Del via

Concentrix moderniserer fakturabehandling med Power Platform og AI

Concentrix understøtter mange af verdens største mærker ved at køre komplekse forretningsaktiviteter med høj indsats bag kulisserne. Et af disse ansvarsområder er behandling af mere end 100.000 forbrugsfakturaer hver måned, der ankommer fra mere end 100 udbydere, i mere end 300 layouts og på flere sprog. Det, der begynder som en rutinemæssig arbejdsproces, bliver hurtigt en kompleks blanding af formater og undtagelser, hvilket gør manuel behandling langsom og inkonsekvent.

For at modernisere denne arbejdsproces har Concentrix bygget en storstilet automatiseringsløsning ved hjælp af Microsoft Power Platform og AI. Løsningen henter og fortolker automatisk fakturaer, tilpasser sig hundredvis af formater og leverer høj nøjagtighed med minimal menneskelig involvering.

I dette casestudie fremhæves det, hvordan Concentrix transformerede en manuel, tidskrævende proces til en skalerbar, intelligent og effektiv drift og nu opnår en gennemsnitlig ekstraktionsnøjagtighed på 96 %.

Virksomhedsudfordringer

Behandling af fakturaer krævede en omfattende manuel indsats. Hver stat arbejder med sit eget sæt leverandører, hvilket resulterer i hundredvis af fakturalayout, hvilket fører til konstante undtagelser og betydelig tid brugt på at bestemme, hvordan hver enkelt skal behandles.

Arbejdsprocessen manglede også central synlighed. Teams kunne ikke nemt spore fakturastatus, identificere forsinkelser eller måle nøgletalsindikatorer, f.eks. behandlingstid, nøjagtighed eller undtagelsessatser. Selv små justeringer var svære uden en enkelt kilde til sandhed.

Da mængderne steg fra omkring 500 fakturaer pr. måned til flere hundrede tusind, hvor 6.000 til 8.000 ankom hver dag, blev den manuelle tilgang uholdbar. Processen var langsom, fejlbehæftet og vanskeligere at skalere, da både mængde- og leverandørvariationen fortsatte med at vokse.

På den skala bliver håndtering af fakturaer manuelt et mareridt. Selve kravet – udtræk data, og indlæs dem – er enkelt. Den virkelige udfordring er at håndtere mængden, variationen og den hastighed, som virksomheden kræver.

— Syed Rasheed, Principal Architect, Concentrix

Løsning

Concentrix erstattede sin manuelle fakturaproces med en fuldt automatiseret løsning, der er baseret på Power Automate, Power Apps, AI Builder og GPT-baseret udtrækning. I stedet for at downloade fakturaer, skrive data og håndtere undtagelser manuelt, læser den nye løsning fakturaer automatisk, udtrækker vigtige oplysninger og anvender forretningsregler med minimal menneskelig involvering.

De vigtigste fordele omfatter:

  • Høj nøjagtighed i stor skala

    • Behandler mere end 100.000 fakturaer pr. måned
    • Opnår en samlet nøjagtighed på 96 % og når 99 % i januar 2026

  • Hurtigere udvikling og lavere omkostninger

    • Lavere behandlingsomkostninger pr. faktura
    • Et lille team tester hurtigt nye fakturamønstre

  • Forbedret drifts- og kundetilfredshed

    • Høj nøjagtighed styrker tilliden på tværs af handlinger
    • Kunderne modtager rene, ensartede data til tiden

Vi arbejder på tværs af alle vertikaler – bank, detailhandel, telekommunikation, uddannelse, sundhedspleje – og automatisering er en vigtig del af, hvordan vi hjælper vores kunder med at arbejde bedre og hurtigere.

— Syed Rasheed, Principal Architect, Concentrix

Arkitektur

Løsningen er bygget op omkring fire hovedområder: kilder, AI-behandling, databerigelse og brugeroplevelse. Tilsammen opretter de en fuldt automatiseret pipeline, der kan håndtere store fakturamængder med høj nøjagtighed.

Diagram over automatiseringsarbejdsprocessen for forbrugsregninger, der viser kilder, AI-behandling, databerigelse og trin til brugeroplevelse.

  1. Kilder. Fakturaer modtages via mail, delte drev, SharePoint og en Teams-indsugningskanal (hvor operationsteamet dropper PDF-filer i en chat). En gateway giver sikker adgang til kundeadministrerede delte drev og sikrer, at alle filer, uanset om de er cloud eller i det lokale miljø, går ind i den samme automatiserede arbejdsproces.

  2. AI-behandling. Et planlagt Power Automate-cloudflow kører hvert 15. minut, indsamler nye fakturaer og behandler dem i batches for at undgå begrænsning. Løsningen anvender flere lag kunstig intelligens:

    • Optisk tegngenkendelse (OCR) for mønstre, der kræver tekstforbehandling
    • Brugerdefinerede AI Builder-modeller til mønstre, hvor de stadig klarer sig godt
    • AI beder om både generelle og mønsterspecifikke modeller, der er baseret på GPT-modeller

    AI-prompter og brugerdefinerede AI Builder-modeller udtrækker data fra forbehandlede eller rå PDF-filer i OCR. Denne hybride tilgang gør det muligt for løsningen at håndtere en lang række fakturaformater med konsekvent høj nøjagtighed.

