SER hat ihre InvoiceMaster-Suite für die automatisierte Bearbeitung von Eingangsrechnungen um zusätzliche leistungsstarke Funktionen erweitert. Die TabMatch-Funktion des neuen Release 1.3 bietet nun auch einen inhaltsbasierten Bestelldatenabgleich auf Basis der assoziativen Suche. Weiterentwickelt wurden auch die generischen Verfahren zur Klassifikation und Extraktion, die insbesondere in Kombination mit lernenden Verfahren höchstmögliche Erkennungsraten bieten.
Intelligenter Bestellabgleich mit TabMatch
Mit der neuen TabMatch-Funktion werden nach Ermittlung der Bestellnummer Rechnungs- und Bestelldaten durch intelligente Mechanismen automatisch abgeglichen. So können auch bestellbezogene Rechnungen, bei denen die Ergebnisse der OCR (Optical Character Recognition) nicht einwandfrei sind, oder der Positionstext des gleichen Artikels bei Rechnung und Bestellung nicht übereinstimmt, nahezu vollautomatisch verarbeitet werden. TabMatch greift dazu synchron auf die vorhandenen Bestelldaten im integrierten ERP-System zu. Mit den integrierten assoziativen Suchtechniken findet TabMatch die zusammengehörigen, aber unterschiedlich formulierten Positionen, da es die Inhalte der Positionstexte fehlertolerant vergleicht. Ist eine Rechnung deckungsgleich mit der Bestellung, so wird ein Buchungsvorschlag im Warenwirtschaftssystem erstellt, ohne dass ein Mitarbeiter die Daten manuell erfassen müsste.
Erfolgreiches Teamwork: generische und lernende Extraktionsverfahren
Die Mehrzahl der Rechnungsfelder können mittels generischer Algorithmen des SER InvoiceMaster quasi aus dem Stand vollständig ausgelesen werden, ohne dass vorher Klassen eingerichtet oder Lieferanten trainiert werden müssen. Darüber hinaus bringt die intelligente Kombination mit den selbstlernenden Verfahren vom SER InvoiceMaster noch einen zusätzlichen Mehrwert: SER InvoiceMaster wird im laufenden Produktivbetrieb auf Spezial-Fälle bzw. so genannte "Problem-Belege" automatisch trainiert und dadurch immer leistungsfähiger. Da der Produktivbetrieb im Unternehmen sofort nach der Installation gestartet werden kann, hilft die Lösung vom ersten Tag ihres Einsatzes an, Effizienzpotenziale zu nutzen. Das permanent im Hintergrund stattfindende „Dazulernen“ führt zu einer kontinuierlichen weiteren Optimierung im laufenden Betrieb. Parallel dazu können Mitarbeiter das System auch durch beispielbasiertes Lernen optimieren, um den Vollständigkeitsgrad nochmals zu maximieren.
Intelligenter Bestellabgleich mit TabMatch
Mit der neuen TabMatch-Funktion werden nach Ermittlung der Bestellnummer Rechnungs- und Bestelldaten durch intelligente Mechanismen automatisch abgeglichen. So können auch bestellbezogene Rechnungen, bei denen die Ergebnisse der OCR (Optical Character Recognition) nicht einwandfrei sind, oder der Positionstext des gleichen Artikels bei Rechnung und Bestellung nicht übereinstimmt, nahezu vollautomatisch verarbeitet werden. TabMatch greift dazu synchron auf die vorhandenen Bestelldaten im integrierten ERP-System zu. Mit den integrierten assoziativen Suchtechniken findet TabMatch die zusammengehörigen, aber unterschiedlich formulierten Positionen, da es die Inhalte der Positionstexte fehlertolerant vergleicht. Ist eine Rechnung deckungsgleich mit der Bestellung, so wird ein Buchungsvorschlag im Warenwirtschaftssystem erstellt, ohne dass ein Mitarbeiter die Daten manuell erfassen müsste.
Erfolgreiches Teamwork: generische und lernende Extraktionsverfahren
Die Mehrzahl der Rechnungsfelder können mittels generischer Algorithmen des SER InvoiceMaster quasi aus dem Stand vollständig ausgelesen werden, ohne dass vorher Klassen eingerichtet oder Lieferanten trainiert werden müssen. Darüber hinaus bringt die intelligente Kombination mit den selbstlernenden Verfahren vom SER InvoiceMaster noch einen zusätzlichen Mehrwert: SER InvoiceMaster wird im laufenden Produktivbetrieb auf Spezial-Fälle bzw. so genannte "Problem-Belege" automatisch trainiert und dadurch immer leistungsfähiger. Da der Produktivbetrieb im Unternehmen sofort nach der Installation gestartet werden kann, hilft die Lösung vom ersten Tag ihres Einsatzes an, Effizienzpotenziale zu nutzen. Das permanent im Hintergrund stattfindende „Dazulernen“ führt zu einer kontinuierlichen weiteren Optimierung im laufenden Betrieb. Parallel dazu können Mitarbeiter das System auch durch beispielbasiertes Lernen optimieren, um den Vollständigkeitsgrad nochmals zu maximieren.
