{"id":35732,"date":"2022-11-01T13:55:02","date_gmt":"2022-11-01T12:55:02","guid":{"rendered":"https:\/\/www.d-velop.de\/blog\/?p=35732"},"modified":"2025-05-09T09:25:38","modified_gmt":"2025-05-09T07:25:38","slug":"rechnungserfassung","status":"publish","type":"post","link":"https:\/\/www.d-velop.de\/blog\/prozesse-gestalten\/rechnungserfassung\/","title":{"rendered":"Digitale und automatisierte Rechnungserfassung \u2013 Diese Techniken stecken dahinter"},"content":{"rendered":"\n

Das automatische Erfassen und Auslesen von Rechnungen ist einer der wichtigsten Bestandteile bei der digitalen Rechnungsverarbeitung. In diesem Artikel erf\u00e4hrst Du am Beispiel unserer digitalen Rechnungsverarbeitungsl\u00f6sung d.velop invoices<\/a>, welche Techniken bei der Rechnungserfassung zum Einsatz kommen, um z.B. Bestellnummern, Positionen, Betr\u00e4ge sowie viele weitere Daten automatisiert auszulesen.<\/p>\n\n\n\n

<\/span>Rechnungen erfassen und auslesen<\/span><\/h2>\n\n\n\n

Rechnungen k\u00f6nnen \u00fcber die unterschiedlichsten Wege im Unternehmen eintreffen. Sei es nun per E-Mail, aus verschiedenen Webportalen oder ganz klassisch per Post. Alle eingehenden Rechnungen werden in eine zentrale Verarbeitungsstrecke gef\u00fchrt. Zun\u00e4chst wird eine Optical Character Recognition (kurz: OCR; z.Dt.: Texterkennung) bei den Rechnungen durchgef\u00fchrt. Hierbei werden alle auf der Bilddatei einer Rechnung vorhandenen Informationen in Text umgewandelt. Diese Daten werden im Anschluss zur Auslesekomponente geschickt.<\/p>\n\n\n\n

Diverse Informationen wie z.B. die Empfangs-E-Mail-Adresse oder Informationen aus 1D- und 2D-Barcodes k\u00f6nnen direkt der Softwarekomponente zugef\u00fcgt werden, welche die Daten ausliest. Auch die Daten aus rein elektronischen Rechnungsformaten (z.B. XRechnungen<\/a>) k\u00f6nnen sofort als gesicherte Informationen in den Folgeprozess \u00fcbergeben werden.<\/p>\n\n\n\n

Bei der Analyse des Inhaltes einer Rechnung werden schlie\u00dflich mehrere Erkennungsstrategien kombiniert. Als Erstes wird versucht, die ausgelesen Informationen mithilfe von Stammdaten aus der Datenbank des Unternehmens zu validieren. Diese Methode liefert sehr sichere und valide Ergebnisse. Wie wichtig gut gepflegte Stammdaten f\u00fcr ein Unternehmen sind, haben wir in unserem Blogartikel \u201eValide Stammdaten \u2013 Ein Must-Have f\u00fcr Unternehmen<\/a>\u201c bereits betrachtet. Liegen keine Stammdaten vor, gibt es verschiedene generische Methoden zur Erkennung aller relevanten Informationen.<\/p>\n\n\n\n

<\/span>Rechnungserfassung in 5 Schritten<\/span><\/h2>\n\n\n\n

Im Folgenden wird beispielhaft eine exemplarische Reihenfolge von Ereignissen innerhalb der Auslesekomponente n\u00e4her betrachtet. Es wird hier davon ausgegangen, dass valide Stammdaten vorliegen. Die nachfolgend beschriebenen Schritte der Rechnungserfassung sind f\u00fcr Endanwender:innen nicht sichtbar.<\/p>\n\n\n

\n
\"Rechnungserfassung<\/figure><\/div>\n\n\n

1) Erkennung der Bestellnummer<\/h3>\n\n\n\n

Bei Rechnungen mit Bestellbezug befinden sich bereits viele n\u00fctzliche Informationen in der Datenbank des Unternehmens. Neben den einzelnen Positionsdaten gibt es auch die Kreditoren-ID, den Rechnungsempf\u00e4nger, zu belastende Kostenstellen und weitere Informationen.<\/p>\n\n\n\n

Um die richtigen Bestellnummern zu finden, wird mithilfe einer dynamischen Textschablone nach dem Muster der Bestellnummer gesucht. Alle Ergebnisse werden zur Datenbank der offenen Bestellnummern geschickt. Bei Treffern werden die der Bestellnummer anh\u00e4ngigen Informationen als gesicherte Information \u00fcbernommen.<\/p>\n\n\n\n