  3. Databerigelse. Udpakkede data standardiseres ved hjælp af Power Automate-cloudflowtransformationer og Dataverse-referencetabeller. Denne fremgangsmåde omfatter tilknytning af byer og postnumre og forbedring af leverandørspecifikke felter, før det endelige datasæt indlæses i SQL Server.

  4. Brugeroplevelse. En Power Apps-mobilapp giver driftsteamet en enkel måde at gennemse undtagelser på. Appen viser både den oprindelige PDF-fil og de udtrukne data, hvilket muliggør hurtig validering uden at gøre den automatiserede pipeline langsommere.

Skærmbillede af Dashboard til automatisering af Concentrix-faktura, der viser KPI'er (Key Performance Indicators), statistik for behandling af AI-fakturaer og knappen Næste.

Implementeringsfremgangsmåde

Implementeringen udviklede sig i takt med, at fakturamængderne voksede, og nye AI-funktioner blev tilgængelige. Til at starte med fungerede brugerdefinerede modeller i AI Builder godt, men vedligeholdelsen af et stort antal mønstre blev for tidskrævende, og Power Automate begyndte at overskride begrænsningsgrænser, da mængder nærmede sig 20.000 fakturaer pr. måned.

GPT-4 ændrede tilgangen. I stedet for at oplære flere modeller kan teamet sende den udtrukne PDF-tekst direkte til en AI-prompt med definerede udtrækningsregler. Denne fremgangsmåde gjorde processen til et enkelt trin i flowet, reduceret kompleksitet og fjernede begrænsningsproblemer. Et par komplekse layouts krævede stadig oplærte modeller, men senere versioner, GPT-4.1 og GPT-5, håndterede disse mønstre med højere nøjagtighed, hvilket gjorde det muligt for næsten al udtrækning at flytte til promptbaseret logik. Nøjagtigheden er forbedret fra 65-70 % med brugerdefinerede modeller til ca. 96 % efter flytning til ai-promptbaseret udtrækning.

Omdesignet omorganiserede også teamstrukturen. Gruppen, der er ansvarlig for mønsteranalyse og modelopdateringer, faldt fra omkring 40 personer til 11, der nu gennemser nye mønstre, tester dem med GPT-5 og flytter dem ind i produktion. Automatisering behandler nu omkring 100.000 fakturaer pr. måned, hvilket reducerer det manuelle behandlingsteam fra omkring 250 personer til ca. 50-60 og giver dem mulighed for at fokusere på arbejde af højere værdi.

AI-prompter om udtrækning af data

AI-prompts udgør kernen i udtrækningslogikken, hvor ca. 90 procent af fakturaer nu kører gennem prompts i stedet for brugerdefinerede MODELLER i AI Builder. En generel prompt håndterer de fleste af de enklere layout, mens specialiserede prompts dækker de mere unikke eller komplekse mønstre. Hver prompt følger følgende struktur:

  • Generelle instruktioner , der definerer rolle, overordnet opgave og fakturadataene som input
  • Globale regler , der beskriver, hvordan data skal udtrækkes
  • Formateringsregler , der definerer, hvordan manglende værdier skal behandles, og hvordan output skal struktureres
  • Regler for dataudtrækning , herunder tabeldefinitioner:
    • Header-, måler- og opladningstabeller
    • Detaljeret beskrivelse af, hvordan du udtrækker data
    • Regler for fortolkning af hvert felt
    • Variationer afhængigt af leverandør og kunde
  • JSON-eksempel , der viser det nøjagtige forventede outputformat

På følgende billede kan du se starten af en af disse prompter.

Skærmbillede af Power Automate-portalen, der viser en AI-prompt, der er konfigureret til at udtrække fakturaoplysninger.

Takeaways

Dette casestudie viser potentialet ved at bruge Power Platform og AI til at transformere en proces med høj volumen og stor variation til en skalerbar, intelligent handling. Vigtige lektioner for it-teknikere omfatter:

  • Stil de rigtige spørgsmål tidligt. Forståelse af forventet volumenvækst og datamønsterdiversitet understøtter bedre arkitektoniske beslutninger.

  • Design til variation fra dag ét. Fleksibel udtrækningslogik forhindrer omarbejdning, efterhånden som nye mønstre vises.

  • Forvent nondeterminisme og planlæg for det. Ryd formateringsregler, gelændere og valideringstrin for at sikre ensartethed.

  • Centraliseret synlighed styrker styringen. Sporing i realtid og en enkelt gennemgangsgrænseflade reducerer fejl og forbedrer muligheden for overvågning.

Fremadrettet perspektiv

Concentrix udforsker dybere cloudintegration, herunder distribution af alt fakturaindtag via Azure Blob Storage og overførsel af SQL-databaser i det lokale miljø til Azure SQL. Disse trin vil strømline handlingerne yderligere og forenkle adgangen.

Teamet planlægger også at understøtte flersprogede fakturaer, der starter med fransk, spansk og arabisk. En vigtig milepæl er fuldt ud at automatisere alle 800.000 månedlige fakturaer og onboarde yderligere 50.000 fakturaer ad gangen for at sikre stabilitet og ydeevne.

Disse fremskridt vil gøre det muligt for Concentrix at arbejde i større skala med højere nøjagtighed og med en mere strømlinet, clouddrevet arkitektur.

  • Last updated on