De behoefte aan geautomatiseerde software voor data-invoer neemt toe. “Waarom?”, vraag je je misschien wel af. Nou, de bedrijven van vandaag draaien op gegevens, en snelle en betrouwbare toegang tot gegevens is een belangrijk concurrentievoordeel. Als je beter dan je concurrenten weet waar je processen kunt optimaliseren en stroomlijnen, ben je aan de winnende hand.
Heb je deze trend gemist? Zijn de gegevens van jouw bedrijf nog steeds verborgen in een PDF-bestand of, erger nog, in papieren documenten? Besteed je de kostbare tijd van jouw team nog steeds aan het handmatig kopiëren van gegevens uit deze bronnen?
Gelukkig is het nog niet te laat voor verandering! Recente technologische ontwikkelingen op het gebied van OCR en Machine Learning maken het gemakkelijker om af te stappen van handmatige data entry, met behulp van slimme softwareoplossingen die automatisch gegevens uit afbeeldingen en documenten halen.
In deze blog leggen we het concept van geautomatiseerde data-invoer uit, bespreken we de voordelen ervan en gaan we dieper in op de meest voorkomende gebruikssituaties voor data entry automatisering. Uiteindelijk weet jij precies hoe je jouw data-invoer processen kunt automatiseren met OCR en Machine Learning.
Voeren bedrijven nog steeds handmatig data in?
Het korte antwoord is ja. Handmatige data-invoer is een eeuwenoude handeling, die vrij hardnekkig blijkt te zijn.
In een onderzoek uit 2020 naar de stand van de automatisering binnen de verwerkende industrie gaf bijvoorbeeld bijna de helft (48 procent) van de ondervraagde bedrijven aan nog steeds spreadsheets of andere documenten voor het handmatig invoeren van data te gebruiken.
Eén van de redenen waarom data-invoer niet volledig is geautomatiseerd, is gewoonte. Het kan een gewoonte zijn geworden om een dag per week te besteden aan handmatige data entry. Andere redenen zijn een gebrek aan inzicht in de werkelijke kosten van het proces en te weinig kennis van automatiseringsmiddelen. Het handmatig kopiëren van gegevens is immers een proces dat weinig moeite kost om te implementeren, te gebruiken en te onderhouden.
Wij zien dit echter als de hoge prijs van besparingen op korte termijn. Hoe meer handmatige data entry je bedrijf moet uitvoeren, hoe meer het je op lange termijn kost. Volgens Goldman Sachs bedragen de totale kosten van handmatige, papieren factuurverwerking zelfs $2,7 miljard per jaar, wat een grote last is in termen van tijd en geld.
Met een geautomatiseerde oplossing kunnen deze kosten met minstens 50-70% worden verlaagd, terwijl sommige studies zelfs een kostenbesparing tot 80% schatten. Dat lijkt ons een goede deal, dus laten we het concept van data entry automatisering eens nader bekijken!
Wat is geautomatiseerde data entry?
Geautomatiseerde data entry kan het best worden omschreven als het gebruik van software om repetitieve handmatige administratieve taken van werknemers te schrappen, waardoor bedrijven tijd en geld besparen om hun prestaties te verbeteren en hun inkomsten te verhogen.
Software voor geautomatiseerde data entry kan informatie lezen uit een moeilijk toegankelijke bron, zoals een PDF-bestand of een gedrukt document, en geeft de gegevens door aan een ander systeem of gegevensopslag zoals databanken, spreadsheets, etc.
Hierbij kunnen verschillende technieken worden gebruikt. In grote lijnen kunnen we onderscheid maken tussen:
- Regel-gebaseerde technieken
- Machine Learning technieken
Regel-gebaseerde technieken
De traditionele, regel-gebaseerde manier van data entry zoekt naar gegevens op zeer specifieke plaatsen in een document, gedicteerd door vooraf bepaalde logica en regels. Deze regels worden in een systeem gecodeerd in de vorm van voorwaardelijke statements.
Het idee van een op-regels-gebaseerd systeem is het vastleggen van de kennis van een menselijke expert op een gespecialiseerd gebied en die op te nemen in een computersysteem. Dat is alles, niet meer en niet minder. Het is een beetje zoals een mens geboren wordt met vaste kennis.
Regel-gebaseerde systemen bestaan al vele jaren en zijn redelijk effectief geweest in het omzetten van gegevens uit documenten en het verminderen van handmatige data-invoer.
