韓国の事業者登録データを
取引先KYC用にExcelへ抽出する方法

サプライヤーKYCにおける事業者登録証（사업자등록증）：その概要とデータが必要な理由

韓国の事業者登録証は、韓国で事業を営むすべての事業体にとって基本となる身分証明書です。付加価値税法第8条（부가가치세법 제8조）および所得税法第168条（소득세법 제168조）に基づき国税庁（NTS, 국세청）が発行するもので、個人事業主から多国籍企業に至るまで、すべての事業者は開業から20日以内に登録し、この証明書を取得しなければなりません。この文書の法的効力は税務行政にとどまりません。韓国の金融実名法（금융실명법, 実名金融取引及び秘密保障に関する法律）の下、事業者登録証は、すべての金融取引、銀行取引、商業契約における事業体の主要な身分証明として機能します。

サプライヤーKYCの文脈では、この証明書から取引先候補に関する以下の8つの情報が得られます。

これら8つの項目は、KYCチームが韓国のサプライヤーを確認するために最低限必要とするデータセットです。しかし実際には、これらの情報は、メールに添付されたPDFスキャン、ラミネート加工された証明書をスマートフォンで撮影した写真、ファックスで送られたコピー、国税庁のホームタックス（홈택스）ポータルからのスクリーンショットなど、さまざまな形式で届きます。これらの形式はいずれもデータベースへの入力用に構造化されておらず、ここにデータ抽出の問題が始まります。

ステップバイステップ：事業者登録証（사업자등록증）のデータをExcelに抽出する

韓国の事業者登録証を構造化されたスプレッドシートの行に変換するプロセスは、4つのステップで完了します。1枚処理する場合でも50枚処理する場合でも、セットアップにかかる時間は同じです。これこそが、手入力ではなく抽出を利用する最大のメリットです。

ステップ1：証明書を収集する

受け取ったすべての사업자등록증の書類を集めてください。メールの添付ファイル（PDFまたは画像）、現場スタッフがスマートフォンで撮影した写真、サプライヤーポータルからのスキャンコピーなど、形式は問いません。本ツールはJPG、PNG、PDF、WebP形式に対応しているため、ファイルを変換したり統一したりする必要はありません。すべてを一度にアップロードしてください。50枚のサプライヤー証明書のバッチでも、アップロード時間は1枚の場合とほぼ同じで、ファイルサイズにもよりますが、おおよそ30～60秒で転送が完了します。

ステップ2：出力する列を定義する

ここが、テンプレートベースのOCRとセマンティック抽出の違いです。テンプレートOCRでは、書類のテンプレート上に矩形を描画する必要がありますが、次のサプライヤーの証明書のレイアウトが異なれば、その設定は使えなくなります。一方、セマンティック抽出では、AIに見つけてほしいフィールド名を指定するだけです。KYCスプレッドシートに合わせて、事業者登録番号、商号、代表者、事業所所在地、課税区分、業種コード、開業日といった列名を入力してください。入力した列名が、最終的なテーブルのヘッダーになります。サプライヤーごとにテンプレートを設定する必要はありません。AIが各証明書を読み取り、座標ではなくセマンティックな理解に基づいて該当するフィールドを特定します。

このアプローチはカスタム列抽出と呼ばれ、出力構造を一度定義すれば、発行元、撮影したカメラ、スキャンかスクリーンショットかに関わらず、すべての証明書が同じ列にマッピングされます。斜めから撮影された写真を提出したサプライヤーも、国税庁ポータルからアップロードされたきれいなPDFを提出したサプライヤーも、同じ構造化された行として出力されます。

ステップ3：AI抽出

ファイルがアップロードされ、列が定義されると、抽出エンジンがバッチ内のすべての証明書を同時に処理します。各書類は、フィールドラベルを識別し、関連する値を読み取り、要求された列にマッピングする視覚言語モデルによって分析されます。処理時間は1ページあたり5～10秒で、すべてのファイルの処理が完了するとバッチが終了します。通常、一般的なサプライヤー数であれば数分以内に完了します。

ステップ4：ExcelまたはCSVにエクスポート

結果は、1つのExcel（XLSX）またはCSVファイルとして出力されます。各証明書が1行、定義された各列が1列になります。エクスポートされたファイルは、そのままKYCデータベース、ERP（Douzone、Ecount、SAPなど）、またはサプライヤー管理システムにインポートできます。手動での再フォーマットは不要です。データ構造はステップ2で定義した列名と一致し、ファイル形式は韓国のすべての会計プラットフォームで受け入れられる標準のCSVまたはXLSXです。

KYCスプレッドシートに必要な8つの主要項目とBRNの読み方

事業者登録番号（사업자등록번호）自体には、KYCチームが別のデータベースを参照せずに迅速なサプライヤー評価を行うための有益な情報が含まれています。この番号の構造を理解することで、10桁の識別子が即座に検証ツールとして機能します。

