Thermo Fisher Scientific verkürzt die Bearbeitungszeit von Rechnungen um 70 % für 824.000 jährlich verarbeitete Dokumente

Seit seiner Gründung vor über 70 Jahren hat sich Thermo Fisher Scientific zu einem bedeutenden globalen Unternehmen entwickelt. Das Unternehmen beschäftigt mehr als 90.000 Mitarbeiter in verschiedenen Geschäftsbereichen, die Kunden in 50 Ländern bedienen.

Der Unternehmensbereich Smart Automation Global Business Services (GBS) ist an Standorten in Paisley (Schottland), Ungarn und Costa Rica tätig und unterstützt die Regionen EMEA und Nordamerika in den Bereichen Purchase-to-Pay (P2P), Record-to-Report (R2R), Order-to-Cash (O2C), HR, Beschaffung und Kundenbetreuung.

Laut Luis Cajiao, Senior Manager bei GBS, sahen sich das Unternehmen und sein Team während der COVID-19-Pandemie mit großen Herausforderungen konfrontiert, als sie die Bemühungen zur Unterstützung der Pharmaindustrie intensivieren mussten. Das GBS-Team suchte daher nach Möglichkeiten zur Automatisierung von wichtigen Routineaufgaben.

Ein besonderes Anliegen war die Verwaltung von Rechnungen und Zahlungen für Lieferanten.

„Wir standen kurz vor einer Katastrophe“, erinnert sich Cajiao. „Wir haben Tausende von Lieferanten, die uns halbstrukturierte Daten in verschiedenen Formaten schicken. Die Informationen mussten wir manuell aus den PDF-Dateien heraussuchen und dann in unsere ERP-Systeme (Enterprise Resource Planning) eingeben. Selbst in normalen Zeiten sind dies manuelle, repetitive und zeitaufwändige Aufgaben.

Die Pandemie stellte ein zusätzliche Belastung für die kritischen Workflows dar. Es wurde deutlich, dass das Unternehmen noch schneller und effizienter arbeiten musste, um sowohl Lieferanten als auch Kunden zu bedienen. 

„Es bestand die dringende Notwendigkeit, einige wichtige Prozesse zu identifizieren und zu automatisieren, um Zeit zu sparen und die betriebliche Effizienz zu steigern“, sagte er. 

Automatisierte Zahlungsabwicklung mit UiPath Document Understanding

Das GBS-Team entschied sich für eine Lösung auf Basis von UiPath Document Understanding (erhältlich über die UiPath Business Automation Platform).  

UiPath Document Understanding kombiniert Robotic Process Automation (RPA) und künstliche Intelligenz (KI), um Dokumente mithilfe von Software-Robotern automatisch zu verarbeiten. Die Roboter können so trainiert werden, dass sie Informationen in diesen Dokumenten schnell lesen, verstehen und umsetzen. Sie arbeiten schnell und mit einem hohen Maß an Genauigkeit, um Fehler zu minimieren und das Kundenerlebnis zu verbessern.

„Unser Ziel mit UiPath Document Understanding bestand darin, eine Geschäftslösung zu entwickeln, die einen robusten, standardisierten Prozess bietet, der anbieter-, ERP- und regionenübergreifend eingesetzt werden kann“, erklärt Cajiao. „Skalierbarkeit stand dabei ganz klar im Vordergrund. Bei der Priorisierung der Projekte spielte dies eine wichtige Rolle, denn wir wollten den Ansatz auch auf andere Workflows wie die Rechnungsverarbeitung und die Kundenbetreuung übertragen.“

Das erste Projekt war die Automatisierung der P2P-Rechnungsverarbeitung durch Coupa, eine Lösung für die Verwaltung von Unternehmensausgaben. Dieser Prozess erforderte UiPath Document Understanding-Funktionen, um Daten aus PDFs zu extrahieren, die von Coupa empfangen wurden - Rechnungen, Bestellungen und verwandte Dokumente. Anschließend wurde das UiPath Action Center verwendet, um die extrahierten Ergebnisse zu validieren oder fehlende Details zu erfragen (falls erforderlich). Thermo Fisher hat ein Team in Nordamerika und ein weiteres Team in Europa, das bei der Überprüfung der extrahierten Daten hilft.

Unmittelbare Vorteile 

Die auf UiPath Document Understanding basierende Lösung zeigte nahezu unmittelbar nach der Einführung erste Vorteile. So hat das GBS-Team eine reproduzierbare, standardisierte Lösung für die Rechnungsverarbeitung entwickelt, die sowohl für das Coupa-System als auch für die Anforderungen spezifischer regionaler Niederlassungen geeignet ist und zudem verschiedene Sprachen unterstützt. 

