양식 데이터를 Excel로 추출하는 방법
필드 하나 다시 입력하지 않고

종이 양식의 병목: 페이지에 갇힌 데이터

대부분의 기업은 데이터가 없어서 어려움을 겪지 않습니다. 데이터가 잘못된 형태로 도착해서 어려움을 겪습니다. 환자 접수 양식에는 이름, 생년월일, 보험 ID, 병력 체크박스, 서명까지 모든 필드가 작성되어 있지만, 그것은 종이 위의 잉크일 뿐입니다. HR 온보딩 패킷에는 직원 한 명당 서로 다른 다 가지 양식이 있고, 각각 고유한 레이아웃을 가지며 모두 손으로 작성됩니다. 이벤트 피드백 설문지 더미에는 세 가지 다른 양식 버전에 걸쳐 200개의 응답이 있습니다. 정보는 존재합니다. 다만 스프레드시트에 없을 뿐입니다. 급여 담당자가 여전히 수작업으로 입력하는 승인된 휴가 양식 폴더도 마찬가지입니다 — 휴가 신청서를 Excel로 변환하면 휴가 유형, 기간, 관리자 승인을 급여 처리에 바로 사용할 수 있는 행으로 바꿔줍니다.

전통적인 해결책은 수동 데이터 입력이었습니다. Barchard와 Pace가 Behavior Research Methods에 발표한 2011년 연구에 따르면 수동 데이터 입력의 오류율은 필드당 1~4%입니다 — 즉, 30개 필드로 구성된 양식은 통계적으로 입력 건당 최소 하나의 오류를 포함할 가능성이 높습니다. 이중 입력 검증 방식은 이 비율을 0.3~0.5%로 낮추지만, 인건비가 두 배로 듭니다. 양식 페이지당 3분씩 수동 입력할 경우, 100개 양식 배치를 처리하는 데 검토나 수정 전에 약 5시간의 순수 키 입력 작업이 소요됩니다.

이것이 문제의 규모입니다. 그러나 더 근본적인 문제는 종이 양식이 기존 OCR 도구가 제대로 처리하지 못하는 여러 데이터 유형을 한 페이지에 결합한다는 점입니다: 인쇄된 라벨, 손으로 쓴 답변, 체크 표시, 이전 답변이 "예"인 경우에만 적용되는 조건부 필드. 기본 OCR처럼 양식을 하나의 텍스트 블록으로 취급하면 체크된 체크박스가 임의의 문자로 읽히고, 손으로 쓴 이름이 인쇄된 라벨과 분리되며, 트리거 질문에 "아니요"라고 답했는데도 조건부 설명이 나타나는 결과가 나옵니다.

체크박스와 필기 요소가 있는 양식에서 기존 OCR이 특히 실패하는 이유와, 비전 모델 AI가 OCR이 할 수 없는 공간적 논리를 처리하는 방법에 대해 더 자세히 알아보려면 AI가 손으로 쓴 양식과 체크박스를 Excel로 읽는 방법에 대한 가이드를 참조하세요.

템플릿 매칭과 의미 기반 판독: 양식에 다른 접근 방식이 필요한 이유

양식용으로 설계된 대부분의 문서 추출 도구는 두 가지 접근 방식 중 하나를 사용합니다. 이 차이를 이해하는 것이 도구가 여러분의 양식에 맞을지, 아니면 약간 다른 레이아웃을 보내는 사람이 처음 나타났을 때 바로 깨질지 판단하는 핵심입니다.

템플릿 기반 추출 — Docparser, ABBYY 및 대부분의 기존 OCR 양식 처리 도구가 사용하는 방식 — 은 필드 위치를 기억하는 방식으로 작동합니다. 양식을 열고 캡처하려는 각 필드 주위에 사각형을 그립니다("이름은 여기, 좌표 X:120 Y:340"). 그러면 도구는 이후 들어오는 모든 양식에서 해당 상자 안에 있는 텍스트를 읽습니다. 이 방식은 모든 양식의 레이아웃이 동일할 때 — 예를 들어 단일 소스에서 생성된 작성 가능한 PDF — 안정적으로 작동합니다. 그러나 양식 레이아웃이 조금이라도 바뀌면 — 새 버전, 다른 발신자, 여백이 약간 다른 스캔 문서 — 템플릿이 깨집니다. 각 양식 변형마다 자체 템플릿이 필요합니다. 템플릿 유지보수가 그 자체로 하나의 업무가 됩니다.

열 이름 추출은 반대 접근 방식을 취합니다. 도구에 각 필드가 페이지의 어디에 있는지 알려주는 대신, 출력 열 이름을 정의하여 무엇을 찾고 있는지 알려줍니다: "성명", "생년월일", "동의(예/아니요)", "보험 ID". VLM(비전 언어 모델)로 구동되는 AI는 전체 양식 이미지를 읽고 각 값을 픽셀 위치를 기억하는 것이 아니라 의미적으로 무엇을 나타내는지 이해하여 찾아냅니다. 한 양식의 "DOB" 필드와 다른 양식의 "Date of Birth" 필드는 모두 "생년월일" 열에 매핑됩니다. AI가 둘이 같은 의미임을 이해하기 때문입니다.

