Der vollständige Leitfaden zur
Lieferschein-Datenextraktion

Vor diesem Leitfaden: Was Lieferschein-Erfassung ist

Neu im Thema? Beginnen Sie mit unserem Artikel Was ist Lieferschein-Datenerfassung – er behandelt die Kerndefinition, einen Vergleich zwischen manuell, Vorlage und KI sowie wann Sie Erfassung tatsächlich benötigen und wann nicht. Dieser Leitfaden setzt diesen Kontext voraus und knüpft daran an: die operativen Kosten der manuellen Bearbeitung, die spezifischen Herausforderungen, die leistungsfähige Erfassung von Teilergebnissen unterscheiden, die vollständige Feld-Checkliste und die Bewertung von Tools im Hinblick auf Ihren tatsächlichen Wareneingang.

Eine Unterscheidung, die hier wiederholt werden sollte, da der Rest dieses Leitfadens davon abhängt: Ein Lieferschein ist keine Rechnung. Eine Rechnung enthält Preise, Zahlungsbedingungen und Steuerbeträge für die Kreditorenbuchhaltung. Ein Lieferschein enthält Versanddaten für den Wareneingang im Lager – und sein prägendes strukturelles Merkmal sind drei Mengenspalten pro Position (bestellt, geliefert, Rückstand) statt der Preis-/Steuerspalten einer Rechnung. Alles ab hier setzt diese Struktur voraus.

Warum die manuelle Lieferschein-Verarbeitung mehr kostet, als Sie denken

Die sichtbaren Kosten sind einfache Arithmetik. Die Benchmark-Daten von WERC zeigen Arbeitskosten im Wareneingang von 40,79 $ pro Stunde. Ein Wareneingangsmitarbeiter, der 60 Lieferscheine pro Schicht bei je 3 Minuten verarbeitet, verbringt 3 Stunden – 37,5 % der Schicht – allein mit der Dateneingabe. Bei 40,79 $ pro Stunde sind das 122 $ pro Schicht an Tipparbeit oder rund 32.000 $ pro Wareneingangsposition pro Jahr. Für ein mittelgroßes Lager mit 3 Wareneingangsstationen nähert sich das sechsstellige Beträge, bevor auch nur ein Fehler gezählt wird.

Aber die sichtbaren Kosten sind die kleinere Zahl. Die versteckten Kosten summieren sich in drei Bereichen.

Drei-Wege-Abgleich-Ausnahmen. Jede falsch getippte Menge oder vertauschte Bestellnummer auf einem Lieferschein erzeugt eine Abweichung, wenn das AP-Team die Bestellung mit dem Lieferschein und der Lieferantenrechnung abgleicht. APQC-Benchmarks zeigen, dass durchschnittliche Einkaufsteams eine Ausnahmequote von 22 % beim Rechnungsabgleich haben, wobei jede Abweichung rund 30 Minuten Recherche über Wareneingang, Einkauf und Finanzen kostet. Ein Lieferschein, bei dem „80" statt „100" getippt wurde – ein einziger Tippfehler – löst eine AP-Sperre aus, einen Anruf beim Lieferanten, eine erneute Prüfung dessen, was tatsächlich angekommen ist, und eine Korrektur. Die Ursache ist nicht der Lieferant oder ein Fehler am Dock, sondern der klerikale Schritt zwischen Lieferschein und System. Best-in-Class-Teams halten die Ausnahmequote bei 9 %. Der Unterschied liegt weitgehend darin, ob die Daten, die ins System gelangen, die auf dem Dokument gedruckten Daten sind oder das, was jemand getippt hat.

Abgleich von Teillieferungen. Wenn ein Lieferant 80 von 100 Einheiten liefert, zeigt der Lieferschein drei Zahlen: bestellt, geliefert (80), Rückstand (20). Der Wareneingangsmitarbeiter muss alle drei eingeben, und das WMS muss die erhaltenen Mengen gegen jede Bestellposition über mehrere Lieferungen hinweg verfolgen. Die manuelle Verarbeitung von Teillieferungen ist der Punkt, an dem die Fehlerquote steigt – weil der Mitarbeiter nicht eine Zahl tippt, sondern unter Zeitdruck unterscheiden muss, welche der drei Mengen in welches Feld gehört, während der nächste LKW wartet. Eine einzige Vertauschung – 100 in die Spalte „geliefert" und 80 in die Spalte „bestellt" – kehrt die Wareneingangsmenge um und erzeugt einen Phantom-Lagerüberschuss von 20 Einheiten, der erst bei der nächsten Inventur, Wochen später, entdeckt wird.

Lieferantenbelastungen. Differenzbasierte Belastungen von Lieferanten gehören zu den am meisten unterschätzten Betriebskosten. Wenn ein Lieferant 100 Einheiten versendet, Ihr Wareneingangsteam 80 erfasst und die Rechnung des Lieferanten über 100 Einheiten angefochten wird, umfasst der Klärungsprozess in der Regel: (1) der Lieferant fordert ein Foto als Liefernachweis an, (2) jemand im Wareneingang sucht den unterschriebenen Lieferschein physisch heraus, (3) das AP-Team vergleicht die Lieferbestätigung des Spediteurs mit der Erfassung, (4) eine Belastung oder Korrektur wird ausgestellt. Jede Belastungsprüfung verbraucht 30–60 Minuten über mehrere Rollen hinweg – und die Kosten werden in keinem einzelnen Abteilungsbudget erfasst. WERC-Forschung zeigt, dass die Wareneingangsgenauigkeit direkt mit der Häufigkeit von Belastungen korreliert, doch nur wenige Lager messen die Kosten der Datenerfassungsfehler, die sie auslösen.

Für einen genaueren Blick auf die Kosten pro Lieferschein und pro Schicht, siehe unsere Aufschlüsselung der manuellen Bearbeitungskosten von Lieferscheinen.

Die besonderen Herausforderungen der Lieferscheinextraktion

Die Lieferscheinextraktion ist schwieriger als die Rechnungsextraktion – aus Gründen, die für jeden relevant sind, der Tools bewertet. Wenn Sie diese Herausforderungen im Voraus verstehen, entscheidet sich, ob das von Ihnen gewählte Tool Ihren tatsächlichen täglichen Arbeitsablauf bewältigt oder nur das Demo-Szenario.

1. Positionsdichte

Ein typischer Lieferschein eines Industrielieferanten wie Grainger oder MSC Industrial kann 30–50 Positionen über zwei oder drei Seiten enthalten. Jede Position hat ihre eigene Artikelnummer, Beschreibung, bestellte Menge, gelieferte Menge, Rückstandsmenge und Mengeneinheit. Die Positionstabelle ist die kritische Nutzlast – 80–90 % der zu extrahierenden Daten befinden sich dort – und genau dort scheitern die meisten Extraktionstools.

Mehrseitige Tabellen bringen ein Kontinuitätsproblem mit sich: Wenn sich eine Tabelle mit 50 Zeilen von Seite 1 auf Seite 2 erstreckt, muss die Extraktions-Engine erkennen, dass es sich um eine einzige fortlaufende Tabelle handelt, nicht um zwei getrennte Tabellen. Spaltenüberschriften können auf Folgeseiten wiederholt werden oder auch nicht. Manche Lieferanten drucken Überschriften auf jeder Seite; andere nur auf Seite 1. Ein Extraktionstool, das die Spaltenausrichtung am Seitenumbruch verliert, verschiebt Werte stillschweigend in falsche Spalten ab dem Umbruch – eine Lieferanten-Artikelnummer landet in der Beschreibungsspalte und eine gelieferte Menge in der Rückstandsspalte – und die Ausgabe sieht vollständig aus, ist aber strukturell beschädigt.

2. Teillieferungen: Drei Mengenspalten

Dies ist die zentrale Herausforderung bei der Extraktion von Packlisten. Eine Rechnung hat eine Mengenspalte. Eine Packliste hat drei: Bestellte Menge, Gelieferte Menge und Rückstand. Jede Position enthält alle drei Zahlen, und die Extraktion muss deren Identität bewahren – nicht nur die numerischen Werte erfassen.

