Direkt zum Inhalt wechseln

Wie BKW Building Solutions mit DeepO bis zu 10'000 Arbeitsstunden pro Jahr einsparen kann.

Durch den Einsatz der kognitiven Datenerfassung mit künstlicher Intelligenz von DeepO und DeepBox ist der Anbieter von Gebäudetechnik auf gutem Weg, die Effizienz in der Kreditorenbuchhaltung deutlich zu steigern.

Hauptservice

Branche

Baunebengewerbe

Einsatzbereich

Kreditorenbuchhaltung

image

Herausforderung

Bearbeitung von mehr als 340’000 Kreditorenbelegen pro Jahr.

BKW Building Solutions mit Sitz in Ostermundigen ist ein regional verwurzelter Unternehmensverbund, der schweizweit umfassende Anlagen plant, realisiert und unterhält. Mit seinem grossen Lieferantennetz verarbeitet BKW rund 350’000 Kreditorenbelege, darunter Rechnungen, Gutschriften von Lieferanten, Mahnungen, Lieferscheine, Auftragsbestätigungen und mehr.

Aufgrund des grossen Dokumentenvolumens sind Genauigkeit und Organisation unabdingbar. Zudem hat BKW festgestellt, dass ein klarer und wachsender Bedarf besteht, Lieferantendokumente in digitaler Form empfangen zu können. Doch bis vor kurzem arbeiteten einige Lieferanten des Unternehmens noch mit Papierrechnungen. Daher erforderte die digitale Transformation von BKW auch eine Digitalisierung bei vielen seiner Lieferanten.

BKW nutzte bisher AbaScan, eine integrierte Archivierungs- und Scanlösung für sein Abacus ERP. Eines Tages stellte Bewida, der Abacus-Kundenpartner von BKW, dem Unternehmen DeepO vor. Die von DeepCloud (einer Tochtergesellschaft von Abacus) entwickelte Technologie nutzt künstliche Intelligenz zur kognitiven Datenerfassung und maschinelles Lernen, um die Dokumentenverarbeitung zu automatisieren, zu beschleunigen und präzise und sicher zu machen.


Lösung

Durchführung eines DeepO-Pilotprojekts zur Verarbeitung von 40’000 Dokumenten.

Laut Senior Project Manager Simon Häni hat BKW beschlossen, im Sommer 2023 ein Pilotprojekt mit DeepO zu starten. Die Wahl fiel auf einen Geschäftsbereich von BKW Building Solutions, für den allein rund 40’000 Dokumente verarbeitet wurden. Intern wurde eine Person als DeepO-Spezialist erkoren, die das Tool erlernen und die künstliche Intelligenz von Grund auf trainieren sollte.

Es wurde eine zentrale E-Mail-Adresse als elektronisches Postfach für eingehende Rechnungen eingerichtet, die automatisch an DeepBox, die DeepCloud-Plattform zur gemeinsamen Nutzung von Dokumenten, weitergeleitet werden. Die Lieferanten wurden daraufhin informiert und aufgefordert, von Papier- auf PDF-Rechnungen umzustellen. Der interne DeepO-Spezialist hat DeepO darauf trainiert, Projektnummern aus verschiedenen Rechnungsformaten zu erkennen und sie automatisch in die Abacus-Daten des Lieferanten zu erfassen, die BKW mit der DeepBox-Funktion „Flow“ abfragen kann. Ausserdem wurde DeepO darauf trainiert, auch individuelle Kontierungen zu verwenden, welche nicht in den Lieferantenstammdaten hinterlegt sind.

Die Einführung einer neuen Technologie in dieser Grössenordnung war für BKW und seine Lieferanten zwangsläufig ein Lernprozess. Eine Herausforderung waren nicht konforme Lieferantenrechnungen, die nicht dem üblichen Standard entsprachen, z. B. weil sie z.B. mehrere Anhänge enthielten. Ein weiteres Problem waren die häufigen Unstimmigkeiten in den Stammdaten ihres Systems, die im Laufe der Jahre zu Duplikaten, fehlenden Zahlungsbedingungen, falschen Adressen und nicht erkannten Zahlungsarten oder -beträgen geführt hatten. Um diese Probleme zu lösen mussten einerseits die Stammdaten der Kreditorenbuchhaltung überarbeitet werden. Andererseits mussten Lieferanten dazu angehalten werden, ihre Rechnungsstellung anzupassen, insbesondere auch im Hinblick auf wichtige Angeben wie die Projektnummer.

„Ein grosser Vorteil ist, dass es sich um eine Schweizer Lösung handelt. Darüber hinaus ist das Preis-Leistungs-Verhältnis um ein Vielfaches besser als bei Konkurrenzprodukten.“

Simon Häni
SENIOR PROJECT MANAGER, BKW Building Solutions

Ergebnisse

Einsparung von 10’000 Arbeitsstunden pro Jahr durch Effizienzsteigerung bei der Prozessautomatisierung.

Das erste Projekt war ein Erfolg, und innerhalb weniger Monate konnte BKW einen zweiten Geschäftsbereich mit einem Volumen von 16’000 Belegen abwickeln. Anfang 2024 wurden weitere vier Geschäftsbereiche mit rund 66’000 Belegen auf DeepO umgestellt. Schussendlich werden dann alle rund 350’000 Belege, welche BKW Building Solution jährlich vearbeitet, auf DeepO umgestellt.

Laut Simon Häni ist die Einführung von DeepO ein fortlaufendes Projekt. DeepO wird zunächst für die Verarbeitung von Dokumenten von Lieferanten mit hohem Dokumentenaufkommen eingesetzt. Anschliessend soll das System für die Bearbeitung von Dokumenten eingesetzt werden, welche eine erhebliche Zeitersparnis ermöglichen. Schliesslich nimmt sich BKW Building Solutions der Sonderfälle an. DeepO wird auf einzelne Lieferantendokumente trainiert, um auch deren Verarbeitung zu automatisieren.

Häni strebt an, dass 80% der Rechnungen mit einer Projektnummer ohne manuelle Eingriffe in den Kreditorenfreigabeprozess gelangen. Berücksichtigt man alle manuellen Prozesse, die DeepO ersetzen könnte, wie das Öffnen von Umschlägen, die formale Prüfung, das Scannen und die Verarbeitung, so könnte BKW nach Schätzungen von Häni bis zu 10’000 Arbeitsstunden pro Jahr einsparen. Dies entspricht fünf Vollzeitstellen. So bleibt mehr Zeit, um mit demselben geschulten Personal noch mehr Volumen effizient zu bearbeiten.

Wenn Häni recht hat, bedeutet dies für BKW dank DeepO eine enorme Effizienzsteigerung. Häni nennt drei Hauptgründe, warum die Wahl des Unternehmens auf DeepO gefallen ist, um die digitale Transformation von BKW voranzutreiben. Erstens ist DeepO eine Schweizer Lösung, und alle Dokumente werden sicher in der Schweiz verarbeitet. Zudem ist das Preis-Leistungs-Verhältnis nach den Erfahrungen von Häni um ein Vielfaches besser als bei Konkurrenzprodukten. Der letzte Grund ist die unkomplizierte Anbindung und der direkte Support, den das Unternehmen von Abacus erhält.

350’000 Dokumente

Voraussichtliches jährliches Volumen, das mit DeepO automatisiert werden soll

-10’000 Arbeitsstunden

Voraussichtliche Kosteneinsparungen durch die automatisierte Verarbeitung