BRNの形式 XXX-XX-XXXXX は次のように構成されています。

中央の2桁を見るだけで、サプライヤーが個人事業主、法人本店、支店、非営利法人、外国法人のいずれであるかを、データベースにアクセスすることなく判別できます。これは、特に大量のサプライヤー申請を処理する際に初期KYCトリアージを迅速化するシグナルであり、ほとんどの申請は初期スクリーニングを通過し、例外のみがエスカレーションされます。

完全な8項目のデータセット（BRN、商号、代表者、開業日、住所、業種コード、課税区分、発行事由）があれば、サプライヤーマスターレコードを登録するために必要なすべての情報が揃います。政府、国内ERP、ドル建てAIツールの比較が示すように、韓国国内市場で利用可能なツールは、ERPサブスクリプションを必要とするか、ページ単位で課金されます。どちらの価格モデルも、月に10件の場合もあれば、サプライヤー更新サイクルで200件になる場合もある、不定期な量の証明書を処理するバッチKYCのユースケースには最適化されていません。

韓国サプライヤーオンボーディングにおける真のボトルネック：手作業入力

サプライヤーKYCのための手作業データ入力のコストは、単にタイピングに費やす時間だけではありません。オンボーディングの遅延、見逃されるエラー、そして不正確なサプライヤー情報に基づいて行動するコンプライアンスリスクも含まれます。

四半期ごとに30社の新しい韓国サプライヤーをオンボーディングする中堅企業を考えてみましょう。各사업자등록증には8つの主要項目があります。つまり、四半期あたり240のデータポイントです。実際には、コンプライアンスチームが提出日、レビュー担当者、確認ステータス、書類の有効期限も記録するため、1枚の証明書あたり8項目以上が必要になります。1枚あたり約3分の手作業入力では、すべてが順調に進んだ場合、30枚のバッチあたり90分かかります。実際にはさらに時間がかかります。タイピストはスマートフォンの写真を拡大してぼやけた登録番号を読み取ったり、斜めにスキャンされた住所を打ち直したり、「일반과세자」がサプライヤーにVATインボイス発行を許可するかどうかを確認したりする必要があります（許可しますが、コンプライアンス担当者は社内ポリシーに照らして確認する必要があります）。

2～3%のデータ入力エラー率が加わると、10桁のBRNの1桁の読み間違いで誤った事業者に支払いが行われ、手作業入力のコストは何倍にもなります。四半期に30枚の証明書を処理するコンプライアンスチームの場合、バッチあたり約5～7項目の誤入力が発生します。各エラーにはサプライヤーへのフォローアップメールや電話が必要となり、オンボーディングサイクルが数日から数週間遅れます。

バッチ抽出は、これらのエラーを根本的に排除します。AIが書類画像から各項目を直接読み取り、構造化テキストとして出力します。エラーの性質は、転記ミス（数字の誤り、名前のスペルミス、住所の入れ替え）から、解釈の限界事例（コピーのかすれ、部分的に隠れた印鑑）へと移行します。これらは発生頻度がはるかに低く、レビュー時に発見も容易です。

セマンティック抽出が韓国証明書を処理する仕組み

韓国の事業者登録証には、従来のOCRツールではうまく処理できず、セマンティック抽出が直接解決する3つの課題があります。

課題1：印鑑の干渉。 사업자등록증には、発行税務署からの複数の公印（직인）が押されています。これらの印鑑は、印刷されたテキストフィールドと重なることがよくあります。税務署長の印鑑が発行日や税区分を部分的に覆う場合があります。従来のOCRは、テキスト上のインクをノイズとして読み取り、文字化けを出力します。一方、視覚言語モデルは文書を全体的に読み取ります。円形の赤いオーバーレイが印鑑であることを理解し、テキスト認識の目的ではそれを無視して、下の文字を正しく読み取ります。この区別が重要なのは、ほぼすべての사업자등록증に印鑑が存在するためです。印鑑は文書の特徴であり、異常ではありません。

課題2：韓国語、漢字、英語の混在。 韓国の証明書は、ほとんどのフィールドラベルと値にハングル（한글）を使用し、商号や住所に漢字（한자）を使用し、一部の輸出向け証明書では英語を使用します。ある書記体系に最適化されたツールは、他の体系では性能が低下します。セマンティック抽出で使用される視覚モデルは、同じ文書ページ内でこれら3つすべてを同時に処理します。異なるスクリプト用にOCRエンジンを切り替えることはありません。古くからある商社の商号に漢字（例：株式会社）が含まれている仕入先でも、ハングルでエンコードされたフィールドと一緒に正しく読み取られます。

課題3：角度、照明、フォーマットのばらつき。 実際の사업자등록증は、フラットベッドスキャン、オフィスの電話で撮影した机の上の写真、ファックスのファックス、ホームタックス（홈택스）ポータルのスクリーンショットなど、さまざまな形式で届きます。テンプレートベースのOCRでは、文書が事前定義されたゾーン内に配置されている必要があります。20度の角度で撮影された写真では、すべてのフィールドが期待されるバウンディングボックスからずれてしまいます。セマンティック抽出はフィールドの位置に依存しません。ラベルの隣にある値を、そのラベルがページ上のどこにあるかに関係なく読み取ります。このフォーマット非依存性こそが、仕入先ごとの設定作業なしでバッチ処理を可能にするものです。

