Udtræk fakturadata fra emails med Make
Email → attachment → extractor/AI → validation → sheet/ERP
Mål: Ekstrahér fakturafelter til et gennemgangbart datasæt – ikke bogfør automatisk fra uverificeret AI-output.
Det bygger du
Udtræk fakturafelter og send afvigelser til kontrol
Platform: make · Apps: Make, email, AI/extractor, ERP eller Sheet. Niveau: Øvet. Prototype: 60–120 min.
Dataflowet
Ny mail i fakturamappe med PDF/image attachment.
Gem attachment-id/hash og afsender; kør OCR/parser før LLM hvor muligt.
Ekstrahér leverandør, fakturanr., dato, valuta, subtotal, moms og total i et fast skema. Returnér evidence/tekstreference hvis muligt.
Valider summer og dubletter deterministisk. Send afvigelser til gennemgang; kun validerede poster går til økonomisystemets kladdeområde.
OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.
Byg i denne rækkefølge
- 1
Få trigger og normalisering til at virke uden AI. Brug et stabilt record- eller event-id, så samme hændelse ikke skaber dubletter ved genforsøg.
- 2
Tilføj AI som én afgrænset funktion. Ekstrahér leverandør, fakturanr., dato, valuta, subtotal, moms og total i et fast skema. Returnér evidence/tekstreference hvis muligt. Brug et fast outputformat, når næste trin skal læse resultatet maskinelt.
- 3
Hold faste regler uden for modellen. Valider summer og dubletter deterministisk. Send afvigelser til gennemgang; kun validerede poster går til økonomisystemets kladdeområde.
- 4
Byg fejlvejen før automatiske handlinger der ændrer data. OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.
Testmatrix før drift
Kontrollér at triggeren Ny mail i fakturamappe med PDF/image attachment. ender i den forventede handling uden manuel rettelse.
Bekræft at normalisering eller validering stopper flowet, før AI eller et eksternt kald der ændrer data får lov at gætte.
Returnér et svar uden det forventede skema og kontrollér, at routing ikke fortsætter blindt.
OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.
Sådan ved du om workflowet er en forbedring
Field accuracy, manuel andel til manuel gennemgang og antal dubletter/forkerte totals fanget før bogføring.
I Udtræk fakturadata fra emails med Make skal målingen kobles til de konkrete fejl i flowet og til hvor ofte et menneske må overtage. Målet er mindre samlet arbejde – ikke bare flere automatiske trin.
Definér en datakontrakt før du forbinder apps
I Udtræk fakturadata fra emails med Make bør hvert trin kunne forklare, hvad det modtager og hvad det afleverer. Et simpelt minimum ser sådan ud:
event_id |
Et stabilt id fra triggeren: Ny mail i fakturamappe med PDF/image attachment. |
|---|---|
source_payload |
Det oprindelige input eller en reference til det, så en kørsel kan reproduceres. |
normaliseret_input |
Den validerede struktur efter normalisering: Gem attachment-id/hash og afsender; kør OCR/parser før LLM hvor muligt. |
ai_result |
Modellens strukturerede resultat til opgaven: Ekstrahér leverandør, fakturanr., dato, valuta, subtotal, moms og total i et fast skema. Returnér evidence/tekstreference hvis muligt. |
route_status |
Hvilken gren eller handling der blev valgt: Valider summer og dubletter deterministisk. Send afvigelser til gennemgang; kun validerede poster går til økonomisystemets kladdeområde. |
error_reason |
Fejlkode eller årsag når fejlvejen bruges: OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag. |
I Udtræk fakturadata fra emails med Make behøver feltnavnene ikke være præcis disse. Kravet er, at én konkret kørsel kan spores fra råt input til normaliséret data, AI-resultat og den handling flowet endte med.
Drift: det skal du kunne se efter en fejl
Når Udtræk fakturadata fra emails med Make fejler, skal en kollega kunne finde den konkrete kørsel uden at læse hele workflowet. Log derfor event-id, tidspunkt, valgt rute, model-/promptversion hvis AI bruges, og den eksterne fejl. For netop dette flow skal fejlvejen ende med: OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.
Ved fejl i Udtræk fakturadata fra emails med Make må du ikke genkøre blindt. Kontrollér først om den oprindelige handling allerede nåede det eksterne system; kombiner derefter retry-strategien med fejlvejen “OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.”, så en gentagelse ikke skaber dubletter.
Ofte stillede spørgsmål
Hvad er formålet med “Udtræk fakturadata fra emails med Make”?+
Ekstrahér fakturafelter til et gennemgangbart datasæt – ikke bogfør automatisk fra uverificeret AI-output.
Hvilken del bør AI håndtere?+
Ekstrahér leverandør, fakturanr., dato, valuta, subtotal, moms og total i et fast skema. Returnér evidence/tekstreference hvis muligt.
Hvordan håndteres fejl?+
OCR lav kvalitet → gennemgang; total stemmer ikke → stop; samme invoice hash/number → dubletflag.
Bør workflowet køre helt automatisk fra starten?+
Nej. Start med kun læseadgang handlinger, kladder eller manuel godkendelse, og automatisér først handlinger der ændrer data når normale cases, særlige grænsetilfælde og genforsøg er testet.
Hvad bør jeg måle?+
Field accuracy, manuel andel til manuel gennemgang og antal dubletter/forkerte totals fanget før bogføring.