Как машина читает счета, накладные, договоры и паспорта: какая точность реальна, что делать с ошибками, сколько стоит и когда дешевле нанять оператора.
Распознавание документов — самая понятная и самая быстро окупаемая часть автоматизации: работа однообразная, объём измеряется, ошибки видны сразу. И одновременно самая переоценённая: обещанные «99% точности» на реальных сканах превращаются в другую цифру.
Раздел о том, как устроено распознавание, какая точность достижима на разных типах документов и как строится процесс, в котором ошибки ловит система, а не бухгалтер через квартал.
Двенадцать полей, которые извлекают на практике, восемь проверок, ловящих ошибку до проводки, и расчёт на 800 счетах в месяц: 98 часов ручной работы против 11 и окупаемость за 10 месяцев.
ТехнологииПочему «99 %» из презентации превращаются в 78 % на вашем потоке, какие диапазоны честны по типам документов и как построить очередь проверки, которая обходится в 6 100 ₽ в месяц и экономит 17 900 ₽.
ТехнологииРазбор распознавания на четыре слоя, которые ломаются по-разному и чинятся за разные деньги. С расчётом: 6,53 ₽ машинной обработки против 54 ₽ ручного ввода и порогом окупаемости в 640 документов в месяц.
Раздел выходит частями. Ниже — темы, которые уже расписаны и ждут очереди. Если нужен ответ по одной из них прямо сейчас — напишите нам, разберём вашу ситуацию отдельно и без ожидания.
В накладной трудность не в шапке, а в табличной части: строки переносятся, столбцы съезжают, номенклатура поставщика не совпадает с вашей. Разбираем четыре типовых сбоя таблиц и способ сопоставления позиций, который работает без ручного справочника на тысячу строк.
Договор — не форма, а текст: полей нет, формулировки у каждого юриста свои, поэтому шаблонное извлечение здесь не работает. Разбираем связку «поиск фрагмента плюс языковая модель плюс подтверждение юристом» и честно делим условия на те, что извлекаются устойчиво, и те, где человек нужен всегда.
Выписку почти всегда можно получить машинным форматом, и распознавание PDF здесь чаще признак ненастроенного обмена с банком, чем технологическая необходимость. Разбираем три случая, когда распознавание действительно нужно, и как устроен автоматический разнос платежей по назначению.
Распознать паспорт технически просто, а вот хранить его скан почти всегда нельзя. Разбираем правовую рамку: что считается избыточным сбором, какого набора полей достаточно под конкретную цель, как оформить согласие и куда девать исходное изображение после извлечения.
Больше половины проблем распознавания решаются не сменой платформы, а сменой способа получения документа. Показываем, как на точность влияют разрешение, наклон, печать поверх текста и съёмка на телефон, и даём требования к скану на одну страницу, которые снимают основную часть ошибок.
После ухода ABBYY рынок перестроился, и первое, что нужно знать: российский преемник — Content AI, где ContentReader PDF заменил FineReader, а ContentCapture — FlexiCapture. Сравниваем четыре живых решения по типам документов, модели поставки, интеграции с 1С и цене владения.
Языковая модель хорошо справляется там, где форма документа непредсказуема, и плохо там, где нужна воспроизводимость: на одном и том же документе она может дать разный ответ. Сравниваем два подхода по семи параметрам и описываем гибрид, который обычно и внедряют.
Цена за страницу — только одна из четырёх моделей, и на объёме она часто худшая. Разбираем модели, считаем полную стоимость документа с учётом минут оператора на проверку и показываем точки, в которых выгодно переходить от одной модели к другой.
Процесса без проверки человеком не бывает — вопрос только в том, где она стоит и сколько занимает. Разбираем три схемы контроля, считаем минуты оператора на документ в каждой и показываем, как порог уверенности напрямую превращается в деньги.
Распознать документ — половина дела: он должен превратиться в документ 1С с правильным контрагентом, договором и номенклатурой. Сравниваем три способа доставки данных в 1С по цене, срокам и требованиям к конфигурации, включая штатный сервис 1С.
На малом объёме распознавание не окупается почти никогда, на большом — окупается почти всегда; интересна середина. Считаем три сценария по единой методике с учётом проверки человеком и называем порог, ниже которого проект не стоит начинать.
Проекты распознавания проваливаются предсказуемо: платформу выбрали до замера, процесс сканирования не тронули, проверку не заложили, справочники не почистили. Восемь ошибок с признаками на старте и способом исправления каждой.
Отправляя документ в облако, компания передаёт третьему лицу договоры, суммы и персональные данные — иногда в нарушение собственного режима коммерческой тайны. Разбираем семь вопросов провайдеру, что должно быть в договоре и когда единственный вариант — установка на своём сервере.
Честный расчёт, который редко делают продавцы OCR: при каком объёме, разнообразии форм и качестве сканов оператор дешевле системы. Считаем три примера, в двух из которых выигрывает человек, и называем условия, при которых внедрять не нужно даже на большом объёме.
и ещё 1 тем в этом разделе
Счета, акты и УПД из почты, ЭДО и сканов превращаются в документы 1С без ручного ввода: система извлекает реквизиты и табличные позиции, проверяет контрагента, договор и суммы по правилам, а бухгалтеру оставляет только очередь исключений.
Смотреть решениеОпишите процесс словами, голосом или файлами — вернёмся с картой процесса, вариантом решения и предварительной вилкой бюджета. Бесплатно и без обязательств.