이 접근 방식은 때때로 맞춤 열 추출이라고도 합니다. 열 — 출력 스프레드시트 헤더 — 을 정의하면 AI가 각 문서를 읽고 행을 채웁니다. 입력한 열 이름이 곧 출력 헤더입니다. 체크박스 응답에서 위험 범주를 추론하는 것처럼 양식에 명시적으로 적히지 않은 필드가 필요하다면 추론 열을 사용하여 AI가 문서 내용을 기반으로 분류하도록 할 수 있습니다. 계산을 수행하는 열이 필요하신가요? 계산 열이 추출 중 산술 및 조건부 논리를 처리하므로 계산된 값이 이미 채워진 상태로 출력 스프레드시트가 도착합니다. 스캔 품질 임계값, 필드 명명 전략, 혼합 양식 배치 처리를 다루는 필드별 방법론 가이드는 스캔된 양식에서 특정 데이터 추출에 관한 전용 문서를 참조하세요.

AI가 양식에서 추출할 수 있는 것과 없는 것

AI가 양식에서 무엇을 읽고 읽지 못하는지 알면 출력을 검토하는 데 시간을 쓸지, 처음부터 다시 입력할지 결정할 수 있습니다. 실제 양식에 나타나는 각 데이터 유형을 열 이름 추출이 어떻게 처리하는지 살펴보겠습니다.

조명이 밝고 정면에서 촬영한 300 DPI 스캔의 인쇄 텍스트는 거의 완벽하게 추출됩니다. 다른 사람이 읽어야 한다는 것을 알 때 사용하는 블록체 필기는 필드당 몇 초의 검토 시간만으로 충분할 만큼 잘 추출됩니다. 필기체, 연한 연필, 가파른 각도의 휴대폰 사진은 정확도가 크게 떨어지는 경우로 — 해당 필드에 대한 수동 검증 단계를 계획하세요.

단계별 가이드: 양식 더미에서 깔끔한 Excel 시트 하나로

수작업 데이터 입력의 긴 과정을 대체하는 워크플로우를 설문 수집 시나리오를 예로 들어 설명합니다. 컨퍼런스에서 받은 종이 피드백 양식 150장이 있다고 가정하겠습니다. 각 양식에는 이름, 회사, 참석 세션, 만족도 평가(1~5 체크박스 그리드), 선택적 자유 의견란을 입력하도록 되어 있습니다. 양식은 세 번에 걸쳐 인쇄되었기 때문에 레이아웃이 조금씩 다릅니다. 이 모든 데이터를 하나의 Excel 파일로 정리해야 합니다.

추출 워크플로우에 대한 전체 안내 — 한 페이지에 여러 데이터 유형이 결합된 양식의 열 이름 설정 방법 포함 — 는 체크박스, 필기, 조건부 필드를 한 번에 처리하는 양식 데이터 추출 도구를 이용하세요.

레이아웃이 다른 여러 양식을 하나의 배치에서 처리하기

실제 업무에서 양식 처리는 단일 양식 유형만 다루는 경우가 드뭅니다. 의료 기관에는 환자 접수 양식, 보험 확인 양식, 검사 의뢰 양식이 매일 쌓이는 서류 더미에 섞여 들어옵니다. 인사 부서는 각 지원자로부터 지원서, 추천서 확인 양식, 세금 원천징수 양식을 받습니다. 각 양식 유형을 별도의 추출 배치로 처리하면 처리 오버헤드가 두세 배로 늘어납니다.

열 이름 접근 방식은 설계상 혼합 배치를 처리합니다. 모든 양식 유형에 걸쳐 필요한 모든 필드를 포괄하는 열 집합을 정의합니다. 예를 들어 채용 배치의 경우 15개 열을 정의할 수 있습니다. AI는 각 양식을 독립적으로 처리합니다. 해당 양식에 존재하는 필드는 추출되고, 존재하지 않는 필드는 비워 둡니다. 결과물은 각 행이 어떤 양식 유형에서 생성되었는지와 관계없이 모든 행에 걸쳐 일관된 열을 가진 하나의 스프레드시트입니다.

혼합 배치의 경우 정의에 Form Type과 같은 열을 포함하세요. AI는 양식의 제목이나 구조에서 양식 유형을 식별할 수 있으므로 검토 시 필터링할 수 있는 열이 제공됩니다. 온보딩 패킷(직원 정보 양식, W-4, I-9, 비상 연락처, 직접 입금 승인서)을 처리하는 HR 팀은 여러 신규 직원의 모든 양식을 한 번에 업로드하고, 각 개인별로 모든 필드가 통합된 단일 직원 데이터베이스를 받을 수 있습니다. 온보딩 양식에서 신규 직원 데이터를 대량으로 추출하기에 대한 가이드에서 수습 기간 계산을 위한 계산 열과 누락 양식 감지를 포함한 이 정확한 워크플로우를 자세히 설명합니다.

추출이 효과적인 경우 — 사람의 검토가 필요한 경우

어떤 추출 도구도 모든 양식에서 100% 정확도를 달성하지 못합니다. 솔직한 질문은 "완벽한가"가 아니라 "정확도가 어디서 떨어지고, 수동 입력과 비교했을 때 검토 작업량이 얼마나 되는가"입니다. 다양한 입력 조건에서 기대할 수 있는 결과는 다음과 같습니다:

거의 완벽한 조건: 300+ DPI의 깨끗하고 정면으로 스캔한 이미지, 흰 종이에 진한 잉크, 간격이 잘 정리된 필드, 인쇄된 텍스트. 인쇄된 필드 정확도는 98–99%에 도달합니다. 체크박스 감지도 신뢰할 수 있습니다. 검토 과정은 빠릅니다 — 이상치를 살펴보고, 샘플을 확인하는 정도입니다.

중간 조건: 150–200 DPI 스캔, 약간의 기울어짐, 약간 바랜 잉크, 정면에서 찍은 휴대폰 사진, 블록체 필기. 인쇄된 텍스트는 여전히 신뢰할 수 있습니다(90% 이상). 필기는 저하되기 시작합니다 — 블록체는 여전히 잘 추출되지만, 작거나 압축된 필기는 필드의 10–20%에서 수정이 필요할 수 있습니다. 전체 재입력에 3분이 아닌, 양식당 약 30초의 검토 시간을 예산에 잡으세요.

어려운 조건: 150 DPI 미만, 심한 기울어짐, 각도가 있는 휴대폰 사진, 필기체, 겹치는 표시가 있는 빽빽하게 채워진 체크박스, 3세대 복사본. 인쇄된 텍스트는 85% 미만으로 떨어집니다. 필기는 신뢰할 수 없게 됩니다. AI 출력을 초안으로 취급하세요 — 대부분의 필드는 맞겠지만, 필기 항목에 대해서는 더 철저한 수동 검토를 계획하세요. 시간 절약은 "90% 감소"에서 "50–70% 감소"로 바뀝니다 — 여전히 상당하지만, 인간의 검증을 완전히 대체하지는 않습니다.

실용적인 규칙: AI 추출을 위해 특별히 양식을 스캔한다면, 흑백이 아닌 회색조로 300 DPI로 스캔하고, 휴대폰을 사용한다면 카메라를 정면으로 유지하고, 밝은 종이에 진한 잉크를 사용하세요. 이 세 가지 결정은 어떤 후처리 단계보다 더 큰 정확도 향상을 만들어냅니다.

단일 배치를 넘어서: 수집 링크 및 스프레드시트 직접 워크플로

"배치 업로드, Excel 다운로드"로 끝나는 양식 추출은 데이터 입력 문제를 해결하지만 수집 문제는 그대로 남겨둡니다. 추출을 시작하기 전에 누군가는 여전히 모든 양식을 한곳에 모아야 합니다. 두 가지 기능이 이 격차를 해소합니다:

수집 링크는 양식 수집 단계를 없앱니다. 계정에서 공유 가능한 링크를 생성하고, 양식 작성자에게 보내면 — 첫 출근 전에 온보딩 서류를 작성하는 직원, 집에서 접수 양식을 작성하는 환자, 피드백을 제출하는 이벤트 참석자 — 그들의 업로드가 처리 대기열에 직접 도착합니다. 각 수신자는 링크를 열고, 짧은 확인 코드를 입력하고, 업로드합니다. 계정 생성도, 앱 설치도, 정리해야 할 이메일 첨부 파일도 없습니다. 처리를 위해 앉을 때쯤이면 양식은 이미 수집되어 대기 중입니다.

온보딩 코호트를 처리하는 HR 팀의 경우, 환영 이메일로 보낸 단일 수집 링크가 월요일 아침의 종이 양식 더미를 대체합니다. 신입 사원은 집에서 양식을 작성하고, 링크를 통해 업로드하며, 완성된 패킷은 첫 출근 전에 추출되어 대기열에 준비되어 있습니다.

Google 스프레드시트 통합은 다른 각도에서 접근합니다: 다운로드하고 가져오는 대신, 추출된 데이터가 Google 스프레드시트로 직접 흐릅니다. 부가기능은 스프레드시트 안에서 사이드바로 실행됩니다 — 양식을 업로드하고, 열을 지정하고, 결과가 스프레드시트를 떠나지 않고 활성 시트에 추가됩니다. 이는 다운스트림 워크플로가 이미 스프레드시트에 있는 팀에게 유용합니다: 피벗 테이블을 만드는 설문 분석가, 기존 원장과 양식 데이터를 대조하는 회계사, 실시간 대시보드를 유지하는 운영 팀.

ImageToTable.ai 계정에는 수집 링크와 Google 스프레드시트 부가기능이 모두 포함되어 있습니다. 핵심 추출 엔진(이 문서 전체에서 설명하는 열 이름 방식)은 웹 앱에서 양식을 업로드하든, 수집 링크로 받든, Google 스프레드시트에서 처리하든 동일하게 작동합니다.

자주 묻는 질문