2) Erkennung des Rechnungsempf\u00e4ngers<\/h3>\n\n\n\n

Wird der Rechnungsempf\u00e4nger nicht bereits durch vorhergehende Schritte vorgegeben, muss dieser erkannt werden. Es werden Fuzzy-Search-Technologien genutzt, um die Ergebnisse mit den Debitorendaten abzugleichen. Der Eintrag mit der h\u00f6chsten \u00dcbereinstimmung definiert dann den Rechnungsempf\u00e4nger.<\/p>\n\n\n\n

3) Erkennung des Kreditoren<\/h3>\n\n\n\n

Im n\u00e4chsten Schritt wird die Kreditoren-ID erkannt, sofern diese nicht bereits vordefiniert wurde. Dazu werden verschiedene Informationen vom Dokument ausgelesen und zur Datenbank geschickt. Die m\u00f6glichen Kreditoren werden bereits durch den vorgegebenen Rechnungsempf\u00e4nger vorgefiltert.
Folgende Informationen von der Rechnung werden zur Datenbank geschickt.<\/p>\n\n\n\n

    \n
  • IBAN<\/li>\n\n\n\n
  • Umsatzsteuer ID<\/li>\n\n\n\n
  • Steuernummer<\/li>\n\n\n\n
  • E-Mail<\/li>\n\n\n\n
  • Adressdaten<\/li>\n\n\n\n
  • Weitere Informationen<\/li>\n<\/ul>\n\n\n\n

    Der beste Treffer nach Abgleich der Daten definiert den Kreditoren.<\/p>\n\n\n\n

    4) Erkennung der Kopfdaten<\/h3>\n\n\n\n

    Sind Rechnungsempf\u00e4nger und Kreditor bekannt, wird zuerst nach Kreditorenspezifischen, gesicherten Informationen gesucht. Gesicherte Informationen k\u00f6nnten an dieser Stelle durch vorheriges manuelles oder automatisches hinterlegen von Erkennungslogiken bereits vorliegen. Ist dies nicht der Fall, werden alle Metadaten generisch erkannt.<\/p>\n\n\n\n

      \n
    • Rechnungsnummer<\/strong>: Es gibt eine Anzahl von Ankerbegriffen, die eine Rechnungsnummer definieren (z.B. \u201eRechnungsnummer\u201c, \u201eRE-NR\u201c, \u201eBelegnummer\u201c). Nach diesen wird gesucht und die Information rund um diesen Begriff wird als m\u00f6gliche Rechnungsnummer gewertet.<\/li>\n<\/ul>\n\n\n\n
        \n
      • Rechnungsdatum<\/strong>: Es werden alle auf der Rechnung vorliegenden Daten in eine zeitliche Abfolge gebracht. Dabei spielt es keine Rolle, ob das Datum als TT.MM.JJJJ, MM.TT.JJJJ, T.M.JJ oder mit ausgeschriebenen sowie abgek\u00fcrzten Monatsnamen geschrieben wurde. Die Monatsnamen sind in verschiedenen Sprachen hinterlegt. Das Datum, was dem heutigen Datum entspricht bzw. das j\u00fcngste Datum in der Vergangenheit, wird als Rechnungsdatum angenommen.<\/li>\n<\/ul>\n\n\n\n
          \n
        • Betr\u00e4ge<\/strong>: Es werden alle vorliegenden Betr\u00e4ge in Betragsketten aufgeteilt. Der gr\u00f6\u00dfte Betrag wird vorerst als Bruttoendbetrag angenommen. Alle weiteren Betr\u00e4ge werden unter Ber\u00fccksichtigung von Umfeldinformationen mit der g\u00fcltigen Liste der erlaubten Steuers\u00e4tze abgeglichen und mathematisch validiert. Im Standard werden bis zu zwei, und konfigurativ bis zu vier unterschiedliche Betragsketten auf einer Rechnung erkannt. Konnten keine Betragsketten gebildet werden, wird der h\u00f6chste Betrag weiterhin als Bruttoendbetrag angenommen. Kommt es aufgrund von Fehlern in den OCR-Daten oder falscher Addition der Betr\u00e4ge auf der Rechnung zu Unstimmigkeiten, werden fehlende oder korrigierte Betr\u00e4ge angenommen und an die Validierungskomponente weitergegeben.<\/li>\n<\/ul>\n\n\n\n

