Comparaison
Un parseur extrait du texte. Un produit de réception de commandes produit une commande provisoire Shopify rapprochée et tarifée. L’extraction, c’est environ la moitié du travail dans le gros, et c’est la moitié la plus facile.
Un parseur d’e-mails extrait des données. Un produit de réception de commandes produit une commande. La distinction paraît mince et c’est toute la comparaison.
Passez un bon de commande de gros dans Mailparser, Docparser, Rossum ou AWS Textract et vous récupérez des champs et du texte, souvent avec un indice de confiance. La ligne un affiche « Lg Blue Widget, 24, CS ». C’est une extraction correcte, et ce n’est pas une commande. Rien ne sait encore lequel de vos comptes a envoyé le document, quelle variante Shopify désigne cette description, si 24 veut dire 24 unités ou 24 caisses, ce que ce compte paie selon sa liste de prix B2B, ni comment tout cela entre dans Shopify.
La plupart de ces outils fonctionnent aussi par template, donc une règle bâtie sur l’échantillon d’un expéditeur tient jusqu’à ce que cet expéditeur ajoute une colonne ou change d’ERP, et ensuite elle continue de tourner en silence sur la mauvaise colonne. Plusieurs situations plus bas devraient vous pousser vers un parseur plutôt que vers nous. Mais si vos bons de commande arrivent dans quarante mises en page, la question n’est pas qui extrait le mieux du texte. C’est qui vous remet au bout une commande provisoire rapprochée et tarifée.
Décrit avec exactitude, parce que ces outils font bien leur travail. La mécanique réelle, du moment où le courriel arrive au moment où les données sortent.
Une adresse dédiée vers laquelle vous transférez, ou vers laquelle une boîte partagée redirige automatiquement. Les numérisations passent par l’OCR, les PDF numériques portent déjà une couche de texte, et la précision des caractères est rarement le point de rupture.
Vous téléversez un échantillon et vous encadrez le numéro de bon de commande, l’adresse de livraison et le tableau des lignes. L’outil retient la position ou le texte d’ancrage, et chaque document suivant de cet expéditeur est lu contre cette carte.
Les meilleurs outils détectent les frontières de colonnes et répètent une règle de ligne sur toute la page, ce qui est difficile et vraiment bien fait. Les cellules fusionnées et les sous-totaux en plein tableau sont là où ils ont besoin d’aide.
Certains outils ajoutent d’abord un indice de confiance et un écran de validation, mais cette révision porte sur le document, pas sur la commande qui en résulte. Tout ce qui sépare cette sortie d’une commande Shopify est du code que votre équipe écrit et fait tourner.
Nommés honnêtement, avec le lecteur auquel chacun convient. Si votre situation correspond mieux à l’un d’eux qu’à nous, achetez celui-là.
Extraction par règles et templates. Envoyez un échantillon, surlignez ce que vous voulez capter, et l’outil construit une règle à partir de la position et du texte environnant. Bon choix pour une ou deux mises en page stables qui portent vos SKU, mauvais choix si chaque client formate différemment.
Ces deux produits occupent le juste milieu en pointer-cliquer, avec templates visuels, bonne gestion des tableaux et OCR sur les numérisations. Bon choix pour une poignée de mises en page sans équipe technique, mauvais choix si vous attendiez une commande finie.
Une vraie plateforme pour les documents transactionnels, plus forte sur les factures. Elle lit sans template par mise en page et place un écran de validation devant un réviseur dont les corrections entraînent le modèle. Mauvais choix si vous voulez une commande provisoire Shopify sans projet d’intégration.
Extraction par modèle que vous entraînez sur vos propres échantillons, avec des modèles pré-entraînés pour les types de documents courants et une API propre. Bon choix si vous avez des développeurs et un type de document constant et atypique.
Les suites historiques de traitement intelligent des documents, et les produits les plus paramétrables de cette liste. Classification, postes de validation, déploiement sur site ou en nuage. Bon choix pour de nombreuses classes de documents à grande échelle, mauvais choix pour une petite équipe.
Des API infonuagiques brutes, et d’excellentes. Textract rend du texte, des paires clé-valeur et des tableaux, et Document AI ajoute des processeurs d’approvisionnement pour les factures et les bons de commande. Bon choix si vous voulez un composant, mauvais choix si vous attendiez une boîte de réception et un connecteur.
Envoyez le document à un modèle multimodal avec un schéma JSON et récupérez une sortie structurée. Bon choix si vos règles sont atypiques et si vous avez des développeurs qui seront encore là dans deux ans, mauvais choix si personne ne s’en occupe la semaine où un expéditeur change de format.