Maar terwijl regel-gebaseerde technieken goed werken met sterk gestructureerde formulieren, hebben ze moeite met half-gestructureerde en ongestructureerde documenten. Dit soort documenten is minder voorspelbaar en daarom niet goed geschikt voor de op regels gebaseerde aanpak.
Machine Learning technieken
In tegenstelling tot de op-regels-gebaseerde aanpak hebben systemen voor Machine Learning een adaptieve intelligentie. Zij interpreteren en identificeren patronen uit enorme hoeveelheden gegevens, die vervolgens kunnen worden gebruikt om te leren en te verbeteren op basis van ervaring. Hierdoor kunnen software-toepassingen in de loop der tijd nauwkeuriger uitkomsten voorspellen zonder dat deze daar expliciet voor geprogrammeerd zijn.
Een eenvoudig voorbeeld zijn de woordsuggesties die je op je telefoon krijgt terwijl je typt. Deze suggesties zijn gebaseerd op de invoer in het verleden en voorspellen wat je op dat moment zou willen zeggen.
Als een Machine Learning techniek wordt gebruikt voor een programma voor data entry, wordt een soortgelijke aanpak gebruikt om de in te voeren gegevens te vinden. Op basis van de gegevens die in het verleden zijn ingevoerd worden de juiste gegevenspunten gevonden, geëxtraheerd en automatisch ingevoerd in het gewenste systeem.
Machine Learning technieken kunnen minder gestructureerde documenten aannemen, de patronen daarin leren en methoden creëren om deze documenten om te zetten in gestructureerde gegevens.
Het beste van beide
Natuurlijk is technologie niet altijd perfect, zelfs Machine Learning niet. Hoewel het heel snel evolueert, zul je meestal geen 100% nauwkeurigheid bereiken. Gelukkig zijn daar ook oplossingen voor. Door software te combineren met de kracht van mensen kun je het beste van beide werelden combineren. Dit wordt human-in-the-loop (HITL) automatisering genoemd.
Met een HITL-oplossing kun je het grootste deel van een procedure automatiseren, gevolgd door een menselijke beoordeling om de taak te voltooien. Ondertussen leert de software van de door de mens aangebrachte wijzigingen en verbetert deze na verloop van tijd.
Dus terwijl je misschien begint bij 90% automatisering – wat natuurlijk al geweldig is – zal de HITL-verwerking je zo dicht mogelijk bij 100% automatisering brengen. Hieronder vind je een voorbeeld van een dergelijke werkstroom.
Wat zijn de voordelen van geautomatiseerde data entry?
Dankzij de ontwikkeling van geautomatiseerde software voor data entry die gebruik maakt van OCR en Machine Learning, zijn er nog maar weinig redenen om handmatige data-invoer te verkiezen boven automatisering. Geautomatiseerde hulpmiddelen maken je efficiënter en geven je meer tijd om je te concentreren op belangrijkere taken en strategische sturing.
Om je een goed inzicht te geven in de voordelen van data entry automatisering, zetten we hieronder de belangrijkste op een rijtje:
- Bespaar tijd (en dus geld)
- Verminder fouten
- Gelukkigere werknemers
- Minder papierwerk
Bespaar tijd (en dus geld)
Het grootste verkoopargument van een geautomatiseerd data entry systeem is de vermindering van het aantal werkuren van de werknemers. En aangezien tijd geld is, leidt dit tot aanzienlijke kostenbesparingen.
Er bestaat geen toverformule, maar uit onderzoek is gebleken dat intelligente automatisering doorgaans leidt tot kostenbesparingen van 40% tot 75%, waarbij de terugverdien-tijd varieert van enkele maanden tot enkele jaren.
Neem als voorbeeld de tijd die nodig is voor het handmatig verwerken van één enkele factuur. Ervaren boekhouders verwerken gemiddeld 50 facturen per uur, dat is dus ongeveer 1,2 minuut per factuur. Met een gemiddeld uurloon van €35 betekent dit dat het verwerken van één factuur ongeveer €0,70 kost.
Diezelfde boekhouder die OCR-software gebruikt, kan minstens 200 facturen per uur verwerken, ongeveer 18 seconden per factuur. Dit leidt tot verwerkingskosten van ongeveer €0,18 per factuur. Voeg daarbij de prijs van de (Klippa OCR) software van €0,05 per factuur en je krijgt een totale kostprijs van €0,23 per factuur. Dat is een directe verbetering van meer dan 60%!
