Home Kennisbank Blog Over Logentic Plan een gesprek
· ~7 min lezen

Referentienummers matchen: van chaos naar één betrouwbare workflow

Maak het matchen van referentienummers betrouwbaar en schaalbaar met detectie, normalisatie en een door kunstmatige intelligentie uitgevoerde eerste...

Referentienummers matchen: van chaos naar één betrouwbare workflow

De betrouwbaarste manier om referentienummers te matchen is: detecteer elk nummer in de bron, normaliseer het formaat, en laat een regelsgebaseerde of AI-ondersteunde motor een eerste koppeling maken op basis van unieke identificatoren. Een AI-agent kan die eerste stap in seconden uitvoeren. Alleen twijfelgevallen gaan naar een korte reviewstap, zodat de rest van het proces schaalbaar en betrouwbaar blijft.

Kort samengevat:

  • Alleen volledige normalisatie en prioritering van echte unieke identificatoren zorgen voor betrouwbare referentiematchingen.
  • OCR moet worden aangevuld met vaste patroonherkenning en normalisatieregels, vooral bij afwijkende documenten.
  • Bij twijfelgevallen moeten automatische koppelingen altijd door een medewerker worden gecontroleerd, vooral bij lager vertrouwen en complexe referenties.
  • Een AI-agent kan binnen enkele seconden referentienummers herkennen, normaliseren en automatisch verwerken in systemen, waardoor handmatige invoer sterk vermindert.
  • Barcodes leveren in hoge-volume omgevingen aanzienlijk minder fouten op dan tekstherkenning en vormen een waardevolle aanvulling op het proces.
Logentic
Verwerk referenties sneller in je TMS
Logentic leest e-mails, haalt relevante gegevens eruit en voert ze in acht seconden in je bestaande TMS in.
Ontdek Logentic

Inhoudsopgave

Detectie en normalisatie: hoe je referentienummers vindt en leesbaar maakt

Voordat je iets kunt matchen, moet je het nummer eerst herkennen. Dat gebeurt meestal via optische tekstherkenning (OCR) gecombineerd met een nabewerkingsstap die specifiek zoekt naar velden met een vast patroon, zoals cijferreeksen na woorden als “referentie”, “ordernummer” of “kenmerk”. Referentienummers duiken op in voorspelbare plekken: de kop van een factuur, een callout-blok naast de adresregel, een ASN-bericht (advance shipping notice) of een voetnoot onderaan een vrachtbrief.

Zodra het systeem een kandidaat-nummer heeft gevonden, begint de normalisatie. Zonder die stap vergelijk je in feite appels met peren.

Pro-tip: Bouw normalisatie als losse, herbruikbare stap vóór de matchlogica. Zo hoef je bij een nieuw documenttype of een nieuwe partner alleen de normalisatieregels aan te passen, niet de hele matchmotor.

Vermijd vage velden zoals bedrijfsnamen of omschrijvingen als primaire sleutel. Die zijn te instabiel voor betrouwbare koppeling, zoals ook blijkt uit de aanbevelingen rond documentmatching van Simova.

Matchregels en prioritering: welke logica werkt echt?

Niet elk referentienummer heeft dezelfde waarde. Een goede matchmotor werkt met een duidelijke rangorde, zodat de sterkste identificator altijd als eerste wordt getoetst.

  1. Documentnummer (factuurnummer, ordernummer): meestal uniek binnen het systeem en de eerste kandidaat voor een exacte match.
  2. Externe referentie van de partner: vaak minder consistent geformatteerd, maar nog steeds specifiek genoeg voor een directe koppeling.
  3. Partner-ID of klantcode: nuttig als aanvullende controle, maar te generiek om als enige sleutel te dienen.
  4. Beschrijvende velden: alleen gebruiken als laatste redmiddel, nooit als primaire sleutel.

Dit sluit aan bij de vaste aanbeveling om unieke identificatoren te prioriteren boven vage kenmerken, zoals Simova’s documentatie over inbound documentverwerking stelt.

Voor de matchlogica zelf werkt een gelaagde aanpak het beste: eerst een exacte match proberen, dan pas fuzzy matching toestaan met een vastgestelde afwijkingsmarge (bijvoorbeeld één teken verschil door een OCR-fout). Bij bankreferenties komt daar een extra laag bij, omdat die zijn opgebouwd uit samengestelde onderdelen zoals mutatiesoort en documentnummer, met land-specifieke lengtes en controlecijfers die je apart moet valideren volgens Infor LN’s documentatie over bankreferentienummers.

Dynamische referenties vragen om een andere aanpak. Bij productiegestuurde processen wordt een referentie soms samengesteld uit lijnstation, VIN en kit-ID, zoals bij SILS-achtige schema’s. Je matchregel moet die opbouwlogica kunnen herkennen of reconstrueren, in plaats van te zoeken naar een vast patroon. Combineer dat altijd met een statuscheck in het doelsysteem: is de order nog open, is de factuur al betaald? Zonder die check koppel je soms een nummer aan een record dat al is afgehandeld.

Uitzonderingen en handmatige review: hoe je correcties snel houdt

Automatische matching is nooit perfect, en dat hoeft ook niet. Het doel is dat alleen de echt onzekere gevallen bij een mens terechtkomen.

De praktische workflow ziet er dan als volgt uit: AI-agent doet de eerste pass, een confidence-filter zeeft de onzekere gevallen eruit, een medewerker doet batchgewijze review, en pas dan wordt het resultaat gepubliceerd naar het doelsysteem. Simova’s documentatie over het matchen van documentregels beschrijft een vergelijkbare aanpak, waarbij regels handmatig kunnen worden toegewezen aan verschillende documentkoppen wanneer automatische matching geen unieke koppeling vindt.

