선하증권 데이터를
Excel로 추출하는 방법
중견 물류운송주선업체는 문서 오류와 직접적으로 연결된 비용으로 연간 $140,000~$280,000을 부담합니다 — 세관 보류는 하루 $200~500, 운송사 수정 수수료는 B/L 수정 건당 $50~150, HS 코드 오분류로 인한 관세 벌금까지 포함됩니다.[1] 그러나 수동 선하증권 데이터 입력의 실제 비용은 인건비가 아닙니다 — 단 한 번의 BOL 번호 오타가 세관에 도달하고, 보류를 유발하고, 데머리지를 쌓고, 제때 화물을 받기만을 원했던 고객에게 크레딧을 제공해야 하는 연쇄적 운영 피해입니다. 방어선은 더 빠른 타이피스트가 아닙니다. 오타를 만들지 않는 추출이 바로 그것입니다.
아무도 예산에 잡지 않는 규정 준수 비용
화물 운영 팀이 BOL 처리 문제를 논할 때, 보통 물량부터 이야기합니다 — "우리는 일주일에 500건의 선하증권을 처리합니다." 시간 계산은 간단합니다: 수동 데이터 입력에 문서당 10~15분, 광범위한 상품 라인 항목이 있는 복잡한 복합운송 BOL의 경우 최대 1시간이 소요됩니다.[2] 하지만 시간은 문제의 빙산의 일각에 불과합니다.
2025년 IARJSET의 포워딩 업체 연구에 따르면, 46.7%의 기업이 문서 오류로 인한 벌금을 직접 경험했으며, 63.4%는 지난 6개월 동안 1~10건의 선적에 대해 문서를 수정해야 했습니다.[3]
벌금 부과 경로는 잘 문서화되어 있습니다. 미국 연방관보의 2025년 민사 벌금 조정에 따르면 ISF 신고 위반 시 벌금은 $6,000 이상에 달할 수 있으며, 선적 목록(매니페스트) 불이행 벌금은 건당 $1,740~$4,730입니다.[4] DocuExprt의 2024년 조사에 따르면 단일 문서 관련 규정 위반에 대한 평균 벌금은 $127,000이며, 감사 준비에만 연간 직원 시간 120~200시간이 소요됩니다.[5]
이것이 수동 BOL 데이터 입력이 만들어내는 예산 항목이며, 자동 추출이 제거하는 부분입니다. 컨테이너 번호의 오타나 잘못 입력된 HS 코드는 단순한 사무상 실수가 아닙니다. 이는 세관 보류, 보관료, 재분류 지연, 고객 크레딧으로 이어지는 일련의 사슬로 들어가는 진입점입니다. Reddit의 한 물류 전문가가 지적했듯이 디스패처가 하루를 "이메일 복사 → TMS, 다시 복사 → 화물 거래소, 하루 20회 반복"으로 보낸다면, 생산성 손실은 눈에 보입니다. 그러나 이러한 복사-붙여넣기 작업 각각에 숨겨진 규정 준수 위험은 보이지 않습니다.
표준 OCR이 선하증권에서 실패하는 이유
BOL 데이터 추출을 자동화하는 일반적인 접근 방식은 이렇습니다. 스캔된 PDF에 OCR을 실행하고, 텍스트를 얻은 다음, 스프레드시트 열에 매핑하는 것입니다. 이 방식은 형식을 알고 있는 단일 공급업체의 깨끗한 디지털 인보이스에서는 작동합니다. 그러나 선하증권에서는 세 가지 이유로 인해 작동이 실패하며, 이러한 이유들은 서로 맞물려 문제를 악화시킵니다.
모든 운송사는 고유한 레이아웃을 사용합니다. Maersk의 해상 BOL은 선적자 블록을 왼쪽 상단에, 선박 정보를 중앙 표에, 화물 설명을 아래쪽의 다중 행 그리드에 배치합니다. Old Dominion의 직송 BOL은 NMFTA 표준 단식 레이아웃을 사용하며, 상품 설명이 촘촘한 간격의 그리드에 표시됩니다. FedEx Freight BOL은 또 다른 배열을 사용합니다. 각 레이아웃에 대해 영역을 그리고 시스템을 훈련시키는 템플릿 기반 OCR은 운송사당 하나의 템플릿을 필요로 합니다. 50개 운송사를 처리하는 중개인은 50개의 템플릿이 필요하며, 운송사가 양식을 업데이트할 때마다 해당 템플릿은 조용히 깨집니다.
손글씨, 스탬프, 카본 사본은 예외가 아니라 표준입니다. BOL은 적재장에서 카본 사본 용지에 손으로 작성되는 경우가 많습니다. 수하인 이름은 펜으로 휘갈겨 쓰여 있고, 수량은 빨간 잉크로 스탬프되어 있으며, 세 번째 카본 사본은 거의 읽을 수 없을 정도로 희미해집니다. 기존 OCR은 이러한 것들을 노이즈로 취급합니다. 깨끗한 디지털 활자만 읽을 수 있는 도구는 손으로 쓴 BOL 번호, "운임 선불" 스탬프, 카본 사본의 중량 필드를 놓칠 것입니다. 이 세 가지 데이터 포인트는 운송사 인보이스 분쟁을 촉발할 가능성이 가장 높은 항목입니다.
NMFC 화물 등급은 문자 인식이 아닌 의미론적 이해를 요구합니다. National Motor Freight Classification 시스템은 밀도, 적재 용이성, 취급 용이성, 책임에 따라 13개의 화물 등급(50~500)을 정의합니다. BOL에는 상품 설명 옆에 "Class 70"이 나열될 수도 있고, 등급 없이 상품만 나열되어 운송사가 등급을 적용하도록 할 수도 있습니다. 표준 OCR은 "Class 70"을 텍스트 문자로 읽습니다. 그러나 의미론적 추출 — AI 비전 모델이 수행하는 방식 — 은 "Class 70"이 "목재 가구"를 수식하며 화물 설명 열이 아닌 화물 등급 열에 속한다는 것을 이해합니다. 이러한 구분이 정확한 운임 계산서와 3주 후에 발생하는 $300 재등급 수수료의 차이를 만듭니다.
선하증권에는 어떤 데이터가 있으며, 각 필드가 중요한 이유
선하증권은 동시에 세 가지 법적 기능을 수행합니다: 화물 영수증(운송인이 기재된 대로 화물을 수령했음을 확인), 운송 계약(운송 조건 및 약관), 권리 증서(양도 가능한 BOL의 경우 화물 소유권). 문서의 각 필드는 이러한 기능 중 하나 이상을 지원하며, 필드의 오류는 이러한 법적 영역 중 하나로 이어집니다.[6] BOL은 단독으로 사용되는 경우가 드뭅니다. 선적 서류 패킷의 다른 서류와 어떻게 조정되는지 선적 및 화물 문서 추출 가이드에서 확인하세요.
| 필드 그룹 | 필드 | 오류 결과 |
|---|---|---|
| 당사자 | 송하인 이름 및 주소, 수하인, 통지 당사자, 운송인/SCAC 코드 | 잘못된 배송, 세관 통관 실패, 잘못된 당사자에게 청구 |
| 라우팅 | 적재항, 양륙항, 선박/항차, 컨테이너 및 봉인 번호 | 컨테이너 오배송, 잘못된 터미널에서의 데머리지, ISF 신고 불일치 |
| 화물 | 품목 설명, 개수, 포장 유형, 중량(총중량/순중량), 규격, 화물 등급, NMFC 코드, HS 코드 | 재분류 수수료, 관세 재계산, 운송인 운임 청구 분쟁, 위험물 규정 위반 |
| 요금 및 조건 | 운임 조건(선불/착불), 운임, 추가 요금 | 잘못된 청구 당사자, 중복 지불, 미회수 추가 요금 |
| 참조 | BOL 번호, PRO 번호, PO 참조, 픽업/배송 날짜 | 화물 추적 불가, 배송 기간 놓침, POD 검증 실패 |
화물 그룹(품목 설명, 중량, 개수, 화물 등급)이 가장 데이터 밀도가 높고 오류가 가장 많이 발생하는 섹션입니다. 또한 운송사마다 가장 크게 다른 섹션이기도 합니다. 어떤 운송사는 개별 중량이 있는 5개의 품목 라인을 사용하고, 다른 운송사는 총 중량이 있는 단일 통합 라인을 사용합니다. 또 다른 운송사는 여백에 "NMFC 156600 Sub 3"을 찍습니다. 추출 도구는 레이아웃을 알 필요가 없습니다. 각 항목이 무엇을 의미하는지 알아야 합니다.
PDF에서 스프레드시트로: AI 추출이 실제로 작동하는 방식
수동 BOL 데이터 입력을 대체하는 워크플로는 놀라울 정도로 간단합니다. 데이터가 문서의 어디에 있는지가 아니라, 원하는 출력 열을 정의하면 됩니다. 이 역전이 이 접근 방식의 핵심입니다. 도구에 "BOL 번호는 이 운송사 양식의 오른쪽 상단에 있습니다"라고 알려주는 대신, "BOL 번호를 추출하세요"라고 지시하고 AI가 문맥상 BOL 번호가 어떻게 생겼는지 이해하여 위치를 찾도록 하는 것입니다.
여러 운송사의 BOL을 처리하는 물류 운영의 경우 열 설정은 다음과 같을 수 있습니다: BOL 번호, 송하인 이름, 수하인 이름, 운송사 SCAC, 컨테이너 번호, 적재항, 양륙항, 품목 설명, 개수, 중량(lbs), 화물 등급, 운임 조건, 운임 요금. 이러한 열 이름은 Excel 헤더가 됩니다. AI는 업로드된 각 BOL을 읽고 값을 찾아 행을 채웁니다. BOL이 Maersk, Old Dominion 또는 지역 운송업체의 손으로 작성한 탄소 사본에서 온 것인지 여부와 관계없이 말입니다.
이것이 맞춤 열 추출입니다: 원하는 필드 이름을 입력하면 AI가 페이지에서의 위치가 아니라 의미를 이해하여 각 값을 찾습니다. 고정된 위치 주변에 영역을 그리는 템플릿 기반 OCR과 달리, 이 접근 방식은 구성 없이 모든 운송사의 BOL 레이아웃에 적응합니다. 운송사 50곳을 둔 화물 중개인은 50개 모두를 동일한 배치에 로드하고 통합된 스프레드시트 하나를 얻습니다.
파일은 안전하게 처리되며 저장되지 않습니다. 샘플 BOL로 시도해 보세요.
추출 후 데이터는 구조화된 Excel 스프레드시트에 저장됩니다. 각 행은 BOL 하나, 각 열은 추출된 필드 하나입니다. 이 출력은 스프레드시트 기본 형식입니다: Excel, Google Sheets 또는 CSV로 직접 이동하여 TMS에 업로드하거나 운임 감사를 실행할 준비가 됩니다. 추출 엔진과 스프레드시트 사이에 중간 JSON-CSV 변환 단계나 필드 매핑 마법사가 없습니다. Google Sheets를 사용하는 팀을 위해 탭을 벗어나지 않고 스프레드시트 내에서 직접 추출을 실행하는 사이드바 애드온도 있습니다.
템플릿의 함정: 운송사별 설정이 확장 불가능한 이유
물류 업계에는 템플릿 기반 추출이 근본적으로 부적합하게 만드는 구조적 문제가 있습니다. 운송사 이탈과 형식 다양성은 시장의 특징이지 버그가 아닙니다. 중개인은 자사 화주가 어떤 운송사를 사용하는지 통제할 수 없습니다. 다양한 구간에서 화물을 예약하는 포워더는 한 달에 8개의 해상 운송사와 15개의 트럭 운송사를 이용할 수 있습니다. 각 운송사는 고유한 형식으로 BOL을 발행합니다.
템플릿 기반 OCR은 운송사 형식별로 설정 단계가 필요합니다. "화주명" 주변에 경계 상자를 그리고, 레이블을 지정하고, 필요한 모든 필드에 대해 반복합니다. 여기에 50개 운송사를 곱하세요. 운송사가 양식 템플릿을 업데이트할 때마다 다시 곱하세요. 유지보수 오버헤드는 운송사 수에 따라 선형적으로 증가합니다. 즉, 추출이 가장 큰 가치를 제공해야 하는 상황(높은 운송사 다양성)이 템플릿 유지보수를 지속 불가능하게 만드는 상황입니다.
이것이 바로 BOL 추출에 템플릿이 필요 없고 형식에 독립적인 접근 방식이 중요한 이유입니다. AI는 머스크가 화주를 왼쪽 상단에 두고 올드 도미니언이 "화주/수출자"라는 상자에 넣는다는 것을 알 필요가 없습니다. 물류 전문가가 문서를 읽는 방식, 즉 페이지의 물리적 위치와 관계없이 화주의 의미 패턴과 일치하는 항목을 스캔하여 읽습니다. 이는 단순히 설정이 더 빠르다는 것을 의미하지 않습니다. 모든 운송사에 대해 첫날부터 작동하는 추출 파이프라인과, 온보딩하는 모든 새 운송사에 대해 지속적인 템플릿 유지보수가 필요한 파이프라인의 차이입니다.
셀프서비스 도구, API 통합, 엔터프라이즈 플랫폼 중 선택하기
BOL 데이터 추출 시장은 세 가지 운영 프로필로 나뉩니다. 올바른 선택은 볼륨, 기술 리소스, 그리고 추출이 독립적인 개선인지 아니면 더 광범위한 자동화 전략의 일부인지에 따라 달라집니다.
셀프 서비스 업로드 도구
대상: 월 50–500건의 선하증권을 처리하는 화물 중개인, 소규모 포워더, 운영팀
방식: 선하증권 업로드 → 열 이름 입력 → Excel 다운로드. API 설정 불필요, 개발자 불필요.
핵심 요건: 모든 운송사에 걸친 템플릿 불필요 추출. 운송사별 템플릿을 만들어야 한다면 이 방식은 규모에 맞지 않습니다.
API 통합
대상: 월 500–5,000건의 선하증권을 처리하는 TMS 플랫폼, 중개 시스템, 사내 도구
방식: REST API가 선하증권 파일을 수신하고 필드별 신뢰도 점수가 포함된 구조화된 JSON/CSV를 반환합니다.
핵심 요건: 신뢰도 점수를 통해 시스템이 낮은 신뢰도의 추출 결과를 자동으로 사람 검토로 라우팅할 수 있어야 합니다.
엔터프라이즈 플랫폼
대상: 월 5,000건 이상의 선하증권을 처리하고 컴플라이언스 자동화가 필요한 대형 3PL, 글로벌 포워더
방식: 이메일 수집, 추출, 검증 규칙, 예외 라우팅, TMS/ERP 연동을 포함한 엔드투엔드 IDP.
핵심 요건: 관리형 예외 처리와 감사 추적 — 단순한 추출 정확도가 아닙니다.
대부분의 화물 중개인과 중소형 포워더에게 셀프 서비스 등급이 최적의 선택입니다: 통합 오버헤드 없이 첫날부터 즉시 가치를 얻을 수 있고, 고정 플랫폼 구독료 대신 실제 사용량에 따라 확장되는 페이지당 과금 방식을 제공합니다. 이 도구는 단일 선하증권 페이지를 5–10초 안에 처리하며 — 수동 데이터 입력에 걸리는 10–15분과 비교됩니다 — 결과를 Excel로 직접 출력합니다. 이 속도라면 하루 100건의 선하증권을 처리하는 팀은 매일 약 20시간의 직원 시간을 절약할 수 있습니다. 선하증권뿐만 아니라 전체 문서 유형에 걸쳐 셀프 서비스 도구와 엔터프라이즈 플랫폼을 비교 검토 중이라면, 물류 문서 추출 구매 가이드에서 더 포괄적인 평가 기준을 확인하실 수 있습니다.
한 가지 유의할 점: 어떤 추출 도구도 선하증권에서 100% 완전 자동 처리를 달성하지 못합니다. 흐릿한 텍스트 위에 도장이 겹쳐진 손으로 쓴 카본 사본은 낮은 신뢰도 점수를 생성합니다. 올바른 워크플로 기대치는 플래그가 지정된 필드에 대한 검토 대기열을 포함한 85–95% 자동화 추출이지, 무인 완전 자동 처리가 아닙니다. 하지만 85% 자동화에서도 검토 대기열에 들어가는 나머지 15%는 모든 필드를 처음부터 직접 입력하는 것보다 여전히 더 빠르게 검증할 수 있습니다.
자주 묻는 질문
AI 추출로 필기된 선하증권도 처리할 수 있나요?
네, 가능한 범위 내에서 가능합니다. 최신 비전 모델은 인쇄된 필기체, 블록체, 대부분의 필기체를 읽을 수 있으며, 특히 BOL 번호, 개수, 중량과 같이 읽기 쉬운 블록체로 작성된 표준 필드에서 정확합니다. 그러나 스탬프가 필기 위에 겹쳐진 심하게 바랜 카본 사본이나, 필기 압력이 너무 약해 스캔이 선명하지 않은 문서에서는 정확도가 떨어집니다. 이러한 경우 추출 엔진은 임의로 추측하지 않고 해당 필드에 낮은 신뢰도 점수를 표시하여 사람이 검토하도록 합니다.
BOL 추출이 여러 페이지 문서에서도 작동하나요?
