twinsterphoto / Adobe股票
Spend Matters欢迎业务自动化专家Doug Hudgeon的这篇客座文章。
P2P软件买起来很痛苦，实现起来也很痛苦。
为了获得最大的利益，你需要从你的公司中剥离采购脊髓，代之以端到端P2P系统。
这是一个大项目，需要大量的预算，如果你想实现承诺的好处，你必须坚定不移地致力于改变。销售周期很长，但幸运的是，对于P2P供应商来说，这些交易的利润率可能相当不错。
但竞争格局即将发生变化。
机器人流程自动化(RPA)软件、增强api和云交付的机器学习(ML)解决方案的组合，使您能够以极低的成本拼凑出所需的部件，以获得完整P2P系统的大部分承诺收益。
在我最近进行的一次投标中，由一家集成商、一家RPA供应商和一家增强API(发票数据提取服务)组成的财团以仅次于最低出价方的一半的价格中标。他们之所以能够达到这个价格点，是因为他们利用了客户ERP中现有的功能来管理诸如批准层次结构之类的事情，并针对缺失的功能提出了有针对性的解决方案。
这些解决方案的承诺是，与其将功能从ERP中剥离出来并将其放入其他系统中，例如将购买放入P2P系统中，不如将ERP系统做得不好的部分紧固起来:
- RPA系统，如UIPath, Blue Prism和Automation Anywhere，可以轻松地将数据输入和输出ERP系统。
- 诸如Xtracta之类的增强api(与用户界面捆绑在一起的特定于任务的服务)允许您绑定单个谨慎任务所需的所有步骤，例如发票数据提取。
- 基于云的机器学习系统，如Amazon Sagemaker、Azure机器学习工作室和谷歌云机器学习引擎，使您能够快速自动化大部分决策，如审批路由。(见下面的链接。)
这在实践中是怎样的呢?
下图显示了使用RPA、增强api和基于云的机器学习实现的P2P流程的典型尾端(从发票到ERP)。
随着发票通过电子邮件到达，工作流在第1步开始。RPA流程接收发票并将其发送到数据提取服务(步骤2)。我将数据提取服务描述为一个增强的API，因为它结合了一个基于云的服务器(API)，使用机器学习从发票中提取数据，以及一个单屏用户界面，允许您在它无法识别的发票上训练机器学习算法(步骤3)。一个基于云的机器学习系统收集数据，并通过几个机器学习模型进行运行。第一个模型确定谁应该批准发票，第二个模型对用于支出分析的产品进行分类。第五步是支出分析解决方案。在第6步中，RPA流程将发票发送给批准，最后在第7步中，RPA将发票自动输入ERP系统。
请注意，此过程仅用于演示目的，还有许多元素没有被调用。例如，在第4步中，订单数据和供应商信息需要加载到基于云的机器学习模型中，但在图中没有显示。
由于没有现成的名称，我将RPA、API和ML解决方案称为“PRIMAL”，因为它几乎是一个变位词。实际上，RPA、增强api和ML允许公司或集成商相当快地组合出一个相当不错的P2P系统近似。这将产生双重影响:
- 竞标P2P解决方案的买家将开始在他们的投标中包括PRIMAL解决方案集成商。即使他们最终选择了P2P软件供应商，他们也能够从他们的P2P供应商那里获得更好的交易，因为他们将是一个更知情的买家。
- 买家将要求P2P解决方案的模块化交付，这将减少P2P供应商的交易规模，增加交易复杂性。
这两种影响都不利于P2P供应商的利润。
那么P2P供应商该怎么做呢?我看到了两种可能的做法:他们将开始使他们的应用程序更加模块化，并允许他们的客户进行混合和匹配——或者他们将抵制模块化，并推动完全集成套件的好处。
规模较小的P2P供应商将不得不采取第一种行动。但像Ariba和Coupa可以采取第二种行动。
他们能否以第二种方式取得成功的关键将是他们供应商网络的规模和有效性，因为这是优于PRIMAL系统的关键优势。我很期待看到这一切会如何发展。我怀疑这对市场上的新P2P系统是有好处的。
道格·哈金是曼宁出版公司一本新书的作者“商业机器学习”使用Amazon SageMaker构建和部署机器学习应用程序的实践指南。在manning.com上，您可以使用代码spendml4b40在结帐时获得40%的折扣。
PRIMAL应用程序链接:
战
- UIPath https://www.uipath.com
- 蓝色棱镜https://www.blueprism.com
- 自动化随处可见:https://www.automationanywhere.com
增强api
- Xtracta https://www.xtracta.com
机器学习
- 亚马逊Sagemaker https://aws.amazon.com/sagemaker/
- 微软机器学习工作室https://azure.microsoft.com/en-au/services/machine-learning-studio/
- 谷歌云ML引擎https://cloud.google.com/ml-engine/
讨论: