Învățarea automată

De la asistenții vocali până la recomandările de produse, tehnologiile de învățare automată funcționează în numeroase colțuri ale vieții cotidiene. Însă pentru echipele financiare, întrebarea cu adevărat importantă este alta: ce face concret această tehnologie în procesele de cheltuieli ale companiei? Cine clasifică teancurile de bonuri, cine surprinde înregistrările duplicate, cine prognozează bugetul trimestrului următor?

În acest ghid rezumăm pe scurt conceptele fundamentale ale învățării automate și mutăm accentul principal pe gestionarea cheltuielilor: învățarea categoriilor, detectarea duplicatelor, semnalarea anomaliilor și prognozarea.

Ce este învățarea automată?

Învățarea automată este un subdomeniu al inteligenței artificiale care permite sistemelor informatice să învețe din date fără a fi programate explicit și să își îmbunătățească performanța prin experiență. În software-ul tradițional, dezvoltatorul scrie regulile una câte una; în învățarea automată, în schimb, sistemul își creează singur propriile reguli, descoperind tiparele din exemplele care îi sunt furnizate.

Arthur Samuel de la Universitatea Stanford a definit acest domeniu în 1959 astfel: „Domeniul de studiu care oferă calculatoarelor capacitatea de a învăța fără a fi programate explicit.” Definiția este valabilă și astăzi. În esență, există trei componente: datele (informația brută de învățat), algoritmul (metoda care extrage tiparul) și modelul (structura capabilă să producă predicții în urma antrenării).

Tipuri de învățare: o scurtă prezentare

Învățarea automată se împarte în trei abordări principale. A ne gândi la fiecare printr-un exemplu din gestionarea cheltuielilor face conceptele concrete:

• Învățare supervizată: Modelul este antrenat cu exemple etichetate al căror răspuns corect este cunoscut. Un model care vede mii de bonuri împreună cu categoria lor de cheltuială învață să clasifice singur un bon nou.
• Învățare nesupervizată: Modelul descoperă singur grupuri și tipare ascunse în datele neetichetate. Extrage clusterele de comportament „normal” din datele de cheltuieli ale companiei; operațiunea rămasă în afara clusterului atrage atenția.
• Învățare prin întărire: Sistemul învață prin încercare și eroare strategia care maximizează recompensa. Se remarcă mai degrabă în domenii precum robotica și jocurile decât în operațiunile financiare cotidiene.

Teoria aprofundată nu este subiectul acestui articol; adevărata întrebare este cum sunt puse la treabă aceste abordări în procesele de cheltuieli.

Ce face învățarea automată în gestionarea cheltuielilor?

Într-o companie se generează în fiecare lună sute de bonuri, facturi și rânduri de cheltuieli. Procesarea manuală a acestui volum este atât lentă, cât și predispusă la erori; introducerea cheltuielilor are un cost de timp ascuns pentru companie. Exact aici, învățarea automată își asumă patru sarcini fundamentale.

1. Învățarea categoriilor: de la bon la postul de cheltuială corect

Cea mai frecventă aplicație a învățării supervizate în gestionarea cheltuielilor este categorisirea automată. Modelul, pornind de la câmpuri precum numele furnizorului, suma, data și descrierea, prezice cărei categorii — masă, transport, cazare sau protocol — îi aparține o cheltuială.

Ceea ce este critic aici este că modelul învață specific pentru companie. Același furnizor poate fi „primire clienți” într-o companie și „prânz de echipă” în alta. Când echipa financiară face o corectură, modelul învață din acest feedback; cu timpul, nevoia de corecturi scade, iar înregistrările contabile devin coerente cu planul de conturi.

2. Detectarea duplicatelor: același bon nu poate fi introdus de două ori

Trimiterea aceluiași bon de două ori nu este, de cele mai multe ori, rea-credință, ci neatenție; dar rezultatul, în ambele cazuri, este că firma plătește în plus. Controalele bazate pe reguli surprind doar înregistrările identice. Învățarea automată, în schimb, funcționează pe baza similarității: punctează probabilitatea ca două înregistrări cu aceeași sumă, cu data decalată cu o zi și cu numele furnizorului scris diferit să fie aceeași cheltuială și trimite perechea suspectă spre verificare.