La réception de commandes pour les grossistes sur Shopify. Lit n’importe quelle mise en page sans template, résout le compte, rapproche chaque ligne y compris les descriptions approximatives et les codes articles de l’acheteur, et écrit une commande provisoire native déjà tarifée.
L’extraction zonale et par template fonctionne en mémorisant où sont les choses. Vous lui montrez un document, vous tracez les cadres, et elle applique cette carte à tout ce qui suit du même expéditeur. Sur une mise en page stable, c’est rapide, peu cher et exact, et c’est pour cela que la catégorie existe.
Le problème dans le gros, c’est qu’une mise en page de bon de commande n’est pas un contrat. C’est ce qui est sorti du système de l’acheteur ce mois-ci. Les achats ajoutent une colonne de numéro de lot entre la description et la quantité, et votre règle de quantité lit maintenant des numéros de lot. Ils changent d’ERP et tous les champs de la page couverture bougent. Une deuxième page de conditions fait apparaître deux fois l’ancre sur laquelle votre règle s’appuyait. Quelqu’un fusionne deux cellules pour loger une longue description et la règle de ligne lit une case vide.
Ce qui rend cela coûteux, c’est le silence. Un template ne lève presque jamais d’erreur quand la mise en page bouge, il rend une valeur confiante prise au mauvais endroit. Douze devient cent vingt parce que la règle a attrapé la colonne du format de caisse, et personne ne s’en aperçoit au moment de l’extraction. On s’en aperçoit au quai de chargement, et à environ 250 $ pour défaire une commande erronée, un template qui a dérivé en silence coûte plus cher qu’un template qui casse bruyamment.
Chaque mise en page d’expéditeur est aussi un template à construire, à tester et à assumer, et le compte monte chaque fois que vous gagnez un client plutôt que chaque fois que vous gagnez une commande. Le traitement intelligent des documents répond exactement à cela. Rossum, Nanonets, ABBYY et Kofax lisent sans template par mise en page et laissent un réviseur corriger le modèle au lieu de reconstruire une règle. Cela règle le problème à l’échelle du document, et un bon de commande n’est pas terminé quand le document a été lu correctement.
Trois colonnes pour l’alternative, parce que la catégorie n’est pas une seule chose.
| Parseurs à règles et templates | Traitement intelligent des documents | API OCR brutes | LevelOps | |
|---|---|---|---|---|
| Temps de mise en place | Des heures par mise en page d’expéditeur | Des semaines à des mois, souvent via un partenaire | Des jours de développement avant le premier document | Moins d’une heure, plus 2 à 5 minutes de synchronisation catalogue |
| Forme du coût | Palier mensuel selon le volume de documents | Frais de plateforme plus une implantation | À la page, plus tout ce que vous construisez dessus | Gratuit pour vos 5 premières commandes, puis 50 $ une fois ou de 100 $ à 250 $ par mois selon le volume |
| Lit une mise en page jamais vue | No | Oui, c’est la raison d’en acheter un | Texte et tableaux oui, sens non | Yes |
| Le client doit changer quelque chose | Parfois, si vous imposez une mise en page fixe | No | No | No |
| Revue humaine avant qu’une commande existe | Non inclus | Oui, sur le document | Non inclus | Oui, une commande provisoire en attente de validation |
| Rapproche les lignes des variantes Shopify | No | Seulement contre une table que vous construisez | No | SKU exact, puis sémantique, puis codes acheteurs appris |
| Gère une description approximative sans SKU | No | Dépend de vos données de correspondance | No | Yes |
| D’où vient le prix | De ce qui est imprimé sur le document | De ce que vous avez mappé | Aucune notion de prix | De votre catalogue Shopify et de vos listes de prix B2B |
| Crée une commande provisoire Shopify native | No | Via une intégration que vous construisez | No | Oui, avec le fichier source joint |
| Maintenance continue | Un template par mise en page, pour toujours | Gérée par l’éditeur, plus votre couche d’intégration | Vous portez toute la chaîne | Gérée par l’éditeur, les mises à jour arrivent chez vous |
| Pour qui cela échoue | Beaucoup d’expéditeurs aux mises en page mouvantes | Petites équipes sans budget d’intégration | Ceux qui voulaient un produit, pas une API | Les commandes qui arrivent déjà structurées |
| Meilleur cas d’usage | Une mise en page stable, ou des documents autres que des commandes | Capture à fort volume sur plusieurs classes de documents | Équipes techniques qui construisent leur propre système | Bons de commande par courriel à transformer en commandes Shopify |
C’est la section importante et ce n’est pas une politesse. Plusieurs lecteurs devraient fermer cette page et acheter un des outils ci-dessus.
