Dokumentenklassifizierung: welcher Beleg ist das?

Dokumentenklassifizierung ordnet jedes eingehende Dokument einer festen Klasse zu, bevor ein einziges Feld gelesen wird. Ob ein PDF eine Auftragsbestätigung, ein Lieferschein oder ein Frachtbrief ist, entscheidet darüber, welche Felder gesucht werden, gegen welchen Vorgang geprüft wird und wer im Betrieb zuständig ist.

Warum der Typ vor den Feldern kommt

Ein Extraktionsschritt, der nicht weiß, was er liest, sucht auf gut Glück. Eine Bestellnummer steht auf der Auftragsbestätigung eines Lieferanten ebenso wie auf dessen Lieferschein und auf der Rechnung – sie bedeutet aber jedes Mal etwas anderes: Einmal wird ein Preis bestätigt, einmal eine Menge geliefert, einmal eine Forderung gestellt. Wer Felder ohne Typ ausliest, erhält einen Datensatz, der zu keinem Prüfweg passt.

Die Klasse steuert deshalb drei Dinge: das Feldschema (bei der Bestätigung Preis, Menge und zugesagter Termin je Position, beim Lieferschein gelieferte Mengen und Chargen), den Abgleich (gegen die Bestellung oder gegen den Wareneingang) und die Zuständigkeit (Einkauf, Lager, Qualitätssicherung). Eine falsche Klasse wiegt darum schwerer als ein falsch gelesenes Feld: Sie schickt das ganze Dokument in einen fremden Ablauf, wo es niemand vermisst.

Dokumentenklassifizierung: ein Klassenschema für Partnerdokumente

Das Schema folgt nicht dem Wunsch nach Vollständigkeit, sondern den Abläufen, die im Betrieb tatsächlich existieren. Für den Eingang von Lieferanten und Spediteuren sieht ein brauchbarer Anfang so aus:

• Auftragsbestätigung. Der Lieferant bestätigt Positionen, Preise und Termine; es folgt der Abgleich mit der eigenen Bestellung, beschrieben unter Auftragsbestätigung abgleichen.
• Lieferschein. Begleitet die Ware und gehört zum Wareneingang.
• Frachtbrief und Speditionspapiere. Betreffen Transport, Packstücke und Gewicht, nicht die Positionen der Bestellung.
• Prüfzeugnis und Datenblatt. Gehören zur Charge oder zum Artikel und gehen an die Qualitätssicherung.
• Rechnung. Wird erkannt und an den eigenen Rechnungseingang übergeben, statt im selben Ablauf mitzulaufen.
• Mahnung und Offene-Posten-Liste des Lieferanten. Folgenreich, wenn sie als Rechnung durchgehen.
• Werbung und Sonstiges. Wird aussortiert, damit es nicht die Klärungsliste füllt.
• Unbekannt. Diese Restklasse ist Pflicht. Ein System ohne sie muss jedes Dokument irgendwo einsortieren und macht aus Unsicherheit einen Fehler.

Neue Klassen kommen hinzu, wenn sich in der Restklasse ein wiederkehrendes Muster zeigt, nicht vorab auf Verdacht. Ein Schema mit wenigen, klar getrennten Klassen wird zuverlässiger erkannt als eines, das jede Sonderform eines einzelnen Lieferanten abbildet.

Eine E-Mail, mehrere Dokumente

Die Einheit der Klassifizierung ist nicht die E-Mail und nicht zwingend die Datei. Ein Lieferant schickt Bestätigung und Datenblatt als zwei Anhänge; ein Spediteur legt Lieferschein, Frachtbrief und Zeugnis in ein einziges gescanntes PDF; ein dritter schreibt die Terminzusage nur in den Mailtext. Vor der Typerkennung steht deshalb die Zerlegung:

• Anhänge einzeln. Jede Datei wird für sich betrachtet; Signaturbilder und Logos werden verworfen.
• Seiten eines Sammel-PDF. Seite für Seite wird geprüft, wo ein neues Dokument beginnt – an einem neuen Briefkopf, einer neuen Belegnummer oder einer Seitenzählung, die wieder von vorn anfängt.
• Mailtext als eigener Inhalt. Steht in der Nachricht „Liefertermin verschiebt sich auf Freitag“, ist das eine Terminänderung, auch ohne Anhang.

