Denna uppsats beskriver arbetet med att utveckla ett inkassohanteringsprogram. Arbetet är utfört åt inkassobyrån Exactor International Debt Collection från Mariestad. Bakgrunden till projektet är att Exactor behöver en programvara för att hålla ordning på de inkassoärenden som de har. En programvara som passar deras sätt att arbeta. I programmet finns det möjlighet för användaren att registrera ärenden som var och en innehåller en klient, en eller flera betalningsskyldiga (gäldenärer) och en eller flera fakturor. Vidare finns det möjlighet att söka och redigera de olika delarna i ett ärende. Uppsatsen beskriver hur programmet är konstruerat och hur det fungerar. Den beskriver också grundligt hur det kommer sig att ett ärende kommer till inkassoförfarandet. Detta för att lättare få förståelse kring resterande del av uppsatsen. Vidare beskrivs databasens design samt hur information lagras i den. / This paper describes the work of developing a debt collection management program. The work was carried out as an assignment from Exactor, an international debt collection company in Mariestad. The motivation was that Exactor needed a program to manage the debt collection errands they have. The program would have to fit their way of working. In the program, it is possible for the user to register errands that each contains a client, one or more that is liable for payment (debtors), and one or more invoices. The program also implements a feature for searching and editing the different parts of an errand. The paper describes how the program is designed and how it works. The paper also describes the basic process from the beginning of a debt to the debt collection procedures. This description is for understanding the rest of the paper. Furthermore, the database design and how information is stored in the database is described.

This thesis deals with e-invoicing of payables. It describes the various ways the e-invoice can be obtained, in particular from the moment the e-invoice is transmitted in EDI format and invoice details are put on web sites up until the e-invoice is received in PDF forma via e-mail or the scanning of the invoice document with subsequent text extraction. It determines and sets out the legislative requirements of the electronic document, looks into the benefits and drawbacks of e-invoices and compares them with paper form. The thesis also explains the technical terminology related to e-invoicing (various types of document formats, international standards for encryption of electronic communication, electronic signature, etc.). Furthermore it outlines the use of data boxes for e-invoicing. The thesis includes in its last part a practical example of implementation process of e-invoicing in a particular company.

Understatements for two-channel fixed media is a four-movement study of the sonic potential of acoustic instruments within the practice of electroacoustic studio composition. The musical identity of the entire composition is achieved through consistent approaches to disparate instrumental materials and a focused investigation of the relationships between the various acoustic timbres and their electroacoustic treatments. The analytical section of this paper builds on contemporary research in electroacoustic arts. The analysis of the work is preceded by a summary of theoretical and aesthetic approaches within electroacoustic composition and the introduction of primary criteria of sonic faktura (material essence) used in the compositional process. The analyses address the idiosyncratic use of the concept of faktura to contextualize and guide the unfolding of the work. The reconciliation of the illusory electronic textures and the acoustic sources that parented them may be considered the ultimate goal of Understatements.

Fakturor är en viktig källa av information för företag. Två exempel på viktiga fält i en faktura kan vara, hur mycket pengar som ska betalas och faktura id. På grund av olika format och innehåll i fakturor som skiljer sig åt är extraktionen av information från dessa fakturor ofta en manuell process som kräver mycket tid. För att kunna spara viktig information från semi-strukturerade dokument som fakturor så måste vissa företag lägga ner mycket manuellt arbete. Detta arbete inkluderar att behöva förstå fakturan och därefter veta vilket innehåll som är av intresse för företaget. Detta arbete kan ta mycket tid och därför hade en automatisering av denna process varit av stort intresse. I denna forskningen används named entity recognition för att lösa problemet. De frågor som forskningen besvarar är: Hur effektiv named entity recognition är för klassificering av rubriker i fakturor, samt hur mycket effektiviteten kan öka vid komplettering av ytterligare komponenter. Named entity recognition används för att kategorisera entiteter som i detta fallet är rubriker för fält i fakturor. Modellen som skapas ska avgöra om rubriker i fakturan kan kategoriseras under någon av kategorierna: Invoice number, invoice date, due date, customer number, total amount, vat code, vat amount eller currency. Forskningen försöker endast göra en proof of concept för att se om denna algoritm kan användas för att minska tiden av manuellt arbete. Produktionsmodellen som skapas evalueras med måttet f1-score. Den får med denna metod resultatet 79 av 100. Detta resultatet antyder på att named entity recognition kan användas i ett verkligt scenario för att identifiera rubriker av intresse i en faktura. Men för att få så bra resultat som möjligt så bör modellen kombineras med en lösning som identifierar fält med hjälp av dess data. / Invoices are an important source of information for businesses. Two examples of important fields in an invoice could be the amount of money to be paid and the invoice Id. Due to the different formats and content of invoices, the extraction of information from these is often a manual and time consuming process. In order to save important information from semi-structured documents such as invoices, some companies have to put in a lot of manual work. This work includes understanding the invoice and then knowing what content is of interest to the company. This work can take a lot of time and therefore an automation of this process would be of great interest. In this research named entity recognition is used to solve the mentioned problem. The topics for this research are: How effective named entity recognition is for classification of headers in invoices, as well as how much the efficiency can be improved by complementing with further components. Named entity recognition is used to categorize entities. In this case the entities are the headings of the invoice. The model that is created must determine whether headings in the invoice can be categorized under one of the following categories: Invoice number, invoice date, due date, customer number, total amount, vat code, vat amount or currency. This research tries to make a proof of concept to discover if this algorithm can be used to reduce the time spent on manual work. The production model that is created is evaluated with the f1-score measurement. With this method, it gets a result of 79 out of 100. This result indicates that named entity recognition can be used by companies in real-world scenarios to identify headings in invoices. But to get the best results possible, the model should also be combined with a solution that identifies fields using its corresponding data.

