Was ist OCR?
Zuletzt aktualisiert am · Aidan Faes
Kurz gesagt
OCR steht für optische Zeichenerkennung und bezeichnet die Umwandlung von Bild in maschinenlesbaren Text. Aus einem gescannten Lieferschein wird dabei eine Zeichenfolge, die durchsucht und weiterverarbeitet werden kann. OCR erkennt Zeichen, ordnet sie aber keinen Feldern zu: Das ist Aufgabe der nachgelagerten Extraktion.
Diese Unterscheidung wird in Verkaufsgesprächen oft verwischt, ist aber der Kern jeder Dokumentenlösung. Nach dem Erkennungsschritt wissen Sie, dass irgendwo auf dem Blatt die Zeichenfolge 4.712,50 steht. Sie wissen nicht, ob das der Nettobetrag, der Bruttobetrag oder eine Positionssumme ist. Wer nur Texterkennung einkauft und Feldzuordnung erwartet, bekommt ein Werkzeug, das die eigentliche Arbeit nicht abnimmt.
Die Erkennungsqualität hängt fast vollständig am Eingangsmaterial. Sauber erzeugte PDF-Dateien enthalten den Text bereits und brauchen gar keine Erkennung. Scans mit 300 dpi liefern gute Ergebnisse, Faxe, Durchschläge, Stempel über Zahlen und Handschrift deutlich schlechtere. Bevor Sie ein Produkt bewerten, sortieren Sie deshalb Ihre schlechtesten fünf Prozent Vorlagen heraus und testen mit genau diesen.
Der typische Fehler ist, die Erkennungsquote des Anbieters als Projektaussage zu nehmen. Eine Angabe wie 99 Prozent bezieht sich auf Zeichen, nicht auf Dokumente. Bei einer Rechnung mit tausend Zeichen bedeutet das im Schnitt zehn falsche Zeichen, und wenn eines davon in der Bankverbindung steht, ist der Vorgang unbrauchbar. Aussagekräftig ist nur die Quote je Feld auf Ihren eigenen Belegen.
Rechnen Sie außerdem mit Folgeaufwand, den niemand einpreist. Wer heute Papier scannt, braucht eine Regelung für Ablage, Aufbewahrungsfristen und die Frage, ob das Papier vernichtet werden darf. Für steuerlich relevante Unterlagen gelten dabei besondere Anforderungen an die Nachvollziehbarkeit; lassen Sie das für Ihren Fall prüfen, bevor der erste Ordner in den Reißwolf geht.
Was die Erkennungsqualität am stärksten beeinflusst
- Auflösung und Geradheit des Scans, insbesondere bei Belegen aus Sammelscans.
- Kontrast: Durchschläge, Thermopapier und Faxe liefern deutlich schlechtere Ergebnisse.
- Störungen im Text: Stempel, Unterschriften und Notizen über Zahlenfeldern.
- Schriftart und Sprache, besonders bei fremdsprachigen Lieferantenbelegen.
Welche Begriffe hängen damit zusammen?
- Intelligent Document Processing: Die Kette aus Erkennen, Klassifizieren, Auslesen und Übergeben eines Dokuments an das Zielsystem.
- Extraktion: Das Herausziehen einzelner Felder aus einem Dokument, etwa Rechnungsnummer, Datum und Betrag.
- Konfidenzwert: Der Wert, mit dem ein System angibt, wie sicher es sich bei einem Feld ist. Er steuert, ab wann ein Mensch prüft.
Wo wird OCR in der Auswahl konkret?
Begriffe helfen erst, wenn sie an einer Entscheidung hängen. OCR spielt vor allem in Dokumente & Verwaltung eine Rolle. Dort sehen Sie, wie die geprüften Lösungen mit dem Punkt umgehen, jeweils mit Quelle und Stand-Datum. Ausführlicher steht das auf Dokumentenverarbeitung im Vergleich.
Weiter im Glossar
Daten, Dokumente und Wissen
Kategorien
Häufige Fragen
Reicht die Texterkennung, die unser Scanner mitbringt?
Für die Volltextsuche in einem Archiv oft ja. Für die automatische Verarbeitung von Rechnungen oder Aufträgen reicht sie nicht, weil dort Felder erkannt, geprüft und übergeben werden müssen.
Wie testen wir das seriös?
Mit einem Stapel von 100 bis 200 echten Belegen aus Ihrem Alltag, bewusst inklusive der schwierigen Fälle. Messen Sie je Feld, wie oft der Wert richtig war und wie oft jemand eingreifen musste, statt eine Gesamtquote zu vergleichen.