Como extrair dados de registro de empresas coreanas
para Excel para KYC de fornecedores

O Certificado de Registro de Empresa (사업자등록증) no KYC de Fornecedores: O Que É e Por Que Você Precisa dos Seus Dados

O certificado de registro de empresa coreano é o documento de identidade fundamental para qualquer entidade empresarial que opera na Coreia do Sul. Emitido pelo Serviço Nacional de Impostos (NTS, 국세청) sob o Artigo 8 da Lei do Imposto sobre Valor Agregado (부가가치세법 제8조) e o Artigo 168 da Lei do Imposto de Renda (소득세법 제168조), toda empresa — seja um empresário individual ou uma corporação multinacional — deve se registrar e obter este certificado dentro de 20 dias após o início das operações. A força legal do documento vai além da administração tributária: sob a Lei de Nomes Reais Financeiros da Coreia (금융실명법, Lei sobre Transações Financeiras com Nome Real e Confidencialidade), o 사업자등록증 serve como a principal prova de identidade empresarial para todas as transações financeiras, operações bancárias e contratos comerciais.

Em um contexto de KYC de fornecedores, o certificado informa oito coisas sobre um fornecedor em potencial:

Esses oito campos são o conjunto mínimo de dados que qualquer equipe de KYC precisa para verificar um fornecedor coreano. No entanto, na prática, eles chegam em formatos variados: uma digitalização em PDF anexada a um e-mail, uma foto de smartphone tirada de um certificado plastificado, uma cópia enviada por fax ou uma captura de tela do portal HomeTax (홈택스) do NTS. Nenhum desses formatos é estruturado para entrada em banco de dados — e é aí que começa o problema de extração.

Passo a Passo: Extrair Dados do Certificado de Registro de Empresa (사업자등록증) para o Excel

O processo de transformar um certificado de registro de empresa coreano em uma linha estruturada de planilha segue quatro etapas. O tempo de configuração é o mesmo, seja processando um certificado ou cinquenta — que é exatamente o objetivo de usar extração em vez de digitação manual.

Etapa 1: Coletar os Certificados

Reúna todos os documentos 사업자등록증 recebidos — sejam anexos de e-mail (PDF ou imagem), fotos de smartphone tiradas por funcionários de campo ou cópias digitalizadas de um portal de fornecedores. A ferramenta aceita formatos JPG, PNG, PDF e WebP, então não há necessidade de converter ou normalizar arquivos. Envie todos em um único lote. Um lote de 50 certificados de fornecedores leva aproximadamente o mesmo tempo de upload que um único — cerca de 30 a 60 segundos para a transferência dos arquivos, dependendo do tamanho.

Etapa 2: Definir Suas Colunas de Saída

É aqui que a extração semântica difere do OCR baseado em modelo. Em vez de desenhar retângulos em um modelo de documento (o que falha quando o certificado do próximo fornecedor tem um layout diferente), você simplesmente nomeia os campos que deseja que a IA encontre. Digite os nomes das colunas que correspondem à sua planilha de KYC: Business Registration Number, Business Name, Representative, Business Address, Tax Classification, Industry Code, Start Date. Os nomes das colunas que você inserir se tornam os cabeçalhos da sua tabela final. Não é necessária configuração de modelo por fornecedor — a IA lê cada certificado e localiza o campo correspondente por compreensão semântica, não por posição de coordenadas.

Essa abordagem, chamada Custom Column Extraction, significa que você define a estrutura de saída uma vez e cada certificado — independentemente de quem o emitiu, qual câmera tirou a foto ou se o certificado é uma digitalização ou uma captura de tela — é mapeado para as mesmas colunas. Um fornecedor que envia uma foto tirada em ângulo produz a mesma linha estruturada que aquele que envia um PDF limpo do portal da NTS. O certificado é um membro da família de documentos fiscais coreanos — o guia de processamento de documentos fiscais coreanos mostra como a mesma abordagem de colunas em primeiro lugar lê notas fiscais, recibos de pagamento e notas de entrega junto com ele.

