양식 데이터를 엑셀로 추출하는 방법
한 필드도 다시 입력하지 않고

종이 서식의 병목 현상: 페이지에 갇힌 데이터

대부분의 기업은 데이터를 보유하지 못해서 어려움을 겪지 않습니다. 잘못된 형태로 도착하는 데이터 때문에 어려움을 겪습니다. 환자 접수 양식에는 이름, 생년월일, 보험 ID, 병력 체크박스, 서명 등 모든 항목이 작성되어 있지만, 종이 위의 잉크에 불과합니다. 인사 신규 채용 패킷에는 직원 한 명당 다섯 개의 서로 다른 양식이 있으며, 각각 고유한 레이아웃을 가지고 있고 모두 손으로 작성됩니다. 이벤트 피드백 설문지 더미에는 세 가지 다른 양식 버전에 걸쳐 200개의 응답이 있습니다. 정보는 존재합니다. 단지 스프레드시트에 있지 않을 뿐입니다.

전통적인 해결책은 수동 데이터 입력이었습니다. Barchard와 Pace가 Behavior Research Methods에 발표한 2011년 연구에 따르면 수동 데이터 입력의 오류율은 항목당 1~4%입니다. 즉, 30개 항목 양식은 통계적으로 입력당 최소 하나의 오류를 포함할 가능성이 높습니다. 이중 키 검증을 통해 이 비율을 0.3~0.5%로 낮출 수 있지만, 인건비는 두 배가 듭니다. 양식 페이지당 수동 입력에 3분이 소요된다고 가정하면, 100개 양식 배치를 처리하는 데 검토나 수정 전에 순수 타이핑 작업만 약 5시간이 소요됩니다.

이것이 문제의 규모입니다. 그러나 더 근본적인 문제는 종이 양식이 전통적인 OCR 도구가 제대로 처리하지 못하는 여러 데이터 유형(인쇄된 레이블, 손으로 쓴 답변, 체크 표시, 이전 답변이 '예'인 경우에만 적용되는 조건부 필드)을 한 페이지에 결합한다는 점입니다. 기본 OCR처럼 양식을 하나의 텍스트 블록으로 처리하면 체크된 체크박스가 임의의 문자로 읽히고, 손으로 쓴 이름이 인쇄된 레이블과 분리되며, 트리거 질문에 '아니오'라고 답했음에도 조건부 설명이 나타납니다.

전통적인 OCR이 체크박스와 필기 요소가 있는 양식에서 특히 실패하는 이유와, 비전 모델 AI가 OCR이 처리할 수 없는 공간적 논리를 어떻게 처리하는지 더 깊이 알아보려면 AI가 필기 양식과 체크박스를 Excel로 읽는 방법에 대한 가이드를 참조하세요.

템플릿 매칭 vs 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 적용될지, 아니면 약간 다른 레이아웃이 들어오자마자 작동을 멈출지를 판단하는 핵심입니다.

템플릿 기반 추출 — Docparser, ABBYY 및 대부분의 전통적인 OCR 양식 처리기가 사용하는 방식 — 은 필드 위치를 기억하는 방식으로 작동합니다. 양식을 열고, 캡처하려는 각 필드 주위에 사각형을 그린 다음("이름은 여기, 좌표 X:120 Y:340"), 이후 모든 양식에서 해당 상자 안에 있는 텍스트를 읽습니다. 이 방식은 모든 양식의 레이아웃이 동일할 때(예: 단일 출처의 채우기 가능한 PDF) 안정적으로 작동합니다. 하지만 양식 레이아웃이 변경되면(새 버전, 다른 발신자, 여백이 약간 다른 스캔 문서) 템플릿이 깨집니다. 각 양식 변형마다 별도의 템플릿이 필요하며, 템플릿 유지 관리 자체가 하나의 작업 부담이 됩니다.

열 이름 추출은 반대 접근 방식을 취합니다. 도구에 각 필드가 페이지의 어디에 있는지 알려주는 대신, "전체 이름", "생년월일", "동의(예/아니오)", "보험 ID"와 같은 출력 열 이름을 정의하여 무엇을 찾고 있는지 알려줍니다. AI는 비전 언어 모델(VLM)을 기반으로 전체 양식 이미지를 읽고, 각 값을 픽셀 위치를 기억하는 것이 아니라 의미적으로 무엇을 나타내는지 이해하여 찾습니다. 한 양식에 "DOB"라고 표시된 필드와 다른 양식에 "Date of Birth"라고 표시된 필드는 모두 "생년월일" 열에 매핑됩니다. AI가 동일한 의미임을 이해하기 때문입니다.

이 접근 방식은 때때로 사용자 정의 열 추출이라고도 합니다. 열(출력 스프레드시트 헤더)을 정의하면 AI가 각 문서를 읽어 행을 채웁니다. 입력하는 열 이름이 바로 출력 헤더입니다. 체크박스 응답에서 위험 범주를 유추하는 것처럼 양식에 명시적으로 작성되지 않은 필드가 필요한 경우 유추 열을 사용하여 AI가 문서 내용을 기반으로 분류하도록 할 수 있습니다. 계산을 수행하는 열이 필요하십니까? 계산 열은 추출 중에 산술 및 조건부 논리를 처리하므로 계산된 값이 이미 채워진 상태로 출력 스프레드시트가 도착합니다. 스캔 품질 임계값, 필드 명명 전략 및 혼합 양식 일괄 처리에 대한 필드별 방법론 가이드는 스캔 양식에서 특정 데이터 추출에 관한 전용 문서를 참조하십시오.

AI가 양식에서 추출할 수 있는 것과 없는 것

AI가 양식에서 무엇을 읽고 읽지 못하는지 알면, 출력 결과를 검토하는 데 시간을 쓸지, 아니면 처음부터 다시 입력할지 결정할 수 있습니다. 실제 양식에 나타나는 각 데이터 유형에 대해 열 이름 추출이 어떻게 작동하는지 설명합니다.

조명이 밝고 정면에서 스캔한 300 DPI 인쇄 텍스트는 거의 완벽하게 추출됩니다. 다른 사람이 읽어야 한다는 것을 알 때 사용하는 손으로 쓴 인쇄체는 충분히 잘 추출되어, 양식당 몇 분이 아닌 필드당 몇 초 만에 검토가 완료됩니다. 필기체, 연한 연필, 가파른 각도의 휴대폰 사진은 정확도가 현저히 떨어지므로 해당 필드는 수동 확인이 필요합니다.

단계별 가이드: 양식 더미에서 깔끔한 엑셀 시트까지

설문 수집 시나리오를 예로 들어 데이터 입력 작업을 대체하는 워크플로우를 소개합니다. 컨퍼런스에서 수집한 150장의 종이 피드백 양식이 있습니다. 각 양식에는 이름, 회사, 참석 세션, 만족도(1~5점 체크박스 그리드), 선택적 주관식 의견이 포함되어 있습니다. 양식은 세 번의 인쇄로 제작되어 레이아웃이 약간씩 다릅니다. 이 모든 데이터를 하나의 엑셀 파일로 통합해야 합니다.

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

한 배치에서 서로 다른 레이아웃의 양식 처리하기

실제 양식 처리에서는 단일 양식 유형만 다루는 경우가 드뭅니다. 의사 사무실에는 환자 정보 수집 양식, 보험 확인 양식, 검사 의뢰 양식이 매일 섞여서 들어옵니다. 인사 부서는 각 지원자로부터 지원서, 추천 확인서, 원천징수 양식을 받습니다. 각 양식 유형을 별도의 추출 배치로 실행하면 처리 오버헤드가 두세 배로 늘어납니다.

열 이름 접근 방식은 설계상 혼합 배치를 처리합니다. 모든 양식 유형에 걸쳐 필요한 모든 필드를 포괄하는 열 집합(예: 채용 배치의 경우 15개 열)을 정의합니다. AI는 각 양식을 독립적으로 처리합니다. 특정 양식에 존재하는 필드는 추출되고, 나타나지 않는 필드는 비워둡니다. 출력은 각 행이 어떤 양식 유형에서 생성되었든 관계없이 모든 행에 걸쳐 일관된 열을 가진 하나의 스프레드시트입니다.

혼합 배치의 경우 정의에 양식 유형과 같은 열을 포함하세요. AI는 제목이나 구조에서 양식 유형을 식별하여 검토 시 필터링할 수 있는 열을 제공합니다. 여러 신규 직원의 온보딩 패킷(직원 정보 양식, W-4, I-9, 비상 연락처, 직접 입금 승인서)을 처리하는 HR 팀은 모든 양식을 한 배치에 업로드하고 각 개인별로 모든 필드가 통합된 단일 직원 데이터베이스를 받을 수 있습니다. 온보딩 양식에서 신규 직원 데이터를 대량으로 추출하는 방법에 대한 가이드에서는 수습 기간 계산을 위한 계산 열과 누락 양식 감지를 포함한 이 정확한 워크플로를 안내합니다.

추출이 효과적인 경우와 사람의 검토가 필요한 경우

어떤 추출 도구도 모든 문서에서 100% 정확도를 달성하지는 못합니다. 솔직한 질문은 "완벽한가"가 아니라 "정확도가 어디서 떨어지고, 수동 입력과 비교했을 때 검토 작업량은 어느 정도인가"입니다. 다양한 입력 조건에서 예상할 수 있는 사항은 다음과 같습니다.

거의 완벽한 조건: 깨끗하고 기울어짐 없는 300 DPI 이상 스캔, 흰 종이에 진한 잉크, 간격이 넉넉한 필드, 인쇄된 텍스트. 인쇄된 필드 정확도는 98~99%에 도달합니다. 체크박스 감지는 신뢰할 수 있습니다. 검토 과정은 빠릅니다. 이상치를 스캔하고 샘플을 확인하는 수준입니다.

보통 조건: 150~200 DPI 스캔, 약간의 기울어짐, 약간 희미한 잉크, 정면에서 촬영한 휴대폰 사진, 인쇄체 손글씨. 인쇄된 텍스트는 여전히 신뢰할 수 있습니다(90% 이상). 손글씨는 정확도가 떨어지기 시작합니다. 인쇄체는 여전히 잘 추출되지만, 작거나 좁게 쓴 글씨는 필드의 10~20%에서 수정이 필요할 수 있습니다. 완전히 다시 입력하는 데 3분이 걸리는 대신, 문서당 약 30초의 검토 시간을 예상하십시오.

어려운 조건: 150 DPI 미만, 심한 기울어짐, 비스듬히 찍은 휴대폰 사진, 필기체, 겹쳐진 표시가 있는 빽빽한 체크박스, 3세대 복사본. 인쇄 텍스트 정확도가 85% 이하로 떨어집니다. 필기 인식은 신뢰도가 낮아집니다. AI 출력물을 초안으로 간주하세요. 대부분의 필드는 올바르게 인식되지만, 필기 항목은 더 철저한 수동 검토가 필요합니다. 시간 절감 효과는 "90% 감소"에서 "50~70% 감소"로 줄어듭니다. 여전히 상당하지만, 사람의 검증을 완전히 대체할 수는 없습니다.

실용적인 규칙: AI 추출을 위해 특별히 양식을 스캔하는 경우, 300 DPI, 흑백이 아닌 회색조로 스캔하고, 휴대폰을 사용한다면 카메라를 정면으로 유지하며, 밝은 종이에 진한 잉크를 사용하세요. 이 세 가지 결정은 후처리 단계보다 더 큰 정확도 향상을 가져옵니다.

단일 배치를 넘어서: 수집 링크 및 시트 직접 전송 워크플로

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

수집 링크는 양식 수집 단계를 없앱니다. 계정에서 공유 가능한 링크를 생성하여 양식 작성자(첫 출근 전 온보딩 서류를 작성하는 신입 직원, 집에서 입원 서류를 작성하는 환자, 피드백을 제출하는 행사 참가자)에게 보내면, 그들의 업로드가 귀하의 처리 대기열에 직접 도착합니다. 각 수신자는 링크를 열고 짧은 확인 코드를 입력한 후 업로드합니다. 계정 생성, 앱 설치, 이메일 첨부 파일 정리가 필요 없습니다. 처리를 시작할 때쯤이면 양식이 이미 수집되어 대기 중입니다.

HR 팀이 신규 입사자 온보딩을 진행할 때, 환영 이메일에 담긴 단 하나의 수집 링크가 월요일 아침의 서류 더미를 대체합니다. 신규 입사자는 집에서 서류를 작성하고, 링크를 통해 업로드하면, 첫 출근 전에 완성된 서류 묶음이 추출되어 대기열에 준비됩니다.

Google Sheets 연동은 다른 방식으로 작동합니다. 다운로드 후 가져오는 대신, 추출된 데이터가 Google 스프레드시트로 바로 흘러 들어갑니다. 애드온은 Sheets 내에서 사이드바로 실행됩니다. 스프레드시트를 벗어나지 않고 서류를 업로드하고, 열을 지정하면 결과가 활성 시트에 추가됩니다. 이는 다운스트림 작업이 이미 Sheets에서 이루어지는 팀(피벗 테이블을 만드는 설문 분석가, 기존 원장과 서류 데이터를 대조하는 회계사, 실시간 대시보드를 유지하는 운영팀)에게 유용합니다.

수집 링크와 Google Sheets 애드온은 모두 ImageToTable.ai 계정에 포함되어 있습니다. 이 글 전체에서 설명된 열 이름 방식의 핵심 추출 엔진은 웹 앱을 통해 업로드하든, 수집 링크로 받든, Google Sheets 내에서 처리하든 동일하게 작동합니다.

자주 묻는 질문