Wie kann KI die Auftragserfassung aus E-Mails, PDFs und Tabellen automatisieren?

KI kann die Auftragserfassung automatisieren, indem sie Bestellungen liest, die als E-Mails, PDFs, Tabellen oder gescannte Formulare eingehen, Produkte, Grössen, Mengen, Preise und Liefertermine extrahiert und daraus strukturierte Aufträge erstellt, die geprüft und im System der Marke erfasst werden. Sie beseitigt einen Grossteil des Abtippens, das Wholesale-Backoffices noch immer beansprucht, sofern die extrahierten Daten validiert werden, bevor daraus ein bestätigter Auftrag wird.

Warum kommen Wholesale-Bestellungen noch immer als E-Mails, PDFs und Tabellen?

Grosse Händler und Warenhäuser tauschen Bestellungen oft per elektronischem Datenaustausch aus. Standards wie EANCOM von GS1 definieren eine ORDERS-Nachricht, um die Details der bestellten Waren zu den zwischen Verkäufer und Käufer vereinbarten Bedingungen festzulegen, einschliesslich Teillieferungen und Rahmenaufträgen. Viele Modemarken beliefern jedoch auch unabhängige Boutiquen und kleinere Ketten, die weder über die Systeme noch über die Volumen verfügen, die EDI rechtfertigen würden.

Diese Partner senden, was sie können: eine E-Mail mit einer Liste von Modellen, ein PDF aus ihrem eigenen Einkaufstool, das von Hand ausgefüllte Bestellformular der Marke oder eine Tabelle mit eigenem Spaltenaufbau. Jede Bestellung kommt in einem anderen Format, und jemand im Kundenservice tippt sie ab. Branchenübergreifend ist diese Art der manuellen Datenerfassung ein bekannter Zeitfresser für den Vertrieb; die Studie State of Sales 2026 von Salesforce berichtet, dass jüngere Vertriebsmitarbeitende dadurch rund zwei Stunden pro Woche verlieren.

Wie extrahiert KI einen Auftrag aus einem Dokument?

1. Eingang: Das System überwacht ein Bestellpostfach oder einen Upload-Kanal und erkennt, welche Nachrichten Bestellungen enthalten.
2. Lesen: Text, Tabellen und Handschrift werden mit optischer Zeichenerkennung und Modellen zum Dokumentenverständnis aus E-Mails und Anhängen extrahiert.
3. Interpretation: Ein Sprachmodell erkennt Kunde, Lieferadresse, Modelle, Farben, Grössenraster, Mengen, Preise und gewünschte Lieferfenster.
4. Zuordnung: Jede Position wird mit den Produktstammdaten der Marke sowie der Preisliste und den Konditionen des Kunden abgeglichen.
5. Validierung: Regeln prüfen Verfügbarkeit, Mindestmengen, Lieferfenster, Bonität und Summen.
6. Prüfung und Erfassung: Saubere Aufträge gehen in die Erfassung oder in eine schnelle Freigabe; unsichere Positionen werden für eine Person markiert.

Lesen Sie auch

Was können dialogbasierte KI-Assistenten für Einkäufer im B2B-Modehandel leisten?

Was macht Modebestellungen schwer lesbar?

Grössenraster sind die typische Fehlerquelle. Ein Händler schreibt Mengen vielleicht über die Grössen in einer Zeile, verwendet für verschiedene Märkte unterschiedliche Grössensysteme oder kürzt Farbnamen ab. Ein falsch gelesenes Raster erzeugt einen Auftrag, der plausibel aussieht, aber die falschen Grössen liefert, was erst auffällt, wenn die Ware im Laden ankommt.