よくある質問

韓国語のみで英語表記がない事業者登録証（사업자등록증）からデータを抽出できますか？

はい。AIはハングルを英語や漢字と同様に自然に読み取ります。韓国語をプラグインとして追加した別のOCRエンジンではありません。抽出テンプレートの列名は英語（例：「Business Name」）に設定し、AIが対応する韓国語のフィールドラベル（「상호」）を特定して値を抽出します。出力されるスプレッドシートには、英語の列ヘッダーの下に抽出された韓国語のテキスト値が表示されます。同一文書に韓国語と英語の両方が記載されているバイリンガル証明書の場合、AIはフィールドラベルに使用されている言語を読み取ります。

供給元の証明書が斜めから撮影された写真や照明が不十分な写真の場合はどうなりますか？

セマンティック抽出は、従来のOCRよりも斜めの写真や不均一な照明に対応できます。位置が真正面であることに依存しないためです。ビジョンモデルは人間と同じように文書を解釈します。つまり、固定座標にフィールドがあることを前提とするのではなく、内容と相対的な配置によってフィールドラベルと値を識別します。ぼやけた写真や極端に低解像度の写真では精度が低下する可能性がありますが、最も一般的な状況（標準的なオフィス照明下でスマートフォンで机の上を撮影した写真）では、信頼性の高い抽出が可能です。

抽出ツールはBRNが実際の有効な登録番号であることを検証しますか？

いいえ。ツールは証明書に印刷されたBRNを抽出しますが、国税庁（NTS）のデータベースに照会して番号が現在有効かどうか、または事業がその後閉鎖されていないかを確認することはありません。抽出されたBRNは、NTSホームタックス（www.hometax.go.kr）または韓国公共データポータル（data.go.kr）のAPIで検証できます。抽出ステップで構造化データを生成し、別の検証ステップで現在の有効性を確認します。この抽出と検証の分離は、KYCワークフローにおける標準的な慣行であり、抽出されたデータは検証プロセスへの入力であり、出力ではありません。

証明書に項目がない場合はどうなりますか？

特定の項目が書類に記載されていない場合（例：再発行された証明書に元の開業日が表示されない場合）、該当する列のセルは空欄になります。抽出時に値が捏造されることはなく、ページ上で見つかったものだけを出力します。この動作はバッチ内のすべての書類で一貫しており、エクスポートされたスプレッドシートで欠落項目を簡単に特定し、該当するサプライヤーに確認することができます。

個人事業主と大企業の証明書を一緒にバッチ処理できますか？

はい。사업자등록증の形式は国税庁によって標準化されており、同じ書類構造がフリーランサーにもサムスンの子会社にも適用されます。どちらも事業者登録番号、事業者名、代表者名、住所、税区分を生成します。唯一の違いは、事業者登録番号の中央2桁の事業者種別コード（個人事業主は01～79、法人は81/86～88）であり、AIはこれを事業者登録番号フィールドの一部として抽出します。異なる事業者種別が混在するバッチも1回の処理で完了します。

同じタスクでNaver Clova OCRを使用する場合との比較は？

Naver Clova OCRは韓国語テキストを高い精度（97～99％）で読み取り、1ページあたり約50ウォンのコストがかかります。重要な違いはテキスト認識後の処理にあります。Clova OCRは生のテキスト文字列と位置データを返しますが、どの文字列が事業者名で、代表者名で、住所かを理解しません。構造化されたフィールドを抽出するには、証明書のレイアウトごとにカスタム解析ロジックを作成するか、書式ごとにテンプレートを設定する必要があり、各サプライヤーの証明書に微妙なレイアウトの違いがある場合、バッチ処理の目的が損なわれます。AIによる意味抽出は、列名にマッピングされた既に構造化されたデータを返すため、抽出後の解析は不要です。1ページあたりのコスト比較はボリュームに依存します。韓国語書類抽出の価格分析では、月間処理量に応じた1ページあたりのAPIツールと定額抽出の損益分岐点を詳しく説明しています。

まだ必要なデータがわからない場合、どの列を含めるべきですか？

まずはこの記事で説明している8つの標準フィールド（BRN、商号、代表者名、開業日、事業所住所、業種コード、課税区分、発行事由）から始めてください。これらは、韓国のAML/CFT規制に基づくサプライヤーKYCの最低要件をカバーします。コンプライアンスフレームワークでさらに詳細な情報（共同代表者情報や事業の特定の細分類など）が必要な場合は、抽出テンプレートにそれらの列を追加でき、AIが文書上でそれらを検索します。列の定義は固定されておらず、KYC要件の変化に応じてバッチ間で調整できます。