Le guide complet de
l'extraction des données des bons de livraison et des POD
Un camion arrive à l'entrepôt. Le conducteur remet le bon de livraison — un ticket thermique autocopiant avec des quantités manuscrites et une signature griffonnée dans la case du destinataire. Les marchandises sont déchargées, mais les données de ce ticket n'atteindront votre TMS que 24 à 72 heures plus tard — non pas parce que quelqu'un est lent, mais parce qu'il faut déchiffrer l'écriture, décoder les abréviations du conducteur et saisir chaque champ dans cinq écrans différents avant que l'expédition puisse être rapprochée du bon de commande (PO), 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 représentent près de 100 % d'un bon de livraison.
- Une seule quantité mal lue — « 48 » au lieu de « 50 » sur un ticket manuscrit griffonné — déclenche un litige de 20 à 45 minutes entre trois services, que personne n'avait budgété.
- La Vision AI 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 note en un téléversement par lots de 10 secondes.
Qu'est-ce que l'extraction de bons de livraison et de preuves de livraison (POD) ?
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 bordereaux papier qui accompagnent les livraisons de fret, et de leur conversion en données structurées pour votre TMS, votre ERP ou votre feuille de rapprochement. Au lieu qu'un employé ou un chauffeur saisisse manuellement chaque champ à partir d'une pile de bordereaux en carbone en fin de 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 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 récépissé 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 chauffeur et des codes d'exception qu'un bordereau de colisage ne comporte pas. Pour une introduction plus détaillée au type de document étroitement lié, 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.
Si votre flux de travail concerne spécifiquement le volet preuve de livraison signée — le document de dernier kilomètre qui alimente 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 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 de comptabilité fournisseurs 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 vérifier 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.
Non-concordance de la POD = retard de paiement
Les conditions de paiement des transporteurs sont généralement net-30 à compter de la réception d'une 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 de comptabilité fournisseurs 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 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 employé 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 tape chaque champ dans le TMS ou la feuille 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 50 000 $ avant même les erreurs, les litiges et les retards de paiement.
Pour une analyse détaillée 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 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 qui comptent 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 s'enroule et s'estompe. 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 correspondance 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 à sec. Le stylo à bille sur papier thermique laisse une impression fine et à faible contraste qu'un scanner ou une 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 imprimés — est inutile pour les bons de livraison.
2. Photos prises au téléphone dans des conditions d'entrepôt
Très peu de bons de livraison arrivent au bureau comme des scans propres. Ils arrivent sous forme de photos prises par le téléphone du réceptionnaire de l'entrepôt : angle incliné, éclairage d'entrepôt (néons au plafond avec des ombres profondes), cadre partiel (le pouce du conducteur couvrant 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 toute 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, 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 lorsqu'il reçoit 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 « Qty Received », 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 vous-même — téléchargez une photo de bon de livraison et observez l'extraction en temps réel :
Les fichiers sont traités en toute sécurité et ne sont pas 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 lots par itinéraire pour le rapprochement quotidien
Les bons de livraison arrivent par lots — non pas document par document, mais par itinéraire, par chauffeur, par équipe. Une flotte qui effectue 20 itinéraires 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 par lots : faire correspondre tous les bons de livraison de l'itinéraire 12 au manifeste de l'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 qui prend en charge le traitement par lots par itinéraire vous permet de téléverser 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 bordereaux d'expédition et de bons de livraison vers Excel.
L'approche par lots permet également le rapprochement quotidien : téléversez 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 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 un aperçu plus large de la façon dont l'extraction de documents s'intègre 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 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 : extrayez tous les champs d'un lot d'itinéraire 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° de bon de livraison, Date, Référence du 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 façon dont l'extraction de documents se connecte aux flux de travail TMS pour les documents associés, consultez notre guide complet sur l'extraction de connaissements (BOL).
Preuve de livraison sur portail client
De nombreux expéditeurs doivent fournir une Preuve de livraison (POD) à leurs clients — un bon de livraison signé prouvant que les marchandises sont arrivées. L'outil d'extraction capture la signature du destinataire comme champ image et le numéro de 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.
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 de livraison — des documents imprimés avec des mises en page prévisibles. 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 échoue dès le premier vrai bordereau manuscrit 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 de livraison — consultez notre article sur les meilleurs outils d'extraction de documents logistiques pour 2026.
Questions fréquentes
L'IA peut-elle lire les bons de livraison et preuves de livraison manuscrits ?
Oui — les modèles Vision AI modernes atteignent une précision de 75 à 90 % au niveau des champs sur les données manuscrites de bons de livraison issues de photos prises au téléphone, dépassant de loin la précision de 15 à 40 % au niveau des caractères de l'OCR traditionnel sur les mêmes entrées. La distinction clé est que la Vision AI lit les champs de manière holistique — elle comprend le contexte, la structure des tableaux 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 de bons de livraison fonctionne-t-elle avec des photos prises au téléphone dans un entrepôt ?
Oui, si l'outil utilise la Vision AI 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 à partir de l'image telle qu'elle est présentée. Il ne nécessite pas de scanner à plat ni de 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 dépend du fait qu'il s'agisse d'une marque manuscrite, et non d'une représentation textuelle. L'image de la signature peut être incluse dans les exports Excel comme 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 le traitement par lots en priorité. Vous pouvez téléverser tous les bons de livraison des opérations d'une journée — sur plusieurs tournées, chauffeurs et transporteurs — en un seul lot. La sortie extraite est une feuille de calcul unifiée 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'une preuve de livraison (POD) ?
L'outil peut extraire le numéro de 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 bon de commande (PO), les codes et descriptions d'articles en ligne, les quantités expédiées, les quantités reçues, les mentions de rupture/quantité manquante, les codes de dommage/exception, les signatures du destinataire et du chauffeur (comme images) et les remarques en texte libre. La sélection des champs est entièrement personnalisable — vous définissez les colonnes dont vous avez besoin.
En quoi l'extraction de bons de livraison diffère-t-elle de l'extraction de bordereaux d'expédition ?
Un bordereau d'expédition est un document fournisseur indiquant 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 de transport enregistrant ce qui est réellement arrivé et qui l'a signé — près de 100 % de champs critiques manuscrits, plus des signatures, des tampons et des codes d'exception. L'extraction de bordereaux d'expédition nécessite de gérer des tableaux de quantités multi-colonnes. L'extraction de bons de livraison nécessite de gérer l'écriture manuscrite, la mauvaise qualité des photos 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 de bordereaux d'expédition pour le flux de travail associé.
Les données extraites peuvent-elles être exportées vers mon TMS ou mon ERP ?
Oui. L'outil prend en charge l'exportation aux formats Excel (.xlsx), CSV et JSON. Les sorties CSV et JSON peuvent être importées dans la plupart des plateformes TMS, notamment SAP TM, Oracle TMS et Descartes, ainsi que dans les systèmes ERP. Le mappage des colonnes entre vos champs d'extraction et les champs 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 à leurs pipelines d'import de données.
Quelle est la précision de l'outil sur du papier thermique fané ou endommagé ?
La Vision AI 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 modèles de nombres courants — pour déduire les caractères qui sont passés sous le 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'existe plus. 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° de bon de livraison, date, quantité 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 lettre de voiture 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 riches en écriture manuscrite dans les 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 d'une tournée entière en le temps qu'un opérateur 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 : la précision de l'écriture manuscrite d'abord, la 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 avec 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 ne sont pas stockés.