Benieuwd naar onze OCR technologie? Probeer het uit in onze gratis desktop-tool hieronder:
Verminder fouten
We maken allemaal fouten. Foutenpercentages bij handmatige gegevensinvoer variëren doorgaans van 0,55% tot 3,6%, met uitschieters tot wel 26,9%.
Gelukkig kan geautomatiseerde data entry met behulp van Machine Learning deze foutenpercentages aanzienlijk verlagen door het risico van afleiding, toetsaanslag-fouten en andere fouten die vaak voorkomen bij handmatige data-invoer te voorkomen. Dit vertaalt zich in betere, nauwkeurigere gegevens die kunnen worden gebruikt om goed geïnformeerde zakelijke beslissingen te nemen.
Gelukkigere werknemers
Handmatige gegevensinvoer kan voor werknemers een ontzettend tijdrovend en saai proces zijn. Overmatige gegevensinvoer kan ook fysieke en psychologische problemen veroorzaken, zoals vermoeide ogen, Carpaal Tunnel Syndroom, tenosynovitis en emotionele stress.
Automatisering daarentegen blijkt de tevredenheid en betrokkenheid van werknemers te verbeteren, stelt werknemers in staat zich te concentreren op zinvollere en waardevollere taken en geeft onmiddellijke voldoening van het dagelijkse werk. Dat klinkt als een goede ontwikkeling, toch?
Minder papierwerk
Het handmatig beheren van gegevens kan veel middelen vergen omdat er veel voor nodig is, zoals archiefkasten, printers, inkt, kantoorruimte, enzovoort. Met de juiste software voor gegevensinvoer kun je deze middelen vrijmaken en gebruiken voor wat echt belangrijk is.
Ondertussen bespaar je heel veel bomen en bereid je jouw bedrijf voor op een duurzame toekomst!
Gebruikssituaties voor geautomatiseerde data entry met OCR en Machine Learning
Over het algemeen kunnen repetatieve taken die gebruik maken data-invoer worden geautomatiseerd. Wij lichten hieronder enkele gebruikssituaties uit om jou te inspireren op zoek te gaan naar soortgelijke procedures binnen jouw eigen organisatie:
- Factuurverwerking en crediteurenadministratie
- Verwerking van inkoop-/verkooporders
- HR en recruitment
- Loyaliteitscampagnes
- Automatisering van Know Your Customer (KYC)
Factuurverwerking en crediteurenadministratie
Factuurverwerking is een typisch voorbeeld van een proces dat schreeuwt om automatisering. Het repetitieve karakter hiervan, vooral van terugkerende facturen, en de grote volumes leiden tot vele uren saai werk voor medewerkers.
Automatie van crediteurenadministratie kan je hierbij een handje helpen. Sommige oplossingen lezen bijvoorbeeld facturen met OCR en AI en halen er zelf informatie uit, waardoor er helemaal geen gegevens meer hoeven te worden ingevoerd.
Deze oplossingen verwerken facturen wanneer ze binnenkomen. Alle factuurgegevens worden automatisch geparsed en in de respectievelijke velden in de boekhoud- of ERP-software geplaatst. Het is zelfs mogelijk om de software zachte besluitvorming te laten uitvoeren voor zaken als facturen voor voedsel of reizen. Dit minimaliseert de menselijke input, waardoor het proces minder gevoelig is voor fouten.
Verwerking van inkoop- en verkooporders
Een ander gebied van de financiële afdeling dat kan worden geautomatiseerd is de verwerking van inkoop- of verkooporders. Terwijl verkopers veel tijd besteden aan het opsporen van alle klantgegevens en het invoeren ervan in het CRM- en ERP-systeem, moet de financiële afdeling alle gegevens repliceren en invoeren in het boekhoudsysteem.
Natuurlijk verloopt dit proces nooit vlekkeloos en kan het leiden tot duplicaten, wat nadelig is voor de productiviteit. Maar als je in plaats daarvan een geautomatiseerd systeem met OCR en Machine Learning gebruikt, kun je verkoopactiviteiten compleet uitvoeren door taken zoals het invoeren van verkooporders en facturering te automatiseren. Zo houd je je database overzichtelijk en verbeter je je klantervaring.
