Kwaliteitscontrole bij e-administratie en factuurverwerking: De menselijke factor bij go2UBL

 “Een robot is goed, maar de mens is beter”, is de overtuiging van Rob Tolstra, oprichter en CEO van de hightech-onderneming voor e-administratie go2UBL. Dat is dan ook de reden dat menselijke controle in zijn bedrijf een integraal onderdeel is van het in hoge mate geautomatiseerde bedrijfsproces. Een interview met Rob Tolstra en Herman Gerrits, accountmanager bij go2UBL, over de menselijke factor.

Rob Tolstra: “Het uitgangspunt van go2UBL is altijd geweest dat de mens beter in staat is om facturen te boeken dan een robot. go2UBL is dus gebouwd op twee pijlers: mensen die herkennen en techniek om de processen en de tijdigheid te borgen. Alleen zo realiseren wij de 95% betrouwbaarheid die wij onze klanten nu bieden. En ook de 97% tot zelfs 99,5% betrouwbaarheid die binnenkort mogelijk is.”

Als je inmiddels enkele miljoenen facturen verwerkt per jaar, heb je behoefte aan meer ondersteuning dan alleen tekstherkenning. Door middel van nieuwe geautomatiseerde technieken is veel mogelijk. Tolstra ziet het bedrijfsproces als een elektrische fiets. “We zitten zelf aan het stuur, we bepalen zelf hoe hard we gaan, maar even wat ondersteuning bergop is toch wel lekker.”

Samenwerking robot en mens

Herman Gerrits, accountmanager bij go2UBL: “Wij halen alle documenten door een OCR-engine. Die zorgt ervoor dat we vrij gestructureerde informatie krijgen. Tegelijk zien we ook dat er best documenten met een lage tot zeer lage kwaliteit mee komen; en geregeld kunnen onze robots er geen chocola van maken. Op dat moment komt bij ons de menselijke factor in het spel. Onze medewerkers controleren en corrigeren dan die documenten.”

Als de go2UBL-robots het document in voldoende mate herkennen, wordt het document geclassificeerd. Dit gebeurt volautomatisch met circa 85% van de documenten. In geval van twijfel volgt ook hier een tussenstap van menselijke verwerking. go2UBL wil geen documenten onterecht afkeuren.

“Na het classificeren, proberen we vast te stellen wie het document heeft opgesteld. Meestal is dat de crediteur, maar dit kan ook de Belastingdienst zijn of de debiteur in geval van verkoopfacturen of self-billing”, aldus Tolstra. “Doordat we inmiddels met een vrij omvangrijke database (lees 96.000 leveranciers) werken, kan niet gewerkt worden met sjablonen. Onze robots bekijken eerder verwerkte documenten die door ‘de mens’ verwerkt zijn. Deze informatie wordt na enkele waarschijnlijkheidscontroles opgeslagen. Hierin wordt bijvoorbeeld bijgehouden waar op het document het KvK-dossiernummer of de IBAN van de documentopsteller staat.

Indien we een nieuw document van deze documentopsteller krijgen, halen we alle informatie van het document af (via data van de OCR-engine) en uiteraard gaan we kijken of de informatie kan kloppen. Deze vergelijking wordt weer gedaan op basis van historische gegevens.

Zijn we voldoende zeker, dan wordt van de gestructureerde data een UBL samengesteld en wordt deze uitgeleverd. We streven een garantie na van 97% juistheid naast de vertrouwde 100% volledigheid. Onze waarschijnlijkheidscontroles zijn vanzelfsprekend erg streng. Door deze strenge controles laten wij slechts een relatief klein deel volautomatisch met voldoende zekerheid afleveren.”

Fouten eruit strijken

Herman Gerrits vult aan: “Ook hier komt de menselijke factor weer om de hoek kijken. Niemand herkent een factuur beter dan de mens. Op basis van de waarschijnlijkheidsanalyse bepalen we of de mens alleen de eindcontrole doet of de complete verwerking. Ons ‘menselijke proces’ is ingericht om documenten foutloos af te leveren. Immers wij beseffen terdege dat een fout vanuit onze aanlevering een groot effect heeft voor de boekhouding aan de achterzijde.”

Voordat een factuur naar de eindklant wordt gezonden, wordt deze opnieuw door een kwaliteitscontroleproces gehaald. Hierbij wordt beoordeeld of het document opnieuw aangeboden moet worden aan een kwaliteitscontroleur. Is dat zo, dan beoordeelt de controleur of het document door mag, aangepast door mag of juist opnieuw verwerkt dient te worden. Bij een eventuele fout in de verwerking wordt zowel de robot als de verwerker gecorrigeerd. Door dit systeem van controles worden fouten er als het ware uit gestreken.

Rob Tolstra: “Op dit moment hebben we voornamelijk machine-learningtechnieken met supervisie toegepast. Dat wil zeggen: we leren van de historie maar geven ook actief sturing via de programmatuur, door middel van uitgebreide beslisbomen die bepalen hoe een factuur door het proces moet lopen. We zijn druk bezig om de classificatie van de documenten via een zogenoemd ‘neuraal netwerk’ te laten verlopen. Hierdoor zal het percentage van 85% naar verwachting opgehoogd kunnen worden naar ongeveer 94% volautomatisch. De laatste procenten krijgen je niet weg, door de grote diversiteit aan type inkoopdocumenten, bijvoorbeeld handgeschreven documenten.”

Verbeterde dienst

Tot besluit heeft Tolstra interessant nieuws: “Speciaal voor administratiekantoren met grote volumes, corporates en aanbieders van rpa-software (Robotic Proces Automation) introduceren wij binnenkort een verbeterde dienst, waarbij we naast 100% volledigheid ook kunnen gaan naar een 99,5% juistheid. Bij dit product wordt de kwaliteitscontrole nog verder aangescherpt en houdt de mens nog meer supervisie over het gehele proces.”


Gerelateerd


Er kunnen nu even geen reacties worden geplaatst.