Ein Teillieferungsszenario: Sie bestellen 100 Einheiten von SKU-00412. Der Lieferant liefert 80, der Rückstand beträgt 20. Die Packliste zeigt Spalten mit den Bezeichnungen „Best.“, „Gel.“ (80) und „Rück.“ (20). Das Extraktionstool muss erkennen, welche Spalte welche ist, und sie den richtigen Feldern zuordnen. Ein Tool, das alle drei als ein einziges Feld „Menge“ behandelt oder in einem Teillieferungslayout „Gel.“ mit „Best.“ verwechselt, liefert Ergebnisse, die für die Wareneingangsprüfung unbrauchbar sind – aus den extrahierten Daten allein lässt sich nicht ablesen, ob die Lieferung vollständig oder unvollständig ist. Der Wareneingangsprozess ist darauf angewiesen, alle drei Mengen pro Position nebeneinander zu sehen, damit das Team am Dock weiß, was beim Lieferanten nachgefasst werden muss.

3. Handschriftliche Lagernotizen

Packlisten treffen nicht im sterilen Zustand ein. Die Wareneingänger versehen sie mit Notizen: eingekreiste Mengen, bei denen die Zählung bestätigt wurde, handschriftliche „Fehlmengen“-Vermerke neben einer Position, Unterschriften des Empfängers, Zeitstempel, Schadenscodes („1 Karton zerquetscht – abgelehnt“) und Hinweise des Spediteurs. Diese Notizen haben operative Bedeutung – sie sind die primäre Aufzeichnung dessen, was am Wareneingangsdock passiert ist –, aber sie liegen über den gedruckten Daten, überlappen oft Tabellenzellen oder drängen sich in Spaltenüberschriften.

Traditionelle OCR ist hier besonders schwach: Eine handschriftliche „80“, die über eine gedruckte „100“ gekritzelt ist, erzeugt widersprüchliche Zeichenerkennungen. Ein Vision-KI-Modell hingegen nutzt den Dokumentkontext – die Tabellenstruktur, die Spaltenüberschriften, die umgebenden gedruckten Daten –, um die Notiz vom Originaltext zu unterscheiden und beide zu erfassen. Die Notiz ist kein zu umgehender Makel; sie sind Daten, die zusammen mit den gedruckten Feldern extrahiert werden müssen. Eine vertiefte Analyse dieses Problems finden Sie in unserem Artikel zur Extraktion handschriftlicher Lieferscheine im Wareneingang.

4. Mehrseitige Packlisten

Ein Lieferant kann bei Sendungen mit gemischten Kartons eine mehrseitige Packliste beifügen: Seite 1 enthält die Sendungsübersicht und Frachtführerinformationen, die Seiten 2–4 enthalten detaillierte Angaben zu den einzelnen Kartons, und Seite 5 ist eine Rücksendegenehmigung. Das Extraktionstool muss diese Struktur erkennen, den Übergang zwischen den Dokumenttypen nachvollziehen und nur die relevanten Packlistendaten extrahieren, ohne durch das RMA-Formular oder den beigefügten Frachtbrief verwirrt zu werden.

5. Gemischter Format-Eingang in einer Charge

In einer einzigen Wareneingangsschicht können folgende Dokumente anfallen: eine Standard-Packliste von Grainger (PDF, einseitig, Hochformat), ein Lieferschein von McMaster-Carr (ausgedruckt aus dem Web, zwei Seiten), ein Thermoetikett von Fastenal (schmales Format, Querformat) und ein Foto eines handschriftlichen Lieferscheins eines lokalen Lieferanten – alles innerhalb von 30 Minuten. Die Verarbeitung jedes Formats über eine separate Vorlage oder ein separates Tool widerspricht dem Automatisierungszweck. Die Extraktionslösung muss gemischte Formate in einem einzigen Durchlauf verarbeiten und dabei für alle dieselben Spaltendefinitionen anwenden, da die Ausgabe unabhängig vom Format des Lieferanten in derselben WMS-Eingangstabelle landen muss.

Wichtige Felder einer Packliste

Die Felder einer Packliste lassen sich in zwei Kategorien unterteilen. Kopffelder gelten für die gesamte Sendung; Positionsfelder wiederholen sich für jede Zeile der Tabelle. Das Verständnis, welche Felder für Ihren nachgelagerten Abstimmungsprozess kritisch sind, bestimmt, wie Sie Ihre Extraktionsspalten konfigurieren.

