Распознавание входящих документов
Унифицированные форматы документов, которые утверждало государство, остались в истории. Теперь каждая организация имеет право разработать собственный шаблон накладной, счета и прочих документов. С приходом этого правила разнообразие поступающих документов удивляет даже искушенных бухгалтеров. При этом возникает проблема их анализа и заведения в бухгалтерской программе системных документов на их основе.
Решение этой проблемы – системы распознавания бумажных документов. Программное обеспечение для подобного анализа будет базироваться на нейросетях, которые обучены на шаблонах множества первичных документов.
Разработчики программ по распознаванию машинно проанализировав миллионы разнообразных документов, смогут "объяснить" программе:
-
Каковы критерии правильно оформленного документа?
-
Какие данные необходимо "забирать" из отсканированного документ для проведения в ERP-программе?
-
Какие документы необходимо отклонять контрагенту на доработку?
На текущем этапе развития программные комплексы по распознаванию текста способны определить основные разделы документа ("шапка", основные данные, подписи). При достаточном количестве документов для "обучения", нейросети способны начать оценивать где в документе указан номер, дата, перечень закупаемых номенклатур и другие сведения.
Распознавание отдельных значений значительно ускорит процесс обработки документов, т.к. бухгалтерам не придется вручную заполнять поля в системных документах. При качественно изображении они будут заполняться нейросетью.
Рассмотрим пример: компания "Альфа" получила от поставщика товарную накладную (ТОРГ-12) на 19 позиций. Документ оформлен корректно, все обязательные реквизиты заполнены, необходимые подписи присутствуют. Бухгалтер, отвечающий за поступление ТМЦ, должен обработать документ. Для занесения его в учетную программу необходимо создать системный документ, заполнить в нем основные реквизиты о поставке и указать перечень приобретенных материалов.
В ручном режиме потребуется ручной ввод данных с бумажного документа. При это не исключаются ошибки и опечатки. При периодических поставках системный документ часто создается копированием, что упрощает ввод, но не исключает ошибки.
Нейросети в программах по распознаванию документов будут самостоятельно определять поставщика, дату, номер документа, перечень приобретенных товаров, их количество, стоимость и суммы НДС. Системный документ в бухгалтерской программе будет заполняться автоматически.
Автоматизированное заведение документов полностью не исключает ошибки (опечатки в самом документе, новый формат данных, новые номенклатуры), однако он снижает объем работы бухгалтера. Каждую строчку в учетной программе нужно будет только сверить с первичным документом.
Безусловно, системы распознавания первичных документов не будут панацеей от всех бухгалтерских проблем с первичкой. Они не заставят поставщика во время присылать закрывающие акты, они не будут самостоятельно проводится в учетной системе, они не проведет анализ экономической обоснованности расходов. Но этот вид нейросетей поможет бухгалтерам оптимизировать работу.
Автоматизация рутинных задач
Работа бухгалтера состоит не только из обработки входящих первичных документов, но и дополнительных операций, необходимых для корректного составления бухгалтерской и налоговой отчетности. Самый яркий пример – "закрытие" периода, который включает в себя целый перечень хозяйственных операций. В зависимости от особенностей конкретной компании в него могут включаться:
- отражение зарплаты и сопутствующих начислений;
- амортизация ОС и НМА, списание РБП;
- погашение стоимости спецодежды;
- расчет имущественных налогов;
- формирование себестоимости;
- расчет обязательств по НДС;
- определение финансового результата и величину налога на доходы (налог на прибыль или УСН).
Персональный перечень операций по "закрытию" периода может меняться, но всегда будет значительно влиять на обязательства компании и налоговые риски. Для сокращения трудозатрат, ускорения процессов выполнения регламентных операций и исключению ошибок отлично подойдут нейросети. Они могут проводить операции ночью, они способны проверить миллионы проводок, они не уходят в отпуск. При грамотной настройке алгоритмов "закрытия" и описании всех критичных ошибок, программа сможет самостоятельно выполнить все необходимые этапы и презентовать главному бухгалтеру результаты работы.
Рассмотрим пример формирования себестоимости выпуска. Для крупных и средних предприятий, у которых широкая номенклатура продукции, расчет совокупной стоимости затрат на производство – это сложный многоуровневый процесс. Требуется учет множества разнородных расходов, которые распределяются по определенным алгоритмам. При формировании себестоимости задействуют различные системные документы и контрольные отчеты.
Переход на расчет себестоимости с помощью нейросетей многократно упростит процессы "закрытия" и увеличат скорость предоставления данных для определения финансового результата. Если заложить последовательность проводимых документов, перечень контрольных точек и требуемый финальный результат, нейронная сеть сможет сама рассчитать и распределить затраты на производство множества номенклатур.
В более продвинутых случаях можно автоматизировать процесс проверки счетов-фактур и формирования обязательств по НДС. Счета-фактуры и другие первичные документы, оцифрованные с помощью систем распознавания, могут быть проверены на наличие критических ошибок. Нейросеть сможет оценить по каждому документу риск отказа в вычете, а при интеграции с внешними сервисами контроля цепочек поставок – оценка будет максимально точной.
Нейронную сеть можно дополнительно научить оценивать риск получения налоговых требований и проведения других контрольных мероприятий. Ключевая проблема подобных функций – объем данных для обучения. Для высокоточной оценки рисков необходимы сведения о множестве проводимых проверок. Малый и средний бизнес в редких случаях располагает такими сведениями. При этом у крупного бизнеса, который имеет множество юридических лиц, будет достаточно материалов для обучения нейросетей.
Контроль работы бухгалтерии
Контроль – это жизненно необходимый этап бухгалтерской деятельности. Ошибки в суммах, опечатки в документах и прочие замечания могут привести к грандиозным финансовым убыткам компании. При этом трудозатраты на проверку первичных документов, разного рода отчетности и других хозяйственных операций занимают длительное время.
На помощь бухгалтерам приходят нейросети: включив в алгоритм все обязательные контрольные соотношения, программа будет самостоятельно их проверять и сообщать об ошибках. Подобный функционал уже существует в специализированных программах по сдаче отчетности и в большинстве учетных ERP-систем. Однако, развитие нейросетей расширит возможности по поиску ошибок.
В машинный анализ можно будет включать не только сверку полей в отчетах, но и более сложные проверки. Например, контроль корректности всех проводок (например, Дт 20.01 Кт 90.02), логики экономических показателей (например, отрицательных доходов), сопоставления доходов и расходов (например, выручка без себестоимости продаж) и другие.
Универсальность нейросетей помогает оцифровать любые контроли в рамках бухгалтерского и налогового учета. Потребуется только формализованное описание проверок, которые выполняются сейчас вручную, и достаточный объем данных для обучения нейросети.
Важно понимать: включение нейросетей в бизнес-процессы по проверке хозяйственных операций не отменяет необходимости человеческого контроля за сделками, декларациями и проводками. Машинное обучение не способно заменить профессиональное суждение и опыт налоговой оптимизации. Подобные инструменты необходимо рассматривать как дополнительную возможность ускорить процессы и снизить количество ошибок.
Начать дискуссию