Maskininlärning

Från röstassistenter till produktrekommendationer arbetar maskininlärning i många hörn av vardagen. Men för ekonomiteam är den avgörande frågan denna: Vad gör den här tekniken konkret i företagets kostnads- och utgiftsprocesser? Vem klassificerar högarna av kvitton, vem fångar dubbletter, vem prognostiserar nästa kvartals budget?

I den här guiden sammanfattar vi kort de grundläggande begreppen inom maskininlärning och riktar sedan huvudfokus mot utgiftshantering: kategoriinlärning, dubblettdetektering, anomalimarkering och prognostisering.

Vad är maskininlärning?

Maskininlärning är en gren av artificiell intelligens som gör det möjligt för datorsystem att lära sig av data utan att vara explicit programmerade och att förbättra sin prestanda genom erfarenhet. I traditionell programvara skriver utvecklaren reglerna en och en; i maskininlärning skapar systemet däremot sina egna regler genom att upptäcka mönster i de exempel som presenteras för det.

Arthur Samuel vid Stanford University definierade området 1959 så här: "Studieområdet som ger datorer förmågan att lära sig utan att vara explicit programmerade." Definitionen gäller än idag. I grunden finns tre komponenter: data (den råa information som ska läras in), algoritm (metoden som extraherar mönstret) och modell (strukturen som kan producera prognoser efter träning).

Typer av inlärning: en kort översikt

Maskininlärning delas in i tre huvudsakliga angreppssätt. Att tänka på vart och ett med ett exempel från utgiftshantering gör begreppen konkreta:

• Övervakad inlärning: Modellen tränas med märkta exempel där rätt svar är känt. En modell som ser vilken utgiftskategori tusentals kvitton tillhör lär sig att på egen hand klassificera ett nytt kvitto.
• Oövervakad inlärning: Modellen upptäcker själv dolda grupper och mönster i omärkt data. Den extraherar kluster av "normalt" beteende i företagets utgiftsdata; en transaktion som faller utanför klustret väcker uppmärksamhet.
• Förstärkningsinlärning: Systemet lär sig genom försök och misstag den strategi som maximerar belöningen. Den framträder mer inom områden som robotik och spel än i den dagliga ekonomidriften.

Djupgående teori är inte ämnet för den här artikeln; den centrala frågan är hur dessa angreppssätt sätts i arbete i utgiftsprocesserna.

Vad gör maskininlärning inom utgiftshantering?

I ett företag genereras varje månad hundratals kvitton, fakturor och utgiftsrader. Att bearbeta den här volymen för hand är både långsamt och felbenäget; det finns en dold tidskostnad för företaget vid manuell utgiftsregistrering. Det är just här maskininlärning tar sig an fyra grundläggande uppgifter.

1. Kategoriinlärning: från kvitto till rätt utgiftspost

Den vanligaste motsvarigheten till övervakad inlärning inom utgiftshantering är automatisk kategorisering. Modellen förutsäger, utifrån fält som leverantörsnamn, belopp, datum och beskrivning, vilken kategori en utgift tillhör – till exempel mat, transport, logi eller representation.

Det avgörande här är att modellen lär sig företagsspecifikt. Samma leverantör kan i ett företag vara "kundrepresentation" och i ett annat "teamlunch". När ekonomiteamet gör en korrigering lär sig modellen av den återkopplingen; med tiden minskar behovet av korrigering och bokföringsposterna blir konsekventa med kontoplanen.

2. Dubblettdetektering: samma kvitto kan inte registreras två gånger

Att samma kvitto skickas in två gånger är oftast inte illvilja utan ouppmärksamhet; men resultatet är i båda fallen att företaget betalar för mycket. Regelbaserade kontroller fångar endast exakt identiska poster. Maskininlärning arbetar däremot utifrån likhet: den poängsätter sannolikheten att två poster med samma belopp, med ett datum förskjutet en dag och med leverantörsnamnet stavat annorlunda är samma utgift, och skickar det misstänkta paret till granskning.

Denna förmåga är också första försvarslinjen i scenarier med medvetet missbruk. För ämnets policy- och kulturaspekt kan du ta en titt på vår artikel om utgiftsmissbruk.

3. Anomalimarkering: att automatiskt fånga det ovanliga

Motsvarigheten till oövervakad inlärning i fält är anomalidetektering. Modellen lär sig "normalt" beteende utifrån företagets historiska utgiftsdata per avdelning, period och medarbetare; den markerar av sig själv transaktioner som avviker från det mönstret:

• Ett utgiftsbelopp tydligt över det vanliga intervallet,
• Ovanliga poster som koncentreras till helger eller utanför arbetstid,
• En plötsligt ökande utgiftsfrekvens i en kategori,
• Poster som ständigt närmar sig gränserna för utgiftspolicyn.

Därmed fokuserar ekonomiteamet endast på de markerade undantagen i stället för att kontrollera varje rad för sig; granskningsarbetet minskar samtidigt som policyefterlevnaden stärks.

4. Prognostisering: att förutse budget och kassaflöde

Historisk utgiftsdata används inte bara för bakåtblickande rapporter utan även för framåtblickande prognoser. Regressionsbaserade modeller förutsäger nästa periods utgiftsnivå genom att tillsammans väga in säsongsvariation, tillväxttrend och avdelningarnas beteende.

Dessa prognoser är direkt användbara på två områden: att sätta realistiska mål i budgethanteringen och tidigt upptäcka avvikelser under perioden; och att i kassaflödesplaneringen hantera likviditeten rätt genom att i förväg känna till den kommande betalningsbördan.

Vad innebär det för ekonomiteam?

Det gemensamma resultatet av dessa fyra förmågor är följande: manuell datainmatning och radvis kontroll minskar, och ekonomiteamets tid förflyttas till undantagshantering och analys. Bokslutsprocesserna går snabbare, bokföringsposternas konsekvens ökar och policyöverträdelser fångas innan betalning sker. Maskininlärning är här inte ett teknikintresse utan en infrastruktur som gör det möjligt att skala utgiftsdriften.

Maskininlärning hos Masraff

Masraff placerar de förmågor som beskrivs i den här artikeln i centrum av sin produkt för utgiftshantering:

• Kvitto- och fakturaigenkänning: Leverantör, belopp, datum och skatteuppgifter extraheras automatiskt från fotot av kvittot; medarbetaren matar inte in data för hand.
• Kategoriinlärning: Utgifter klassificeras automatiskt enligt företagets kontoplan; i takt med att teamet korrigerar anpassar sig modellen till företaget.
• Dubblett- och anomalikontroll: Liknande poster samt utgifter utanför policy eller ovanliga utgifter markeras automatiskt i godkännandeflödet.
• Utgiftssynlighet: Data som ackumuleras per kategori, avdelning och period utgör grunden för budget- och kassaplanering.

Slutsats

Maskininlärning är ett brett område som beskrivs med begrepp som övervakad, oövervakad och förstärkningsinlärning. Ur näringslivets perspektiv framträder dess värde inte i abstrakta definitioner utan i konkreta processer: att kvittot av sig självt hamnar i rätt kategori, att dubbletter fångas före betalning, att ovanliga utgifter markeras omedelbart och att kommande period blir förutsägbar.

För att se dessa förmågor i dina utgiftsprocesser kan du utforska Masraffs lösning för utgiftshantering och kontakta oss för en utvärdering anpassad för ditt team.