Die drei Mengenspalten — Bestellt, Geliefert, Rückstand — sind das, was die Lieferscheinextraktion von jedem anderen Dokumenttyp unterscheidet. Ein Extraktionstool, das sie in einem einzigen Feld zusammenfasst oder sie erfasst, ohne zu unterscheiden, welche welche ist, hat seine Hauptaufgabe nicht erfüllt. Vergewissern Sie sich davon, bevor Sie sich für ein Tool entscheiden: Laden Sie einen Lieferschein mit mindestens einer Teillieferungsposition hoch und prüfen Sie, ob alle drei Mengen in den korrekten Ausgabespalten erscheinen.

Traditionelle vs. KI-gestützte Lieferscheinextraktion

Nicht alle Extraktionstechnologien meistern die oben genannten Herausforderungen gleichermaßen. Der grundlegende Unterschied liegt zwischen vorlagenbasierter (positionsbasierter) Extraktion und semantischer (KI-gestützter) Extraktion — und dieses Verständnis ist der wichtigste Bewertungsschritt, den Sie unternehmen können.

Vorlagenbasierte Extraktion erfordert die Konfiguration einer Parsing-Zone für jedes Lieferanten-Layout. Sie zeichnen ein Rechteck um die Stelle, an der die Bestellreferenz auf dem Lieferschein von Lieferant A erscheint, ein weiteres Rechteck um den Kopf der Positionstabelle und definieren Spaltenbreiten. Wenn Lieferant A seinen Lieferschein umgestaltet — etwa nach einem ERP-Upgrade das Layout ändert — scheitert Ihre Vorlage stillschweigend. Werte landen in falschen Spalten. Sie bemerken das Problem erst, wenn ein Wareneingangsmitarbeiter feststellt, dass Mengen im Beschreibungsfeld erscheinen — oder gar nicht.

Der Template-Ansatz scheitert am deutlichsten an der Positionslistentabelle. Ein Template setzt voraus, dass die Tabelle in einer festen Zeile beginnt und die Spalten feste Breiten haben. Doch Lieferscheine von Lieferanten unterscheiden sich darin, wie viele Kopfzeilen der Tabelle vorausgehen, ob sich Spaltenüberschriften wiederholen, ob Zeilen sich über mehrere Textzeilen erstrecken und ob Kartonebenen-Gruppierungen innerhalb der Tabelle verschachtelt sind. Ein Template, das für die 30-zeilige Tabelle eines Lieferanten funktioniert, ist bei der 50-zeiligen Tabelle eines anderen mit zusammengeführten Beschreibungszellen häufig falsch ausgerichtet. Die Levvel-Research-Studie zu Dateneingabekosten stellt fest, dass über 30 % der Abweichungen bei der Dokumentenverarbeitung auf inkonsistente Verarbeitung zurückzuführen sind – genau das führt die templatebasierte Extraktion ein: konsistente Verarbeitung von Inkonsistenz, die falsche Ergebnisse erzeugt, die korrekt aussehen.

Semantische Extraktion – KI-gestützte Extraktion mithilfe von Vision-Language-Modellen – funktioniert nach Bedeutung, nicht nach Position. Sie definieren die gewünschten Spalten: „Lieferscheinnummer", „Bestellreferenz", „Artikelnummer", „Bestellmenge", „Versandmenge", „Rückstandsmenge", „Mengeneinheit". Die KI liest das gesamte Dokument – den Kopfbereich, die Positionslistentabelle, die Fußzeilen-Anmerkungen – und lokalisiert jeden Wert, indem sie versteht, was er semantisch darstellt, unabhängig davon, wo er auf der Seite steht. Ein Feld mit der Bezeichnung „Ord" auf dem Lieferschein eines Lieferanten, „Qty" auf dem eines anderen und „Ordered" auf dem eines dritten wird als dasselbe erkannt, weil die KI die semantische Rolle versteht. Das ist Benutzerdefinierte Spaltenextraktion: Sie definieren die Ausgabe einmal, und die KI lokalisiert die passenden Daten nach Bedeutung, nicht nach Koordinaten.

