发票数据提取是将 PDF、扫描件或照片转换为系统可用字段的过程：供应商、发票编号、日期、币种、总额和明细项目。最终有用的结果，是会计系统中一条经审核通过的记录，并且对需要更正的单据设有相应处理流程。
本指南将介绍发票 OCR 的涵盖范围、验证和审核环节应如何设置，以及如何在现成软件和定制集成之间做出选择。
发票 OCR 与数据提取解决的是不同问题
光学字符识别（OCR）可读取图像中的字符。数据提取则会识别这些字符的含义，并将其映射到相应字段。识别出文本“132.00”是一项任务；判断它是小计、税额还是应付金额，则是另一项任务。
数字 PDF 可能已经包含可读取的文本。扫描件则需要经过 OCR 步骤。但无论哪种情况，在输出成为可用的业务记录之前，都仍需进行字段释义、标准化和检查。
已有专业服务能够处理这项工作的一部分。 Amazon Textract 费用分析 会返回经过标准化的发票字段和明细项目数据，并提供置信度及其在文档中的位置。 Microsoft Document Intelligence 的发票模型 可将发票字段和明细项目提取为结构化输出。这些服务可以作为工作流程的组成部分；您仍需定义审批规则和目标系统集成方式。
根据目标系统的实际需求定义字段
从您希望创建的会计记录入手。电子表格摘要所需的字段，比将发票与采购订单和库存收货记录相匹配所需的字段少。
| 字段组 | 示例 | 导出前检查 |
|---|---|---|
| 身份信息 | 供应商、发票编号、采购订单 | 供应商已存在；标记可能重复的记录 |
| 日期与币种 | 发票日期、到期日、币种 | 日期明确无歧义；币种已明确标示 |
| 金额 | 小计、税额、折扣、总额 | 按照约定的舍入规则核对金额 |
| 明细项目 | 描述、产品代码、数量、单价 | 各行信息完整，并映射到正确的科目或项目 |
标准化字段时请保留原始值。审核人员应能够查看读取到的内容、转换后的值及其在文档中的位置。将未知值视为缺失数据，并加以核实。
从 PDF 到审核通过记录的工作流程
- 登记收到的文档。 为其分配标识符和状态。保留原始文件，以便在提取失败时重新处理和审核。
- 提取约定的字段。 使用文档中的文本或 OCR/提取服务，然后对日期、币种和金额进行标准化。
- 执行业务检查。 匹配供应商、核实必填字段、核对总额，并标记可能重复的记录。
- 审核异常情况。 在字段旁显示原始文档。允许员工更正数值、选择费用科目并批准记录。
- 导出并确认。 将数据写入目标系统，保留其记录 ID，并跟踪失败情况。重新尝试失败的导出不应创建另一张发票。
例如，发票总额可能已被清晰提取，但会计系统中找不到匹配的供应商。该文档仍需处理。总额的置信度评分并不能证明整张发票已准备好入账。
将数据提取、入账和付款授权分开处理。文档可读取，并不意味着该笔费用已获批准，也不意味着应当发起付款。
选择软件、提取 API 或定制工作流程
标准流程可使用现成产品
如果其支持的字段、会计连接器和审核控制功能符合您的需求，可以从这里开始。例如， AutoEntry 提供发票采集和会计集成功能。在引入另一套系统前，请使用您自己的供应商单据测试该产品。
如果您已有配套系统，可使用提取 API
API 可以提供文档读取组件，而您的应用程序负责接收文件、管理用户、审批和导出。请比较字段覆盖范围、审核工作量、文档限制、使用成本和数据处理方式。每页价格最低，并不一定意味着每条审核通过的记录成本最低。
当流程有产品无法满足的需求时，可构建定制集成
例如，与内部采购订单数据库匹配、提取特定供应商字段、写入不常见的 ERP，或实现自定义审核角色。定制开发可以围绕现有提取服务进行，并不意味着一定要从头训练模型。
GagarinSoft 提供 定制发票处理自动化与集成，涵盖从文档接收、审核到导出的流程。在确定定制开发范围之前，我们会先评估现有工具是否适用。
使用您的文档评估准确性
建立一个有代表性的样本集，并在测试前记录正确值。样本应包括电子版 PDF、扫描件、手机拍摄的照片、多页发票、贷项通知单、新供应商的发票，以及包含多个税率的单据。留出一些样本用于最终检查，不要只针对同一组样本反复调整。
- 分别衡量重要字段。 发票编号、供应商、币种和总额的验收规则，可能需要与自由文本描述不同。
- 衡量完整记录。 统计通过所有必需检查的发票数量，同时统计各个字段提取正确的发票数量。
- 衡量审核工作量。 跟踪需要更正的单据数量，以及员工更正所花的时间。
- 测试数据去向。 在评估中纳入重复提交、连接失败和导出被拒的情况。
准确率目标应与您将采取的操作相符。供审核人员查看的草稿和自动过账的记录需要不同的验收规则。服务提供商的置信度评分有助于分配处理工作；任何阈值都应根据您自己的结果进行验证。
计算每张获批发票的成本
将设置、周期性软件或 API 费用、托管、维护和员工审核时间都纳入计算。按可用记录跟踪成本，并计入失败尝试和更正。
举例来说，处理 500 张发票，每张耗时 4 分钟，需要约 33 小时的录入工作。如果新流程平均每张发票只需审核 1 分钟，则约需 8 小时：在不计异常情况和维护的前提下，可节省约 25 小时。这些只是示例假设，并非承诺的结果；请用团队的实际测量数据替换。
实施成本估算取决于单据种类、验证规则、集成权限和托管限制。我们的 AI 开发成本 指南说明了这些因素如何影响项目范围。
明确单据和提取数据的去向
梳理接收、存储、提取服务提供商、审核界面、日志、备份和目标系统。确定谁可以访问单据、保留哪些数据以及删除哪些数据。如果单据必须留在您的环境中，请在选择工具之前，逐一评估每个处理环节是否符合这一要求。
准备一份实用的项目简介
- 单据类型、语言和月处理量。
- 发票的接收渠道，以及目前的审核方式。
- 必需字段和目标系统。
- 审批角色，以及字段不明确时的处理方式。
- 托管和数据保留要求。
- 通过双方商定的渠道共享具有代表性的脱敏样本。
这些信息足以开始讨论一个范围明确的试点：一个接收渠道、一个目标系统，以及可衡量的验收标准。