Připravili jsme pro vás video představení našeho modulárního systému NATHAN AI. Dozvíte se více o modulech digitalizace (vytěžování účetních dokladů), workflow – schvalování  dokladů a marketplace pro další využití získaných dat.

Integrace, konsolidace a čištění dat snadno a rychle

Data jsou živnou mízou každé firmy. Bez dat o distribuci, zákaznících, výrobě či stavu skladu se dnes podnikat nedá. V drtivé většině jde již o data digitální, a jejich správné vytěžení, analýza a využití je klíčovým aspektem růstu firmy. 

Jenže co když jsou data dodávaná od spolupracujících firem ve stylu každý pes jiná ves, tedy v různých formátech, s chybami či jsou neúplná? Co když jsou bez vynaložení ohromného lidského úsilí na opravy nepoužitelná? Přesně tenhle problém řešili ve farmaceutické firmě Zentiva a MULTIMA jim ho pomohla zvládnout díky implementaci systému HAWAII.

O co konkrétně jde?

Obchodní oddělení společnosti Zentiva potřebuje pro svá rozhodování, reporting a stanovování a vyhodnocování cílů velmi přesná data. Dosáhnout takové kvality dat, která zabezpečí spolehlivou analýzu prodejů je velmi obtížné. Obzvláště komplikované je to v prostředí, kdy dochází k agregaci dat ze zdrojů, které nemá sama společnost pod kontrolou. A to je bohužel případ hlášení distributorů o prodejích léčiv svým zákazníkům, popř. o stavu zásob jejich skladů, která patří mezi základní data pro vyhodnocování prodejů.

Z těchto dat těží supply chain, který je schopný kontrolovat zásoby produktů v distribuční síti a může tak operativně reagovat jak na aktuální, tak i na plánovaný vývoj prodejů. Velmi důležitá jsou tato data také pro obchodní oddělení, které na jejich základě vyhodnocuje naplánovaná KPI.

Každý z distributorů má svá vlastní kmenová a prodejní data, která jsou jednoznačně označena svými identifikátory. V izolovaném prostředí jedné společnosti je takovýto způsob identifikace naprosto dostačující. K problémům ovšem dochází při výměně dat mezi různými společnostmi. Naplno se problém párování dat projevil právě v případě distributorských hlášení do centrálního systému Zentivy.

„Single Version of the Truth“

Velmi dobře je tento problém vidět na identifikaci prodávaných produktů. V interních systémech distributorů jsou produkty uváděny pod jinými identifikátory a jinými názvy než v interních systémech Zentivy. Pouhým sehráním dat od různých distributorů by tedy došlo k tomu, že vznikne nepřehledná sada záznamů, kdy jeden skutečný produkt z portfolia Zentivy se ve výsledných reportech objeví v několika verzích. Tuto situaci řeší systém HAWAII několikastupňovým automatickým párováním produktů z dat distributora na kmenová data Zentivy. V případě, že automatické párování dat není úspěšné a nepodaří se najít odpovídající produkt, pak má operátor k dispozici webovou aplikaci, ve které provede „ruční“ párování záznamů. Ručním spárováním dat vzniká pevná vazba (můstek) a v budoucnu je takto přijatý produkt vždy spárován automaticky. Výsledkem párování jsou tedy hlášení distributora svázaná s jedním konkrétním produktem Zentivy. Analogicky tento mechanismus funguje i pro zákazníky distributorů, u kterých velmi často dochází k nesouladu v jejich názvech a adresách.

Získávání a zpracování dat

Další problematickou oblastí je zpracování zdrojových dat jednotlivých hlášení, které se podobně jako u identifikace produktů nebo zákazníků liší u jednotlivých distributorů. Systém HAWAII se musí vypořádat se zpracováním dat, která přichází e-mailem v různých formátech (excel, csv, dbf …). U každé zprávy je nutné odlišit distributora, od kterého zpráva přichází, identifikovat formát zdrojových dat a převést data do jednotného formátu, který je vhodný pro další zpracování.

Vyčištěná data jsou k dispozici pro další systémy přes API rozhraní. Primárním konzumentem vyčištěných dat je centrální datový sklad.

Závěr

Systém HAWAII nahrazuje časově náročnou lidskou práci, která je navíc často náchylná k chybám. Řešení je ve společnosti Zentiva velmi dobře vnímáno a ze systému, který byl původně určen pouze pro obchodní oddělení v České republice a na Slovensku se stal globální systém, který je postupně adoptován i v dalších zemích (Francie, Itálie, Rumunsko, Pobaltské země …).

,Automatické vyčtení důležitých informací z účtenky vyfocené mobilem, přijaté faktury, či třeba z jiného dokumentu výrazně urychlí jak schvalování, tak další vyhodnocení a zpracování informací. V tomto článku o využití umělé inteligence (AI) si ukážeme konkrétní příklad a jak jednoduše to může fungovat.

Pochopí co je obsahem

Jedním ze scénářů využití strojového učení, formy umělé inteligence, je digitalizace dokumentů. Klasické skenování a rozpoznání textu (OCR) už nikoho neohromí. Nicméně zkombinujte jej s NATHAN AI, modelem na bázi neuronové sítě, a máte před sebou nástroj, který vám dokáže z dokumentu „vytáhnout“ klíčové informace, potřebné pro další automatické zpracování. Příkladem může být právě třeba faktura či účtenka. Nástroj na bázi umělé inteligence si příslušný dokument přečte a na základě dříve získaných zkušeností sám najde informace jako IČO a podrobnosti dodavatele, datumy, částky, položky a další klíčové informace. Tato data pak může návazný systém rovnou automaticky použít pro zahájení procesu schvalování či automatického zaúčtování. Podobně to může fungovat i s dalšími typy dokumentů jako jsou objednávky, dodací listy či smlouvy.

Vyfotit a poslat

Zůstaňme ale zatím u příkladu faktur a účtenek. Přestože existují technologie pro výměnu dat jako EDI či ISDOC, stále řada faktur do společnosti přichází buď papírově, nebo jako obyčejné PDF nebo obrázek. A to nemluvíme o účtenkách. V praxi se s nimi setkáváme často, speciálně u drobného materiálu. Účtenky a někdy i faktury je pak potřeba doručit do účtárny ke zpracování, včetně schválení, přepsání do ekonomického systému a zaúčtování. To bere čas, způsobuje zpoždění a případně i může být i zdrojem chyb, nemluvě o tom, že se v celém procesu mohou některé doklady ztratit. Proto jsou k dispozici aplikace, které toto zjednodušují – účtenku či fakturu tak stačí vyfotit aplikací na mobilním zařízení a příslušný doklad je tak odeslán k dalšímu zpracování okamžitě. Často je pak ale potřeba přepsat, vyplnit informace z účtenky manuálně do systému. Umělá inteligence to však mění.

Vytáhne data, není třeba přepisovat

Aplikace využívající strojové učení na bázi neuronových sítí umí data přečtená z faktury či účtenky rozpoznat i obsahově. Přesně tedy vytáhne konkrétní informace a ty pak předá do příslušných políček v aplikaci pro schvalování či zaúčtování dokladu. Není tedy třeba nic přepisovat, ani určovat která informace patří do kterého políčka.

Automatické zpracování

Následně pak může dojít i k automatickému zpracování, které je založeno na kombinaci pravidel a učícího se algoritmu. Můžeme tedy nastavit určitá pravidla pro kontrolu (shoda s objednávkou, dodavatel a zboží), pro automatické schválení a následně i pro zaúčtování (typ dodávky, částka, pořizovatel). Dokumenty, které neprojdou automatickým zpracováním je sice nutné zpracovat ručně, ale systém si toto zpracování zapamatuje a učí se, jak stejné či podobné situace řešit příště. Během relativně krátké doby tak odpadá až 90% práce se zpracováním doručených účetních dokladů.

Zjednodušení práce a úspora nákladů

Zrychlení zpracování dokladů a tím i lepší cash flow díky včasnějšímu vyúčtování víceprací a nákladů klientovi. Úspora a zjednodušení práce specialistům, manažerům a účetním díky odpadajícímu přepisování dat z účtenek a faktur. Eliminace chyb při zpracování či ztrát dokumentů. To jsou některé přínosy moderního zpracování účetních dokladů pomocí umělé inteligence.  

Není nutné měnit své procesy a systémy

Láká vás využití umělé inteligence, ale bojíte se, že to bude složité? Nemusíte. Ani nemusíte ve většině případů měnit své stávající systémy. Modul pro vytěžení dat z dokumentu se jednoduše připojí k vašim stávajícím aplikacím. A že vám chybí například mobilní aplikace pro skenování dokladů? Opět není problém použít externí aplikaci a použít ji ve spolupráci s vašimi systémy.