Facturen verwerken is een proces dat ieder bedrijf heeft. Heb je veel leveranciers en veel facturen, dan kunnen de kosten van zo’n proces aardig oplopen. Een grote retailer vroeg ons om eens kritisch naar het factuurproces te kijken en met een RPA-oplossing te komen. Dit is het verhaal over een paar weken werk die de klant jaarlijks 4.000 werkuren (en 100 bomen) bespaart.
Binnen bedrijven zijn nog veel vragen over RPA. Mensen hebben allerlei associaties met ‘robotics’, die helemaal niets te maken hebben met RPA. Je kunt daar dan eindeloos over gaan zitten praten, maar je kunt het beter laten zien. Pas als mensen echt een robot door schermen heen zien klikken, zien ze wat een softwarerobot doet en hoe anders RPA is dan ‘klassiek coderen’ en systemen in de backend integreren. Door snel tastbare resultaten te laten zien, creëer je enthousiasme. En dan zie je dan dat een organisatie vanzelf gaat nadenken over de mogelijkheden. En dan komen er allerlei toepassingen boven water waar RPA nog meer waarde kan toevoegen.
Dé manier hiervoor is een Proof of Concept (PoC). Een ‘proefproject’ van vier tot zes weken. Daarmee laat je in de praktijk zien wat RPA is, wat je met RPA kunt doen, wat het oplevert voor de organisatie en welke mogelijkheden er zijn om nog verder te automatiseren.
De klant waar ik het hier over heb wist al precies welk proces we daarbij moesten aanpakken: het handmatig verwerken van 600.000 leveranciersfacturen per jaar. Die werden door medewerkers eerst uit de e-mail bij elkaar gezocht, daarna uitgeprint en met de hand overgenomen in het factuursysteem, waarna ze werden opgeborgen en zeven jaar bewaard in opslagruimtes. Dat was de klant terecht een doorn in het oog. De vraag waar zij mee zaten was: “Hoe halen we de juiste data uit al die verschillende facturen?” Wij vonden het antwoord in de machine learning-toepassingen van UiPath.
We verdeelden het proces in drie functionele stappen, die we aparte automatiseerden: het ophalen van data, het classificeren van de factuur en het borgen van de data. Een eerste softwarerobot haalt de facturen uit de mailbox en geeft ze door aan een toepassing met kunstmatige intelligentie. Die analyseert ze en haalt alle belangrijke data eruit. Die worden dan door een tweede robot ingevoerd in het factuursysteem. Zo vervingen we het arbeidsintensieve, foutgevoelige en 'vervelende' handmatige proces.
In dit project zetten we dus niet alleen RPA in, maar ook Kunstmatige Intelligentie (KI). Of in het Engels Artificial Intelligence (AI). Dat klinkt veel ingewikkelder dan het is, omdat deze technologie tegenwoordig heel laagdrempelig beschikbaar is als Software as a Service (SaaS). Je hoeft dat dus tegenwoordig allemaal niet meer zelf te ontwikkelen of te installeren. Het herkennen van facturen is ook een probleem dat voor alle bedrijven min of meer hetzelfde is. Daarom hoef je het model niet zelf te trainen. Dat hebben de eerdere gebruikers van deze software voor jou al gedaan. Je kunt dus meteen beginnen met facturen verwerken.
Ik vond het een leuke uitdaging om op zoek te gaan naar de juiste oplossing voor deze klant. Het aanbod is heel groot en de verschillen in prijs en functionaliteit zijn dat ook. Dus maakte ik een uitgebreide analyse: hoe goed zijn modellen? Zijn ze goed hertrainbaar? Hoe integreert de toepassing met bestaande systemen? Kunnen we menselijke validatie gebruikersvriendelijk inbouwen? Dit was voor mij een heel leerzaam proces.
Voor deze PoC kwamen we voor de factuurverwerking uiteindelijk bij UiPath document understanding in combinatie met softwarerobots van UiPath. Maar het kan zijn dat we voor de productie-omgeving uiteindelijk nog andere keuzes maken.
Het doel bij RPA is meestal om processen volledig autonoom (‘unattended’) te laten draaien. Dat is praktisch niet altijd haalbaar. Ook in dit project combineerden we daarom attended en unattended toepassingen van RPA en AI. Verschillende leveranciers gebruiken bijvoorbeeld verschillende termen en nummers: ordernummer, factuurnummer, betalingskenmerk en debiteurnummer. Als de AI niet zeker is wat de betekenis van een nummer is, vraagt de robot aan de mens om dit te controleren. De menselijke feedback traint dan het algoritme weer, waardoor de confidence levels van de AI stijgen en er steeds minder menselijke tussenkomst nodig is. Dit is belangrijk, want we zetten RPA juist in om terugkerende, vervelende taken te automatiseren. We willen dus niet dat medewerkers factuurnummers van een bepaalde leverancier steeds handmatig moeten invoeren omdat de robot de facturen niet herkent. Om het algoritme ruimte te geven om zelf te leren, hebben we geen factuurtemplates gemaakt en geen code geschreven. De robots die de e-mail lezen en de data in de systemen invoeren werkten meteen volledig autonoom.