Această capacitate este și prima linie de apărare în scenariile de abuz deliberat. Pentru latura de politică și cultură a subiectului, puteți arunca o privire pe articolul nostru despre abuzul în cheltuieli.

3. Semnalarea anomaliilor: surprinderea automată a neobișnuitului

Aplicarea practică a învățării nesupervizate este detectarea anomaliilor. Modelul învață, din datele istorice de cheltuieli ale companiei, comportamentul „obișnuit” la nivel de departament, perioadă și angajat; operațiunile care se abat de la acest tipar le semnalează singur:

• O sumă de cheltuială net superioară intervalului obișnuit,
• Înregistrări neobișnuite concentrate în weekend sau în afara programului de lucru,
• O frecvență a cheltuielilor în creștere bruscă într-o categorie,
• Înregistrări care se apropie constant foarte mult de limitele politicii de cheltuieli.

Astfel, în loc să verifice fiecare rând unul câte unul, echipa financiară se concentrează doar pe excepțiile semnalate; efortul de control scade, iar conformitatea cu politica se întărește.

4. Prognozarea: anticiparea bugetului și a fluxului de numerar

Datele istorice de cheltuieli sunt folosite nu doar pentru rapoarte retrospective, ci și pentru prognoza orientată spre viitor. Modelele bazate pe regresie estimează nivelul de cheltuieli al perioadei următoare evaluând împreună sezonalitatea, tendința de creștere și comportamentul departamentelor.

Aceste prognoze sunt direct utile în două domenii: în gestionarea bugetului, pentru a stabili obiective realiste și a observa din timp abaterile din cursul perioadei; în planificarea fluxului de numerar, pentru a gestiona corect lichiditatea, cunoscând dinainte povara de plăți care urmează.

Ce înseamnă pentru echipele financiare?

Rezultatul comun al acestor patru capacități este acesta: introducerea manuală a datelor și verificarea rând cu rând scad, iar timpul echipei financiare se mută spre gestionarea excepțiilor și analiză. Procesele de închidere se accelerează, coerența înregistrărilor contabile crește, încălcările politicii sunt surprinse înainte de a se efectua plata. Aici, învățarea automată nu este un entuziasm tehnologic, ci o infrastructură care permite scalarea operațiunii de cheltuieli.

Învățarea automată în Masraff

Masraff plasează capacitățile descrise în acest articol în centrul produsului său de gestionare a cheltuielilor:

• Recunoașterea bonurilor și a facturilor: din fotografia bonului sunt extrase automat furnizorul, suma, data și informațiile fiscale; angajatul nu introduce datele manual.
• Învățarea categoriilor: cheltuielile sunt clasificate automat conform planului de conturi al companiei; pe măsură ce echipa corectează, modelul se adaptează companiei.
• Controlul duplicatelor și al anomaliilor: înregistrările similare, precum și cheltuielile în afara politicii sau neobișnuite, sunt semnalate automat în fluxul de aprobare.
• Vizibilitate asupra cheltuielilor: datele acumulate pe categorie, departament și perioadă formează baza pentru planificarea bugetului și a fluxului de numerar.

Concluzie

Învățarea automată este un domeniu vast, descris prin concepte precum învățarea supervizată, nesupervizată și prin întărire. Valoarea sa pentru mediul de afaceri, însă, nu apare din definițiile abstracte, ci din procesele concrete: bonul care ajunge singur în categoria corectă, înregistrarea duplicată surprinsă înainte de plată, cheltuiala neobișnuită semnalată instantaneu și perioada următoare care devine previzibilă.

Pentru a vedea aceste capacități în procesele dumneavoastră de cheltuieli, puteți examina soluția de gestionare a cheltuielilor de la Masraff și, pentru o evaluare personalizată pentru echipa dumneavoastră, ne puteți contacta.