FAQ PortalFlow

In november 2020 heeft DizzyData een ambitieus en ingrijpend project afgerond, de implementatie van PortalFlow. Hiermee werd de fundering van DizzyData vernieuwd met state-of-the-art technologieën van Amazon Webservices. In deze FAQ beantwoorden we de meest gestelde vragen rondom PortalFlow.

Wat is PortalFlow?

Onlangs zijn een aantal componenten in de backend van DizzyData vervangen door de nieuwste technologie van Amazon Web Services. Hiermee zijn een aantal processen rondom het ontvangen, herkennen en matchen van facturen vervangen door een verbeterde en innovatie werkwijze. Deze werkwijze noemen we PortalFlow. Meer informatie over de werking PortalFlow vind je in hetblog: sneller verwerken met Portalflow.

Wat is er veranderd met PortalFlow?

Met PortalFlow is het proces voor het ontvangen, herkennen en matchen van facturen vernieuwd. Het resultaat is dat documenten op een andere manier worden verwerkt. Dit gebeurt voornamelijk in de back-end, achter de schermen. Om te voorkomen dat het een te technisch verhaal wordt lichten we twee belangrijke wijzigingen toe:

Van een serieel naar parallel proces

Voorheen werden documenten serieel aangeboden aan het volgende proces. Vergelijk het met een stoplicht bij een autoweg. Wanneer DizzyData groen licht gaf mochten de documenten het proces één voor één achter elkaar doorlopen om op hun eindbestemming te komen. Kortom, DizzyData riep het proces aan door het stoplicht op groen te zetten. Met PortalFlow roept het document het proces aan, daarmee is de stoplicht functie verdwenen. Documenten kunnen nu parallel het proces doorlopen. Kortom, een snelweg voor documentverwerking met oneindig veel rijbanen. Hiermee bereiken zij véél sneller hun eindbestemming. Een visuele weergave van deze wijziging vind je in hetblog: sneller verwerken met PortalFlow.

Eerst matchen en dan classificeren

Voorheen classificeerde we facturen eerst als inkoop- of verkoopfactuur en matchte hem daarna met de relatie. Met PortalFlow is deze volgorde omgedraaid: Op basis van de gegevens die het herkent wordt er een match gezocht met een relatie. Vind het een match met een debiteur? Dan gaat het om een verkoopfactuur. Is de match een crediteur? Dan gaat het om een inkoopfactuur. Dit betekent niet dat de gegevens in het beheer overbodig worden. Ook deze gegevens neemt DizzyData in zijn oordeel mee. Uiteindelijk beslist het platform op basis van de matching score. Ofwel, waar vindt DizzyData de meeste (relevante) gegevens die met die van de factuur overeenkomen.

Wat zijn de voordelen van PortalFlow?

– We kunnen precies herleiden waar documenten zich in het verwerkingsproces bevinden. We raken documenten niet kwijt;
– We kunnen gemakkelijker releases, updates en ontwikkelingen doorvoeren. Dit zonder downtime;
– Alle administratie maken nu gebruik van machine learning. Dit leidt tot een betere herkenning van o.a. bedragen;
– Een verbeterde performance voor heel DizzyData.

Wat merk ik als klant van PortalFlow?

Met PortalFlow zijn er met name wijzigingen doorgevoerd achter de schermen in de back-end. Wat je als klant van DizzyData ziet is de front-end. Dat betekent dat je er op het oog weinig van merkt. Maar, PortalFlow heeft ook invloed op een aantal processen die betrekking hebben op het ontvangen, herkennen en matchen van facturen. Ten eerste zul je merken dat de snelheid en stabiliteit van het platform zijn verbeterd. Daarnaast speelt de compleetheid van context data (gegevens in het beheer en op de relatiekaart) een grotere rol bij het matchen van de facturen aan de relatie. Dit geldt ook voor het classificeren van inkoop- en verkoopfacturen. Voorheen gebeurde dit voornamelijk op basis van de gegevens in het beheer. Kortom, je zult merken dat niet alleen de compleetheid van gegevens in het beheer, maar ook de gegevens op relatieniveau van invloed zijn op het aantal perfecte matches.

PortalFlow matcht facturen aan relaties op basis van een matching score. Hoe werkt dat?

DizzyData legt op basis van verschillende gegevens een match met een relatie. Het platform gebruikt daarbij de gegevens uit de relatiekaarten en het beheer. Binnen deze data zoekt het zoveel mogelijk gegevens die overeenkomen met die van de factuur en kent hier een bepaalde waarde aan toe. Hierbij kijkt DizzyData ook naar de relevantie van de overeenkomstige data. De waarde die het platform aan de overeenkomstige gegevens toekent noemen we de matching score. DizzyData gaat op zoek naar de hoogste matching score en baseert daarop of het om een inkoop- of verkoopfactuur gaat.

Hoe kunnen wij er zelf voor zorgen dat het percentage perfecte matches toeneemt?

We werken constant aan het verbeteren van de herkenning en matching van ons platform. Maar je kunt DizzyData zelf ook een handje helpen. Hoe completer en nauwkeuriger de context data (gegevens in het beheer en op de relatiekaart), hoe beter DizzyData in staat is om een perfecte match te vinden. Door de gegevens goed te controleren, aan te vullen en de kwaliteit ervan te waarborgen kun je er zelf voor zorgen dat het aantal perfecte matches toeneemt. Op onze supportpagina vind je een aantalhandige tips!

Alle administratie maken nu gebruik van machine learning, hoe werkt dat?

DizzyData is een zelflerend systeem. Maar om te kunnen leren heeft DizzyData een bepaalde basiskennis nodig. Deze geven we aan het platform mee in de vorm van ankers. Op basis van die ankers kan DizzyData betekenis geven aan bepaalde waarde.

Één van die ankers is bijvoorbeeld “factuurdatum”. Als DizzyData dit anker herkent weet het platform dat hierachter een factuurdatum te vinden is. Wijkt de werkelijkheid van het anker af? Dan zal DizzyData de datum op basis van andere terugkerende factoren moeten herkennen waarbij het van het anker afwijkt.

Dit is waar de machine learning een rol gaat spelen. Hoe meer facturen DizzyData heeft gezien waarbij het anker “factuurdatum” niet precies overeenkomt met de werkelijkheid, hoe beter het in staat zal zijn de factuurdatum op basis van andere terugkerende factoren te herkennen.

Op die manier wordt de herkenning van DizzyData steeds beter en slimmer. Zo zagen we 5 maanden na de introductie van PortalFlow bijvoorbeeld al een verbetering in herkenning van 10%.

Als DizzyData door machine learning steeds slimmer wordt, kunnen jullie dan straks 100% herkenning garanderen?

Wordt de herkenning door machine learning straks 100%? Nee dat niet. Er zullen altijd situaties of uitzonderingen zijn waar DizzyData geen lering uit kan trekken. In dat geval gaat DizzyData voor kwaliteit in plaats van kwantiteit en neemt het de gegevens niet over.

Trainen jullie op herkenning van specifieke facturen?

Met PortalFlow vertrouwen we volledig op Machine Learning. Deze generieke aanpak zorgt ervoor dat al onze klanten profiteren van een optimale herkenning. Als we facturen trainen geven we DizzyData, op basis van de lay-out, aan waar het bepaalde gegevens kan vinden. We kauwen het als het ware aan DizzyData voor. De machine learning leert daar niet van. Zodra de lay-out van de factuur dan wijzigt is DizzyData niet meer in staat de juiste gegevens te vinden. Echter, leert de machine learning van DizzyData de gegevens op basis van andere terugkerende factoren te herkennen? Dan herkent het platform de gegevens ongeacht de lay-out.

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *