Lies eine chinesische Lieferadresse
und Telefonnummer aus einem WeChat-Chat-Screenshot aus

Wie eine WeChat-Adressnachricht tatsächlich aussieht

Eine typische chinesische Lieferadresse, die im WeChat-Chat verschickt wird, folgt einer Big-Endian-Hierarchie: Die größte geografische Einheit kommt zuerst, die kleinste zuletzt, gefolgt vom Namen des Empfängers und der Telefonnummer. Eine vollständige Nachricht sieht so aus:

In dieser einen Zeile erkennt ein menschlicher Leser sofort sechs verschiedene Datenpunkte: die Provinz (省), die Stadt (市), den Bezirk (区), die Straße und das Gebäude (路/号/楼/室), den Empfängernamen (收件人姓名) und die Handynummer (手机号). Die Adresse ist strukturiert – das chinesische Adressformat ist eines der konsistentesten hierarchischen Postsysteme der Welt – aber diese Struktur liegt vollständig in der Bedeutung der Wörter, nicht in einer visuellen Trennung. Es gibt keine Zeilenumbrüche, keine Spaltentrenner, keine Formularfelder. Nur einen einzigen durchgehenden Block aus chinesischen Schriftzeichen und Ziffern.

Die Adresse ist perfekt strukturiert. Sie sieht nur nicht strukturiert aus. Und genau das ist die Art von Eingabe, mit der herkömmliche OCR am schlechtesten umgeht.

Das gleiche Format wiederholt sich in jedem WeChat-Bestellszenario. Ein Kunde, der Kleidung bei einem WeChat-Händler (微商) kauft, sendet seine Adresse in einer Nachricht. Ein Daigou-Einkaufsagent bestätigt seine Versanddetails auf die gleiche Weise. Ein Restaurantlieferant, der Lieferanweisungen über WeChat erhält, bekommt die gleiche Art von Text – von der Provinz bis zur Handynummer, alles in einem Block. Der Inhalt ist identisch, unabhängig davon, wer ihn gesendet hat: geografische Hierarchie + Name + Telefonnummer, alles zu einer einzigen Zeichenkette zusammengefügt, die ein Mensch in einer halben Sekunde analysiert und die eine Maschine als einen einzigen undifferenzierten Textklumpen fehlinterpretiert.

Das Hierarchieproblem – Warum ein flacher String keine Adresse ist

Die Schwierigkeit liegt nicht darin, dass chinesische Schriftzeichen schwer zu erkennen sind. Moderne OCR liest gedrucktes Chinesisch mit hoher Genauigkeit – die Technologie zur Zeichenerkennung ist seit Jahren zuverlässig. Die Schwierigkeit besteht darin, dass eine chinesische Adresse keine Zeichenfolge ist; sie ist eine Hierarchie, die als Zeichenfolge ausgedrückt wird. Herkömmliche OCR behandelt die gesamte Zeichenkette als eine Textzeile. Sie gibt "浙江省杭州市西湖区文三路478号华星科技大厦12楼1208室 王芳 13812345678" als ein einziges Feld aus – eine durchgehende Zeichenkette ohne semantische Segmentierung.

Das Problem verschärft sich, wenn Adressen nicht perfekt formatiert sind. Ein Kunde könnte die Provinz ganz weglassen, wenn er bei einem Verkäufer in derselben Provinz bestellt: "杭州市西湖区文三路478号" ohne "浙江省" am Anfang. Ein anderer könnte nur Stadt und Bezirk angeben: "深圳南山科技南路18号" – die Provinz weglassend und eine bekannte Abkürzung für den Bezirk verwendend. Manche Adressen lassen den Gebäudenamen weg und nennen nur die Straßennummer und ein nahegelegenes Wahrzeichen. Herkömmliche OCR hat keine Möglichkeit, diese Variationen zu normalisieren, weil sie gar nicht weiß, dass sie eine Adresse betrachtet.

Die Telefonnummer, die wie das einfachste zu trennende Element aussieht, hat ihre eigenen Fallstricke innerhalb des Adressblocks. Eine chinesische Handynummer ist 11-stellig und beginnt mit 1 – ein klares Muster für sich allein. Aber wenn sie am Ende einer Adresszeichenkette steht, die auch Gebäudenummern enthält (wie "12楼" oder "1208室"), könnte ein Tool, das naiv alle Ziffernfolgen extrahiert, "478" (die Gebäudenummer), "12" (die Etage), "1208" (die Zimmernummer) und "13812345678" (die eigentliche Telefonnummer) erfassen. Es hat keine Möglichkeit zu wissen, welche Zifferngruppe die Telefonnummer ist und welche Adressbestandteile sind.

Das Muster der Telefonnummer (11 Ziffern, beginnt mit 1) ist für einen Menschen leicht zu erkennen – aber ein Tool, das nicht versteht, dass es eine Adresse betrachtet, schnappt sich jede Zahl auf der Seite und nennt sie alle "Daten."

