Grundejernes Investeringsfond effektiviserer kontrollen af udlejernes regnskaber
Grundejernes Investeringsfond har hidtil selv udvalgt alle de regnskaber, der skal udtages til manuel kontrol.
Et nyt dataprojekt skal vise, om Grundejernes Investeringsfond kan hæve effektiviteten af deres regnskabskontrol ved at få hjælp af en machine learning-model. På baggrund af historiske data skal modellen kigge på, hvilke faktorer der er udslagsgivende for fejl i et regnskab.
Hvis dataprojektet bliver en succes, vil Grundejernes Investeringsfond lægge mere og mere vægt på resultaterne fra machine learning-modellen, når de udtager regnskaber til manuel kontrol.
Machine learning-model skal højne kvaliteten af regnskabsprocesser
Et Globeteam-dataprojekt skal bidrage til at optimere udvælgelsen af regnskaber i Grundejernes Investeringsfond. På baggrund af mange års historiske regnskabsdata kommer en machine learning-model med forslag til, hvornår der er størst sandsynlighed for, at et indleveret regnskab indeholder fejl og derfor skal udtages til manuel kontrol.
I den selvejende institution Grundejernes Investeringsfond (GI) løser de forskellige opgaver forbundet med vedligeholdelsen og udviklingen af udlejningsejendomme. I private udlejningsejendomme opført før 1970 skal en del af huslejen indbetales på en vedligeholdelseskonto. Når udlejer af en ejendom foretager vedligeholdelsesarbejde, skal vedkommende lave et vedligeholdelsesregnskab over projektets udgifter, som indberettes til GI, der udbetaler penge fra ejendommens vedligeholdelseskonto, hvis reglerne er overholdt. Ud af den samlede mængde regnskaber, GI modtager hvert år, udtager de knap 10 pct. til kontrol, det svarer til cirka 600 regnskaber. Kontrolarbejdet er én af kerneopgaverne i GI, forklarer den administrerende direktør, Lars Axelsen.
"Ud af de 600 regnskaber, vi udtager om året til kontrol, bliver cirka 450 udtaget via simpel tilfældig udvælgelse for at få et billede af den gennemsnitlige korrektionsprocent for alle indberettede regnskaber. Den ligger på cirka 15 procent. De resterende 150 regnskaber bliver udtaget til risikobaseret kontrol. Ud fra en række kriterier, der er fastlagt af bestyrelsen, forsøger vi at finde de regnskaber, hvor risikoen for fejl er størst. Kriteriet kan eksempelvis være, at det er en udlejer, der tidligere har lavet fejl i et regnskab, eller at det er en udlejer, der har en kedelig historik med konkurser. På den risikobaserede kontrol ligger korrektionsprocenten på cirka 25 procent.”
Regnskaber med størst sandsynlighed for fejl
For at optimere udtagelsen af regnskaber, således at GI’s ressourcer fokuserer på regnskaber med størst sandsynlighed for store korrektioner, har GI indledt et projektsamarbejde med Globeteam. Baseret på en machine learning-model, der har gennemtrawlet store mængder af historiske regnskabsdata, skal projektet vise, om udvælgelsen af regnskaber til risikobaseret kontrol kan blive endnu mere effektiv i fremtiden.
“Hvis det med tiden viser sig, at vi med machine learning-modellen kan optimere udtagelsen af regnskaber under den risikobaserede kontrol, kan GI øge anvendelsen af modellens udbredelse. Hidtil har udtagelsen af regnskaber været baseret på traditionelle analyser. Fremover får vi en maskine til at kigge på det, og så må vi se, hvad udbyttet bliver. Men vi har da en formodning om, at projektet kan være med til at effektivisere vores arbejde. For teknologien virker på den måde, at jo flere data, maskinen fodres med, des mere lærer den om de faktorer, der er udslagsgivende for fejl, og des mere effektiv bliver den i nedslaget,” siger Lars Axelsen.
Machine learning-modellen kan overskue flere data
Han forklarer, at målsætningen med projektet ikke kun er at finde flere fejl i den manuelle kontrol af regnskaberne.
“Målsætningen er også, at vi udtager færre regnskaber til kontrol, der viser sig ikke at være fejlbehæftede. For i sidste ende er det jo spild af vores og udlejers ressourcer at kontrollere et regnskab uden fejl. Hvis machine learning-modellen bliver en succes, tror jeg ikke, at vi kommer til at bruge færre ressourcer på kontrolarbejdet. Men vores medarbejdere kommer forhåbentlig til at bruge mere tid på værdiskabende opgaver,” siger Lars Axelsen og forklarer, at GI allerede har investeret i andre bots og computerbaserede modeller, der hjælper medarbejderne i det daglige arbejde.
“I begyndelsen var medarbejderne lidt nervøse for, om de nu helt blev erstattet af maskiner. Men vi kan se, at det er de rutineprægede opgaver, robotterne overtager. Vores medarbejdere skal stadig foretage de kvalificerede afgørelser, der beror på en faglig vurdering. Robotten er kun et støtteværktøj,” slutter Lars Axelsen.
Kan jeg hjælpe?
Vil du høre mere om, hvordan Globeteam kan hjælpe dig med en lignende løsning, så kontakt mig gerne på +45 2427 7131 eller pan@globeteam.com
Nyhedsbrev
Få vores nyhedsbrev
Hold dig opdateret på din virksomheds digitale muligheder med cases og faglige artikler