Le guide complet pour
l'extraction des données des bons de livraison & preuves de livraison
Un camion arrive à l'entrepôt. Le chauffeur remet le bon de livraison — un ticket thermique autocopiant avec des quantités manuscrites et une signature griffonnée dans la case réceptionnaire. Les marchandises sont déchargées, mais les données de ce ticket mettront encore 24 à 72 heures à atteindre votre TMS — non pas à cause d'une lenteur, mais parce que quelqu'un doit déchiffrer l'écriture, décoder les abréviations du chauffeur et saisir chaque champ dans cinq écrans différents avant que l'expédition puisse être rapprochée du bon de commande, de la facture du transporteur et de la confirmation de livraison du client.
Points clés à retenir
- L'outil d'extraction que vous utilisez déjà atteint 95 % de précision sur le texte imprimé — et 15 % sur les champs manuscrits qui constituent près de 100 % d'un bon de livraison.
- Une seule quantité mal lue — « 48 » au lieu de « 50 » sur un bordereau manuscrit griffonné — déclenche un litige de 20 à 45 minutes entre trois services, que personne n'a budgétisé.
- La vision par IA lit les bons de livraison manuscrits en comprenant ce que chaque champ signifie, et non en faisant correspondre des pixels de caractères — transformant 4 minutes de saisie par bon en un téléchargement par lots de 10 secondes.
Qu'est-ce que l'extraction de bons de livraison et de preuves de livraison ?
L'extraction de bons de livraison et de preuves de livraison (POD) est le processus automatisé de lecture des champs manuscrits et imprimés de confirmation d'expédition — numéro de bon de livraison, date, expéditeur, destinataire, transporteur, numéro de suivi, quantités par article et signatures — à partir des bordereaux papier qui accompagnent les livraisons de fret, et de leur conversion en données structurées pour votre TMS, ERP ou feuille de calcul de rapprochement. Au lieu qu'un employé ou un conducteur saisisse manuellement chaque champ d'une pile de bordereaux carbone à la fin d'un quart de travail — un processus qui prend 3 à 6 minutes par document avec un taux d'erreur par champ qui dépasse 5 % sur l'écriture manuscrite — le logiciel d'extraction lit chaque document de manière holistique, comprenant la signification de chaque champ, et non son emplacement sur la page, et produit un tableau structuré prêt pour le rapprochement.
Un bon de livraison n'est pas un bordereau de colisage, bien que les deux soient souvent confondus. Un bordereau de colisage est un document destiné au fournisseur qui accompagne les marchandises depuis l'entrepôt pour indiquer ce qui a été commandé par rapport à ce qui a été expédié. Un bon de livraison — parfois appelé accusé de réception, lettre de voiture ou preuve de livraison — est un document destiné au transporteur qui enregistre ce qui est réellement arrivé, qui a signé et s'il y a eu des exceptions (dommages, manquants, refus). La différence cruciale : un bon de livraison comporte des signatures manuscrites, des annotations du conducteur et des codes d'exception qu'un bordereau de colisage ne contient pas. Pour une introduction plus détaillée au type de document proche, consultez notre article qu'est-ce que l'extraction de données de bordereaux de colisage — ce guide se concentre sur les défis uniques de l'extraction lorsque la saisie principale est manuscrite, photographiée par un téléphone et sert de preuve légale de livraison.
Pourquoi le traitement manuel des bons de livraison coûte plus cher que vous ne le pensez
Le coût du traitement manuel des bons de livraison est invisible car il est réparti entre trois services qui ne communiquent pas entre eux à ce sujet : les opérations logistiques, la comptabilité fournisseurs et le service client. Chaque service ne voit que son propre symptôme ; personne ne voit la chaîne complète.
Litiges de livraison du dernier kilomètre
Lorsqu'un client déclare avoir reçu 48 unités alors que le bon de livraison en indique 50, et que l'écriture manuscrite dans le champ de quantité reçue pourrait être « 48 » ou « 50 », qui paie ? Le transporteur facture l'expéditeur pour les 2 unités manquantes. L'équipe comptabilité fournisseurs de l'expéditeur bloque la facture du transporteur. Un responsable logistique doit retrouver le bon de livraison papier — qui peut encore être dans la cabine du conducteur, archivé à l'entrepôt ou perdu — et plisser les yeux pour déchiffrer le bloc de signature. Chaque litige prend 20 à 45 minutes et implique plusieurs services. Pour une flotte de taille moyenne effectuant 500 livraisons par semaine, même un taux de litige de 1 % représente 5 litiges par semaine, soit environ 2,5 à 5,5 heures de travail interservices que personne ne budgétise.
Décalage POD = Retard de paiement
Les conditions de paiement des transporteurs sont généralement net-30 à compter de la réception d'un POD valide. « POD valide » signifie un bon de livraison signé correspondant aux lignes de facture du transporteur. Lorsque le POD est illisible, incomplet ou met trois jours à émerger des papiers du conducteur, le délai ne commence pas. La facture du transporteur reste impayée, le transporteur relance, l'équipe comptabilité enquête, et ce qui aurait dû être un cycle de paiement de 30 jours s'étire à 45, 60 jours ou plus. Le transporteur intègre ce retard dans son tarif, et l'expéditeur paie plus cher par envoi sur toutes les lignes — pas seulement celles litigieuses. Les conditions standard du connaissement de la NMFTA lient explicitement le paiement du transporteur à la disponibilité du POD, pourtant peu d'expéditeurs suivent l'impact des retards de POD sur les cycles de paiement.
Saisie manuelle des données à partir des gribouillis des conducteurs
Le coût le plus courant est le moins visible : un employé de bureau ou un opérateur de saisie lit en fin de quart une pile de 20 à 60 bons de livraison et tape chaque champ dans le TMS ou le tableur de rapprochement. Chaque bon prend 3 à 6 minutes. À 40 bons par quart de travail à 4 minutes chacun, cela représente 2 heures 40 de frappe — environ un tiers du quart. À un coût de main-d'œuvre chargé de 22 à 28 $ de l'heure pour le personnel de saisie en logistique, cela représente 60 à 75 $ par quart rien qu'en frappe, soit environ 15 000 à 19 000 $ par poste de saisie par an. Pour une flotte nécessitant une saisie sur trois quarts, le coût annuel de main-d'œuvre approche 50 000 $ avant même les erreurs, litiges et retards de paiement.
Pour une analyse détaillée de l'impact de l'écriture manuscrite sur ces coûts, consultez notre article sur la capacité de l'IA à lire les bons de livraison manuscrits.
Les défis uniques de l'extraction des bons de livraison
L'extraction des bons de livraison est plus difficile que celle des factures ou des bordereaux d'expédition pour des raisons qui comptent pour quiconque évalue des outils. Comprendre ces défis en amont détermine si l'outil choisi gérera votre flux de travail quotidien ou seulement le scénario de démonstration.
1. L'écriture manuscrite est le défi n°1 — et la raison n°1 pour laquelle les outils échouent
Près de 100 % des champs des bons de livraison importants pour le rapprochement sont manuscrits : quantités reçues, codes d'exception, nom du conducteur, signature du réceptionnaire, date de livraison. Les conducteurs écrivent vite, souvent sur le hayon d'un camion ou dans la cabine, avec un stylo à bille sur du papier thermique qui se froisse et se décolore. Un « 3 » manuscrit peut ressembler à un « 8 ». Un « 50 » griffonné en diagonale sur une colonne peut chevaucher l'étiquette imprimée. Les moteurs OCR traditionnels, qui reposent sur la reconnaissance de motifs au niveau des caractères, produisent des résultats médiocres sur ce type de saisie — 15 à 40 % de précision au niveau des caractères sur l'écriture manuscrite selon des benchmarks publiés, ce qui rend les données extraites moins fiables qu'une saisie à l'aveugle.
