Le guide complet de l'
extraction des données des bons de livraison et des POD

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 de confirmation d'expédition manuscrits et imprimés — numéro de bon de livraison, date, expéditeur, destinataire, transporteur, numéro de suivi, quantités par ligne et signatures — à partir des documents papier qui accompagnent les livraisons de fret, et leur conversion en données structurées pour votre TMS, votre ERP ou votre feuille de calcul de rapprochement. Au lieu qu'un employé ou un conducteur saisisse manuellement chaque champ à partir d'une pile de formulaires en papier 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 dans son ensemble, en comprenant ce que signifie chaque champ, et non où il se trouve sur la page, et génère un tableau structuré prêt pour le rapprochement.

Un bon de livraison n'est pas un bordereau d'expédition, bien que les deux soient souvent confondus. Un bordereau d'expédition 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 reçu de livraison, 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 essentielle : un bon de livraison comporte des signatures manuscrites, des annotations du conducteur et des codes d'exception qu'un bordereau d'expédition ne comporte pas. Pour une introduction plus détaillée au type de document étroitement lié, consultez notre article sur l'extraction de données de bordereaux d'expédition — ce guide se concentre sur les défis uniques de l'extraction lorsque l'entrée principale est manuscrite, photographiée par un téléphone et sert de preuve légale de livraison.

Si votre flux de travail concerne spécifiquement le volet de la preuve de livraison signée — le document du dernier kilomètre qui pilote la facturation, les réclamations et le règlement avec le transporteur — consultez notre procédure dédiée sur l'extraction de données POD vers Excel pour les opérations logistiques, qui couvre en détail l'impact sur le DSO, les colonnes d'importation TMS et les manifestes multi-arrêts.

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 affirme avoir reçu 48 unités alors que le bon de livraison en indique 50, et que l'écriture manuscrite sur le champ de quantité reçue pourrait être « 48 » ou « 50 », qui paie ? Le transporteur facture l'expéditeur pour les 2 unités manquantes. L'équipe de comptabilité fournisseurs (AP) de l'expéditeur met la facture du transporteur en attente. Quelqu'un dans les opérations logistiques doit localiser le bon de livraison papier — qui peut encore être dans la cabine du conducteur, classé à l'entrepôt ou perdu — et plisser les yeux sur le bloc de signature pour voir s'il est lisible. Chaque litige consomme 20 à 45 minutes à travers plusieurs rôles. Pour une flotte de taille moyenne effectuant 500 livraisons par semaine, même un taux de litiges de 1 % signifie 5 litiges par semaine, soit environ 2,5 à 5,5 heures de travail interservices que personne ne budgétise.

Une non-conformité de la preuve de livraison (POD) équivaut à un retard de paiement

Les conditions de paiement des transporteurs sont généralement net-30 à compter de la réception d'une preuve de livraison (POD) valide. « POD valide » signifie un bon de livraison signé qui correspond aux lignes de la facture du transporteur. Lorsque la POD est illisible, incomplète ou met trois jours à émerger des documents du conducteur, le délai ne commence pas. La facture du transporteur reste impayée, le transporteur relance, l'équipe AP 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 par envoi sur toutes les lignes — pas seulement celles contestées. Les conditions standard du connaissement (BOL) de la NMFTA lient explicitement le paiement du transporteur à la disponibilité de la POD, mais peu d'expéditeurs suivent la fréquence à laquelle les retards de POD affectent les cycles de paiement.

Saisie manuelle des données à partir des gribouillis des conducteurs

Le coût le plus courant est le moins visible : un commis ou un opérateur de saisie de données à la fin de chaque quart de travail lit une pile de 20 à 60 bons de livraison et saisit 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 et 40 minutes de saisie — environ un tiers du quart de travail. Avec un coût de main-d'œuvre chargé de 22 à 28 $ de l'heure pour le personnel de saisie de données en logistique, cela représente 60 à 75 $ par quart de travail en saisie seule, soit environ 15 000 à 19 000 $ par poste de saisie de données par an. Pour une flotte qui nécessite une saisie de données sur trois quarts de travail, le coût annuel de main-d'œuvre approche les 50 000 $ avant les erreurs, les litiges et les retards de paiement.

Pour une analyse ciblée de la façon dont l'écriture manuscrite aggrave 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 que vous choisirez 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 qui comptent pour le rapprochement sont manuscrits : quantités reçues, codes d'exception, nom du conducteur, signature du destinataire, 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 gondole 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 les 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, stylo qui s'épuise. Le stylo à bille sur papier thermique laisse une impression fine et à faible contraste que le scanner ou la caméra a du mal à capter. 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 — quelle que soit sa performance sur les bordereaux d'expédition imprimés — est inutile pour les bons de livraison.

L'écriture manuscrite apparaît rarement isolée sur un bon de livraison — elle se superpose directement aux données d'expédition imprimées du fournisseur, et les deux couches doivent atteindre la feuille de calcul de sortie sans que l'une corrompe l'autre. Pour un aperçu ciblé de cette extraction à deux couches en pratique, consultez notre article sur l'extraction des données d'expédition imprimées et des confirmations de réception manuscrites à partir du même bon de livraison.

2. Photos prises sur téléphone dans des conditions d'entrepôt

Très peu de bons de livraison arrivent au back-office sous forme de scans propres. Ils arrivent comme des 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 chauffeur qui couvre le bloc de signature), résolution variable. Certaines photos sont prises sous la pluie, avec des taches 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 problème sémantique unique — non pas « trouver le texte sur cette page impeccable » 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 scanner. Pour une analyse plus approfondie de la façon dont la Vision AI gère les documents de terrain capturés par téléphone, consultez notre guide qu'est-ce que la reconnaissance de l'écriture manuscrite par IA.

3. Signatures, tampons et gribouillis mélangés

Un bon de livraison n'est pas un formulaire propre. Le réceptionnaire signe dans le cadre de signature. Le chauffeur écrit l'heure de livraison dans la marge. Quelqu'un tamponne « RECU » en biais, chevauchant le nom du transporteur. Une autre personne encercle la quantité reçue pour la confirmer. Toutes ces annotations sont nécessaires pour le dossier — elles constituent la preuve de ce qui s'est passé — mais elles se superposent aux données imprimées, chevauchant souvent les cellules du tableau ou encombrant les étiquettes de champs.

L'OCR traditionnel ne peut pas distinguer l'annotation du texte qu'elle chevauche. Un tampon « RECU » qui recouvre partiellement le mot « Destinataire » produit un flux de caractères illisible. Un « 80 » encerclé qui se trouve sur un « Qté » imprimé se lit comme « Qté80 » — perdant à la fois l'annotation et l'étiquette. Un modèle de Vision IA, en revanche, utilise le contexte du document — la structure du tableau, les étiquettes de champs, l'emplacement du tampon — pour séparer les éléments qui se chevauchent et les capturer indépendamment.

4. Dégradation du papier thermique

La plupart des bons de livraison sont imprimés sur du papier thermique : le même matériau que celui utilisé pour les rouleaux de reçus. Il s'enroule sous l'effet de la chaleur, s'estompe avec le temps et noircit s'il est laissé dans une cabine de camion chaude. Au moment où un bon de livraison arrive au bureau — après une semaine dans le carnet de livraison d'un conducteur ou un mois dans un classeur — le texte imprimé peut être à peine visible. L'OCR traditionnel, qui dépend de caractères noirs sur fond blanc à fort contraste, voit un champ gris sur gris. Les modèles Vision AI 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 d'un contraste binaire de pixels.

OCR traditionnel vs Vision AI pour les POD manuscrits

La différence entre l'OCR traditionnel et la Vision AI 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.

L'OCR traditionnel fonctionne bien lorsqu'il dispose d'une entrée propre : des scans haute résolution de documents imprimés avec une mise en page uniforme. Il échoue de manière catastrophique lorsque l'entrée est manuscrite, photographiée dans un mauvais éclairage ou structurellement incohérente — autrement dit, il échoue sur la grande majorité des bons de livraison réels. La Vision AI, 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 à partir du 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 — téléversez une photo de bon de livraison et regardez l'extraction se dérouler en temps réel :

Champs critiques que toute extraction de bon de livraison doit capturer

Tous les champs d'un bon de livraison n'ont pas le même poids pour le rapprochement. Les champs qui comptent pour le paiement, les stocks et la résolution des litiges forment un ensemble précis qu'un outil d'extraction de bons de livraison doit capturer de manière fiable — avec la saisie manuscrite comme hypothèse de base, et non comme cas limite.

Le champ de quantité reçue mérite une attention particulière car il est à la fois le champ 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 de lecture d'un seul chiffre — « 48 » au lieu de « 50 » — crée un écart qui génère un litige avec le transporteur, un ajustement de stock et un blocage en comptabilité fournisseurs (AP). Tout outil d'extraction de bons de livraison doit d'abord être évalué sur sa capacité à lire les quantités manuscrites, et non sur sa rapidité à extraire du texte imprimé.

Traitement par lots basé sur les itinéraires pour le rapprochement quotidien

Les bons de livraison arrivent par lots — non pas par document individuel, mais par itinéraire, par chauffeur, par équipe. Une flotte effectuant 20 itinéraires par jour génère 20 piles de bons de livraison, chaque pile représentant les livraisons d'un seul chauffeur. Le flux de travail de rapprochement est naturellement orienté par lots : rapprocher tous les bons de livraison de l'itinéraire 12 avec le manifeste d'itinéraire, vérifier les quantités par rapport aux copies signées du client, et libérer le paiement au transporteur pour cet itinéraire.

Un outil d'extraction de bons de livraison prenant en charge le traitement par lots basé sur les itinéraires vous permet de télécharger tous les bons de livraison d'un seul itinéraire en un lot, d'extraire les champs dans une seule feuille de calcul où chaque ligne correspond à une livraison, et de trier ou filtrer par itinéraire, chauffeur, date ou statut d'exception. Au lieu d'ouvrir chaque bon individuellement, vous traitez un itinéraire entier en une seule passe. Les noms de colonnes que vous définissez — Bon de livraison n°, 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 lots de plusieurs bons de livraison simultanément, y compris des conseils sur l'organisation des fichiers et la conception des colonnes, consultez notre guide sur l'extraction par lots de bons de livraison et de bordereaux d'expédition vers Excel.

L'approche par lots 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 itinéraires avec des preuves de livraison (POD) propres sont libérés pour paiement. Les itinéraires avec des exceptions sont signalés pour investigation — tout cela avant le début du prochain quart de travail du chauffeur. Pour une vue plus large sur la façon dont l'extraction de documents s'intègre dans les flux de travail logistiques aux côtés des documents d'expédition connexes, consultez notre sélection des meilleurs outils d'extraction de documents logistiques.

Export, intégration et flux de travail 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'export 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 : extraire tous les champs d'un lot d'itinéraires dans un seul fichier .xlsx, avec une ligne par bon de livraison et des colonnes correspondant à votre modèle de rapprochement. L'export Excel préserve la structure de colonnes que vous avez définie — n° de bon de livraison, date, référence de bon de commande (PO), quantité expédiée, quantité reçue, exceptions, image de signature (en note). Aucune étape de reformatage entre l'extraction et la feuille de calcul que votre équipe de comptabilité fournisseurs (AP) utilise déjà. Si vous souhaitez voir le résultat de l'extraction sur votre propre bon de livraison dès maintenant, essayez notre convertisseur de bon de livraison vers Excel — téléchargez un bordereau et obtenez le tableau structuré en quelques secondes.

Intégration TMS via données structurées

Pour les équipes qui ont besoin des données des bons de livraison dans leur système de gestion du transport, la sortie d'extraction peut être exportée en CSV ou JSON structuré. Le mappage des champs — n° de bon de livraison → référence transporteur, quantité reçue → quantité de confirmation de livraison, code d'exception → 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 — la sortie d'extraction alimente directement ces pipelines. Pour un aperçu plus détaillé de la connexion entre l'extraction de documents et les flux de travail TMS pour les documents connexes, consultez notre guide complet sur l'extraction de connaissements (BOL).

Preuve de livraison sur le portail client

De nombreux expéditeurs doivent fournir une preuve de livraison (POD) 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 contient à la fois les données structurées et une référence au document signé. Téléchargez la sortie d'extraction sur votre portail client ou partagez-la 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 des priorités est différent. Voici les critères qui comptent réellement pour les opérations logistiques, classés par importance.

La plupart des outils d'extraction sur le marché ont été conçus pour les factures et les bordereaux d'expédition — des documents imprimés avec des mises en page prévisibles. Les bons de livraison sont une catégorie différente : manuscrits, photographiés, thermiques en dégradation, 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 démo avec des PDF imprimés, mais qui échoue dès le premier bordereau manuscrit réel du carnet de livraison d'un chauffeur.

Pour une comparaison complète des outils d'extraction évalués selon les besoins des documents logistiques — y compris les bons de livraison, les connaissements (BOL) et les bordereaux d'expédition — consultez notre article sur les meilleurs outils d'extraction de documents logistiques pour 2026.

Questions fréquentes

De la main du chauffeur aux données exploitables

Les bons de livraison sont les documents les plus intensifs en écriture manuscrite des opérations logistiques. 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 manuscrite » comme poste budgétaire. 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 AI change cela. Un outil qui lit les bons de livraison de la même manière qu'une personne — en comprenant le document, pas en scannant des motifs de caractères — peut traiter les bons de livraison de toute une tournée 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 AI 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.