Hvordan Beerenberg automatiserte innkjøpsprosessen med AI-teknologi

Utlesning og registrering av ordrebekreftelser 

Mange bedrifter mottar eksterne dokumenter som er viktige for interne prosesser. For innkjøpsavdelingen hos Beerenberg var registrering av ordrebekreftelser en tid- og ressurskrevende prosess. Når innkjøper bestiller en vare, mottar den en ordrebekreftelse fra leverandøren på e-post. Ordrebekreftelsen inneholder en eller flere ordrelinjer hvor pris og leveringsdato må kontrolleres i henhold til avtale. Dersom prisen på en ordrelinje avviker fra prisen som er registrert i ERP-systemet, må denne følges opp av en innkjøper. Leveringsdatoen må deretter oppdateres i systemet slik at mottaker av varen vet når den forventes levert. Ordrebekreftelsen må deretter lastes opp og knyttes til den konkrete produktordren i systemet. Tradisjonelt har innkjøperne i Beerenberg manuelt kontrollert og registrert hver eneste ordrebekreftelse. En tidkrevende og repetitiv prosess, og Beerenberg ønsket derfor å utforske muligheten for automatisering.

‍

Det å få automatisert kontroll og registrering av ordrebekreftelser har vært et stort steg i riktig retning. Nå som en robot hjelper til med denne delen av innkjøpsprosessen, opplever vi å ha større kapasitet og tid til å håndtere de andre arbeidsoppgavene våre.

^{Ulrik Edvardsen, innkjøper i Beerenberg}

Ustrukturerte dokumenter

Ordrebekreftelsene som skal registreres i Beerenberg kommer fra en rekke ulike leverandører og har derfor ikke et standard dokumentformat. Ettersom tradisjonelle automatiseringsverktøy krever definerte regler og strukturert data, har prosesser med stor variasjon i dokumentstruktur vært krevende å automatisere.  

Automatisk tolkning og registrering av ordrebekreftelsene

For å hjelpe Beerenberg med å automatisere prosessen for registrering av ordrebekreftelser, måtte vi komplementere automatiseringsverktøyet Blue Prism med en teknologi som kunne håndtere de ustrukturerte ordrebekreftelsene. Etter å ha testet alternative løsninger, falt valget på dokumenttolkningsverktøyet Cradl AI. Med Cradl AI kan man trene opp sin egen maskinlæringsmodell til å hente ut spesifikke datafelt fra dokumenter. Det kreves kun fem dokumenter for å starte treningen, og ved hjelp av menneskelig kontroll vil modellen kontinuerlig forbedres og bli mer treffsikker. Første versjon av modellen kunne settes opp på en time og det brukervennlige grensesnittet i Cradl AI gjorde det enkelt for innkjøper å verifisere og forbedre modellen.  

Automatiseringsflyten starter når en e-post med ordrebekreftelsen ankommer innboksen. E-posten leses og den vedlagte ordrebekreftelsen sendes til modellen i Cradl. Modellen henter ut feltene produktordrenummer (PO), leveringsdato og pris per ordrelinje. Dersom modellen er usikker på om feltene som leses ut er korrekt, ber den om menneskelig validering. Når ordrebekreftelsen er validert, leses informasjonen fra feltene ut og sjekkes mot pris og estimert leveringsdato i ERP-systemet. Dersom pris eller leveringsdato i ordrebekreftelsen avviker fra det som er registrert, blir innkjøper varslet. Deretter beregnes og registreres bekreftet leveringsdato, og ordrebekreftelsen lastes opp i systemet.  

‍

Avo har vært en super samarbeidspartner hele veien, og hjulpet oss med å integrere automatiseringen på en måte som gir oss konkret verdi i hverdagen.

^{Ulrik Edvardsen}

‍

Når Beerenberg skulle benytte kunstig intelligens til å utføre en sentral innkjøpsoppgave, var det viktig at innkjøperen hadde tillit til at løsningen henter korrekt informasjon fra ordrebekreftelsene. Cradl AI løser denne problemstillingen ved at modellen i tillegg til den utleste verdien, også returnerer et konfidensnivå som viser hvor sikker den er på at verdien er korrekt. Et høyt konfidensnivå betyr høy sannsynlighet for at modellen har rett. Terskelen for hva som er et akseptabelt konfidensnivå bestemmes av innkjøperen selv. Dersom modellen leverer konfidensnivå under terskelen, ber den om menneskelig validering. Er den utleste verdien feil, kan man i et brukervennlig grensesnitt korrigere til den korrekte verdien. Dette minimerer risiko for feil utlesning av data, og de korrigerte verdiene brukes automatisk som ny treningsdata. Modellen blir dermed bedre over tid, men vil også kunne håndtere nye dokumentformat uten endringer i prosesslogikken. Dermed er det uproblematisk for løsningen å håndtere ordrebekreftelser fra stadig nye leverandører.

Økende grad av treffsikkerhet

Kombinasjonen av verktøy for prosessautomatisering og dokumenttolkning skaper synergieffekter som gjør det mulig å automatisere flere prosesser enn tidligere. I dette tilfellet fikk vi på kort tid automatisert en prosess som vil kreve mindre vedlikehold enn normalt og stadig bli mer treffsikker. 

Ønsker du en Proof og Concept på én dag?

Med Cradl AI kan du raskt lage en modell for å hente ut spesifikke datafelt fra dokumenter. Etter å ha opprettet en modell, definerer du hvilke felt og dataformater du ønsker å tolke. Deretter trenger du fem eller flere eksempeldokumenter. Disse dokumentene annoterer du manuelt, før du starter en trening. En trening tar normalt 20 til 60 minutter og innebærer at maskinlæringsalgoritmen læres opp til å tolke dine dokumenter. Når treningen er fullført, får du tilbakemelding på hvor godt modellen presterer. Alt dette kan gjøres på en arbeidsdag, eller vi kan gjøre det for deg, slik at du raskt kan se potensiale i en automatisering! 

‍