Une mise en page stable chez la plupart des expéditeurs. Si l’essentiel de vos documents sort du système d’un seul groupement d’achat, d’un seul portail de distributeur, ou d’un bon de commande que vous publiez, un parseur à template est le bon choix. Moins cher que nous, exact, et l’argument de la maintenance ne s’applique pas puisqu’il n’y a qu’un template.
Des documents qui ne sont pas des bons de commande. Factures fournisseurs vers les comptes fournisseurs, confirmations d’expédition, avis d’expédition, avis de paiement, bordereaux d’expédition, certificats d’analyse, documents douaniers. PDF to Order ne fait rien de tout cela, et Rossum, ABBYY et Kofax couvrent des classes de documents que nous n’avons jamais regardées.
Un très gros volume de pages d’un seul formulaire. Des milliers de rapports d’inspection ou de résultats de laboratoire identiques par mois, c’est exactement ce pour quoi la tarification à la page a été conçue, et un modèle entraîné sur un formulaire constant devient très bon. Tarifer à la commande est la mauvaise unité pour cette charge.
Des développeurs qui veulent un composant, pas un produit. Si vous construisez votre propre système de commandes et voulez l’extraction comme appel de bibliothèque à l’intérieur, Textract et Document AI ont la bonne forme et nous avons la mauvaise.
Des usages complètement hors de la réception de commandes. Router des notifications de prospects vers un CRM, extraire des numéros de suivi dans les courriels des transporteurs, trier le courrier de soutien. C’est le territoire des parseurs et ça le restera.
Vos commandes ne vivent pas dans Shopify. Tout ce qui a de la valeur ici se termine par une commande provisoire Shopify, donc si votre système de référence est un ERP, cette sortie ne vous vaut rien. Même réponse si vous exploitez déjà Rossum ou ABBYY avec une équipe compétente, parce qu’un deuxième fournisseur pour un seul type de document rembourse rarement la coordination.
La sortie, ce sont des champs et du texte, parfois avec un indice de confiance. Tout ce qui suit se place entre cette sortie et une commande que quelqu’un peut expédier, et tout cela est à vous à construire, à exploiter et à réparer.
Transformer un en-tête et un domaine d’expéditeur en la bonne entreprise Shopify, le bon contact et la bonne adresse de livraison se complique avec les groupements d’achat et les boîtes de réception d’achats partagées.
Vous obtenez la chaîne que l’acheteur a tapée. Savoir à laquelle de vos variantes elle renvoie est le vrai travail, et aucun outil d’extraction ne le fait, parce qu’il faut votre catalogue plutôt que le document.
Les prix imprimés sur un bon de commande client sont souvent périmés, parfois optimistes et parfois absents. Reprendre le chiffre du document est l’habitude la plus coûteuse de la saisie de commandes.
Les bonnes variantes, l’entreprise rattachée, la liste de prix appliquée, le fichier source joint, plus les limites de débit et l’idempotence pour qu’un webhook rejoué ne crée pas la commande deux fois.
Un indice de confiance dit que le texte a été bien lu, pas que le rapprochement, l’unité ou le compte étaient bons. La correction d’un réviseur devrait devenir un alias par acheteur.
Lire un bon de commande est un problème à peu près résolu, et un développeur compétent avec un modèle récent obtient une extraction utilisable en un après-midi. Ce que personne ne vous remet, c’est la décision de savoir laquelle de vos milliers de variantes le client visait. Le rapprochement se fait en trois couches et l’ordre compte.
Recherche exacte d’abord. Si la ligne porte votre SKU, un code-barres ou un identifiant de variante, on le cherche dans le catalogue synchronisé et cette ligne est terminée. C’est la seule couche qu’un parseur plus un tableur peuvent réellement couvrir, et c’est pourquoi les chaînes bâties sur un parseur tiennent très bien jusqu’au jour où un client cesse d’utiliser vos codes.
Rapprochement sémantique sur la description ensuite, et c’est là que les commandes de gros se gagnent ou se perdent. Quand la ligne ne dit rien de plus que « Lg Blue Widget », le rapprochement vient du texte de vos titres de produits, de vos options de variantes, de vos étiquettes et de vos descriptions, pesé contre le format de caisse sur la ligne, l’unité à côté de la quantité, les autres produits du même document et ce que ce client a déjà acheté. Une ligne qui dit « IPA 6-Pack Case of 24 » doit se résoudre vers la variante caisse plutôt que vers l’unité, et se tromper expédie la mauvaise quantité au mauvais prix.
Alias appris par acheteur en troisième. Les gros acheteurs utilisent leur propre fichier articles, et leur code pour votre produit revient sur chaque commande qu’ils envoient. La première fois qu’une personne confirme que ce code désigne votre variante, la paire est retenue pour cet expéditeur, et c’est pour cela que la charge de révision baisse au fil des premières semaines au lieu de rester stable.
Un parseur ne peut rien faire de tout cela, parce qu’il n’a jamais vu votre catalogue. Le traitement intelligent des documents couvre une partie de la première couche si vous lui fournissez une table de correspondance, et lui demander la deuxième et la troisième revient à maintenir une table de correspondance par client, c’est-à-dire le projet de données de référence que l’outil devait vous épargner.
Un parseur facturé en cents par page contre un produit de commandes facturé à la commande ressemble à une décision facile, jusqu’à ce que vous chiffriez le même résultat fini des deux côtés. Le prix du parseur couvre l’extraction. Il ne couvre pas la boîte de réception et les pièces jointes, les reprises quand un document échoue, la résolution du client, le rapprochement catalogue, la lecture de la liste de prix, le travail sur l’API Admin de Shopify avec ses limites de débit et son idempotence, la file d’exceptions, une interface de révision, ni les alertes qui vous disent que le format d’un expéditeur a dérivé. Chiffrez cela à votre taux horaire chargé de développeur, puis chiffrez-le de nouveau pour la deuxième année, et demandez-vous enfin dans l’agenda de qui tombent les templates.
L’autre côté du grand livre, avec seulement des chiffres traçables. Le traitement passe d’environ six minutes par commande à environ une, donc cent commandes documentaires par mois représentent à peu près dix heures de saisie ramenées à moins de deux. Le taux d’erreur mesuré est de 0,5 % contre 3 % pour la saisie manuelle, six fois moins, avec une personne qui signe toujours. À environ 250 $ pour défaire une commande erronée, trois pour cent de cent commandes font près de 750 $ par mois passés à défaire, et un demi pour cent se rapproche d’une commande fautive tous les deux mois.
Comparez avec le prix. Vos 5 premières commandes réussies sont gratuites et sans expiration, puis c’est 50 $ une seule fois pour 15 commandes sur Pay as You Go, 100 $ par mois pour 33 commandes sur Starter, ou 250 $ par mois pour jusqu’à 100 commandes sur Growth, avec 20 pour cent d’économie en paiement annuel. Au-delà de 100 commandes par mois, nous établissons un devis. Si le calcul favorise le parseur à votre volume, le parseur gagne.
Quatre étapes. La première est ce que fait un parseur. Les trois autres sont ce qui en fait une commande.
Votre client envoie par courriel le bon de commande qu’il envoie toujours. PDF, Word, Excel, CSV, HTML, texte dans le corps du courriel, numérisations et photos comptent tous. La mise en page est lue plutôt que cherchée à des coordonnées connues, donc il n’y a rien à configurer d’avance ni rien à refaire quand un expéditeur change.
Le domaine d’envoi, l’en-tête et l’adresse de livraison résolvent ensemble la commande vers une entreprise, un contact et un lieu dans Shopify. Si le compte n’existe pas encore, la commande provisoire est quand même créée et marquée comme nouvelle.
Recherche exacte de SKU, puis rapprochement sémantique à partir de la description, du code article de l’acheteur et du reste de la commande, puis tout alias appris. Les prix viennent de votre catalogue et de la liste de prix B2B de cette entreprise, jamais du document de l’acheteur.
Une commande provisoire Shopify native apparaît avec le fichier source joint et tout élément incertain signalé. Le réviseur corrige ce qu’il faut et envoie, et cette correction est retenue pour la fois suivante.
L’état final courant n’est pas un seul outil. Si vous exploitez déjà Mailparser, Parseur, Rossum ou quelque chose de construit à l’interne, gardez-le pour les documents qui ne sont pas des bons de commande, parce que remplacer une chaîne de factures qui fonctionne pour régler un problème de commandes est un mauvais échange.
Pour déplacer les documents de commande, commencez en parallèle. Laissez le parseur tourner et ajoutez une règle de transfert qui copie les mêmes commandes entrantes vers votre adresse LevelOps pendant une semaine, pour comparer sur le client qui fusionne des cellules et celui qui envoie des photos plutôt que sur des échantillons bien rangés.
Comparez ensuite ligne par ligne plutôt que champ par champ. Le bon compte est-il ressorti. Chaque ligne est-elle tombée sur la bonne variante, y compris celles sans SKU. Le prix vient-il de votre liste de prix plutôt que du document de l’acheteur. Quand vous êtes satisfait, coupez les templates de commande en dernier et laissez les autres règles du parseur tranquilles. Vos clients ne s’aperçoivent de rien, parce qu’ils envoyaient le même document à la même adresse pendant tout ce temps.