Der operative Unterschied liegt in der Template-Pflege. Mit Templates erfordert jeder neue Lieferant – oder jede Formatänderung eines bestehenden Lieferanten – Template-Arbeit. Für ein Lager, das Waren von über 50 Lieferanten mit jeweils eigenen Formatvarianten erhält, wird die Template-Pflege zu einem laufenden operativen Kostenfaktor, der die Arbeitseinsparungen durch Automatisierung aufzehrt. Mit semantischer Extraktion funktioniert dieselbe Spaltendefinition über alle Lieferanten hinweg, weil die Extraktionslogik formatunabhängig ist. Ein Lieferschein von einem Lieferanten, den Sie noch nie verarbeitet haben – mit einem Layout, das die KI noch nie gesehen hat – wird beim ersten Upload korrekt extrahiert, weil die KI Lieferschein-Semantik liest, nicht Lieferschein-Koordinaten.

Weitere Informationen darüber, warum Lieferscheinformate von Lieferanten voneinander abweichen und warum sie das immer tun werden, finden Sie in unserem Artikel zu Inkonsistenz von Lieferscheinformaten.

Batch-Verarbeitung: Abgleich mit Bestelldaten

Die Einzelbeleg-Extraktion löst das Datenerfassungsproblem pro Dokument. Die Batch-Verarbeitung löst die Durchsatz-Herausforderung – und sie ermöglicht eine Funktion, die die Einzelbeleg-Verarbeitung nicht bieten kann: den automatisierten Abgleich der Lieferscheinmengen mit den Bestelldaten.

In einem Batch-Workflow laden Sie 20, 30 oder 50 Lieferscheine verschiedener Lieferanten in einem einzigen Batch hoch – einige als PDF, einige als Handyfotos, einige mehrseitig. Die Extraktions-Engine verarbeitet alle mit denselben Spaltendefinitionen und führt die Ergebnisse in einer einzigen Tabelle zusammen. Jeder Lieferschein wird zu einer Zeile in der Kopfzeilentabelle; jede Position wird zu einer Detailzeile mit den wiederholten Kopffeldern. Für den Schritt-für-Schritt-Workflow siehe unseren Leitfaden zur Batch-Extraktion von Lieferscheinen nach Excel.

Die Batch-Verarbeitung wird jedoch wirklich leistungsstark, wenn Sie sie mit einem Abgleichsschritt gegen Ihre Bestelldaten kombinieren. Hier ist der Workflow, der einen Wareneingang, der Abweichungen beim Eingang erkennt, von einem unterscheidet, der sie erst Wochen später bei der Inventur entdeckt:

Dieser Workflow verwandelt die Extraktion von einer Tipp-Ersetzung in eine Abweichungserkennungs-Engine. Der entscheidende Enabler ist die berechnete Spalte: eine Spalte, die keine Daten aus dem Dokument extrahiert, sondern aus extrahierten Feldern einen neuen Wert berechnet. Sie können berechnete Spalten für den Mengenabgleich (Bestellte Menge − Gelieferte Menge), Konsistenzprüfungen der Mengeneinheit oder sogar die Kartonszahl-Prüfung definieren, indem Sie extrahierte Kartonsummen mit den vom Spediteur erfassten Werten vergleichen. Eine ausführliche Erklärung, wie berechnete Spalten bei der Dokumentenextraktion funktionieren, finden Sie in unserer Übersicht zur KI-Dokumentenextraktion mit berechneten Spalten.

Export und WMS-Integration

Das Extraktionsergebnis ist nicht das Ziel. Die Daten müssen in ein System gelangen – Ihr WMS, Ihr ERP oder Ihre Eingangstabelle –, wo sie Bestandsaktualisierungen, Drei-Wege-Abgleiche und Lieferantenabstimmungen ermöglichen. Der gewählte Exportpfad bestimmt, wie viel manuelle Arbeit zwischen Extraktion und Systemeingabe verbleibt.