Die Produktzuordnung ist die zweite Schwierigkeit. Händler bezeichnen Modelle oft mit eigenen Artikelnummern, mit Beschreibungen wie der marineblaue Blazer aus der Herbstlinie oder mit Nummern aus einer früheren Saison. Zuverlässige Systeme führen je Kunde eine Referenztabelle, die mit jedem bestätigten Auftrag wächst, und zeigen der prüfenden Person, wie sicher die Zuordnung ist. Die Preise sind eine dritte Prüfung: Weicht der Preis auf dem Dokument des Händlers von der Preisliste des Kunden ab, sollte der Auftrag nicht automatisch bestätigt werden, ganz gleich, welche Zahl stimmt.

Was kann bei generativer KI in der Auftragserfassung schiefgehen?

Generative Modelle kopieren nicht einfach Text; sie erzeugen Ergebnisse, die statistisch zum Input passen. Das US-amerikanische National Institute of Standards and Technology beschreibt das daraus entstehende Risiko als Konfabulation: Systeme, die "fehlerhafte oder falsche Inhalte erzeugen und überzeugt präsentieren". In der Auftragserfassung kann das eine erfundene Modellnummer bedeuten, eine Menge, die in die benachbarte Grösse gerutscht ist, oder einen Liefertermin, der nie gewünscht wurde.

• Lassen Sie ein Modell niemals einen Produktcode erzeugen, der in den Stammdaten nicht existiert.
• Zeigen Sie bei jeder geprüften Position das Originaldokument neben dem extrahierten Auftrag.
• Arbeiten Sie mit Konfidenzschwellen: Akzeptieren Sie nur Positionen oberhalb davon automatisch und leiten Sie den Rest an Menschen weiter.
• Gleichen Sie Summen wie Stückzahl je Modell und Auftragswert mit der Quelle ab.
• Protokollieren Sie jede Korrektur, damit System und Team daraus lernen können.

Wie behalten Menschen die Kontrolle?

Das übliche Modell ist die Ausnahmebearbeitung. Der Kundenservice tippt keine Aufträge mehr ab, sondern prüft markierte Positionen, klärt Unklarheiten mit dem Händler und bestätigt. Das verändert die benötigten Kompetenzen: Die prüfenden Personen müssen Kollektion und Kunden gut genug kennen, um plausible Fehler zu erkennen. Auch klare Verantwortlichkeiten sind wichtig; eine Auftragsbestätigung ist eine kommerzielle Verpflichtung, deshalb sollte eine benannte Person oder eine ausdrücklich freigegebene Regel sie auslösen.

Die Kommunikation mit dem Händler ist Teil des Prozesses. Ist ein Auftrag unklar, lässt sich das mit einer kurzen, konkreten Rückfrage schneller klären, zum Beispiel ob sich eine Menge von zwölf auf Grösse 38 oder 40 bezieht, als mit der allgemeinen Bitte, den Auftrag erneut zu senden. Generative KI kann diese Rückfragen entwerfen und die Auftragsbestätigung in einem gut lesbaren Format erstellen, sodass der Einkäufer verbleibende Fehler erkennen kann, bevor Produktion oder Kommissionierung beginnen.

Lesen Sie auch

Wie funktioniert KI-gestützte Kundensegmentierung im Wholesale?

Wie sollte eine Marke den Erfolg messen?

Nützliche Messgrössen sind der Anteil der ohne manuelle Korrektur verarbeiteten Aufträge, die nach der Erfassung entdeckten Fehlerquoten, die Zeit vom Eingang bis zur Bestätigung und die Stunden im Kundenservice pro tausend Auftragspositionen. Marken sollten vor der Einführung von KI eine Ausgangsbasis erheben, mit einem Kanal wie per E-Mail versandten Tabellen beginnen und erst auf schwierigere Formate wie handschriftliche Formulare ausweiten, wenn der erste Kanal zuverlässig funktioniert. Gartners Prognose von 2023, wonach generative KI einen wachsenden Teil der Arbeit von Verkäufern übernehmen wird, einschliesslich der Prozessautomatisierung, weist in dieselbe Richtung, doch der Beleg, der zählt, ist die eigene Fehlerquote der Marke.