HR en recruitment
Vraag je HR-collega’s naar de meest repetitieve en tijdrovende taak die ze hebben en ze zullen hoogstwaarschijnlijk antwoorden dat het de verwerking van de loonlijsten is. Elke maand moeten ze ervoor zorgen dat iedereen correct en op tijd wordt betaald. Daarbij hoort ook het indienen van rapporten en het betalen van loonbelasting aan de belastingdienst.
Met de juiste geautomatiseerde oplossing kunnen zij deze taken echter probleemloos uitvoeren. Ze zijn verzekerd van consistente personeelsgegevens in alle verschillende bedrijfssystemen, en ze kunnen urenstaten valideren en gemakkelijk inkomsten en inhoudingen laden of bijwerken.
Ook voor minder gestructureerde documenten, zoals cv’s, kan een software-oplossing een grote hulp zijn. Als deze OCR en Machine Learning bevat, kun je inkomende cv’s filteren en categoriseren op basis van een set regels en trefwoorden. In één oogopslag de meest interessante sollicitaties identificeren, ongewenste sollicitaties verwijderen of een andere taak uitvoeren.
En dat is nog niet alles! Zelfs het instroomproces kan een stuk sneller verlopen. Met behulp van OCR en Machine Learning haal je alle gegevens uit formulieren en identiteitsdocumenten die nieuwe werknemers opsturen, en plaats je die rechtstreeks in je HR-systeem.
Loyaliteitscampagnes
Loyaliteitsprogramma’s zijn er in vele vormen, maar ze hebben allemaal één ding gemeen: ze brengen veel back-office werk met zich mee. Meestal bestaat dat uit het controleren en valideren van een kassabon, het invoeren van de gegevens in een systeem en het vrijgeven van de beloning. Met een ouderwets, handmatig proces kan het dagen of zelfs weken duren voordat dit is uitgevoerd.
Met de Klippa OCR SDK daarentegen kun je gewoon met je mobiele telefoon een foto van de kassabon maken en de software het werk laten doen. De gegevens van de kassabon worden binnen enkele seconden geëxtraheerd, geïnterpreteerd en verwerkt!
Dit leidt niet alleen tot snellere uitbetalingen en tevredener klanten, maar je kunt ook beter omgaan met piekvolumes, maakt minder fouten en ervaart minder fraude-incidenten, zoals het accepteren van dubbele of gefotoshopte bonnen.
Als je meer wilt weten over het automatiseren van loyaliteitscampagnes, raden we je één van onze andere blogs aan, die volledig aan dit onderwerp is gewijd.
Know Your Customer (KYC)-automatie
Veel bedrijven, vooral in de verhuur-, telecom-, bank- en verzekeringssector, zijn verplicht de identiteit van hun klanten te verifiëren. Zij moeten dit doen om te voldoen aan de KYC-voorschriften.
Een ouderwets voorbeeld van dit proces is naar een bank gaan, je identiteitskaart tonen en een aantal formulieren ondertekenen. Vervolgens controleert een bankmedewerker deze gegevens en voert ze in het systeem in. Je kunt je voorstellen dat dit een zeer kostbaar en moeilijk schaalbaar proces is. Uitbesteding aan lagelonenlanden kan een optie zijn, maar dan nemen vragen over privacy-voorschriften en het risico van datalekken toe.
Het automatiseren van KYC-controles is natuurlijk de betere keuze. In plaats van gegevens handmatig in te voeren, kun je het ID of paspoort van een klant scannen door een foto te maken met je smartphone, dit combineren met een selfie en een handtekening en de software doet de rest. De authenticiteit van de scans wordt automatisch bepaald en alle vereiste gegevenspunten worden geëxtraheerd.
Lees meer over document-gebaseerde KYC-controle met OCR en AI in één van onze andere blogs.
Dit zijn slechts enkele van de vele toepassingen van software voor data-invoer automatisering in de praktijk. We hopen dat het je geïnspireerd heeft om te onderzoeken hoe een dergelijke oplossing voor je bedrijf zou kunnen werken. In het laatste deel van deze blog behandelen we hoe jij jouw data-invoer kunt automatiseren met Klippa.