Pro-tip: Log elke handmatige correctie met de reden erbij. Na een paar maanden zie je patronen: komt een fout steeds van dezelfde partner, dan ligt het probleem waarschijnlijk bij hun documentformat, niet bij jouw matchregels.

Zorg voor een audit-trail bij elke wijziging en een terugkoppelmechanisme naar de leverancier of partner die het inconsistente format aanlevert. Dat voorkomt dat je keer op keer dezelfde uitzondering handmatig moet oplossen.

Implementatie in de praktijk: TMS, OCR-kwaliteit en barcodes

Een matchregel is pas waardevol als hij ook klopt met de werkelijke status in je systeem. Volg deze stappen bij de implementatie:

  1. Verifieer de status in je TMS vóórdat je een koppeling definitief maakt. Een API-check op openstaande orders of facturen voorkomt dat je een referentie koppelt aan een record dat al is afgesloten, een aanpak die ook Simova aanraadt voor betrouwbare documentverwerking.
  2. Stel je OCR-instellingen scherp: hoge resolutie, een tekenwhitelist die past bij het verwachte formaat (cijfers, koppeltekens, geen willekeurige letters), en een duidelijke fallbackregel voor tekens die onleesbaar blijven.
  3. Overweeg barcodes waar dat kan, vooral bij hoge volumes met herhalende documentstromen. Barcode-invoer is aanzienlijk minder foutgevoelig dan handmatige of OCR-gebaseerde tekstherkenning: in 2017 bevatte 82% van de LROI-registraties al een barcode voor automatische verwerking, precies om registratielast en invoerfouten terug te dringen.
  4. Draai een pilot voordat je live gaat. Meet de match-rate, het aantal false positives en de gemiddelde verwerkingstijd per document, en stel je drempels bij op basis van die cijfers.

Voor documenten als vrachtbrieven en Bills of Lading loont het om B/L en CMR-verwerking apart te bekijken, omdat die documenttypen vaak eigen referentieconventies hanteren die niet één op één overeenkomen met facturen of orderbevestigingen.

Waarom een AI-agent als Logentic dit proces versnelt

Waarom een AI-agent als Logentic dit proces versnelt — overview diagram

De stappen hierboven, detecteren, normaliseren, matchen en reviewen, klinken logisch op papier. In de praktijk struikelen bedrijven over de uitvoering: elk documenttype heeft eigen eigenaardigheden, en handmatige regels verouderen zodra een partner zijn format wijzigt.

Een AI-agent pakt deze taak anders aan. In plaats van vaste scripts te onderhouden voor elk formaat, leest en interpreteert de agent binnenkomende mails en documenten, herkent referentienummers in context, en verwerkt ze binnen enkele seconden in het TMS. Vraag bij een demo van zo’n oplossing altijd naar drie concrete cijfers: de match-rate op je eigen documenttypen, de gemiddelde verwerkingstijd per document, en het percentage dat naar handmatige review gaat. Die drie getallen samen vertellen je meer dan een algemene productbeschrijving.

— Bogdan

Wanneer Logentic een logische volgende stap is

Voor bedrijven met lage documentvolumes en weinig variatie is een handmatige of eenvoudig geautomatiseerde workflow vaak voldoende. Zodra je te maken krijgt met hoge volumes, veel uitzonderingen, of de wens om direct te koppelen met je bestaande TMS, wordt een managed AI-oplossing de logische stap.

Logentic

Logentic is geen vervanging van je TMS of boekhoudsysteem, maar de laag die ertussen zit: de AI-agent leest binnenkomende boekingsmails en documenten, extraheert referentienummers en andere gegevens, en zet ze automatisch in CargoWise, Softpak, Descartes of Boltrics. Geen migratie, geen vervanging van bestaande systemen, wel een directe vermindering van de tijd die teams nu kwijt zijn aan het handmatig doorzoeken van documenten. Wil je zien hoe dat voor jouw documentstromen werkt? Vraag een demo aan of download de brochure via Logentic om te bekijken welke integratie het beste past bij je huidige TMS.

Bronnen

Veelgestelde vragen

Wat is het verschil tussen “Onze ref.” en “Uw ref.”?

“Onze ref.” is systeemgegenereerd door de partij die het document opstelt, terwijl “Uw ref.” het nummer is dat de tegenpartij zelf heeft meegegeven, zoals uitgelegd in de Exact Online kennisbank.

Hoe ga je om met ontbrekende referentienummers?

Zoek dan naar secundaire identificatoren zoals orderdatum, bedrag en partner-ID in combinatie, en stuur het document altijd naar handmatige review in plaats van een onzekere automatische koppeling te forceren.

Werken barcodes beter dan OCR voor referentienummers matchen?

Bij hoge volumes en herhalende documentstromen wel: barcode-invoer voorkomt veel leesfouten die bij tekstherkenning ontstaan, en zat in 2017 al in 82% van de LROI-registraties.

Welke stappen om referentienummers te matchen zijn het belangrijkst?

Detectie, normalisatie en prioritering van unieke identificatoren vormen de kern; zonder die drie stappen blijft elke matchregel foutgevoelig.

Kan een AI-agent zoals Logentic referentienummers automatisch matchen?

Ja: een AI-agent leest binnenkomende documenten en mails, herkent referentienummers in context en verwerkt ze automatisch in het TMS, met een reviewstap voor onzekere gevallen.

Aanbevelingen

Wil je zien hoe Logentic dit werk automatiseert?

Plan een gesprek →

← Alle artikelen