Een belangrijk doel bij dit project was om nul impact te hebben op IT. Of eigenlijk: nul impact van IT op ons. We werken ook bij RPA-projecten natuurlijk met een backlog en een goed development- en testproces, maar we kunnen wijzigingen veel sneller doorvoeren dan ‘klassieke’ IT-teams, die bij het toevoegen van waarde vaak gehinderd worden door systeemgrenzen en technische hindernissen. We willen bij RPA ‘end to end’ aan het hele proces werken. En we willen snel vooruit, zonder ons druk te maken over afhankelijkheden. Natuurlijk hielden we contact met IT, maar er was van hen geen inspanning nodig behalve het beschikbaar stellen van een computer met een remote desktop. Dat was genoeg om onze robots te kunnen draaien.
Met AI Computer Vision, een product van UiPath, konden we vanaf dat werkstation heel makkelijk de communicatie met desktop-apps inregelen. Zo hadden we geen backend koppelingen of dataverbindingen nodig. Door de low-code ontwikkelmogelijkheden van UiPath kregen we dit snel draaiend.
Inmiddels is de ontwikkeling van het project afgerond en is het hele proces klaar om in productie te gaan. Tests hebben laten zien dat de robot nu al 350.000 facturen per jaar kan verwerken, wat neerkomt op een besparing van 4.000 werkuren. Dat was de basis van de businesscase en de opbrengsten zijn daarin vele malen groter dan de kosten.
Zodra de robot in productie staat, verwachten we echter nog veel meer winst. Neem bijvoorbeeld het printen van de facturen. Dat is nu niet meer nodig. Dat scheelt niet alleen veel geld, maar ook zo'n 100 bomen per jaar. En wat dacht je van het opslaan en 7 jaar bewaren van al dat papier, met alle foutgevoeligheid, ruimte en randzaken die daarbij komen?
De tijd dat medewerkers niet meer bezig zijn met het overtikken van facturen, kunnen ze besteden aan het oplossen van problemen met facturen. Zodra zij hebben uitgezocht wat er mis is met een bepaalde factuur, kan het bedrijf het eigen proces veranderen of contact opnemen met de leverancier om daar om aanpassingen te vragen. Dit werk blijft nu vaak liggen.
Verder wordt ook data over alle facturen opgeslagen in een vorm die makkelijk te analyseren is. Dit geeft een diep inzicht in bedrijfskosten, leveranciersrelaties en geldstromen binnen het bedrijf. Het precies managen en sturen van het bedrijf wordt op die manier makkelijker.
Maar eigenlijk is dat dus niet het doel van een PoC. Het doel van een PoC is om enthousiasme te genereren en een basis te leggen voor verdere automatisering. Nou, dat is gelukt. De resultaten van het project werden op alle niveaus enthousiast ontvangen. Het management was natuurlijk blij met het snelle resultaat, de lagere kosten en toegenomen controle. Op de werkvloer waren de mensen vooral gelukkig met het wegvallen van saai, herhalend werk en het krijgen van meer tijd om te werken aan verbetering van de processen. En uiteraard gaan we nu met deze klant verder kijken naar de mogelijkheden van RPA en AI.
Dit bedrijf wist precies wat het met RPA wilde doen en waarom. De meeste bedrijven zijn nog niet zo ver. Vaak komen klanten bij ons met het idee om ‘iets met RPA’ te gaan doen. Wij gaan dan aan het werk en brengen samen met de klant alle processen (van een afdeling) in kaart. Daarna maken we een ‘heatmap’, waarop we alle processen indelen naar complexiteit en potentiële winst. We zijn daarbij natuurlijk op zoek naar het proces met de laagste complexiteit en de hoogste winst. Dat proces kiezen we voor onze PoC.
Als je klanten naar hun doelen vraagt hoor je vaak uitspraken als “we willen groeien van 2 miljoen omzet naar 3 miljoen” of “we willen 15% efficiënter worden”. Ik zie RPA daarbij vooral als een manier om dit soort abstracte doelen te vertalen naar de werkelijkheid van een bedrijf. Een PoC met intelligente procesautomatisering gaat heel concreet aan het werk met één proces en haalt daar alles uit wat erin zit. De impact op je bedrijfsdoelen zie je daarna meteen.
En als je eenmaal begonnen bent, zie je steeds meer mogelijkheden. Door procesanalyse te blijven doen en ondertussen stapje voor stapje je processen te automatiseren, ontdek je steeds meer use cases voor RPA. Je verzamelt door het toepassen van RPA ook steeds meer data, die je weer inzicht geven in verdere toepassingen en verbeteringen. Dit ‘sneeuwbaleffect’ kan van dat eerste PoC-project het begin maken van de totale transformatie van je bedrijf.
Ik begrijp het
