SMSF regnskabseffektivitet – hvor skal du næste gang?

Af Andy Forbes, CTO for Superkoncepter

Regnskabspraksis over hele landet spilder en betydelig mængde tid på at manuelt sortere papirarbejde og transskribere data til forskellige systemer. Fremskridt inden for maskinlæring automatiserer dog meget af dette arbejde og lover at give revisorer mere tid til at fokusere på kundeværdi.

Vi ser grundlæggende eksempler på dette gennem kreditor- eller personalegodtgørelsessystemer, der tager digitale fakturaer eller fotos og udtrækker detaljer til software. Og ja, med kun én simpel dokumenttype er denne teknologi nem at implementere. Kommercielle tilbud på dette område fungerer normalt meget godt og sparer virksomhederne en masse tid.

Vores Innovation Lab har undersøgt, hvordan en lignende tilgang kan anvendes til at strømline pensionsregnskab og overholdelse. De dokumenter, vi arbejder med, er dog ikke bare simple fakturaer – der er utallige typer dokumenter, hver med deres egne datasæt, der skal identificeres og udtrækkes.

Vi har forsøgt at udvide træk og slip-tilstanden ved at udvikle et batch-uploadsystem via enten e-mail eller masseupload. Dokumenterne behandles herefter, og dataene er klar til brug – ligesom et datafeed, men uden overhead af indhentende myndigheder.

I løbet af de sidste par år har vi testet begge metoder for at strømline SMSF-administrationen inden for SuperMate. Årlige skatteopgørelser kan behandles gennem træk og slip-metoden, som har vist sig væsentligt mere effektiv, når du indtaster komplicerede skattekomponenter.

For nylig har vi bygget en helt ny platform – DataHero^TM som fungerer som en e-mailadresse, du blot kan sende alle de vigtigste dokumenter til. De identificeres automatisk, og dataene udtrækkes og gemmes på et centralt sted.

Da denne platforms ekstraktionsmotor fortsætter med at være optimeret, har vi udført tests af den i virkelig brug i SMSF-administration på tværs af fem nøgledokumenttyper. I løbet af retssagen blev blot 160,000 banktransaktioner automatisk indtastet direkte i SuperMate, hvilket sparer betydelig behandlingstid.

Nu den DataHero^TM er klar til bredere brug, bygger vi den ind i den næste generation af SuperMate, så vores kunder kan drage fordel af denne spændende teknologi. Maskinlæringsdokumentbehandling er blot en af ​​måderne, hvorpå SuperMate vil øge din praksiseffektivitet.

Den næste generation af SuperMate lanceres i begyndelsen af ​​2022. For at holde dig opdateret, Tilmeld dig din interesse her.

Kilde: https://australianfintech.com.au/smsf-accounting-efficiencies-where-to-next/