Für die meisten Lagerteams ist der praktische Workflow: Stapel-Extraktion → Prüfung in Excel/Sheets → CSV-Import ins WMS. Dieser Pfad funktioniert mit allen großen WMS-Plattformen – Manhattan Associates (WMOS) akzeptiert CSV-Wareneingangsimporte, SAP WM/EWM nutzt Batch-Eingabe via LS24, Blue Yonder (ehemals JDA) verarbeitet flache Wareneingangsdaten, HighJump/Körber unterstützt CSV über sein Datenimport-Framework, und Oracle WMS Cloud sowie NetSuite WMS haben CSV-Import-Assistenten für Wareneingangsbuchungen.

Die entscheidende Anforderung über alle Formate hinweg ist, dass die Extraktion die Beziehung zwischen Position und Lieferung bewahrt: Jede Position muss ihre übergeordnete Packzettelnummer und Bestellreferenz enthalten, damit das Wareneingangssystem die Mengen der richtigen Bestellposition zuordnen kann. Ein flacher Export, der diese Hierarchie aufgibt – selbst nur während der Prüfung –, zwingt jemanden, die Beziehung manuell wiederherzustellen, und macht den Zeitgewinn durch die Extraktion zunichte.

So wählen Sie ein Tool zur Lieferschein-Extraktion

Die folgenden Kriterien durchschauen Marketing-Behauptungen und zeigen, was Tools im täglichen Wareneingang tatsächlich unterscheidet. Testen Sie anhand dieser Kriterien statt an Feature-Checklisten.

Für einen direkten Vergleich, wie Extraktionstools bei Logistikdokumenten einschließlich Lieferscheinen abschneiden, lesen Sie unseren Test der besten Tools zur Extraktion von Logistikdokumenten.

Häufig gestellte Fragen

Von der Anlieferung bis zum Lagerbestand: Das Fazit

Die Lieferscheinextraktion ersetzt nicht Ihr WMS – Manhattan, SAP WM, Blue Yonder und HighJump übernehmen die schweren Aufgaben bei Inventar und Lagersteuerung. Was sie tut, ist, die Lücke zwischen dem Ort, an dem Versanddaten ankommen (ein Papierlieferschein, der an einer Palette am Wareneingang klebt), und dem Ort, an dem sie landen müssen (ein strukturierter Datensatz in Ihrem Wareneingangssystem, bereit zur Überprüfung), zu schließen. Diese Lücke wird derzeit durch manuelle Eingaben überbrückt, die eine Fehlerquote von 1–3 % pro Feld aufweisen, multipliziert über Hunderte von Feldern pro Schicht – mit Folgen, die von Inventurdifferenzen über AP-Sperren bis hin zu Lieferantenstreitigkeiten reichen.

Die drei Dinge, die eine brauchbare Extraktionsimplementierung von einer frustrierenden unterscheiden: (1) Das Tool verarbeitet Teillieferungen mit drei separaten Mengenspalten, nicht nur einer; (2) es verarbeitet gemischte Lieferantenformate in einem einzigen Batch ohne Vorlagenarbeit pro Lieferant; (3) seine Exportausgabe lässt sich ohne Formatfehler sauber in Ihr tatsächliches WMS importieren. Alles andere – Genauigkeitsprozentsätze, KI-Behauptungen, Funktionslisten – ist zweitrangig gegenüber diesen drei betrieblichen Realitäten.

Wenn Sie die Extraktion für Ihren Wareneingang evaluieren, beginnen Sie mit dem Test an Ihrem schwierigsten Lieferschein – dem mehrseitigen industriellen Lieferantenschein mit 40 Positionen über einen Seitenumbruch hinweg, einer Teillieferungszeile mit bestellten vs. gelieferten vs. rückständigen Mengen und einer handschriftlichen Anmerkung am Rand. Wenn ein Tool Ihren schlimmsten Fall bewältigt, wird es auch Ihren Durchschnittsfall bewältigen. Wenn Sie bereit sind zu sehen, wie die Lieferscheinextraktion mit Ihren eigenen Dokumenten funktioniert, laden Sie einen Muster-Lieferschein hoch und sehen Sie, welche strukturierten Daten zurückkommen – oder wenn Sie bereits Google Sheets verwenden, probieren Sie den Sheets-Workflow für Lieferscheindaten.