L’algorithme utilisé par notre outil d’OCR (Optical Character Recognition ou reconnaissance optique de caractères) lit les factures et toutes les données qu’elles contiennent. Un grand volume de factures permet à l’algorithme d’affiner sa reconnaissance et donc d’améliorer ses performances pour toutes les futures factures qui lui seront soumises. Nous souhaitons donc que les factures de tous nos clients soient soumises au même algorithme, sans cantonnement, afin de maximiser l’effet volume et de mutualiser ses avantages. Vos factures bénéficieront donc indirectement à tous nos clients, tout comme celles de nos autres clients vous bénéficieront indirectement.

La confidentialité des données de ces factures est bien sûr respectée sur toute la chaîne de traitement. Les données sont chiffrées de bout en bout, en transit et au repos. Elles ne sont en aucun cas accessibles à d’autres clients.
​

L’application analyse les associations faites entre, d’un côté, les données de facture et, de l’autre, les données de transactions bancaires, afin d’améliorer les suggestions de réconciliations futures à partir de celles déjà faites dans le passé.

L’algorithme utilise les montants, les dates, les libellés de transactions, les noms de fournisseur/client des factures pour les traduire en nombres, et manipule ensuite ces nombres pour calculer des "distances" entre factures et transactions.

Pennylane permet à l’utilisateur de catégoriser très simplement ses transactions au sein de la vue Transactions et d'en extraire un fichier lui permettant de retravailler à sa guise de la donnée à jour.

L’application analyse l’association par l’utilisateur d’un tag analytique à une transaction bancaire qui contient un mot-clé donné (par exemple le tag “Charge” au mot-clé “URSSAF”).

Sur la base des associations tag / mot-clé passées, l’application propose des tags à l’utilisateur pour ses transactions futures. Pour reprendre notre exemple, cela lui fera gagner le temps de la désignation du tag Charge pour toutes les futures transactions qui contiennent le mot URSSAF.

Il est important de noter que les tags que vous définissez ne vont pas, en tant que tels, être proposés à d’autres clients. Vos tags restent votre propriété et sont bien cantonnés au même titre que vos données. Notre modèle se limite donc à vous suggérer des tags que vous avez définis, mais ne suggère pas ces tags à d’autres clients, ni ne vous suggère les tags d’autres clients. Cependant, le modèle tourne sur l’ensemble des clients et s’améliore à partir des patterns d’association d’un tag et d’un mot de tous les clients et des similarités entre ces tags. Par exemple, les suggestions d’un tag “CHARGES” pour certaines transactions à un client A seront reconnues par le modèle pour suggérer au client B le tag “CHARGE” qu’il aura lui-même défini, pour des transactions similaires.
​

L’application vous permet de définir des règles pour apposer un tag automatiquement pour certaines transactions qui contiennent certains mots-clés.

Ces règles sont définies par vous et sont propres à chaque client (structure, géographie, secteur etc.), donc il n’y a pas d’intérêt à en mutualiser les bénéfices. Les données liées au fonctionnement de ces règles sont donc segmentées et nous souhaitons conserver cette segmentation.