Les instruments d'écriture aggravent la situation. Les conducteurs utilisent ce qu'ils ont sous la main : stylo à bille, marqueur permanent, crayon, un stylo qui s'épuise. Le stylo à bille sur du papier thermique laisse une impression fine et peu contrastée qu'un scanner ou un appareil photo a du mal à capturer. Les champs surlignés ou tamponnés ajoutent un bruit de fond qui perturbe la segmentation des caractères de l'OCR traditionnel. Un outil qui échoue sur l'écriture manuscrite — aussi bien qu'il traite les bordereaux d'expédition imprimés — est inutile pour les bons de livraison.
2. Photos prises avec un téléphone dans des conditions d'entrepôt
Très peu de bons de livraison arrivent au bureau sous forme de scans propres. Ils arrivent sous forme de photos prises par le téléphone du réceptionnaire de l'entrepôt : angle de travers, éclairage d'entrepôt (néons au plafond avec ombres profondes), cadre partiel (le pouce du conducteur couvrant le bloc de signature), résolution variable. Certaines photos sont prises sous la pluie, avec des traces d'eau sur le papier thermique. D'autres ont été prises contre un sol en béton ou une boîte en carton, créant un arrière-plan que l'OCR traditionnel interprète comme du bruit.
Le logiciel d'extraction qui fonctionne sur les bons de livraison doit traiter l'ensemble de la scène visuelle comme un seul problème sémantique — non pas « trouver le texte sur cette page vierge » mais « trouver le document dans cette photo, corriger la perspective, séparer l'écriture manuscrite de l'arrière-plan et lire chaque champ ». La compréhension visuelle requise est fondamentalement différente d'un pipeline OCR basé sur un scanner. Pour une analyse plus approfondie de la façon dont l'IA visuelle traite les documents de terrain capturés par téléphone, consultez notre guide qu'est-ce que la reconnaissance d'écriture manuscrite par IA.
3. Signatures, Cachets et Gribouillis Mêlés
Un bon de livraison n'est pas un formulaire net. Le destinataire signe dans le cadre prévu. Le chauffeur note l'heure de livraison dans la marge. Quelqu'un appose un tampon « RECU » en biais, chevauchant le nom du transporteur. Un autre entoure la quantité reçue pour confirmer. Toutes ces annotations sont nécessaires à l'archivage — elles constituent la preuve de ce qui s'est passé — mais elles se superposent aux données imprimées, empiétant souvent sur les cellules du tableau ou masquant les libellés des champs.
L'OCR traditionnel ne peut pas distinguer l'annotation du texte qu'elle recouvre. Un tampon « RECU » qui masque partiellement le mot « Destinataire » produit un flux de caractères illisible. Un « 80 » entouré, superposé à un « Qté » imprimé, donne « Qté80 » — perdant à la fois l'annotation et le libellé. Un modèle de vision IA, en revanche, utilise le contexte du document — la structure du tableau, les libellés des champs, l'emplacement du tampon — pour séparer les éléments superposés et capturer chacun indépendamment.
4. Dégradation du Papier Thermique
La plupart des bons de livraison sont imprimés sur du papier thermique : le même matériau que les rouleaux de tickets de caisse. Il gondole à la chaleur, s'estompe avec le temps et noircit s'il reste dans une cabine de camion surchauffée. Lorsque le bon de livraison arrive au bureau — après une semaine dans le carnet de route du chauffeur ou un mois dans un classeur — le texte imprimé peut être à peine visible. L'OCR traditionnel, qui dépend d'un contraste élevé entre caractères noirs et fond blanc, voit un champ gris sur gris. Les modèles de vision IA entraînés sur des images de documents à faible contraste et dégradés peuvent récupérer du texte invisible pour les moteurs OCR basés sur des seuils, car le modèle apprend à reconnaître les formes des caractères à partir du contexte, et non du contraste binaire des pixels.
OCR Traditionnel vs Vision IA pour les Preuves de Livraison Manuscrites
La différence entre l'OCR traditionnel et la vision IA pour l'extraction de bons de livraison n'est pas une question d'amélioration progressive — c'est une différence catégorique dans ce que chaque technologie peut même tenter de lire.
| Condition | OCR Traditionnel | Vision IA (Basée VLM) |
|---|---|---|
| Texte imprimé propre sur papier blanc | 95–99 % de précision | 98–99 % de précision |
| Quantités manuscrites (stylo bille sur thermique) | 15–40 % de précision au niveau caractère | 75–90 % de précision au niveau champ |
| Photo de téléphone avec ombre et angle | Nécessite un prétraitement manuel ou échoue | Gère la perspective et l'éclairage nativement |
| Tampon chevauchant du texte imprimé | Sortie mixte illisible | Sépare et lit les deux indépendamment |
| Papier thermique délavé | Faible contraste = aucune lecture | Récupération contextuelle possible |
| Capture de signature | Impossible — ce n'est pas du texte | Localise et préserve l'image de la signature |
| Configuration de modèle par transporteur | Requis (OCR zonal) | Non requis (extraction sémantique) |
L'OCR traditionnel fonctionne bien avec des entrées propres : des scans haute résolution de documents imprimés à la mise en page uniforme. Il échoue catastrophiquement quand l'entrée est manuscrite, photographiée sous un mauvais éclairage ou structurellement incohérente — autrement dit, il échoue sur la grande majorité des bons de livraison réels. La Vision IA, en revanche, comprend le document : elle voit un tableau et sait que la cellule en bas à droite contient « Qté reçue », elle lit un « 48 » griffonné non pas en faisant correspondre des motifs de pixels mais en reconnaissant le nombre grâce au contexte, et elle traite une signature comme un élément visuel distinct plutôt que d'essayer de la décoder comme du texte.
Voyez la différence par vous-même — téléchargez une photo de bon de livraison et regardez l'extraction en temps réel :
Les fichiers sont traités en toute sécurité et non stockés.
Champs essentiels à capturer dans chaque bon de livraison
Tous les champs d'un bon de livraison n'ont pas la même importance pour le rapprochement. Les champs qui comptent pour le paiement, les stocks et la gestion des litiges forment un ensemble spécifique qu'un outil d'extraction doit capturer de manière fiable — en partant du principe que les écritures manuscrites sont la norme, pas l'exception.
| Champ | Apparence | Importance |
|---|---|---|
| N° de bon de livraison / POD | Imprimé ou tamponné | Identifiant unique pour le suivi et le rapprochement avec la facture du transporteur |
| Date de livraison | Manuscrite ou tamponnée | Confirme la date de livraison — déclenche le délai de paiement et le calcul OTIF |
| Expéditeur / De | Imprimé (prérempli) | Identifie l'origine — utilisé pour le rapprochement avec la facture du transporteur |
| Destinataire / À | Imprimé ou manuscrit | Confirme la destination — toute divergence déclenche un litige immédiat |
| Transporteur et chauffeur | Imprimé + nom du chauffeur manuscrit | Relie la livraison au transporteur responsable pour le paiement et le suivi des performances |
| N° de suivi / PRO | Code-barres ou numéro imprimé | Référence de suivi interne du transporteur — essentielle pour le rapprochement |
| Référence commande | Imprimée ou manuscrite | Relie la livraison à la commande pour le rapprochement à trois niveaux |
| Lignes : Code / Désignation | Tableau imprimé | Identifie les articles expédiés — utilisé pour la réception en stock |
| Qté expédiée | Imprimée ou manuscrite | Quantité déclarée chargée par le transporteur |
| Qté reçue | Manuscrite — champ le plus critique | Quantité confirmée par le destinataire. C'est le chiffre qui entre en stock et déclenche le paiement. Une erreur de lecture génère un litige qui prend 20 à 45 minutes à résoudre |
| Rupture / Manquant | Annotation manuscrite | Indique une livraison partielle — signale à l'exploitation si un suivi est nécessaire |
| Code avarie / exception | Manuscrit (ex. « 1 CTN DMG ») | Essentiel pour les réclamations et le recours contre le transporteur |
| Signature du destinataire | Manuscrite — pas du texte | Preuve légale de livraison. Doit être capturée en image, pas transcrite en texte |
| Signature du chauffeur | Manuscrite | Accuse réception du transfert — exigée par certains transporteurs pour valider le POD |
| Notes / Observations | Texte libre manuscrit | Observations du chauffeur, commentaires du destinataire, exceptions de livraison — non structuré mais important pour l'exploitation |
Le champ « quantité reçue » mérite une attention particulière car il est à la fois le plus critique pour le rapprochement et le plus difficile à extraire de manière fiable. Il est presque toujours manuscrit, souvent dans une petite case du tableau des lignes, et une erreur d'un seul chiffre — « 48 » au lieu de « 50 » — crée un écart qui génère un litige transporteur, un ajustement de stock et un blocage comptable. Tout outil d'extraction de bons de livraison doit d'abord être évalué sur sa capacité à lire les quantités manuscrites, pas sur sa rapidité à extraire du texte imprimé.
Traitement par lot basé sur les tournées pour le rapprochement quotidien
Les bons de livraison arrivent par lots — pas document par document, mais par tournée, par chauffeur, par équipe. Une flotte de 20 tournées par jour génère 20 piles de bons de livraison, chaque pile représentant les livraisons d'un seul chauffeur. Le flux de rapprochement est naturellement orienté lot : faire correspondre tous les bons de livraison de la tournée 12 au manifeste de tournée, vérifier les quantités par rapport aux exemplaires signés par le client, et libérer le paiement au transporteur pour cette tournée.
Un outil d'extraction de bons de livraison prenant en charge le traitement par lot basé sur les tournées vous permet de télécharger tous les bons de livraison d'une seule tournée en un lot, d'extraire les champs dans un seul tableur où chaque ligne correspond à une livraison, et de trier ou filtrer par tournée, chauffeur, date ou statut d'exception. Au lieu d'ouvrir chaque bon individuellement, vous traitez une tournée entière en une seule passe. Les noms de colonnes que vous définissez — N° bon de livraison, Date, Qté reçue, Exception — deviennent les en-têtes de votre tableau de sortie, et chaque bon de livraison du lot remplit sa propre ligne.
Pour un guide pratique sur le traitement par lot de plusieurs bons de livraison simultanément, incluant des conseils d'organisation des fichiers et de conception des colonnes, consultez notre guide sur l'extraction par lot de bordereaux d'expédition et de bons de livraison vers Excel.
L'approche par lot permet également le rapprochement quotidien : téléchargez les bons de livraison du jour dès le matin, extrayez les données, comparez-les au manifeste TMS, et identifiez les exceptions avant qu'elles ne deviennent des litiges. Les tournées avec des POD propres sont libérées pour paiement. Les tournées avec des exceptions sont signalées pour investigation — tout cela avant le début du prochain quart du chauffeur. Pour un aperçu plus large de la place de l'extraction de documents dans les flux logistiques aux côtés des documents d'expédition connexes, consultez notre sélection des meilleurs outils d'extraction de documents logistiques.
Export, intégration et flux TMS
Les données des bons de livraison ne sont pas utiles isolément — elles doivent circuler vers les systèmes où le rapprochement a lieu. ImageToTable.ai prend en charge plusieurs chemins d'exportation qui correspondent à la façon dont les équipes logistiques travaillent réellement.
Excel pour les feuilles de rapprochement
Le flux de travail le plus courant est l'export vers Excel : extrayez tous les champs d'un lot de tournées dans un seul fichier .xlsx, avec une ligne par bon de livraison et des colonnes correspondant à votre modèle de rapprochement. L'export Excel conserve la structure de colonnes que vous avez définie — N° bon de livraison, Date, Réf. commande, Qté expédiée, Qté reçue, Anomalies, Image de signature (sous forme de note). Aucune étape de reformatage entre l'extraction et le tableau que votre équipe comptabilité utilise déjà.
Intégration TMS via données structurées
Pour les équipes qui ont besoin des données des bons de livraison dans leur système de gestion des transports, le résultat d'extraction peut être exporté en CSV ou JSON structuré. Le mappage des champs — N° bon de livraison → référence transporteur, Qté reçue → quantité de confirmation de livraison, Code anomalie → indicateur de statut — est défini une fois lors de la configuration des colonnes et appliqué de manière cohérente à chaque lot. SAP TM, Oracle TMS, Descartes et project44 acceptent tous des données d'expédition structurées via import CSV ou API — le résultat d'extraction alimente directement ces pipelines. Pour en savoir plus sur la connexion entre l'extraction de documents et les flux TMS pour les documents associés, consultez notre guide complet sur l'extraction des BOL.
Preuve de livraison pour le portail client
De nombreux expéditeurs doivent fournir une preuve de livraison à leurs clients — un bon de livraison signé attestant que les marchandises sont arrivées. L'outil d'extraction capture la signature du destinataire comme champ image et le numéro du bon de livraison comme champ texte, de sorte que chaque ligne de votre tableau de sortie contienne à la fois les données structurées et une référence au document signé. Téléchargez le résultat d'extraction sur votre portail client ou partagez-le via un lien de collecte — le destinataire voit la confirmation de livraison sans attendre qu'un PDF scanné soit envoyé par e-mail.
Comment choisir un outil d'extraction de bons de livraison
La plupart des comparatifs d'outils d'extraction de documents listent les mêmes critères : formats pris en charge, types de sortie, options d'intégration. Pour les bons de livraison, l'ordre de priorité est différent. Voici les critères qui comptent réellement pour les opérations logistiques, classés par importance.
Ce n'est pas un critère parmi d'autres — c'est celui qui détermine si un outil fonctionne pour les bons de livraison. Demandez au fournisseur une précision au niveau des champs sur les quantités manuscrites issues de photos de téléphone, pas sur du texte imprimé issu de scans nets. Un outil qui ne dépasse pas 75 % sur les champs manuscrits de bons de livraison en conditions réelles n'est pas un outil d'extraction de bons de livraison.
Testez avec des photos prises dans un entrepôt, pas avec des PDF scannés. L'outil doit gérer la distorsion de perspective, l'éclairage mixte, les cadres partiels et la faible résolution. S'il nécessite un scan à plat pour fonctionner de manière fiable, il échouera dès la première photo de bon de livraison prise par le téléphone d'un chauffeur.
L'outil doit capturer les éléments non textuels — signatures, tampons, logos — comme des champs identifiables, et non les ignorer ou tenter de les transcrire. Une signature est une preuve légale. Si l'outil ne peut pas la localiser et la préserver, les données extraites sont incomplètes à des fins de preuve de livraison.
Les bons de livraison arrivent dans des dizaines de formats selon les transporteurs. Un outil qui nécessite la configuration d'un modèle par format de transporteur — dessiner des zones, étiqueter des champs, s'entraîner par mise en page — n'est pas évolutif pour une flotte qui reçoit des bons de plusieurs transporteurs quotidiennement. L'extraction sémantique (l'IA trouve les champs par leur sens, pas par leur position) est essentielle.
L'extraction de documents uniques est trop lente pour les opérations de flotte. L'outil doit prendre en charge le téléchargement par lots — 20, 50 ou 100 bons de livraison à la fois — et les produire dans un tableau structuré unique regroupé par tournée, date ou chauffeur pour un rapprochement efficace.
La sortie doit correspondre à votre flux de rapprochement. Excel pour la révision manuelle, CSV pour l'import TMS, champs structurés pour les pipelines API. Si chaque lot nécessite une étape de reformatage, le gain de temps de l'extraction est en partie perdu en post-traitement.
La plupart des outils d'extraction sur le marché ont été conçus pour les factures et les bordereaux d'expédition — des documents imprimés à la mise en page prévisible. Les bons de livraison sont une catégorie différente : manuscrits, photographiés, thermiquement dégradés et servant de preuve légale. Appliquer des critères conçus pour l'extraction de factures à un cas d'usage de bon de livraison vous mènera à un outil impressionnant en démonstration avec des PDF imprimés, mais qui échouera dès le premier vrai bordereau manuscrit d'un carnet de livraison.
Pour une comparaison complète des outils d'extraction évalués selon les besoins des documents logistiques — incluant bons de livraison, connaissements et bordereaux d'expédition — consultez notre article sur les meilleurs outils d'extraction de documents logistiques pour 2026.
Questions fréquentes
L'IA peut-elle lire les notes manuscrites sur les bons de livraison et les POD ?
Oui — les modèles modernes d'IA visuelle atteignent une précision de 75 à 90 % au niveau des champs sur les données manuscrites de bons de livraison issues de photos de téléphone, dépassant largement les 15 à 40 % de précision caractère de l'OCR traditionnel sur la même entrée. La différence clé est que l'IA visuelle lit les champs de manière holistique — elle comprend le contexte, la structure du tableau et le sens sémantique — plutôt que d'essayer de faire correspondre des pixels de caractères individuels. Pour une analyse détaillée de la précision, consultez notre article dédié sur l'IA et les bons de livraison manuscrits.
L'extraction des bons de livraison fonctionne-t-elle avec des photos prises en entrepôt ?
Oui, si l'outil utilise l'IA visuelle plutôt que l'OCR traditionnel. ImageToTable.ai gère les photos prises sous l'éclairage d'un entrepôt, sous différents angles et avec des obstructions partielles. Le modèle détecte le document dans la photo, corrige la distorsion de perspective et lit les champs de l'image telle qu'elle se présente. Il ne nécessite ni scanner à plat ni prise de vue parfaitement droite.
L'outil peut-il capturer les signatures des destinataires sur les bons de livraison ?
Oui. Les signatures sont capturées comme éléments visuels — l'outil localise le bloc de signature sur le document et le conserve comme champ image dans la sortie, plutôt que de tenter de le transcrire en texte. C'est important car la validité juridique d'une signature repose sur le fait qu'il s'agit d'une marque manuscrite, et non d'une représentation textuelle. L'image de la signature peut être incluse dans les exportations Excel sous forme de note de cellule ou référencée comme fichier séparé.
Puis-je traiter les bons de livraison de plusieurs tournées en un seul lot ?
Oui — l'outil est conçu pour un traitement par lots en priorité. Vous pouvez télécharger tous les bons de livraison d'une journée d'opérations — sur plusieurs tournées, chauffeurs et transporteurs — en un seul lot. La sortie extraite est un tableur unifié où chaque ligne représente un bon de livraison. Vous pouvez trier, filtrer ou exporter par tournée, date ou tout autre champ défini lors de la configuration.
Quels champs peuvent être extraits d'un bon de livraison ou d'un POD ?
L'outil peut extraire le numéro du bon de livraison, la date de livraison, l'expéditeur, le destinataire, le nom du transporteur, le nom du chauffeur, le numéro de suivi/PRO, la référence de commande, les codes et descriptions d'articles, les quantités expédiées, les quantités reçues, les mentions de reliquat/pénurie, les codes de dommage/exception, les signatures du destinataire et du chauffeur (sous forme d'images), ainsi que les remarques en texte libre. La sélection des champs est entièrement personnalisable — vous définissez les colonnes dont vous avez besoin.
En quoi l'extraction du bon de livraison diffère-t-elle de celle du bordereau d'expédition ?
Un bordereau d'expédition est un document fournisseur listant ce qui a été commandé par rapport à ce qui a été expédié — principalement des champs imprimés avec des tableaux structurés. Un bon de livraison est un document transporteur enregistrant ce qui est réellement arrivé et qui a signé — près de 100 % de champs manuscrits critiques, plus des signatures, des tampons et des codes d'exception. L'extraction du bordereau d'expédition nécessite de gérer des tableaux de quantités multi-colonnes. L'extraction du bon de livraison nécessite de gérer l'écriture manuscrite, la mauvaise qualité photo et les éléments non textuels. Les types de documents sont étroitement liés, mais les défis d'extraction sont fondamentalement différents. Consultez notre guide complet sur l'extraction des bordereaux d'expédition pour le flux de travail associé.
Puis-je exporter les données extraites vers mon TMS ou ERP ?
Oui. L'outil prend en charge l'export vers Excel (.xlsx), CSV et JSON. Les formats CSV et JSON peuvent être importés dans la plupart des TMS, y compris SAP TM, Oracle TMS et Descartes, ainsi que dans les systèmes ERP. Le mappage des colonnes entre vos champs d'extraction et ceux du système cible est configuré une fois lors de l'installation et appliqué de manière cohérente à tous les lots. Pour les équipes utilisant project44 ou FourKites, l'export Excel/CSV peut être intégré dans leurs pipelines d'import de données.
Quelle est la précision de l'outil sur du papier thermique décoloré ou endommagé ?
La Vision IA peut récupérer des données sur du papier thermique que l'OCR traditionnel ne peut pas lire du tout, car elle utilise le contexte — la structure du tableau, les champs adjacents, les motifs numériques courants — pour déduire les caractères qui ont pâli en dessous du seuil de contraste. Cependant, si le papier thermique est complètement noirci (exposé à une chaleur extrême) ou si l'encre manuscrite s'est physiquement effacée, aucun outil logiciel ne peut récupérer ce qui n'est plus là. Pour les documents POD critiques, conserver une photo numérique prise au moment de la livraison est la meilleure sauvegarde.
Dois-je créer des modèles pour chaque format de bon de livraison de transporteur ?
Non — ImageToTable.ai utilise l'extraction sémantique, pas la correspondance de modèles. Vous définissez les noms de colonnes dont vous avez besoin (N° bon de livraison, Date, Qté reçue, etc.), et l'IA localise ces valeurs en comprenant ce qu'elles signifient, pas où elles apparaissent sur la page. La mise en page d'un bon de livraison UPS et celle d'une note de consignation d'un transporteur LTL peuvent être complètement différentes — l'outil s'adapte automatiquement sans aucune configuration de modèle ni réentraînement.
De l'écriture du chauffeur aux données exploitables
Les bons de livraison sont les documents les plus manuscrits de la logistique. Une seule quantité mal lue crée un litige transporteur qui coûte 20 à 45 minutes à plusieurs équipes — et ce coût de litige est invisible car aucun service ne suit le « temps passé à déchiffrer l'écriture » dans son budget. L'écart entre le moment où un chauffeur remet un bordereau signé et celui où la confirmation de livraison apparaît dans le TMS n'est pas un problème technologique — c'est un problème d'écriture manuscrite que l'OCR traditionnel n'a jamais été conçu pour résoudre.
La Vision IA change cela. Un outil qui lit les bons de livraison comme le ferait une personne — en comprenant le document, pas en scannant des motifs de caractères — peut traiter les bons de livraison d'une tournée entière en le temps qu'un employé de saisie met à taper les trois premiers. Le champ le plus important — la quantité reçue, le chiffre qui pilote le paiement, les stocks et la résolution des litiges — est celui où la Vision IA offre son plus grand avantage par rapport à l'OCR traditionnel.
Les critères de sélection sont simples quand on sait quoi chercher : précision de l'écriture manuscrite d'abord, tolérance aux photos de téléphone ensuite, tout le reste après. Un outil qui échoue sur les quantités manuscrites n'est pas un outil d'extraction de bons de livraison, quelle que soit sa performance sur les factures imprimées.
Testez sur vos propres bons de livraison manuscrits. Voyez si 4 minutes par bon deviennent 10 secondes par lot.
Aucune inscription requise. Vos fichiers sont traités en toute sécurité et non conservés.