Effizientere Steuererklärungen durch robustes Document Scanning

Das deutsche Start-Up Taxfix möchte ihren Nutzer:innen durch seine Steuer-App eine bequeme und einfache Möglichkeit bieten, ihre Steuererklärung innerhalb weniger Minuten abzuwickeln und an das zuständige Finzanzamt weiterzuleiten. Dazu geben sie ihnen ein leicht verständliches Werkzeug an die Hand, das ihnen dabei hilft, den zustehenden Geldbetrag zurückzuerhalten.

Dieser digitale Ansatz erfordert eine einwandfreie technische Unterstützung. Um Unternehmen wie Taxfix beim Erreichen ihrer Ziele zu unterstützen, bietet Scanbot ein einfach zu implementierendes Scanner SDK mit verschiedenen Funktionalitäten, die an die spezifischen Bedürfnisse eines Unternehmens angepasst werden können. Im Falle von Taxfix waren qualitativ hochwertige Scans durch eine exzellente Dokumentenerkennung, die den Benutzer zur perfekten Scanposition führt, absolut notwendig, um das zuvor verwendete teure und ineffiziente Deep Learning-Modell zu ersetzen.

Durch die reibungslose Implementierung des Scanbot Scanner SDK konnte Taxfix viel Zeit bei der App-Entwicklung einsparen und ein verbessertes Benutzererlebnis schaffen. Die Verarbeitung von Dokumenten auf dem Gerät der Endnutzer:innen vereinfacht komplexe Backend-Strukturen und senkte damit die Kosten erheblich.

Laut Elster nimmt die Zahl der deutschen Steuerberichte, die online eingereicht werden, ständig zu. Im Jahr 2017 wurden 22,1 Millionen Dokumente elektronisch eingereicht, im Jahr 2019 stieg die Zahl auf 23,8 Millionen. Da das Interesse an der Online-Bearbeitung von Steuererklärungen gestiegen ist, wurden diverse Service-Apps zu diesem Thema released.

Die Erhöhung der Benutzerfreundlichkeit einer mobilen Anwendung ist ein wesentlicher Faktor bei der Anpassung digitaler Arbeitsabläufe. Die Mehrheit der Nutzer:innen bevorzugt eine App mit einfach zu bedienenden Funktionen und einem reibungslosen Workflow. Kund:innen wollen heute ihre Freizeit nicht mehr mit komplizierten Prozessen innerhalb mobiler Apps verbringen und verlangen effiziente digitale Lösungen, die ihre Bedürfnisse innerhalb weniger Minuten erfüllen.

1. Ein:e Nutzerin soll ein Foto des betreffenden Dokuments hochladen.
2. Der Antrag enthält Informationen darüber, wie das Foto richtig aufgenommen wird.
3. Nach der Analyse des Bildes gibt die App entweder ein positives Feedback oder teilt dem/der* Benutzer:in ohne weitere Anleitung zur Verbesserung der Bildqualität mit, dass das Bild "nicht verarbeitbar" war.
4. Sobald das Foto erfolgreich hochgeladen wurde, wird das eigentliche Dokument durch Seitenerkennung und einen "Deep Learning"-Algorithmus ausgeschnitten und unnötige Informationen aus dem Hintergrund entfernt.
5. OCR wird auf dem Dokument ausgeführt, um die benötigten Informationen aus dem hochgeladenen Foto zu extrahieren.

Dieses Verfahren ist fehleranfällig, da die Bilder oft entweder zu unscharf sind oder unterschiedliche Hintergrunddokumente enthalten, was den Algorithmus des Deep-Learning-Verfahrens stört. Deep Learning war in diesem Fall unerlässlich, trotz der hohen Kosten und der benötigten Laufzeit. Darüber hinaus bedeutete jede Verbesserung, die dem Algorithmus zugewiesen wurde, auch Änderungen am Deep Learning-Modell. Dies kostete weitere Zeit, die die Taxfix- Entwickler:innen diesem Arbeitsablauf widmen mussten.

Um das Kundenerlebnis der Taxfix-App zu optimieren, war ein Scanner-SDK, einschließlich einer User-Guidance-Fuktion, von entscheidender Bedeutung. Mit dem Scanbot SDK konnte Taxfix einen der letzten Schritte zu einem fehlerfreien Scan- und Verarbeitungsprozess von Dokumenten unternehmen. Das Einfangen eines qualitativ hochwertigen Bildes wurde mit der intelligenten Dokumentenerkennung von Scanbot möglich. Die User-Guidance-Funktion leitet den/die* Nutzer:in in die perfekte Scanposition und führt somit zu einer einwandfreien Qualität des resultierenden Scans. Anwender:innen können nun noch effizienter ihre Steuererklärungen abgeben.

1. Der/die Nutzer:in lädt ein Bild hoch, und wird dabei von der User-Guidance in die perfekte Position geführt. Dies resultiert in einem makellosen Scan-Ergebnis.
2. Am Backend wird die OCR sofort beim Scannen durchgeführt, da die Deep Learning-Komponente überflüssig geworden ist, was Zeit und Kosten spart
3. Genauere Ergebnisse können dem Anwender mit weniger Zeitaufwand zurückgegeben werden

• Reduzierte Entwicklungszeit
• Gesteigerte Benutzerfreundlichkeit
• Vereinfachung komplexer Backend-Strukturen
• Gesenkte Kosten