Avdragsrätt för ingående moms regleras i 8 kap. 3 § 1 st. mervärdesskattelagen (1994:200) (ML), respektive artikel 168 i mervärdesskattedirektivet. Enligt ordalydelserna i bestämmelserna får en ekonomisk aktör avdrag för ingående moms på ett förvärv sominförskaffas till en mervärdesskattepliktig verksamhet. Avyttring av dotterbolagsandelar klassificeras inte som mervärdesskattepliktig verksamhet. Avdragsrätt för ingående moms på förvärv till aktieavyttring föreligger därmed inte enligt en ordalydelsetolkning av avdragsrättsbestämmelserna. Under senare år har den begränsade avdragsrätten för ingående moms på förvärv som införskaffas till aktieavyttring utvecklats med stöd av rättspraxis. Ett förvärv som med stöd av rättspraxis omfattas av avdragsrätt vid aktieavyttring är rådgivningstjänster. En materiell förutsättning för att tjänsten ska vara avdragsgill är att ett direkt och omedelbart samband föreligger mellan kostnaden för tjänsten och den ekonomiska verksamhet som bedrivs i moderbolaget. Det materiella sambandet kommer till uttryck i en faktura. Avdragsrätt för ingående moms ska styrkas med faktura enligt 8 kap. 17 § 1 st. ML. Faktura ska enligt huvudregeln i 11 kap. 1 § 1 st. ML utfärdas av säljaren. Om Skatteverket (SKV) inte anser att det finns anledning att misstänka att avdragsrätt utnyttjas, förekommer ingen kontroll av fakturor. Detta skapar utrymme för att obefogat utnyttja avdragsrätt för ingående moms på rådgivningstjänster som förvärvas till avyttring av dotterbolagsandelar. Avdragsrätten kan utnyttjas genom att rådgivningsföretaget upprättar enosann faktura. Hur osanna fakturor kommer till uttryck och vad som kännetecknar en osann faktura uttryckte Högsta Förvaltningsdomstolen (HFD) i prejudikatet HFD 2012 ref. 69 i-iii.Enligt HFD kännetecknas en osann faktura av att tjänsten i fakturan kan vara utförd men arbetsbeskrivningen är felrubricerad till förvärvarens fördel. När fakturan är felrubriceradmöjliggör det olika skattefördelar i förvärvarens verksamhet. En skattefördel är avdrag föringående moms. SKV kan omöjligen utöva full kontroll över fakturors äkthet. Striktare krav på innehållet i en faktura kan försvåra möjligheten att felrubricera fakturor, vilket kan förebygga eventuellaobefogade momsavdrag. Hur sådana krav skulle utformas är ett område som inte ryms i uppsatsen. Däremot råder det inga tvivel om att kraven måste utformas på så sätt att de säkerställer att den rådgivningstjänst som enligt fakturan utförts i samband med avyttring även utförts i verkligheten. Ökade krav på innehållet i en faktura vid aktieavyttring kan inom svensk rätt anses begränsade, eftersom faktureringsreglerna i ML styrs av EU-rätt. Däremot har fakturan inte enbart betydelse inom mervärdesskatterätten. En äkta faktura på en rådgivningstjänst vid aktieavyttring kan gynna inkomstskatterrätten och redovisningsrätten. Om motiverande anledningar till ökade faktureringskrav lyfts från andra rättsområden, aktualiseras frågan om det finns fog för att justera faktureringskraven specifikt när rådgivningstjänster förvärvas till aktieavyttring?