Etapa 3: Extração por IA

Após o upload dos arquivos e a definição das colunas, o mecanismo de extração processa todos os certificados do lote simultaneamente. Cada documento é analisado por um modelo de linguagem visual que identifica os rótulos dos campos, lê os valores associados e os mapeia para as colunas solicitadas. O tempo de processamento é de 5 a 10 segundos por página, e o lote é concluído quando todos os arquivos são processados — geralmente em poucos minutos para volumes típicos de fornecedores.

Etapa 4: Exportar para Excel ou CSV

Os resultados são gerados em um único arquivo Excel (XLSX) ou CSV. Cada certificado vira uma linha; cada coluna definida vira uma coluna. O arquivo exportado está pronto para importação no seu banco de dados KYC, ERP (como Douzone, Ecount ou SAP) ou sistema de gestão de fornecedores. Nenhuma reformatação manual é necessária — a estrutura dos dados corresponde aos nomes das colunas definidos na Etapa 2, e o formato do arquivo é CSV ou XLSX padrão, aceito por todas as plataformas contábeis coreanas.

8 Campos Essenciais para Sua Planilha de KYC — e Como Ler o BRN

O Business Registration Number (사업자등록번호) em si codifica informações relevantes que as equipes de KYC podem usar para uma avaliação rápida do fornecedor, sem consultar um banco de dados separado. Entender a estrutura do número transforma um identificador de dez dígitos em uma ferramenta de verificação instantânea.

O formato do BRN XXX-XX-XXXXX é dividido da seguinte forma:

Com uma única olhada nos dois dígitos do meio, você consegue identificar se um fornecedor é um empresário individual, a sede de uma corporação, uma filial, uma entidade sem fins lucrativos ou uma entidade estrangeira — sem consultar nenhum banco de dados. Esse é o tipo de sinal que agiliza a triagem inicial de KYC, especialmente ao processar grandes lotes de cadastros de fornecedores, onde a maioria passa pela triagem inicial e apenas exceções precisam de escalonamento.

O conjunto completo de oito campos — BRN, nome da empresa, representante, data de início, endereço, código de atividade, classificação fiscal e motivo da emissão — fornece tudo o que você precisa para preencher um cadastro-mestre de fornecedor. A comparação entre ferramentas governamentais, ERPs domésticos e ferramentas de IA com preço em dólar mostra que as ferramentas disponíveis no mercado doméstico coreano exigem assinatura de ERP ou cobram por página; nenhum dos dois modelos de preço é otimizado para o caso de uso de KYC em lote, em que você precisa processar um volume irregular de certificados — às vezes 10 em um mês, às vezes 200 durante um ciclo de atualização de fornecedores.

Por que a Inserção Manual é o Principal Gargalo na Integração de Fornecedores Coreanos

O custo da inserção manual de dados para KYC de fornecedores não é apenas o tempo gasto digitando. É o atraso na integração, os erros que passam despercebidos e o risco de conformidade de agir com base em informações incorretas do fornecedor.

Considere uma empresa de médio porte integrando 30 novos fornecedores coreanos por trimestre. Cada 사업자등록증 contém oito campos-chave. Isso representa 240 pontos de dados por trimestre — e, na prática, cada certificado exige mais de oito campos, pois a equipe de conformidade também registra a data de envio, o revisor, o status de verificação e a data de validade do documento. A inserção manual a cerca de três minutos por certificado significa 90 minutos por lote de 30 certificados, se tudo correr bem. Na prática, leva mais tempo: o digitador precisa ampliar uma foto de smartphone para ler um número de registro borrado, redigitar o endereço de uma digitalização inclinada ou verificar se "일반과세자" significa que o fornecedor pode emitir notas fiscais de IVA (pode, mas o oficial de conformidade ainda precisa confirmar isso com a política interna).

Adicione uma taxa de erro de inserção de dados de 2–3% — um dígito lido incorretamente em um BRN de dez caracteres envia um pagamento para a entidade errada — e o custo da inserção manual se multiplica. Para uma equipe de conformidade que processa 30 certificados por trimestre, isso significa cerca de 5–7 campos inseridos incorretamente por lote. Cada erro exige um e-mail ou ligação de acompanhamento ao fornecedor, atrasando o ciclo de integração em dias ou semanas.

A extração em lote elimina esses erros na origem. A IA lê cada campo diretamente da imagem do documento e o gera como texto estruturado. O perfil de erro muda de erros de transcrição (dígito errado, nome com grafia incorreta, endereço transposto) para casos extremos de interpretação (texto apagado em uma fotocópia, um carimbo parcialmente obstruído) — que são muito menos frequentes e muito mais fáceis de identificar durante a revisão.

Cómo la extracción semántica maneja los certificados coreanos

Los certificados de registro comercial coreanos presentan tres desafíos que las herramientas OCR tradicionales manejan mal y que la extracción semántica resuelve directamente.

Desafío 1: Interferencia de sellos. El 사업자등록증 lleva múltiples sellos oficiales (직인) de la oficina de impuestos emisora. Estos sellos a menudo se superponen con los campos de texto impresos — el sello del jefe de la oficina de impuestos puede cubrir parcialmente la fecha de emisión o la clasificación fiscal. El OCR tradicional lee la tinta sobre el texto como ruido y genera caracteres confusos. Un modelo de lenguaje visual lee el documento de manera holística: comprende que una superposición roja circular es un sello, lo ignora para el propósito del reconocimiento de texto y lee los caracteres subyacentes correctamente. Esta distinción importa porque los sellos están presentes en casi todos los 사업자등록증 — son una característica del documento, no una anomalía.

Desafío 2: Coreano mixto, caracteres chinos e inglés. Los certificados coreanos usan Hangul (한글) para la mayoría de las etiquetas y valores de los campos, hanja (한자, caracteres chinos) en nombres comerciales y direcciones, e inglés en algunos certificados orientados a la exportación. Una herramienta optimizada para un sistema de escritura se degrada en los demás. El modelo visual utilizado en la extracción semántica procesa los tres simultáneamente dentro de la misma página del documento — no cambia entre motores OCR para diferentes escrituras. Un proveedor cuyo nombre comercial contiene hanja (por ejemplo, 株式会社 en una empresa comercial antigua) se lee correctamente junto con los campos codificados en Hangul.

Desafio 3: Variação de ângulo, iluminação e formato. Os 사업자등록증 do mundo real chegam em todos os formatos: digitalização plana, foto de mesa tirada com telefone do escritório, fax de fax, captura de tela do portal HomeTax. O OCR baseado em modelo exige que o documento seja posicionado dentro de uma zona predefinida. Uma foto tirada em um ângulo de 20 graus desloca cada campo para fora da caixa delimitadora esperada. A extração semântica não depende da posição do campo — ela encontra o valor lendo o rótulo ao lado dele, independentemente de onde esse rótulo esteja na página. Essa independência de formato é o que torna o processamento em lote viável sem uma etapa de configuração por fornecedor.

Perguntas frequentes

Posso extrair dados de um Certificado de Registro de Empresa que tenha apenas coreano, sem inglês?

Sim. A IA lê Hangul com a mesma naturalidade com que lê inglês ou hanja — não é um mecanismo de OCR separado com coreano como complemento. Os nomes das colunas no seu modelo de extração podem estar em inglês (por exemplo, "Business Name"), e a IA localizará o rótulo de campo coreano correspondente ("상호") e extrairá seu valor. A planilha de saída conterá os valores de texto coreano extraídos sob seus cabeçalhos de coluna em inglês. Para certificados bilíngues que incluem texto em coreano e inglês no mesmo documento, a IA lê o idioma usado no rótulo do campo.

E se o certificado do fornecedor for uma foto tirada em ângulo ou com pouca iluminação?

A extração semântica lida melhor com fotos em ângulo e iluminação irregular do que o OCR tradicional, porque não depende de posicionamento frontal. O modelo de visão interpreta o documento como um humano faria — identifica os rótulos e valores dos campos pelo conteúdo e disposição relativa, não esperando coordenadas fixas. Fotos borradas ou de resolução extremamente baixa podem reduzir a precisão, mas a situação mais comum (foto de mesa tirada com smartphone em iluminação padrão de escritório) produz extração confiável.

A ferramenta de extração valida se o BRN é um registro real e ativo?

Não — a ferramenta extrai o BRN conforme impresso no certificado, mas não consulta o banco de dados da NTS para confirmar se o número está atualmente ativo ou se a empresa não foi encerrada desde então. O BRN extraído pode ser verificado no portal HomeTax da NTS (www.hometax.go.kr) ou através da API do Portal de Dados Públicos da Coreia (data.go.kr) para validação. A etapa de extração produz os dados estruturados; uma etapa separada de verificação confirma sua validade atual. Essa separação entre extração e verificação é prática padrão em fluxos de trabalho KYC, onde os dados extraídos são a entrada, não a saída, do processo de verificação.

O que acontece se um campo estiver ausente no certificado?

Se um campo específico não aparecer no documento (por exemplo, um certificado reemitido pode não exibir a data original de início das atividades), a célula correspondente na coluna ficará vazia. A extração não inventa valores — ela apenas gera o que encontra na página. Esse comportamento é consistente em todos os documentos do lote, facilitando a identificação de campos ausentes na planilha exportada e o acompanhamento com o fornecedor específico.

Posso processar em lote certificados de profissionais autônomos individuais e grandes corporações juntos?

Sim. O formato do 사업자등록증 é padronizado pela NTS — a mesma estrutura de documento se aplica a um freelancer solo e a uma subsidiária da Samsung. Ambos geram um BRN, um nome empresarial, um nome de representante, um endereço e uma classificação fiscal. A única diferença é o código de tipo de entidade nos dois dígitos centrais do BRN (01–79 para profissionais autônomos, 81/86–88 para corporações), que a IA extrai como parte do campo BRN. Um único lote com tipos de entidade mistos é processado em uma única passagem.

Como isso se compara ao uso do Naver Clova OCR para a mesma tarefa?

O Naver Clova OCR lê texto coreano com alta precisão (97–99%) e custa aproximadamente ₩50 por página. A diferença crítica é o que acontece após o reconhecimento de texto: o Clova OCR retorna strings de texto bruto com dados de posição, mas não entende qual string é o nome empresarial versus o nome do representante versus o endereço. Para extrair campos estruturados, você precisaria escrever lógica de parsing personalizada por layout de certificado ou configurar um modelo por formato de documento — o que anula o propósito do processamento em lote quando cada certificado de fornecedor pode ter diferenças sutis de layout. A extração semântica por IA retorna dados já estruturados mapeados para seus nomes de coluna, sem necessidade de parsing pós-extração. A comparação de custo por página depende do volume — a análise de preços de extração de documentos coreanos detalha os pontos de equilíbrio entre ferramentas de API por página e extração com taxa fixa em diferentes volumes mensais.

Quais colunas devo incluir se ainda não sei de quais dados preciso?

Comece com os oito campos padrão listados neste artigo: BRN, nome da empresa, nome do representante, data de início, endereço comercial, código do setor, classificação fiscal e motivo da emissão. Eles cobrem os requisitos mínimos para o KYC de fornecedores sob as regulamentações de LBC/CFT da Coreia. Se sua estrutura de conformidade exigir mais detalhes — como informações de co-representante ou uma sub-classificação específica do tipo de negócio — você pode adicionar essas colunas ao modelo de extração e a IA as procurará no documento. A definição da coluna não é fixa; você pode ajustá-la entre lotes conforme seus requisitos de KYC evoluem.