21.07.2022
Moritz Lang
Autor: Moritz Lang
Verbesserte Doppelzahlungsanalyse durch KI

70% Zeitersparnis durch den Einsatz von KI

In diesem Blogpost stellen wir unsere verbesserte Doppelzahlungsanalyse vor. Diese verwendet nun eine künstliche Intelligenz, um die Qualität der Ergebnisse zu verbessern.

Bei der genannten Analyse legen wir größten Wert darauf, dass keine tatsächliche Doppelzahlung übersehen wird, deswegen ist eine liberale Suchstrategie notwendig. Diese hat den Nachteil, dass viele sogenannte False-Positives gefunden werden. Es handelt sich hierbei um gefundene Doppelzahlungen, welche in Wahrheit keine sind. 

Diverse Versuche False-Positives regelbasiert herauszufiltern sind gescheitert, weil die definierten Regeln zu statisch waren. Ein Beispiel: Möchte man Rechnungen von wiederkehrenden Zahlungen (z.B. für Miete oder Müllgebühren) aus dem Ergebnis ausschließen, so könnte man folgende Regel anwenden: Falls für mehrere Rechnungen der Kreditor und die Beträge identisch sind und die Datumsangaben (im Belegdatum) entweder 30 oder 31 Tage auseinander liegen, dann handelt es sich um keine Doppelzahlung. Kurz formuliert: ­­­


­Kreditor identisch & Beträge identisch & Belegdatumsangaben 30 oder 31 Tage auseinander -> Keine Doppelzahlung­
­
­

Das Problem: Es existieren im Allgemeinen echte Doppelzahlungen, welche diese Bedingungen erfüllen. Das Beispiel verdeutlicht, wie schnell man sich beim Definieren von Regeln im Kreis dreht, weil die getroffenen Annahmen nicht allgemein gültig sind. Immer dann, wenn das Definieren von Regeln Probleme bereitet, macht es Sinn, über den Einsatz einer KI nachzudenken. 

Das Ergebnis unserer bisherigen Analyse hat ein Verhältnis zwischen tatsächlichen Doppelzahlungen zu False-Positive Doppelzahlungen von­

­1 zu 10

Im Schnitt ist also nur jedes 11. Finding eine tatsächliche Doppelzahlung.


Damit wir unseren Kunden eine bessere Analyse bieten können, wurde diese um eine KI erweitert. Diese reduziert die Anzahl der False-Positives um mehr als 70%. Dadurch ergibt sich ein Verhältnis von 

1 zu 3

Im Schnitt ist also bereits jedes 4. Finding ein Volltreffer. Somit ersparen wir unseren Kunden mehr als 70% an Arbeit, weil der Großteil des manuellen Sichtens der „Fehlalarme“ entfällt.

Die genannte KI lernt auf einem Trainingspool, welcher bereits gefundene und gelabelte Doppelzahlungen enthält und sich ausschließlich beim Kunden befindet. Das heißt, jeder Kunde von uns trainiert seine eigene KI auf seinen eigenen Daten. Der genannte Pool wird kontinuierlich vergrößert, sodass das Training auf einer immer größeren Datenmenge stattfindet. Dadurch werden wir in Zukunft das genannte Verhältnis von 1 zu 3 noch einmal verbessern und somit ein noch komfortableres Ergebnis bieten können, weil immer weniger False-Positives gesichtet werden müssen.

Haben Sie Interesse an einer Analyse, die zuverlässig Doppel- und Mehrfachzahlungen identifiziert? Dann melden Sie sich gerne bei uns. 


Kommentare (0)
Sei der erste, der diesen Blog-Beitrag kommentiert.
Blog Anmeldung

Sie sind nicht angemeldet. Bitte melden Sie sich an um diesen Blogbeitrag zu kommentieren.

anmelden