Wie das lernende Matching-System funktioniert

Warum statische Regeln nicht reichen

Die meisten Tools für den Rechnungsabgleich arbeiten mit festen Regeln: Betrag stimmt, Datum passt, fertig. Das funktioniert bei einfachen Fällen. Aber in der Praxis sieht es anders aus.

Lieferanten verwenden unterschiedliche Namen auf Rechnungen und Kontoauszügen. Beträge weichen durch Gebühren ab. Zahlungen kommen Tage oder Wochen nach dem Rechnungsdatum. Ein starres System scheitert an genau diesen Fällen — und davon gibt es viele.

invoice-matcher.io geht einen anderen Weg: Unser Matching-System lernt aus deinen Entscheidungen.

So funktioniert das lernende System

Die Feedback-Schleife

Jedes Mal, wenn du eine Zuordnung bestätigst oder ablehnst, lernt das System daraus. Der Prozess läuft so ab:

KI schlägt eine Zuordnung vor — basierend auf fünf Faktoren (Betrag, Datum, Empfänger, Rechnungsnummer, Währung)
Du bestätigst oder korrigierst — ein Klick reicht
Das System speichert das Muster — welche Faktoren bei diesem Lieferanten entscheidend waren
Zukünftige Zuordnungen werden besser — ähnliche Rechnungen werden mit höherer Konfidenz zugeordnet

Das ist keine Magie, sondern eine kontinuierliche Optimierung basierend auf deinem Feedback.

Vendor-Alias-Erkennung

Ein häufiges Problem: Auf der Rechnung steht "Webflow GmbH", auf dem Kontoauszug "SEPA Webflow" oder "WEBFLOW IRELAND". Beim ersten Mal erkennt das System diese Verbindung vielleicht nicht sofort. Aber sobald du die Zuordnung einmal bestätigst, merkt sich das System den Alias.

Ab der nächsten Rechnung von Webflow ordnet das System automatisch zu — egal, wie der Name auf dem Kontoauszug erscheint.

Im Laufe der Zeit baut jede Organisation ihre eigene Alias-Datenbank auf. Je mehr Rechnungen du verarbeitest, desto besser wird die Erkennung.

Konfidenz-Scoring im Detail

Das Matching-System bewertet jede mögliche Zuordnung auf einer Skala:

Hohe Konfidenz: Automatisch zugeordnet. Betrag, Datum und mindestens ein weiterer Faktor stimmen überein.
Mittlere Konfidenz: In der Prüfschlange. Ein oder zwei Faktoren weichen ab — du entscheidest.
Niedrige Konfidenz: Nicht zugeordnet. Zu viele Abweichungen für eine automatische Zuordnung.

Durch dein Feedback verschieben sich diese Schwellenwerte pro Lieferant. Wenn du bei einem bestimmten Lieferanten regelmäßig Zuordnungen mit leicht abweichendem Datum bestätigst, berücksichtigt das System diese Toleranz.

Was das System lernt — und was nicht

Das System lernt:

Lieferanten-Aliase: Unterschiedliche Schreibweisen desselben Lieferanten
Typische Zahlungsverzögerungen: Wenn ein Lieferant immer 14 Tage nach Rechnungsdatum bezahlt wird
Betragsabweichungen: Regelmäßige kleine Differenzen durch Bankgebühren oder Skonto
Bevorzugte Zuordnungsmuster: Welche Faktoren bei welchem Lieferanten am wichtigsten sind

Das System lernt nicht:

Persönliche Daten — kein Transfer von Mustern zwischen Organisationen
Steuerliche Bewertungen — das System ordnet zu, bewertet aber nicht steuerlich
Geschäftslogik — es ersetzt keinen Steuerberater oder Buchhalter

Datenschutz: Lernen pro Organisation

Ein wichtiger Punkt: Das lernende System arbeitet ausschließlich auf Organisationsebene. Deine Daten und Muster werden niemals mit anderen Organisationen geteilt.

Das bedeutet:

Deine Vendor-Aliase bleiben in deiner Organisation
Deine Matching-Muster sind privat
Keine Organisation profitiert von den Daten einer anderen
Alle Lernprozesse finden auf EU-Servern in Frankfurt statt

Von 90 % auf 98,5 %: Der Genauigkeitsverlauf

Neue Organisationen starten typischerweise mit einer Zuordnungsgenauigkeit von etwa 90 %. Das liegt am allgemeinen Matching-System, das ohne organisationsspezifisches Wissen arbeitet.

So entwickelt sich die Genauigkeit:

Monat 1: ~90 % — das System lernt deine Lieferanten kennen
Monat 2: ~94 % — die häufigsten Aliase sind erfasst
Monat 3: ~96 % — Zahlungsmuster und Toleranzen sind kalibriert
Ab Monat 4: 97-98,5 % — das System kennt fast alle deine wiederkehrenden Muster

Die verbleibenden 1-2 % sind typischerweise neue Lieferanten oder ungewöhnliche Einzeltransaktionen. Diese landen in der Prüfschlange — und das ist auch richtig so.

Praktische Tipps für schnelleres Lernen

1. Arbeite regelmäßig mit dem System

Je häufiger du Zuordnungen bestätigst oder korrigierst, desto schneller lernt das System. Einmal pro Woche die Prüfschlange abarbeiten ist ideal.

2. Korrigiere falsche Zuordnungen sofort

Wenn das System eine falsche Zuordnung vorschlägt, lehne sie ab und weise die richtige Transaktion zu. Das ist wertvoller als zehn bestätigte Zuordnungen.

3. Nutze Ignorierregeln

Transaktionen ohne Rechnung (Gehalt, Miete) solltest du über Ignorierregeln ausschließen. Das reduziert Rauschen und verbessert die Matching-Qualität.

4. Importiere vollständige Kontoauszüge

Je mehr Transaktionen dem System zur Verfügung stehen, desto besser kann es die richtige Zuordnung finden. Importiere immer den vollständigen Zeitraum.

So sieht es in der Praxis aus

Stell dir vor, du verarbeitest monatlich 50 Rechnungen. Im ersten Monat musst du vielleicht 5 Zuordnungen manuell korrigieren. Im zweiten Monat sind es nur noch 2-3. Ab dem dritten Monat läuft fast alles automatisch.

Der Zeitaufwand sinkt von anfänglich 30-40 Minuten auf unter 10 Minuten pro Monat. Nicht weil du weniger Rechnungen hast, sondern weil das System deine Lieferanten kennt.

Fazit

Das lernende Matching-System ist kein Gimmick — es ist der Kern von invoice-matcher.io. Je länger du es nutzt, desto besser wird es. Und das Beste: Du musst nichts konfigurieren. Einfach normal arbeiten, Zuordnungen bestätigen oder korrigieren, und das System erledigt den Rest.

Weiterlesen:

Wie das lernende Matching-System funktioniert

Bereit für automatischen Rechnungsabgleich?