Studien har genomförts på ett företag inom fakturaservice. För att arbeta proaktivt med förbättring av fakturaprocessen har syftet med studien varit att undersöka om det fanns något samband mellan olika målgrupper av slutkunder och utebliven betalning inom ett visst kundsegment. Teorier inom ämnet kvalitetsteknik har använts med utgångspunkt inom offensiv kvalitetsutveckling, processer och processledning.Studien har en kvalitativ forskningsdesign och genomfördes som en fallstudie. Intervjuer, granskning av dokument och insamling av rådata från företagets affärssystem utgjorde studiens datainsamlingsmetoder. Genom beskrivande statistik och histogram analyserades data där målgruppernas medelvärden jämfördes för att identifiera variation i processen. Resultatet visar att det finns ett starkt samband mellan målgrupperna B2B, postalt leveranssätt och åldersgruppen 66+ som alla har en stark negativ påverkan på processens ledtid.Resultatet visar även att digitalt leveranssätt har en stark positiv påverkan på processens ledtid. En viss skillnad finns mellan man och kvinna där än har fler obetalda fakturor än kvinnor. Studiens slutsatser är att förbättra delprocessen för postalt leveranssätt genom att rikta in sig på målgrupperna B2B och 66+ för att skapa en positiv påverkan på processens ledtid. / The study has been carried out at a company within invoice services. In order to work proactively with the improvement of the invoice process, the purpose of the study has been to investigate whether there was any connection between different target groups of end customers and non-payment within a certain customer segment. Theories within the subject of quality engineering have been used with a starting point in offensive quality development, processes and process management.The study has a qualitative research design and was conducted as a case study. Interviews, review of documents and collection of raw data from the company's business system constituted the study's data collection methods. Through descriptive statistics and histograms, the data was analyzed where the average values of the target groups were compared to identify variation in the process. The result shows that there is a strong connection between the target groups B2B, postal delivery method and the age group 66+, all of which have a strong negative impact on the process lead time.The result also shows that the digital delivery method has a strong positive impact on the process's lead time. There is a certain difference between men and women where than have more unpaid invoices than women. The study's conclusions are to improve the postal delivery mode sub-process by targeting the B2B and 66+ target groups to create a positive impact on the process' lead time.

Large corporations receive and send large volumes of invoices containing various fields detailing a transaction. Such fields include VAT, due date, total amount, etc. One common way to automatize invoice processing is optical character recognition (OCR). This technology entails automatic reading of characters from scanned images. One problem with invoices is that there is no universal layout standard. This creates difficulties when processing data from invoices with different layouts. This thesis aims to examine common errors in the output from Azure's Form Recognizer general document model and the ways in which machine learning (ML) can be used to solve the aforementioned problem, by providing error detection as a first step when classifying OCR output as correct or incorrect. To examine this, an analysis of common errors was made based on OCR output from 70 real invoices, and a Bidirectional Encoder Representations from Transformers (BERT) model was fine-tuned for invoice classification. The results show that the two most common OCR errors are: (i) extra words showing up in a field and (ii) words missing from a field. Together these two types of errors account for 51% of OCR errors. For correctness classification, a BERT type Transformer model yielded an F-score of 0.982 on fabricated data. On real invoice data, the initial model yielded an F-score of 0.596. After additional fine-tuning, the F-score was raised to 0.832. The results of this thesis show that ML, while not entirely reliable, may be a viable first step in assessment and correction of OCR errors for invoices. / Stora företag tar emot och skickar ut stora volymer fakturor innehållande olika fält med transaktionsdetaljer. Dessa fält inkluderar skattesats, förfallodatum, totalbelopp, osv. Ett vanligt sätt att automatisera fakturahantering är optisk teckenläsning. Denna teknologi innebär automatisk läsning av tecken från inskannade bilder. Ett problem med fakturor är att det saknas standardmall. Detta försvårar hanteringen av inläst data från fakturor med olika gränssnitt. Denna uppsats söker utforska vanliga fel i utmatningen från Azure's Form Recognizer general document model och sätten på vilka maskininlärning kan användas för att lösa nämnda problem, genom att förse feldetektering som ett första steg genom att klassificera optisk teckenläsningsutmatning som korrekt eller inkorrekt. För att undersöka detta gjordes en analys av vanligt förkommande fel i teckenläsningsutdata från 70 verkliga fakturor, och en BERT-modell finjusterades för klassificering av fakturor. Resultaten visar att de två vanligast förekommande optiska teckenläsningsfelen är:(i) att ovidkommande ord upptäcks i ett inläst värdefält och (ii) avsaknaden av ord i ett värdefält, vilka svarar för 51% av de optiska teckenläsningsfelen. För korrekthetsklassificeringen användes Transformermodellen BERT vilket gav ett F-värde på 0.98 för fabrikerad data. För data från verkliga fakturor var F-värdet 0.596 för den ursprungliga modellen. Efter ytterligare finjustering hamnade F-värdet på 0.832. Resultaten i denna uppsats visar att maskininlärning, om än inte fullt tillförlitligt, är ett gångbart första steg vid bedömning och korrigering av optiska teckenläsningsfel.