Hoe automatiseer je je data entry met Klippa
OCR en Machine Learning vormen de basis van onze software voor data entry automatisering. Met OCR kunnen we de tekst in documenten en afbeeldingen identificeren. Zodra we de tekst hebben, kunnen we beginnen met begrijpen.
Met Machine Learning kunnen we datapunten identificeren die interessant zijn in de tekst en menselijk gedrag nabootsen door te leren van eerdere voorbeelden.
OCR-tekstherkenning
Laten we eens kijken naar een voorbeeld van wat onze technologie voor jou kan doen:
Door middel van OCR worden de pixels die tekst bevatten geïdentificeerd en geëxtraheerd tot digitale tekst. Het handmatig kopiëren van gegevens wordt direct vervangen door OCR. Met een nauwkeurigheid van meer dan 95% wordt alle tekst geëxtraheerd, terwijl het handmatig kopiëren van gegevens een aanzienlijk lagere nauwkeurigheid zou hebben en veel meer tijd zou kosten.
Data-extractie en gestructureerde uitvoer
Vervolgens komt ons Machine Learning-model in beeld:
Zoals eerder aangegeven, wordt machinaal leren effectiever naarmate het meer en meer voorbeelden krijgt. Een AI model wordt getraind met talrijke voorbeelden van documenten en specifieke datasets, zodat het automatisch specifieke tekst op een specifieke plaats in het document kan lokaliseren en identificeren. Na verloop van tijd kan het model voor Machine Learning dus alleen maar beter worden.
In het bovenstaande voorbeeld worden alle gegevens automatisch gecontextualiseerd en omgezet in een gestructureerd JSON-formaat.
Geautomatiseerde data entry
Om af te sluiten, wil je deze gegevens in de juiste velden van je systeem invoeren. Hieronder zie je een voorbeeld van één van onze data entry interfaces die je team kan gebruiken om de uitval te verwerken in een human-in-the-loop-opstelling. In dit geval worden alle relevante gegevens van de factuur gelezen, geëxtraheerd en reeds ingevoerd in de overeenkomstige velden. Klaar voor een laatste controle die door mensen wordt uitgevoerd.
Deze interface op zich kan jouw huidige procedures voor data-invoer al sterk verbeteren, omdat foutpreventie en geautomatiseerde suggesties zijn ingebouwd:
Aangezien we veel integraties hebben met grote ERP- en boekhoudsystemen, en we met vrijwel elk systeem kunnen koppelen via slimme import- en exportfuncties, kun je de gegevens gemakkelijk doorgeven aan andere systemen die je mogelijk gebruikt.
Het is ook mogelijk om onze technologieën te integreren in je bestaande werkstromen. Veel bedrijven gebruiken al RPA-leveranciers zoals AutomationAnywhere, UiPath, BluePrism, Mendix of andere om bepaalde werkstromen te automatiseren. Vanuit een werkstroom-perspectief zijn deze oplossingen allemaal goed. Maar wat je vaak zult zien als je kijkt naar hun OCR en Machine Learning mogelijkheden is dat hun ingebouwde oplossingen niet aanpasbaar genoeg zijn om een hoge mate van automatisering te bereiken voor jouw specifieke gebruikssituatie.
Daarom biedt Klippa zijn technologieën aan als plugins voor alle grote RPA-leveranciers, zoals Automation Anywhere, UiPath of Mendix. Schakel eenvoudig onze plug-in in en integreer deze in jouw werkstromen. Onze oplossingen kunnen worden gebruikt voor classificatie, data entry en verificatie in veel verschillende situaties. Een paar voorbeelden zijn automatische bonverwerking, automatisch scannen van bankkaarten en document-gebaseerde KYC-controles.
Kom in contact met Klippa
We hopen dat we je interesse hebben gewekt met deze blog, maar misschien heb je nog wel wat vragen. Is Klippa de juiste oplossing voor jouw bedrijf? Kunnen we je helpen met jouw unieke gebruikssituatie? Hoe moeilijk is het om onze software te implementeren en in gebruik te nemen? En ga zo maar door.
Onze ervaren productspecialisten beantwoorden graag al je vragen. Zij kunnen je alles vertellen over wat onze oplossing voor jouw bedrijf kan betekenen.
Je kunt rechtstreeks contact met ons opnemen of hieronder een gratis demo van 30 minuten plannen, waarin wij je laten zien hoe onze software werkt en hoe jouw organisatie er baat bij heeft.