          5) Erkennung der Positionsdaten<\/h3>\n\n\n\n

          Zur Erkennung der Positionsdaten auf einer Rechnung werden bestimmte hinterlegte Begriffe gesucht, die einzelne Spalten einer Tabelle beschreiben. Werden diese gefunden, wird eine fiktive Tabellenstruktur \u00fcber das gesamte Dokument gelegt. Anhand dieser Struktur k\u00f6nnen die Positionsdaten generisch erkannt werden. Bei Rechnungen mit Bestellbezug werden die Positionsdaten aus der Datenbank gegen die Informationen aus der gebildeten Tabellenstruktur abgeglichen und validiert. Die Hauptkriterien f\u00fcr die Validierung sind die Materialnummer und der Einzelpreis. Da die in Rechnung gestellte Menge von der urspr\u00fcnglichen Bestellung abweichen kann, wird diese stets von der Rechnung genommen. Au\u00dferdem kann jede Position gegen einen erfolgten Wareneingang gegengecheckt und hier bereits validiert werden.<\/p>\n\n\n\n

          <\/span>Weitere Funktionen der automatisierten Rechnungserfassung<\/span><\/h2>\n\n\n\n

          Wurden alle relevanten Informationen von einer Rechnung erfasst und ausgelesen, werden diese an die Validierungskomponente geliefert. Hier besteht die M\u00f6glichkeit, alle erkannten Daten und Werte durch Mitarbeiter:innen validieren zu lassen.<\/p>\n\n\n\n

          Dazu werden die ausgelesenen Informationen per Sichtkontrolle mit dem Rechnungsdokument abgeglichen. Stimmen Daten nicht \u00fcberein, k\u00f6nnen diese erg\u00e4nzt bzw. korrigiert werden. Dies geht \u00fcber Datenbankabfragen oder z.B. per Doppelklick (adhoc OCR) auf der entsprechenden Information auf dem Rechnungsdokument.<\/p>\n\n\n\n

          Innerhalb des Validierungsclient k\u00f6nnen dar\u00fcber hinaus sowohl eine \u00a714 Vorpr\u00fcfung als auch eine Dublettenpr\u00fcfung automatisiert vorgenommen werden. Bei der \u00a714 Pr\u00fcfung werden alle relevanten und gegen die Datenbank abgeglichenen Informationen mit den gem\u00e4\u00df \u00a714 n\u00f6tigen Informationen abgeglichen. Die Dublettenpr\u00fcfung vergleicht die Rechnungsnummer und die Kreditoren-ID gegen historische Daten bereits validierter Rechnungen. Gibt es einen Treffer, besteht die M\u00f6glichkeit, dass diese Rechnung bereits verarbeitet wurde.<\/p>\n\n\n\n

          Weiterhin kann die Validierung auch automatisch im Hintergrund erfolgen. Hierzu k\u00f6nnen Regeln definiert werden, die bestimmen, wann eine Rechnung den Validierunsgclient \u00fcberspringen kann. Endanwender:innen der Rechnungsverarbeitungssoftware sehen die Rechnung dann zum ersten Mal im Freigabeworkflow.<\/p>\n\n\n\n

          <\/span>Statistiken und Unterst\u00fctzung der Anwender:innen durch K\u00fcnstliche Intelligenz (KI)<\/span><\/h2>\n\n\n\n

          Jede validierte Rechnung wird mit allen ihren Metadaten tempor\u00e4r in einer Datenbank abgespeichert. Es werden sowohl die urspr\u00fcnglichen als auch die korrigierten Daten hinterlegt. Somit ist die Qualit\u00e4t der Auslesung jederzeit transparent. Au\u00dferdem kann die Statistik genutzt werden, um gr\u00f6\u00dfere Unstimmigkeiten proaktiv zu beheben. Dazu werden die Stammdaten analysiert und auf fehlende und unstimmige Daten \u00fcberpr\u00fcft.<\/p>\n\n\n\n

          Wurde die Rechnung komplett validiert und an den nachgelagerten Prozess \u00fcbergeben, tritt au\u00dferdem ein KI-basierter Autotrainer in Aktion. Der Autotrainer vergleicht eigenst\u00e4ndig die Metadaten vor und nach dem Validierungsclient. Findet er Abweichungen bei z.B. der Rechnungsnummer, wird eine kreditorenspezifische Regel angelegt. Dazu wird sowohl die korrigierte als auch historische Rechnungen dieses spezifischen Kreditors genutzt, um hier die gr\u00f6\u00dftm\u00f6gliche \u00dcbereinstimmung zu finden. Auf diese Weise wird die Rechnungsverarbeitungssoftware mit der Zeit selbstst\u00e4ndig immer intelligenter und die Erkennungsquoten bei zuk\u00fcnftigen Rechnungen des Kreditors stetig optimiert.<\/p>\n\n\n\n

          Welche weiteren Vorteile eine KI-basierte und automatisierte Rechnungsverarbeitung bietet und wie diese in der Praxis aussehen kann, erf\u00e4hrst Du im Webinar.<\/p>\n\n\n\n

          \n

          <\/p>\n\n\n\n