Information Extraction is a sub-field of Natural Language Processing that aims to extract structured data from unstructured sources. With the progress in digitization, extracting key information like account number, gross amount, etc. from business invoices becomes an interesting problem in both industry and academy. Such a process can largely facilitate online payment, as users do not have to type in key information by themselves. In this project, we design and implement an extraction system that combines Machine Learning and Heuristic Rules to solve the problem. Invoices are transformed into a graph structure and then Graph Neural Networks are used to give predictions of the role of each word appearing on invoices. Rule-based modules output the final extraction results based on aggregated information from predictions. Different variants of graph models are evaluated and the best system achieves 90.93% correct rate. We also study how the number of stacked graph neural layers influences the performance of the system. The ablation study compares the importance of each extracted feature and results show that the combination of features from different sources, rather than any single feature, plays the key role in the classification. Further experiments reveal the respective contributions of Machine Learning and rule-based modules for each label. / Informationsutvinning är ett delområde inom språkteknologi som syftar till att utvinna strukturerade data från ostrukturerade källor. I takt med den ökande digitaliseringen blir det ett intressant problem för både industrin och akademin att extrahera nyckelinformation som t.ex. kontonummer, bruttobelopp och liknande från affärsfakturor. En sådan process kan i hög grad underlätta onlinebetalningar, eftersom användarna inte behöver skriva in nyckelinformation själva. I det här projektet utformar och implementerar vi ett extraktionssystem som kombinerar maskininlärning och heuristiska regler för att lösa problemet. Fakturor kommer att omvandlas till en grafstruktur och sedan används grafiska neurala nätverk för att förutsäga betydelsen av varje ord som förekommer på fakturan. Regelbaserade moduler producerar de slutliga utvinningsresultaten baserat på aggregerad information från förutsägelserna. Olika varianter av grafmodeller utvärderas och det bästa systemet uppnår 90,93 % korrekta resultat. Vi studerar också hur antalet neurala graflager påverkar systemets prestanda. I ablationsstudien jämförs betydelsen av varje extraherat särdrag och resultaten visar att kombinationen av särdrag från olika källor, snarare än något enskilt särdrag, spelar en nyckelroll i klassificeringen. Ytterligare experiment visar hur maskininlärning och regelbaserade moduler på olika sätt bidrar till resultatet.

