Data-extractie is het eruit halen van precies de stukken informatie die je echt nodig hebt uit een grotere, rommeligere bron. Een leverancier stuurt een PDF-factuur van 3 pagina’s; jij wilt alleen het factuurnummer, het totaal en de vervaldatum. Extractie pakt exact die waarden en laat de rest liggen, en maakt zo van een document dat iemand zou moeten lezen schone data die een systeem kan gebruiken.
Denk aan een markeerstift die door een contract gaat. De pagina staat vol tekst, maar jij markeert alleen de data, namen en bedragen die ertoe doen, en zet die in een samenvatting. Data-extractie is die markeerstift die automatisch werkt, op schaal, over duizenden documenten. Is de bron een scan of foto, dan gebruikt het eerst OCR om de afbeelding in tekst om te zetten, en voor lastigere documenten zoekt intelligente documentverwerking uit welk veld wat is, ook al maakt elke leverancier zijn factuur anders op.
De geëxtraheerde data gaat zelden meteen naar de bestemming. Meestal wordt hij eerst opgeschoond en omgevormd via datatransformatie, zodat datums, valuta en codes allemaal kloppen met wat het ontvangende systeem verwacht. Krijg je extractie goed, dan heeft de rest van een automatisering stevig materiaal om mee te werken. Krijg je het fout, dan erft elke stap erna de rommel. Het lastige is zelden het nette, voorspelbare document. Het is de leverancier die zijn factuuropmaak verandert, de scan die scheef binnenkwam, het veld dat soms gevuld is en soms leeg. Een demo die werkt op drie keurige voorbeelden kan stuklopen op de rommelige realiteit van een echte inbox. Een serieuze extractie-inrichting wordt daarom met opzet getest tegen de lelijke documenten, en geeft een seintje als haar eigen zekerheid daalt, in plaats van te gokken en een fout getal in je boeken te schrijven. Weten wanneer hij twijfelt, is de helft van de waarde.
Bij TopDevs bouwen we extractie die standhoudt tegen documenten uit de praktijk, zodat een klant betrouwbare data uit het papierwerk haalt in plaats van iemand die het allemaal overtikt.