Die Entwicklung der Lösung dauerte etwa 12 Wochen. Die Dokumente stammten von verschiedenen Anbietern und lagen in unterschiedlichen Formaten vor. Mithilfe von UiPath AI Center™ wurde das Machine Learning-Modell (ML) so geschult, dass es alle benutzerdefinierten Felder in den verschiedenen Dokumentvarianten versteht. Nach der ersten Bereitstellung erreichte die Lösung beim Lesen von Dokumenten eine Genauigkeit von 82,4 %. Das GBS-Team hat sich zum Ziel gesetzt, diese Rate auf mindestens 85 % zu erhöhen.

„Die Lösung hat die Zeit, die für die Bearbeitung von Rechnungen benötigt wird, um 70 % reduziert, wobei etwa 53 % aller Rechnungen ohne menschliche Beteiligung bearbeitet werden. Dies hat unserem P2P-Finanzteam geholfen, den Arbeitsaufwand von acht Vollzeitmitarbeitern, die jährlich etwa 824.000 Rechnungen verwalteten, drastisch zu reduzieren.“

Luis Cajiao, Senior Manager, Smart Automation Global Business Services, Thermo Fisher Scientific

Die Lösung ist robust und skalierbar, sodass Thermo Fisher Scientific sie auch auf andere Arbeitsbereiche und Gruppen übertragen kann. Außerdem lässt sich die Lösung auch für interne Rechnungen und Spesen zwischen verschiedenen Gruppen und Geschäftsbereichen nutzen.

„Was uns an der UiPath Document Understanding-Technologie wirklich gefällt, ist, dass sie mit zunehmender Nutzung immer besser wird.“

Luis Cajiao, Senior Manager, Smart Automation Global Business Services, Thermo Fisher Scientific

Wertvolle Erkenntnisse für eine Document Understanding-Lösung  

Laut Andras Balogh, Solution Architect bei GBS, hat das Team während der ersten Bereitstellung wertvolle Erfahrungen gesammelt, die für künftige Automatisierungsprojekte von Nutzen sein werden.

„Zunächst haben wir festgestellt, dass es wichtig ist, sich nicht zu viel auf einmal vorzunehmen“, sagte er. „Wir haben den Entwicklungsaufwand nach Regionen aufgeteilt und dann das Datenmodell für die wichtigsten Anbieter in jeder Region erstellt und trainiert.“

Balogh zufolge sei es auch wichtig, den betroffenen Akteuren vollständige Transparenz zu bieten, um Vertrauen aufzubauen. 

„Wir stellten Kontrollen und Warnungen über den Prozess durch QA- [Qualitätssicherung] und QC- [Qualitätskontrolle] Berichte sowie Echtzeit-Modelle und Leistungsmetriken zur Verfügung“, fügte er hinzu. „Die Geschäftseinheiten waren sehr daran interessiert, wie die Lösung und die Transaktionen voranschritten. Außerdem wurde uns klar, dass wir nicht alle möglichen Funktionen sofort bereitstellen konnten. Aber wir wussten, dass neue Funktionen einfach auf der UiPath Platform entwickelt werden können, auch solche, die auf Ideen der täglichen Nutzer basieren.“

Laut Cajiao erkannte das GBS-Team, dass Verbesserungen nach der Bereitstellung der Lösung schneller umgesetzt werden konnten. Das lag daran, dass die Mitarbeiter des Unternehmens die Lösung nutzten und Anregungen einbrachten. „Dies verstärkt die Dynamik beim Wechsel von einem Arbeitsbereich zum nächsten. Anfangs hatten wir nur ein ERP- und ein P2P-Verfahren, dann kamen weitere ERPs und weitere Regionen hinzu. Jetzt möchten wir die Lösung auf unternehmensinterne Prozesse, Kundenbetreuung, Auftragserfassung und vieles mehr ausweiten. Je mehr Geschäftsprozesse wir abschließen, desto mehr Wissen sammeln wir hinsichtlich der Verbesserungsmöglichkeiten und desto mehr [Mitarbeiter] kommen auf uns zu, weil sie ebenfalls diese Technologie nutzen möchten.“

Er fügte hinzu, dass die ständige Weiterentwicklung durch die Begeisterung der Nutzer gefördert wird, die ihrerseits Ideen und Innovationen hervorbringt. So entsteht ein Kreislauf ständiger Prozessverbesserung. „Das ist das Tolle an den KI-Lösungen von UiPath“, sagte er. „Dank des UiPath AI Centers können wir problemlos weitere ML-Modelle einsetzen und diese auf der Grundlage des Feedbacks der täglichen Nutzer verbessern. Es besteht immer die Möglichkeit, Verbesserungen vorzunehmen, um das Unternehmen effizienter zu machen und unsere Anbieter, Kunden und internen Teams besser zu unterstützen." 

In den nächsten Monaten plant Thermo Fisher, AI Center auf mehreren Maschinen zu installieren, um 15 ML-Modelle zu implementieren und sicherzustellen, dass alle KI-Projekte in einer Umgebung mit hoher Verfügbarkeit und flexibler Verarbeitungsleistung laufen.