Erst nach dieser Zerlegung bekommt jedes Teil seine Klasse. Wer eine ganze Sendung pauschal als Lieferschein einordnet, verliert das beigelegte Zeugnis.

Woran die Dokumentenklassifizierung einen Typ erkennt

Drei Gruppen von Merkmalen tragen die Entscheidung, und sie tragen sie gemeinsam:

• Layout. Eine Tabelle mit Preisspalte, ein Feld für die Unterschrift bei der Warenannahme, ein Stempelbereich: Der Aufbau einer Seite verrät viel, bevor ein Wort gelesen ist.
• Schlüsselwörter und Formulierungen. „Bestätigung Ihrer Bestellung“, „Lieferschein-Nr.“, „Abnahmeprüfzeugnis“. Sprachmodelle erfassen auch Umschreibungen und fremdsprachige Dokumente, die eine starre Wortliste übersieht.
• Absender. Das Absenderkonto grenzt ein, welche Dokumentarten in Frage kommen. Es ist ein Hinweis, aber kein Beweis: Über dieselbe Adresse kommen Bestätigungen, Rechnungen und Mahnungen.

Unzuverlässig sind Dateiname und Betreff. „Scan.pdf“ sagt nichts, und ein Betreff wie „AW: Bestellung“ steht über einer Auftragsbestätigung ebenso wie über einer Rückfrage oder einer Stornierung. Solche Angaben dürfen eine Entscheidung stützen, treffen dürfen sie sie nicht. Wie sicher sich ein System bei seiner Einordnung ist, beschreibt der Artikel zum Konfidenzwert.

Typische Verwechslungen und wie man sie misst

Manche Paare lassen sich leicht vertauschen und verdienen eigene Aufmerksamkeit:

• Bestätigung und zurückgeschickte eigene Bestellung. Mancher Lieferant sendet die Bestellung gegengezeichnet zurück. Das Dokument trägt den eigenen Briefkopf, gilt aber als Bestätigung, und Änderungen können handschriftlich am Rand stehen.
• Angebot und Bestätigung. Beide enthalten Positionen, Preise und Lieferzeiten. Der Unterschied liegt im Bezug: Die Bestätigung nennt die Bestellnummer des Kunden, das Angebot nicht.
• Lieferschein und Packliste. Beide listen Artikel und Mengen. Die Packliste beschreibt, was in welchem Packstück liegt; der Lieferschein ist der Beleg, gegen den der Wareneingang gebucht wird.

Gemessen wird die Erkennung nicht als eine Gesamtzahl, sondern je Klasse. Grundlage ist ein Prüfsatz: echte Dokumente aus dem eigenen Posteingang, deren richtige Klasse ein Mensch festgelegt hat. Die Auswertung stellt gegenüber, welche tatsächliche Klasse als welche erkannt wurde – eine Verwechslungsmatrix. Sie zeigt nicht nur, wie oft das System danebenliegt, sondern wohin: Ein Lieferschein, der als Packliste endet, richtet wenig Schaden an; eine Mahnung, die als Rechnung durchläuft, deutlich mehr.

Fehlerquellen bei der Klassifizierung und wie wir vorgehen

• Schema am Schreibtisch entwerfen. Klassen, die in der Theorie sinnvoll wirken, kommen im Posteingang kaum vor, während die tatsächlichen Sonderfälle fehlen.
• Keine Restklasse. Unbekanntes landet in der nächstbesten Klasse und fällt erst im Abgleich auf oder gar nicht.
• Nur die Gesamtquote betrachten. Eine seltene, aber folgenreiche Klasse geht im Durchschnitt unter.
• Rechnungen im selben Ablauf mitnehmen. Sie folgen eigenen Prüf- und Aufbewahrungsregeln und brauchen einen eigenen Weg.

Grundlage ist der echte Posteingang. Welcher zurückliegende Zeitraum gesichtet wird, legen wir im Angebot fest; erst aus diesen Dokumenten entsteht das Klassenschema samt Restklasse. Derselbe Bestand dient als Prüfsatz, an dem die Erkennung vor dem Betrieb gemessen wird. Welche Klassen dabei wie zuverlässig erkannt werden müssen, halten wir als Abnahmekriterium fest. Wie die Klassifizierung in einen durchgehenden Dokumentenworkflow bis ins ERP eingebettet wird, zeigt die Leistungsseite; den Gesamtzusammenhang erklärt der Artikel intelligente Dokumentenverarbeitung.