Nous avons utilisé des macros, mais elles sont trop rigides. Chaque changement de format de facture exige une maintenance interne coûteuse en temps et en expertise. Pour grandir sans ces contraintes techniques, LevelOps est la seule option viable.
Nous avons envisagé plusieurs options avant de choisir LevelOps, dont développer notre propre logiciel et évaluer d’autres outils existants. Nous avons choisi LevelOps parce que leur démonstration montrait clairement qu’ils avaient déjà fait le travail difficile de lire et de transmettre des données de fichiers disparates vers Shopify.
Les commandes provisoires se créent comme par magie. Même quand le bon de commande contient une description vague et aucun SKU, l’app arrive à l’associer.
Chaque page dit où l’alternative gagne réellement. Si l’une d’elles décrit votre situation mieux que celle-ci, c’est la réponse utile.
L’EDI couvre les détaillants qui l’imposent. Il ne lit jamais les commandes envoyées par courriel par tous les autres.
Vos plus gros comptes ne se connecteront pas. Comment servir les deux sans forcer personne.
Gardez SPS pour les détaillants qui l’imposent, automatisez les commandes par courriel qu’il ne touche jamais.
OrderEase est un portail et une passerelle EDI. Où chacun gagne.
Un OMS gère les commandes une fois créées. La réception les fait entrer.
Les minutes par commande et le salaire caché dans votre boîte de réception, chiffrés.
Lire, résoudre, rapprocher, tarifer, valider.
Ce que coûte une commande ici, à côté de ce qu’elle coûte à la main.
Pas des échantillons bien rangés. Le client qui fusionne des cellules, celui qui envoie des photos, celui dont l’ERP a changé le trimestre dernier. Faites-les passer dans votre liste de parseurs et ici, et jugez ce qui sort à l’autre bout.
Vos 5 premières commandes réussies sont gratuites et sans expiration, une personne valide chaque commande avant qu’elle parte, et si un parseur convient mieux à votre mélange de documents nous vous le dirons.
FAQ
Un parseur rend des champs et du texte. PDF to Order détermine en plus quel compte a envoyé le document, rapproche chaque ligne d’une vraie variante Shopify, la tarife depuis vos listes de prix B2B, et écrit une commande provisoire native qu’une personne valide.
Avec les outils à règles comme Zapier Email Parser, Mailparser ou Docparser, oui en pratique, un par mise en page d’expéditeur. PDF to Order lit la mise en page au lieu de mémoriser des coordonnées, donc il n’y a rien à construire et rien à refaire quand un expéditeur change.
Ils peuvent pousser des champs extraits dans Shopify par un Zap ou un webhook, ce qui fonctionne quand chaque ligne porte un SKU exact et que vous acceptez le prix par défaut. Ils ne décident pas quelle variante désigne une description approximative, et n’appliquent pas de liste de prix B2B.
Pour de la capture à fort volume sur plusieurs classes de documents, surtout les factures fournisseurs, ce sont de solides plateformes et nous ne les concurrençons pas. Ce qu’elles ne donnent pas à un grossiste sur Shopify, c’est le rapprochement catalogue, la tarification par liste de prix et une commande provisoire native.
L’abonnement, en général oui. Le système fini, en général non. Le prix à la page couvre l’extraction seulement, donc vous payez encore pour construire le rapprochement, la tarification, la gestion des erreurs et l’écriture dans Shopify, puis pour les maintenir.
Les modèles actuels extraient bien les champs d’un bon de commande, et Textract comme Document AI sont d’excellentes briques, donc c’est une vraie option si vous avez des développeurs. L’extraction fonctionne dès le premier jour. C’est la longue traîne des mises en page, le rapprochement catalogue et le travail sur l’API Shopify qui occupent l’année suivante.
Pas seul, parce qu’il n’a jamais vu votre catalogue. Le traitement intelligent des documents peut rapprocher contre une table de correspondance que vous construisez et maintenez, ce qui est justement le projet de données de référence que la plupart des équipes voulaient éviter.
Un parseur à template continue souvent de tourner et rend une valeur confiante prise dans la mauvaise colonne, donc vous l’apprenez au quai de chargement. PDF to Order lit la nouvelle mise en page comme il lisait l’ancienne, et signale pour révision tout ce dont il n’est pas sûr.
Si tous vos expéditeurs utilisent une mise en page stable, si vos documents ne sont pas des bons de commande, si vous voulez l’extraction comme composant dans votre propre système, ou si vos commandes ne vivent pas dans Shopify.
