Kreditor-Stammdaten sauber halten — die unterschätzte Basis der Buchungsautomatisierung

Wer Belegverarbeitung automatisiert, schaut meist zuerst auf die Erkennungsqualität: Wie gut liest das System den Beleg? In der Praxis scheitert Automatisierung aber viel häufiger an einer anderen Stelle — an den Kreditoren-Stammdaten. Denn ein Beleg lässt sich nur dann automatisch zuordnen und buchen, wenn eindeutig feststeht, wem er gehört.

Warum das Matching der Flaschenhals ist

Der Weg vom Beleg zur Buchung enthält eine Entscheidung, die nicht geraten werden darf: Welcher Kreditor ist das? Von dieser Zuordnung hängen ab:

• das Personenkonto, auf das gebucht wird,
• die gelernten Kontierungsregeln dieses Lieferanten,
• die offenen Posten und damit Zahlungsvorschläge und Mahnwesen,
• Auswertungen wie Lieferantenumsätze oder Preisentwicklungen.

Ist die Zuordnung unsicher, muss ein Mensch eingreifen. Genau dieser Eingriff ist der Unterschied zwischen „läuft automatisch durch” und „landet in der Klärung”. Die Automatisierungsquote hängt damit direkter an den Stammdaten als an der KI.

Woran Matching typischerweise scheitert

Namensvarianten. „Muster GmbH”, „Muster GmbH & Co. KG”, „Muster Deutschland”, „MUSTER” — auf Rechnungen steht selten exakt das, was im ERP gepflegt ist. Rein namensbasiertes Matching ist deshalb unzuverlässig.

Dubletten. Derselbe Lieferant existiert zwei- oder dreifach, weil er über die Zeit von verschiedenen Personen angelegt wurde. Belege verteilen sich dann zufällig auf die Varianten — die offenen Posten stimmen nicht mehr, Auswertungen werden unbrauchbar.

Fehlende harte Merkmale. Ohne USt-ID, IBAN oder Lieferantennummer bleibt nur der Name. Mit diesen Merkmalen wird die Zuordnung dagegen eindeutig.

Tochtergesellschaften und Konzernstrukturen. Rechnungen kommen von einer Landesgesellschaft, der Vertrag läuft über die Muttergesellschaft. Beide sind legitime, verschiedene Kreditoren — das muss bewusst gepflegt werden, sonst entstehen falsche „Dubletten”.

Namensänderungen. Umfirmierungen und Übernahmen führen dazu, dass alter und neuer Name parallel auftauchen.

Welche Merkmale wirklich tragen

Für ein belastbares Matching sind nicht alle Felder gleich viel wert. In der Praxis hat sich diese Rangfolge bewährt:

1. Lieferanten-/Kreditorennummer — wenn sie auf dem Beleg steht (z. B. als Kundennummer beim Lieferanten), ist sie das stärkste Kriterium.
2. USt-Identifikationsnummer — eindeutig, auf B2B-Rechnungen fast immer vorhanden, und bei EU-Lieferanten ohnehin relevant für die §13b-Beurteilung.
3. IBAN — sehr trennscharf, ändert sich selten. Vorsicht bei Factoring: Dann weicht die Zahlungs-IBAN vom Lieferanten ab.
4. Name plus Adresse — als Fallback brauchbar, aber fehleranfällig.
5. Name allein — nur als letzte Instanz und idealerweise mit Bestätigung durch einen Menschen.

Die praktische Konsequenz: Pflegen Sie USt-ID und IBAN bei Ihren Top-Lieferanten. Das sind meist 50 bis 200 Kreditoren, die 80 bis 90 Prozent des Belegvolumens ausmachen. Der Aufwand ist überschaubar, der Effekt auf die Automatisierungsquote erheblich.

Dubletten aufräumen — ohne Kollateralschaden

Dubletten einfach zu löschen ist selten möglich, weil an ihnen Belege und offene Posten hängen. Ein pragmatisches Vorgehen:

1. Kandidaten finden. Gruppieren Sie über USt-ID, IBAN und normalisierte Namen (Rechtsformzusätze, Sonderzeichen und Groß-/Kleinschreibung ignorieren).
2. Überlebenden festlegen. In der Regel gewinnt der Datensatz, der die gepflegte Lieferantennummer und die meiste Historie trägt.
3. Zusammenführen statt löschen. Belege, offene Posten und Regeln auf den Überlebenden umhängen; die Dublette deaktivieren, nicht hart löschen — schon aus GoBD-Sicht muss die Historie nachvollziehbar bleiben.
4. Neuanlage disziplinieren. Der wichtigste Schritt: Verhindern, dass sofort neue Dubletten entstehen. Eine Pflichtprüfung auf USt-ID/IBAN bei der Anlage wirkt Wunder.

Wichtig: Führen Sie eine Zusammenführung nachvollziehbar und umkehrbar durch. Wer im ERP Stammdaten zusammenschiebt, verändert rückwirkend Auswertungen — das sollte dokumentiert sein.

Wie Invoice Insight damit umgeht

Invoice Insight gleicht jeden erkannten Lieferanten gegen Ihre myFactory-Stammdaten ab und nutzt dabei die harten Merkmale in der oben beschriebenen Reihenfolge — Nummer vor USt-ID/IBAN vor Name. Ist die Zuordnung nicht eindeutig, wird der Beleg nicht geraten, sondern zur Bestätigung vorgelegt.

Für fehlende Kreditoren gibt es einen expliziten Weg zur Anlage, statt still einen zweiten Datensatz zu erzeugen. Und weil das System aus bestätigten Zuordnungen lernt, wird das Matching mit jedem Beleg sicherer.

Kurz-Checkliste

• Sind bei Ihren Top-Lieferanten USt-ID und IBAN gepflegt?
• Gibt es eine Regel für die Neuanlage (Pflichtfelder, Dublettenprüfung)?
• Wissen Sie, wie viele Dubletten Sie ungefähr haben? (Gruppierung über USt-ID ist ein schneller Test.)
• Ist geklärt, wer Stammdaten pflegen darf — und wer nicht?
• Werden Zusammenführungen dokumentiert?

Fazit

Stammdatenpflege wirkt wie lästige Nebenarbeit, ist aber der Hebel mit dem besten Verhältnis von Aufwand zu Wirkung. Eine KI kann einen Beleg noch so gut lesen — wenn der Kreditor nicht eindeutig ist, endet der Beleg in der manuellen Klärung. Wer vor der Automatisierung ein paar Stunden in die Top-Lieferanten investiert, hebt die Durchlaufquote spürbar.