Loss of revenue due to erroneous invoicing is a serious problem for many companies in the repair and maintenance industry. Revenue loss can occur in many ways, for example by consistently charging the wrong hourly price for services. If a company is experiencing revenue loss, it is incredibly important to detect it, find where it is happening, and estimate the size of it in order to treat it. The goal of this work is to find statistical methods for detecting incorrectly charged services in a dataset of invoices, and estimate the loss of revenue in the same dataset. The dataset used comes from a real company experiencing revenue loss through incorrectly charged prices for services, and thus represents a real world instance of this problem. Multiple machine learning methods with different levels of supervision are tested for detecting anomalous invoice items and estimating revenue loss using raw invoice data. Neural network regression, and different decision tree regression methods, as well as an ensemble of these are tested and compared. The dataset has ground truth labels for each price, thus results are compared to real world targets. It is found that an ensemble using a weighted average of predictions from neural network regression and gradient boosted decision tree regression to predict the charged prices in an invoice dataset performs anomaly detection most reliably. On the top 1000 anomaly candidates, this method flags anomalies correctly 87% of the time, catching 45% of all anomalies. Moreover, in terms of estimating revenue loss, using a neural network to perform regression, a revenue loss error of just 13% is achieved. / Förlorad omsättning till följd av felaktig fakturering ar ett alvarligt problem for vissa företag i service- och reparationsbranchen. Detta kan uppstå på manga satt, till exempel genom konsekvent felaktig prissättning av tjänster. Om ett företag har stor förlust av omsättning ar det otroligt viktigt att upptäcka det, hitta var det sker, och uppskatta storleken av förlusten for att kunna behandla den. Malet med detta arbete ar att hitta statistiska metoder for att identifiera felaktigt prissatta tjänster i ett dataset av fakturor, och uppskatta förlorad omsättning i datasetet. Datasetet som används kommer från ett företag som förlorar omsättning på grund av just felfakturerat pris på tjänster, och representerar därför en verklig instans av detta problem. Ett flertal maskininlärningsmetoder, med olika grader av vägledning, används for att upptäcka felaktiga fakturarader och uppskatta förlorad omsättning i omärkt fakturadata. Regression med neuronnät, och olika beslutstradmetoder såväl som en ensembel av dessa testas och jämförs. Datasetet har sanningsenliga ettiketter till varje rad, därmed kan resultaten jämföras och utvärderas mot korrekta priser. Vi finner att en ensembel av ett neuralnät och ett gradientförstärkt beslutstrad for regression identifierar felaktiga prissättningar mest pålitligt. Pa de 1000 mest sannolika felen har denna metod ratt på 87%, vilket fångar 45% av alla fel. Vidare, med hänsyn till förlorad omsättning finner vi att ett neuralnät som utför regresssion uppnår ett fel på endast 13% i sitt estimat av förlorad omsättning.

User interfaces are a crucial point in the usage of products. A user interface is developed to make a product easy to use and understand while also presenting data, feedback and functionality to the user. In this thesis we present and explain the whole development process of a front end project. The Swedish company, Kemizares, was searching for a user interface for their finance module in their upcoming application. In this work we developed the user interface for such a module with regards to Kemizares’ functional requirements as well as the necessity that the user interface of the module could be integrated into the their application which already had an existing user interface. The solution to the problem began with a literature study in which we researched tools and programs we would use to develop the module as well as researching national and international requirements for invoices to identify necessary data to use in the finance module. Afterwards we set up a timeline with deadlines to guide us throughout the development. An agile iterative feedback method was used during the implementation of the module with Kemizares. The finance module was created and with the iterative feedback method we used during development we were able to ensure that Kemizares was satisfied with the product. However, due to limiting factors we were not able to finish the whole module and hence not able to fulfill all the requirements. The conclusion is that the module in its current state is not a viable solution for Kemizares since it was left undone but a good ground to continue from that has taken required financial data, functional requirements, and design compatibility with the rest of the application into consideration. / Användargränssnitt är en viktig punkt i användningen av produkter. Ett användar-gränssnitt är utvecklat för att göra en produkt enkel att använda och förstå samtidigt som den presenterar data, feedback och funktionalitet för användaren. I denna rapport presenterar och förklarar vi hela utvecklingsprocessen för ett frontend-projekt. Det svenska företaget Kemizares letade efter ett användargränssnitt för sin finansmodul i sin kommande applikation. I detta arbete utvecklade vi användargränssnittet för en sådan modul med avseende på Kemizares funktionella krav samt behovet av att modulens användargränssnitt kunde integreras i deras applikation som redan hade ett befintligt användargränssnitt. Lösningen på problemet började med en litteraturstudie där vi undersökte verktyg och program som vi skulle använda för att utveckla modulen samt undersökte nationella och internationella krav på fakturor för att identifiera nödvändiga data att använda i finansmodulen. Därefter satte vi upp en tidslinje med deadlines för att vägleda oss genom hela utvecklingen. En agil iterativ återkopplingsmetod användes under implementeringen av modulen med Kemizares. Finansmodulen skapades och med den iterativa återkopplingsmetoden som vi använde under utvecklingen kunde vi säkerställa att Kemizares var nöjd med produkten. Men på grund av begränsande faktorer kunde vi inte avsluta hela modulen och kunde därför inte uppfylla alla krav. Slutsatsen är att modulen i sitt nuvarande tillstånd inte är en lönsam lösning för Kemizares eftersom den lämnades ofärdig, men en bra grund att fortsätta från som har tagit hänsyn till nödvändiga ekonomiska data, funktionella krav och designkompatibilitet med resten av applikationen.