Описание проблемы
Крупное металлургическое предприятие НЛМК сталкивается с трудоёмкой и неточной ручной обработкой банковских выписок и сопоставлением их с счетами-фактурами в системе SAP. Необходима автоматизация выделения ключевых сущностей из текстов банковских выписок и точное сопоставление с бухгалтерскими документами для дальнейшей автоматической проводки.
Цель проекта
Создать инструмент, который автоматизирует рутинные операции по обработке банковской выписки в SAP S/4HANA, повысит точность сопоставления и снизит нагрузку на сотрудников.
Решение
Техническая часть
- Использование SAP Leonardo Machine Learning для обучения модели на исторических данных (платежи, счета-фактуры).
- Применение NLP (Natural Language Processing) для извлечения ключевых сущностей из текстовых полей банковских выписок (сумма, номер договора, контрагент, дата и др.). Точность извлечения сущностей превысила 99,5%.
- Разработка алгоритмов сопоставления сущностей и документов в режиме «многие-ко-многим» для автоматической проводки.
- Адаптация моделей под специфику российского рынка: работа с авансовыми и частичными платежами, поддержка кириллицы.
Аппаратная часть
- Интеграция решения непосредственно с SAP S/4HANA для бесшовной обработки финансовых документов.
- Использование вычислительных мощностей внутри инфраструктуры предприятия и SAP Leonardo.
Бизнесовая часть
- Автоматизация подняла уровень сопоставления банковских выписок и счетов-фактур с 0% до 79%, значительно снизив нагрузку на сотрудников.
- Повышение точности первичного сопоставления — модель работает точнее человека на «длинной дистанции».
- Снижение трудозатрат и сокращение периода оборачиваемости дебиторской задолженности.
- Снижение совокупной стоимости владения за счёт глубокой интеграции с SAP.
- Масштабируемость решения под рост бизнеса и смещение внимания сотрудников на стратегические задачи.
Результаты
• Точность извлечения ключевых сущностей — более 99,5%.
• Уровень автоматизации сопоставления выписок и счетов-фактур достиг 79%.
• Повышение точности обработки платежей: доверие модели до 90,57% (DaneSeel), 56,96% (ПАО НЛМК).
• Значительное снижение нагрузки на сотрудников и повышение операционной эффективности.