Purchase invoice processing automation with machine learning
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Master's thesis
Authors
Date
2021
Department
Major/Subject
Mcode
Degree programme
Information and Service Management (ISM)
Language
en
Pages
66 + 17
Series
Abstract
Purchase invoice processing is generally considered as one of the most burdensome processes in financial accounting. In practice, this refers to the process of accounting an arriving invoice to the corresponding financial dimensions for accounting. While traditionally labor-intensive, technologies such as RPA have been able to lighten the workload through means of automation. This thesis seeks to find an answer to how machine learning can automate invoice processing. The research question is answered in two ways, qualitatively and quantitatively. The former answer evaluates the performances of various machine learning algorithms, while the latter seeks to answer how such a solution should be designed. The quantitative answer is provided as a result of a case study conducted with a private Finnish organization. Seven different machine learning models were trained with the company data in multiple approaches; the best-performing algorithms were able to automate 88% of invoice accounting for the general ledger -code. A set of guidelines is proposed for an end-to-end design process of such a solution. These guidelines are revised from the work of Esswein et. al., (2020), and they can be used for practical applications or as a basis for further research.Ostolaskujen käsittelyä pidetään yleisesti taloushallinnon raskaimpana funktiona. Käytännössä ostolaskujen tiliöinti tarkoittaa saapuvan ostolaskun merkitsemistä kirjanpitoon. Perinteisesti tämä työ on ollut työintensiivistä, teknologiat kuten RPA ovat auttaneet prosessin automatisoinnissa. Tämä tutkimus pyrkii vastaamaan kysymykseen, miten koneoppimista voisi hyödyntää ostolaskujen tiliöinnissä. Tutkimuskysymykseen vastataan kahdella tavalla, kvantitatiivisesti ja kvalitatiivisesti. Kvantitatiivinen vastaus on tuotettu case study -tutkimuksella yhteistyössä suomalaisen organisaation kanssa. Seitsemän eri koneoppimismallia koulutettiin kumppaniyrityksen datalla kolmella eri lähestymistavalla, ja parhaimmat algoritmit onnistuivat automatisoimaan 88% kirjanpidon tilin kirjaamisesta laskuille. Toisena osana on ehdotettu ohjenuorakokonaisuutta vastaavan ratkaisun suunnitteluun. Nämä ohjenuorat on muodostettu Essweinin et. al. (2020) tutkimuksen pohjalta. Näitä ohjenuoria voidaan käyttää käytännön suunnitteluun, sekä myös jatkotutkimuksen pohjaksi.Description
Thesis advisor
Malo, PekkaKeywords
machine learning, automation, accounts payable, financial accounting