Wie visuelle KI denselben Screenshot anders liest

Hier verlagert sich der Ansatz der Extraktion von der Zeichenerkennung hin zum semantischen Verständnis. Anstatt den Screenshot nach sämtlichem Text zu durchsuchen und als flachen Block auszugeben, liest ein visuelles KI-Tool das Bild, indem es fragt: „Um welche Art von Information handelt es sich hier, und wo gehört jedes Teil hin?“

Mit der Benutzerdefinierten Spaltenextraktion definierst du die gewünschten Spalten – „Lieferadresse (收货地址)“, „Empfängername (收件人)“, „Telefonnummer (联系电话)“ – und die KI lokalisiert die passenden Werte, indem sie versteht, was jeder einzelne im Kontext des chinesischen Adressformats bedeutet. Ihr muss nicht gesagt werden, dass 省 die Provinz markiert oder dass 路 für den Straßennamen steht. Sie erkennt diese Marker, weil sie die strukturelle Grammatik chinesischer Adressen versteht – genauso, wie du instinktiv weißt, dass „浙江省“ die Provinz ist, selbst wenn du dich nie mit chinesischer Geografie beschäftigt hast.

So handhabt der semantische Ansatz jede Komponente des Adressblocks:

Dieser Ansatz funktioniert, weil die KI nicht genau wissen muss, welche Stadt oder welcher Straßenname im Screenshot erscheint. Sie muss nur erkennen, dass etwas an dieser Position als Stadt fungiert, etwas als Straße und etwas als Telefonnummer. Die Extraktion erfolgt anhand der strukturellen Rolle, die jedes Segment im chinesischen Adressformat spielt – einem Format, das trotz lokaler Abweichungen eine der konsistentesten postalischen Hierarchien der Welt ist.

Das gleiche Prinzip, das für die Datenextraktion aus Zahlungs-Screenshots, die keine formellen Belege sind, gilt, trifft auch hier zu: Du definierst die Ausgabespalten, und die KI findet die passenden Werte im Screenshot, indem sie deren Bedeutung versteht – nicht durch Vorlagenabgleich. Ob es sich um einen WeChat-Pay-Bestätigungsbildschirm oder eine Chat-Nachricht mit einer Lieferadresse handelt, die Methode ist dieselbe – semantische Extraktion liest nach Bedeutung, nicht nach Position.

Stapelverarbeitung mehrerer WeChat-Bestellungen

Ein WeChat-Händler erhält nicht nur eine Bestellung nach der anderen. An einem geschäftigen Tag füllt sich der Chat-Verlauf mit Adressnachrichten von mehreren Kunden – jede mit einem anderen Namen, einer anderen Stadt und anderen Lieferanweisungen. Zehn Adressen manuell zu übertragen bedeutet, zehn Nachrichten zu lesen, zehn Telefonnummern zu kopieren und zehn Namen in eine Bestellliste oder ein Paketetikett zu tippen. Der Vorgang ist jedes Mal derselbe, und das Fehlermuster ist jedes Mal dasselbe: eine vertauschte Ziffer in der Telefonnummer, eine falsch gelesene Hausnummer, ein falsch identifizierter Bezirk.

Die Stapelverarbeitung ändert diesen Arbeitsablauf. Alle Screenshots – jeder zeigt die Adressnachricht eines Kunden im Chat – werden zusammen hochgeladen. Ein einziger Satz Spaltendefinitionen („Lieferadresse", „Empfängername", „Telefonnummer") wird einmal angewendet. Die KI liest jeden Screenshot im Stapel und gibt eine einheitliche Tabelle aus: eine Zeile pro Kunde, mit Adresse, Name und Telefonnummer in drei sauberen Spalten.

Die Ausgabetabelle kann direkt nach Excel exportiert oder mit dem ImageToTable.ai-Google-Sheets-Add-on direkt in Google Sheets geschrieben werden – ohne die Tabelle verlassen zu müssen. Jede Zeile ist eine Bestellung, bereit zum Drucken als Versandetikett, zum Importieren in dein Bestellverwaltungssystem oder zum Teilen mit deinem Fulfillment-Team. Der Aufwand pro Bestellung sinkt von etwa einer Minute Lesen und Tippen auf ein paar Sekunden Überprüfung.

Der Wert der Extraktion liegt nicht darin, ein paar Sekunden bei einer einzelnen Adresse zu sparen. Es geht darum, von zehn Bestellungen pro Tag auf dreißig zu skalieren, ohne mehr manuelle Arbeit hinzuzufügen – denn der Engpass ist nicht das Lesen der Adresse, sondern das erneute Abtippen jedes einzelnen Mal.

Derselbe Stapelverarbeitungs-Workflow gilt für die zuvor besprochenen Adressformat-Varianten. Ein Stapel könnte zehn Nachrichten mit perfekt strukturierten Adressen enthalten (Provinz→Stadt→Bezirk→Straße→Name→Telefon), zwei, bei denen die Provinz fehlt, eine, bei der der Kunde einen Orientierungspunkt anstelle eines Straßennamens angegeben hat, und eine in einer regierungsunmittelbaren Stadt (Peking oder Shanghai), die überhaupt keine Provinzebene hat. Die KI verarbeitet alle im selben Durchlauf, weil sie jede Adresse anhand ihrer strukturellen Bestandteile liest – und nicht davon ausgeht, dass jede Adresse exakt derselben Vorlage folgt.

Für Händler, die auch Bestellungen über WhatsApp abwickeln – insbesondere solche, die Kunden in verschiedenen Märkten bedienen – lässt sich derselbe Ansatz auf Adressnachrichten, die über WhatsApp Business gesendet werden, ausweiten. Die Extraktionsspalten bleiben gleich; nur die Chat-Oberfläche ändert sich.

Häufig gestellte Fragen