Forskningsfrågor: Vilka möjligheter och utmaningar finns med användningen av maskininlärning inom faktureringsprocessen? Hur har maskininlärning påverkat felkällorna inom faktureringsprocessen? Syfte: Denna studie syftar till att beskriva automatisering inom bokföringsprocessen, med fokus på fakturahantering. Detta inkluderar en analys av hur maskininlärning kan tillämpas för att automatisera datainmatning och genomföra felkontroller i bokföring, samt hur väl denna teknologi kan koppla information till korrekt kontoklass. Metod: I denna studie genomfördes datainsamlingen med hjälp av kvalitativa metoder, specifikt genom användning av semistrukturerade intervjuer. Urvalsgruppen bestod av systemutvecklare, produktutvecklare, IT-experter och en auktoriserad redovisningskonsult. Slutsats: Denna studie ger insikt i både möjligheter och utmaningar med maskininlärning inom faktureringsprocessen. Automatiseringen underlättar tolkning av fakturor och identifiering av mönster, vilket frigör tid för personal att fokusera på mer avancerade uppgifter. Fel som upptäcks i efterhand kan vara kostsamma att korrigera och det är kundens ansvar att säkerställa bokföringens korrekthet och vara medveten om potentiella felkällor. Ökad medvetenhet om systemets begränsningar och styrkor kan bidra till ökad trovärdighet och tillförlitlighet i bokföringsprocessen. / Research questions: What opportunities and challenges exist with the use of machine learning in the invoicing process? How has machine learning impacted error sources within the invoicing process? Purpose: This study aims to describe automation within the accounting process, with a focus on invoice management. This includes an analysis of how machine learning can be applied to automate data entry and conduct error checks in accounting, as well as how effectively this technology can link information to the correct account classification. Method: In this study, data collection was conducted using qualitative methods, specifically through the use of semi-structured interviews. The sample group consisted of software developers, product developers, IT experts, and a certified public accountant. Conclusion: This study provides insights into both the opportunities and challenges of machine learning within the invoicing process. Automation facilitates the interpretation of invoices and the identification of patterns, thus freeing up time for staff to focus on more advanced tasks. Errors detected post hoc can be costly to rectify, and it is the customer's responsibility to ensure the accuracy of accounting and be aware of potential sources of errors. Increased awareness of the system's limitations and strengths can contribute to enhanced credibility and reliability in the accounting process.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:mdh-66749 |
| Date | January 2024 |
| Creators | Behzadi, Tara, Daklallah, Diana |
| Publisher | Mälardalens universitet, Akademin för ekonomi, samhälle och teknik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds