KI-gestützte Auftragserfassung
Projektziele & Projektergebnis
Umsetzung projekt in den Bereichen „Prozesse“ mit dem Ziel der Erhöhung/Steigerung/ Optimierung des Informationsflusses (Qualität, Verfügbarkeit, Transparenz) und von Prozessen.
Das Projekt ermöglichte die automatisierte Umwandlung von Bestell-PDFs in ERP-Strukturdaten und führte so zu deutlich höherer Datenqualität und Effizienz im Vertriebsinnendienst.
Gesamtprojekt
Top Erkenntnisse aus dem Projekt
Ausgangslage
Zentrale Fragestellungen im Projekt
- Wie lassen sich heterogene PDF-Layouts vollständig lokal und robust in strukturierte Felder überführen?
- Wie stabilisieren wir den Output von Sprachmodellen (LLM) durch regelbasiertes Post-Processing?
- Wie lässt sich das implizite Erfahrungswissen der Mitarbeitenden maschinell nutzbar machen und dokumentieren?
Projektdetails
Die Otto Roth GmbH & Co. KG ist ein traditionsreiches Unternehmen aus der Befestigungs- und Verbindungstechnik, das seit über 100 Jahren als verlässlicher Partner für Industrie und Handwerk tätig ist. Das Unternehmen bietet ein breites Sortiment an Verbindungselementen, individuellen C-Teile-Lösungen sowie umfassende Logistik- und Serviceleistungen.
Im Rahmen des Projekts wurde der papierlastige und manuelle Prozess der Auftragserfassung grundlegend digitalisiert und automatisiert. Ziel war es, die Effizienz und Entscheidungsqualität im Vertriebsinnendienst signifikant zu steigern und gleichzeitig die Datensouveränität zu gewährleisten. Dafür wurde ein durchgängiger, lokal und offline betreibbarer Prototyp entwickelt, der eingehende Bestell-PDFs automatisch in ERP-konforme Strukturdaten überführt.
Die Lösung basiert auf einer Kombination aus Optical Character Recognition (OCR), lokalen Sprachmodellen (LLM) und Embedding-Technologien. Das System liest Bestelldokumente ein, extrahiert relevante Informationen wie Kundennummern, Artikel oder Lieferadressen, prüft diese gegen ERP-Stammdaten und stellt die Ergebnisse in einer benutzerfreundlichen Oberfläche bereit. Dabei nutzt es ein trainiertes Modell, das aus historischen Daten gelernt hat, „implizites Erfahrungswissen“, beispielsweise typische Artikelzuordnungen, maschinell nachzubilden.
Das Projekt wurde initiiert, weil das Unternehmen vor der Herausforderung stand, dass Kundenbestellungen überwiegend als unstrukturierte PDF-Dateien in unterschiedlichen Layouts, Sprachen und Qualitätsstufen eingingen. Diese mussten bislang manuell verarbeitet werden, welches einen fehleranfälligen, zeitintensiven und personenabhängigen Prozess darstellte, der die Skalierbarkeit in Spitzenzeiten einschränkte.
Durch die entwickelte Lösung konnte dieser Engpass nachhaltig behoben werden. Das System erreicht eine Korrektheit von über 90 % bei der Datenerkennung, reduziert den manuellen Aufwand in der Vorerfassung um mehr als 50 % und verbessert zugleich die Nachvollziehbarkeit und Konsistenz der Auftragsdaten. Damit leistet das Projekt einen wichtigen Beitrag zur digitalen Transformation der Geschäftsprozesse im Unternehmen und stärkt die langfristige Wettbewerbsfähigkeit.
