关键要点
- 公用事业账单OCR是利用光学字符识别(OCR)结合AI技术，从电力、燃气、水务和电信账单中自动提取结构化数据，返回命名字段而非原始文本。
- 重要的字段并非发票字段。电表号、电表读数、带单位的用量、千瓦(kW)需求、费率，以及供应与配送费用的明细，这些才是公用事业账单OCR区别于普通发票OCR的地方。
- 每种公用事业都有不同特点。电费包含需求和分时电价；燃气费包含热量单位（therms或CCF）及热值；水费包含水表读数和排污费；电信费则包含多行明细费用的表格。
- 手动录入每份账单需8到12分钟，成本为1到3美元，错误率在1%到5%之间。如果每月处理几千份账单，这将是一份没人愿意做的全职工作。
- 免模板的AI提取技术无需任何设置即可处理新的供应商和重新设计的版式，这完美解决了大规模管理时的核心痛点。
什么是公用事业账单OCR？
公用事业账单OCR是通过光学字符识别结合AI技术，从电力、燃气、水务或电信账单中自动抓取结构化数据，返回命名字段而非一整页零散的文本。普通OCR只读取页面并返回文本；而AI OCR则读取页面并返回特定字段，这才是真正重要的部分，因为没有任何财务系统会需要一大段毫无结构的纯文本。
账单通常以PDF、扫描件和电子邮件附件的形式出现，而且没有任何两家供应商的排版是一致的。一家可能把电表读数印在侧边栏，另一家可能把它藏在第三页的表格里，还有一家可能把供应和配送费用分列在两页上，并认为这是在提供便利。人工可能只需一秒钟就能看懂这些，但模板却会因此彻底失效。
如果每月只有一份账单，这些都无关紧要。但如果有四百个网点，这就成了一条必须靠人工在中间苦苦支撑的数据管道。
可以从公用事业账单中提取哪些字段？
所有字段。更好的问题是“需要提取哪些字段”，因为那些真正让公用事业账单具有其独特属性的字段，永远不会出现在普通发票上。
| 分组 | 字段 |
|---|---|
| 账户与服务 | 账号、客户或账户持有人姓名、服务地址、账单地址、公用事业供应商、表号或设备ID |
| 账单周期 | 账单日期、到期日、服务起止时间、发票或对账单号、上期余额、本期费用 |
| 用量与费用 | 本期及上期读数、抄表日期、带单位的用量（kWh、therms、CCF、加仑、MMBtu）、千瓦(kW)需求、单价、费率或资费套餐、供应与配送费用、明细项描述、税费和附加费、抵扣与调整项 |
| 支付信息 | 应付总额、支付方式、滞纳金、参考号 |
资金的奥秘藏在第三行。账号和应付总额告诉应付账款部门需要支付多少。而读数、用量、需求和费率则告诉运营部门：这笔账单最初算得对不对，哪个网点的能耗出现了异常，以及ESG报告将会呈现什么数据。普通的发票工具只读取前两行就停止了，而公用事业账单解析器则会继续深入。
电、气、水和电信是四个截然不同的问题
把这四者一概而论，是导致公用事业账单解析项目最终只有“一半管用”的最常见原因。它们确实有共同的字段，但有价值的数据却各不相同。
电费。 千瓦时(kWh)的用量，加上通常比能源本身更贵的千瓦(kW)峰值需求。分时电价将用量划分为高峰、低谷和平段。在解除管制的市场中，同一张账单上的供应费和配送费分别来自两家不同的公司，且只有其中一项是可以议价的。
燃气费。 根据不同地区，体积单位为therms、CCF或MMBtu。账单上通常会印有转换系数，如果你需要以能源单位进行报告，这个系数必不可少。由于季节性波动极大，只有同比数据才能说明问题。
水费。 水表读数在这里起着关键作用。排污费通常是根据用水量计算而非实际测量的，且灌溉用水有时会单独计量。用量激增意味着漏水，而从数据中发现漏水绝对好过在地下挖开寻找。
电信费。 这其实不能算作“一张”账单。它是一个包含多条线路、号码或电路的表格，每一项都有其套餐费、用量、超额费和税费。如果将其简单地汇总成一个总额，你就会扔掉唯一能告诉你“自2024年以来有12部电话根本没人用过”的关键数据。
手动录入公用事业账单的真实成本
这项成本从未作为单独的明细项出现过，而这正是它一直存在的原因。以下是相关研究得出的结论：
- **每张账单耗时：**根据Resolve的数据，根据复杂程度，手动录入平均需要8到12分钟。而围绕它展开的整个发票处理流程耗时更长。
- 单次处理成本：ERP Software Blog指出，简单录入的直接人力成本约为1至3美元。如果加上审批、核对和异常处理，成本还会进一步攀升。
- **错误率：**根据Fluxygen的数据，结构化录入的错误率通常在1%到5%之间，在复杂的多字段文档中更高。你有一小部分账单数据正悄无声息地出错，而手动流程中没有任何环节是为了发现这些错误而设计的。
- **自动化的改变：**据Ramp报道，在发票和账单的工作流程中，与手动方法相比，自动化最高可节省约80%的时间。
- 预期准确率：Gartner报告指出，文档解析的提取准确率为90%到99%，具体取决于文档质量以及是否应用了人工验证。
拿这些数据去算算每月3000份账单的情况，这笔账很快就会让人感到不适。录入需要400到600个小时，这相当于两个本可以去做其他工作的人的全部工时。同时，每月会有30到150份带错的账单，这些错误只有在季度结算时才会浮出水面（如果能被发现的话）。
为什么公用事业账单比普通发票更难处理
有四点让公用事业账单区别于供应商发票。每家供应商都会自行设计账单，然后还会不定期重新设计，因此数十家供应商的四类公用事业服务，就像是一个按别人节奏不断移动的标靶。很多账单是以手机拍摄的纸质照片形式发送的，光线昏暗、角度倾斜，这是最难处理的非结构化数据，也是模板匹配功能直接宕机的地方。
其次是这些数据的用途。公用事业账单不仅用作地址证明，还是税务和ESG报告的记录，因此错误的数据会引发连锁反应。在每月数千张账单的体量下，2%的错误率不是什么“舍入误差”，而是一起每个月都会发生的数据事故。
如何在不使用任何模板的情况下提取账单数据
Parseur是一款免模板的AI解析器，专为大规模文档数据提取而打造。账单可通过专属邮箱、API或受监控的文件夹进入系统。Vision AI引擎可读取PDF、扫描件和照片。Text AI引擎则负责读取电子邮件和纯文本账单。两者均经过预训练，因此对于你从未处理过的供应商账单，完全不需要任何设置。
你只需列出你想要的字段一次。之后的每一张账单无论排版如何，都会自动匹配到这些字段上。
- 免模板。 重新设计的账单不会破坏任何东西，因为从一开始就不存在会被打破的固定版式。
- 涵盖各类业务。 电、气、水、电信，以及管理过程中涉及的任何其他公用事业服务。
- 表格依然是表格。 电信费用的行级别明细会被提取为可供你分配的行，而不是一个扁平化的总额。
它可以每天处理数千张账单，并在收到时即刻解析。它符合GDPR规范——考虑到你输入的每一份文件都带有某人的姓名、家庭住址和账号，这绝对不是个小细节。
但这些都不是真正的考验。真正的考验是你自己的邮件。从文件夹里挑出一张最难处理的账单，比如那家在3月份刚改版、扫描得皱巴巴的账单，拿它先跑一次试试。因为你候选名单上的每一款工具，在处理干净的PDF时演示效果都很完美。
我需要训练AI模型吗？
不需要。不需要训练集，不需要贴好标签的样本账单文件夹，更不需要你花上一个周末教软件“电表读数长什么样”。
Parseur是一款预训练的AI文档提取引擎，添加第一百家供应商所需的工作量和第一家一样——也就是零。
创建一个邮箱，将账单转发过去，AI引擎就会在收到文件时将非结构化文档转换为结构化数据。
提取的字段去哪儿了？
去你需要的任何地方。发送到Excel和Google表格进行分析，传到财务和ERP系统进行支付，导入能源和ESG平台进行报告，或者通过Zapier、Make、n8n以及Webhooks发送到其他系统。每张账单解析完毕后都会立即送达，无需苦等每月的批量导出。
想了解完整的工作流程，请查看如何用AI提取公用事业账单数据，或者前往公用事业账单提取解决方案页面，了解大规模组合管理的实际效果。
你的账单处理量已经让你付出了某种代价。唯一的问题是，这种代价是否被看见。
最后更新于