네. 많은 해상 BOL이 여러 페이지로 구성됩니다. 첫 페이지에는 당사자 및 경로 정보가, 두 번째 페이지에는 화물 세부 정보와 조건이, 세 번째 페이지에는 표준 약관이 포함될 수 있습니다. 일괄 추출 도구는 모든 페이지를 하나의 문서로 처리하고 추출된 필드를 출력 스프레드시트의 한 행으로 병합합니다. 핵심은 도구가 각 페이지를 별도의 문서로 취급하지 않고 계속 페이지를 인식한다는 점입니다.
두 운송사가 동일한 필드에 다른 이름을 사용하면 어떻게 되나요?
이것이 바로 템플릿 기반 접근 방식보다 의미론적 추출이 우수한 이유입니다. 운송사 A가 필드를 "Shipper"로, 운송사 B가 "Shipper/Exporter"로, 운송사 C가 "Consignor"로 표기하더라도, AI는 이 세 가지 모두 동일한 주체(화물을 보내는 당사자)를 가리킨다는 것을 이해합니다. 출력 열을 "송하인 이름"으로 한 번 정의하면 AI가 각 운송사의 변형을 자동으로 해당 열에 매핑합니다. 운송사별 필드 매핑이 필요 없습니다.
추출된 BOL 데이터를 TMS에 직접 입력할 수 있나요?
대부분의 셀프 서비스 추출 도구는 Excel 또는 CSV로 내보내기를 지원하며, 이를 TMS의 표준 가져오기 기능을 통해 TMS로 가져올 수 있습니다. 일부 TMS 플랫폼(Turvo, Descartes, McLeod 등)은 CSV 가져오기 템플릿을 지원합니다. 추출 결과를 내보내고, 열을 TMS 가져오기 템플릿에 맞게 서식을 지정한 후 업로드하면 됩니다. 파일 전달 없이 추출된 데이터를 TMS에 직접 푸시하는 API 수준 통합을 위해서는 REST API가 있는 도구와 통합 측면의 일부 개발 작업이 필요합니다.
BOL 추출이 관세사를 대체할 수 있나요?
아니요. 데이터 추출은 데이터 입력 단계(BOL 필드를 구조화된 형식으로 만드는 작업)를 자동화합니다. 이는 면허를 소지한 관세사가 제공하는 규제 판단(HS 코드 분류 결정, 가치 평가, 자유무역협정 자격 결정, 세관 신고 전략)을 대체하지 않습니다. 추출은 타이핑 작업을 없애 브로커가 실제 전문 지식을 필요로 하는 분류 및 규정 준수 결정에 시간을 할애할 수 있도록 하는 것이라고 생각하십시오.
BOL에서 AI 추출은 수동 데이터 입력과 비교해 얼마나 정확한가요?
잘 훈련된 화물 문서 AI는 표준 디지털 BOL에서 필드 수준 정확도 97~99%를 달성합니다. 숙련된 직원의 수동 데이터 입력은 정상 조건에서 96~99%의 정확도를 보이지만, 물량 압박으로 오류율이 높아지는 성수기에는 더 낮아집니다. 핵심 차이는 AI 오류가 낮은 신뢰도의 예외 항목으로 집중되어 인간 검토로 라우팅된다는 점입니다. 수동 오류는 무작위로 발생하며 다운스트림 시스템에 도달하기 전에 잡아내기 어렵습니다. 하루 500건의 BOL을 처리할 때 1%의 수동 오류율만으로도 하루 5건의 화물에서 최소 하나의 잘못된 필드가 발생합니다. 그리고 이러한 오류는 문제가 발생하기 전까지 발견되지 않습니다.
선하증권은 한 세기 동안 크게 변하지 않았습니다. 화물과 함께 이동하며, 누가 무엇을 지불하고 언제 물품이 인도되는지를 결정하는 세부 정보를 담은 종이 한 장입니다. 변한 것은 화물을 라우팅하고 세관을 통과시키며 청구서를 정산하는 시스템에 이러한 세부 정보를 입력하는 비용입니다. 수동 입력은 결코 좋은 해결책이 아니었습니다. 단지 유일한 해결책이었을 뿐입니다. 템플릿 OCR은 이를 개선했지만, 운송사 다양성이 템플릿 유지 관리 용량을 초과하는 지점에서 한계에 도달했습니다. 다음 단계는 물류 전문가가 BOL을 읽는 방식대로 읽는 의미론적 추출로, 경제적 방정식을 바꿉니다. 자신의 BOL에서 직접 사용해 보세요. 데이터 입력 병목 현상이 검토 대기열로 줄어드는지 확인해 보세요.