Dokumentenextraktion: aus Anhängen strukturierte Auftragsdaten gewinnen

Dokumentenextraktion bezeichnet das automatische Herauslösen einzelner Angaben aus einem Dokument in fest definierte Datenfelder. Aus einer PDF-Bestellung werden so Kundennummer, Positionen, Mengen und Liefertermin, aus einer Anfrage die gewünschten Artikel. Das Ergebnis ist kein Volltext, sondern ein Datensatz, den ein ERP- oder CRM-System ohne Abtippen übernehmen kann.

Welche Dokumente im Innendienst anfallen

Was Kunden an den Innendienst schicken, unterscheidet sich im Aufbau stark, und davon hängt das passende Verfahren ab:

• PDF mit Textebene. Bestellungen, die ein Einkaufssystem erzeugt, enthalten maschinenlesbaren Text. Die Zeichen müssen nicht erkannt, sondern nur richtig zugeordnet werden.
• Tabellen. Excel- und CSV-Listen haben Spalten, aber selten dieselben: Beim einen Kunden heißt die Spalte „Menge“, beim nächsten „Stk.“, beim dritten fehlt die Einheit ganz.
• Scans und Fotos. Ausgedruckte, von Hand ergänzte und wieder eingescannte Formulare brauchen zuerst eine Texterkennung, bevor sich überhaupt etwas auslesen lässt.
• Der Mailtext selbst. Kurze Bestellungen kommen oft ganz ohne Anhang und gehören trotzdem in dieselbe Verarbeitung.

Bevor ein Dokument ausgelesen wird, steht in der Regel fest, um was für eine Nachricht es sich handelt; diese Vorsortierung leistet die E-Mail-Klassifizierung.

Wie Dokumentenextraktion technisch abläuft

1. Zielschema festlegen. Vor jeder Technik steht die Liste der Felder, die am Ende gebraucht werden, mit Datentyp und der Angabe, ob das Feld Pflicht ist. Was nicht im Schema steht, wird auch nicht gesucht.
2. Text gewinnen. Die Textebene wird ausgelesen oder das Bild erkannt, Tabellenstrukturen bleiben erhalten, mehrseitige Dokumente werden zusammengeführt.
3. Felder zuordnen. Positionsbasierte Schablonen funktionieren nur bei festen Layouts. Ein Sprachmodell ordnet Werte nach ihrer Bedeutung zu und kommt deshalb auch mit wechselnden Formaten zurecht.
4. Werte prüfen. Jedes Feld wird mit den Stammdaten abgeglichen und auf Plausibilität geprüft: Existiert die Artikelnummer, passt die Einheit, liegt der Liefertermin in der Zukunft?
5. Quelle mitschreiben. Zu jedem Wert wird festgehalten, aus welchem Dokument und von welcher Stelle er stammt, damit ihn jemand mit einem Blick kontrollieren kann.

Die gewonnenen Daten fließen danach in den Bestelleingang per E-Mail oder in die Bearbeitung einer Anfrage.

Worauf es bei der Auswahl ankommt

• Richtige Felder statt richtiger Zeichen. Eine nahezu fehlerfrei erkannte Seite hilft wenig, wenn in der Mengenspalte eine Zeile verrutscht ist. Gemessen wird deshalb, wie viele Felder ohne Korrektur stimmen.
• Umgang mit Unsicherheit. Ein gutes Verfahren zeigt an, wo es unsicher ist, statt einen plausiblen Wert zu raten. Ein leeres Feld mit Hinweis ist besser als ein erfundenes.
• Datenschutz. Bestellungen enthalten Namen, Anschriften und Konditionen. Vorab muss klar sein, wo die Verarbeitung läuft und welche Inhalte ein externes Modell zu sehen bekommt.
• Anbindung. Die Dokumentenextraktion ist nur so viel wert wie der Weg der Daten ins führende System. Ein Export, der anschließend wieder abgetippt wird, verschiebt die Handarbeit bloß an eine andere Stelle.

Typische Fehler in Projekten zur Dokumentenextraktion

• Mit dem schwierigsten Dokument beginnen. Der handschriftliche Sonderfall bindet viel Zeit und betrifft wenige Vorgänge. Sinnvoller ist der Start mit der Dokumentart, die am häufigsten eintrifft.
• Das Schema zu breit anlegen. Wer vorsorglich jedes denkbare Feld auslesen lässt, erhält viele unsichere Werte, die niemand braucht und die trotzdem jemand prüfen muss.
• Werte ohne Rückverweis speichern. Sieht später niemand, woher eine Zahl kam, wird das Original erneut geöffnet oder gar nicht mehr geprüft.
• Korrekturen nicht auswerten. Jede Änderung, die der Innendienst an einem ausgelesenen Feld vornimmt, zeigt eine Schwäche des Verfahrens. Bleibt sie ungenutzt, wird daraus ein Dauerfehler.

Wie wir ausgelesene Werte prüfbar halten

Wir legen jeden erkannten Wert neben seine Quelle und führen die Dokumentart als eigenes Feld mit. Wie viel daran hängt, zeigte sich bei einer Unternehmensgruppe mit eigenem Filialnetz: Die Kassenberichte der Filialen liefen im Belegregister als Rechnungen mit, und jede Umsatzauswertung auf dieser Grundlage war verzerrt. Seit die Dokumente nach ihrem Typ eingeordnet werden, tragen 221 davon die Belegart Kassenbericht, und 94 % des vermeintlichen Registerumsatzes stehen an der richtigen Stelle. Jeder Wert bleibt mit seinem Beleg verknüpft und lässt sich von Hand berichtigen. Wo Sprachmodelle solche Schritte im laufenden Betrieb übernehmen, beschreibt die Seite KI im Unternehmen.