wäre komplex, unübersichtlich und sehr schnell veraltet, also zeitintensiv in der Pflege.
Kontierungs- und Genehmigerfindung als nächster Automatisierungsschritt
Für die Automatisierung und Beschleunigung dieser Arbeitsschritte bietet sich Machine Learning (ML) an.
Es beginnt dort, wo regelbasierte Prozesse ihre Grenzen erreichen. Machine Learning, eine Untergruppe der Künstlichen Intelligenz (KI), arbeitet mit charakteristischen Merkmalen aus historischen Daten, basierend auf einem neuronalen Netz (Model).
Ziel ist es dabei, die richtigen Kontierungsdaten und den Genehmiger für die Kostenrechnung mit einer möglichst hohen Wahrscheinlichkeit vorherzusagen. Im System kann dazu ein Schwellenwert hinterlegt werden. Abhängig von dessen Erreichung, erfolgt die automatische Weiterverarbeitung der Kostenrechnung im Rechnungsprozess ohne manuellen Eingriff der Fachabteilung.
Damit besteht die Möglichkeit, allein mit der Freigabe des Genehmigers eine Kostenrechnung automatisiert zu erstellen, zu bearbeiten, zu versenden und zu verbuchen. Auch im Falle unterschiedlicher Kostenaufteilung einer Rechnung, entweder komplett auf eine FI-Buchungszeile oder gesplittet auf mehrere.
Die Bearbeitung der Rechnung kann ausschließlich durch den Anforderer im Freigabe-Workflow erfolgen. Die Fachabteilung monitort den Prozess mit Analysen und Dashboards, ein aktives Eingreifen erfolgt nur im Klärungsfall. Das bringt erhebliche Optimierungspotenziale mit sich.
Machine Learning Modelle trainieren
Durch Antrainieren, aus den Buchungsdaten der Vergangenheit, erlernt das ML-Model die Zuordnung der charakteristischen Merkmale einer Kostenrechnung zu bestimmten Ausgangsgrößen (= Labels; wie zum Beispiel Buchungskreise, Genehmiger, Kontierungsobjekte, Lieferanten und Sachkonten). Das ist für die spätere Klassifizierung relevant, um neue, bisher unbekannte Daten eigenständig und korrekt zuzuordnen.
In der Regel durchläuft das Model in der Trainingsphase mehrere Trainingsläufe mit unterschiedlichen Parametern, bis die Qualitätskennzeichen erreicht werden. Nach erfolgreicher Testphase kann das Model produktiv eingesetzt werden.
Das betriebsbereite Model wird in einem ML-Service verpackt und über eine API-Schnittstelle (Application Programming Interface) als REST-Service im SAP-System aufgerufen. Der ML-Service kann auf unterschiedlichen Plattformen bereitgestellt werden, wie beispielsweise einer Virtual Machine (VM), der SAP Business Technology Platform (BTP) oder in der Cloud eines Hyperscalers.
Es ist unerheblich, ob der ML-Service von einem SAP S/4HANA On-Premises-System oder von einem SAP S/4HANA Cloud-Lösung konsumiert wird.
Schnell und ressourcenschonend durch KI im Finanzbereich
KI kann zahlreiche Prozesse optimieren und automatisieren, vor allem im Finanzbereich. Ein geeignetes System, das die Sichtung und Vorbereitung der Kostenrechnungen vornimmt und die nachgelagerten Schritte automatisch anstößt, beschleunigt die Prozesse im Rechnungseingang immens.
Durch den Wegfall von manuellen Tätigkeiten sind enorme Einsparpotenziale in der Sachbearbeitung realisierbar. Unternehmen können somit viel Zeit und Kosten sparen: Kostenrechnungen werden schneller verarbeitet und gleichzeitig Personalressourcen geschont, welche anderweitig wertschöpfender zum Einsatz kommen können.
