GUÍAS / GESTIÓN DOCUMENTAL

Cómo clasificar facturas y albaranes escaneados con OCR local

Digitalizar un documento no termina cuando el texto se reconoce. Para poder archivarlo y encontrarlo después, también hay que identificar quién lo emite, qué tipo de documento es, cuál es su número y dónde debe guardarse.

OCR y clasificación documental no son lo mismo

El reconocimiento óptico de caracteres (OCR) convierte el contenido de una imagen o un PDF escaneado en texto que puede procesarse. Ese texto es la materia prima, pero un archivo de trabajo necesita algo más que una transcripción: hay que distinguir los datos relevantes y convertirlos en una decisión de archivo.

En una factura, por ejemplo, interesa reconocer el emisor, el número y el tipo de documento. En un albarán o una entrada también puede haber varios NIF, etiquetas distintas para el mismo dato y números con formatos que cambian entre proveedores. Por eso, un flujo de clasificación debe combinar OCR con reglas de identificación y una forma segura de revisar los casos dudosos.

Un flujo práctico para ordenar documentos escaneados

  1. Define cómo quieres archivar.

    Decide qué datos deben aparecer en el nombre del archivo y cómo se organizan las carpetas. Una convención sencilla puede combinar emisor, número y tipo de documento. Lo importante es que se mantenga estable y que permita localizar después una factura o un albarán sin abrir cada PDF.

  2. Lee el documento y corrige el escaneo.

    El OCR debe trabajar con documentos que pueden llegar girados, inclinados o con una calidad desigual. ClasiFile utiliza Tesseract como motor principal y PaddleOCR como segunda lectura cuando hay dudas; también corrige inclinación y orientación.

  3. Identifica emisor, número y tipo.

    No basta con buscar una cadena de números. Hay que distinguir el NIF del proveedor del NIF de la empresa destinataria, reconocer etiquetas como «Nº albarán» y entender las variantes que utiliza cada emisor. ClasiFile permite enseñar esos datos en un documento de ejemplo y guarda patrones por emisor y tipo.

  4. Revisa antes de automatizar.

    Al principio, el sistema debe proponer los datos y pedir confirmación. En ClasiFile, el procesamiento automático por emisor se activa cuando alcanza el umbral configurado: de forma predeterminada, 15 documentos confirmados y al menos un 95 % de aciertos en los casos en que estaba seguro. Los documentos dudosos siguen pidiendo revisión.

  5. Procesa la carpeta de entrada.

    Una carpeta vigilada permite que los nuevos PDF se procesen cuando llegan del escáner. Los documentos que no se pueden clasificar con seguridad se apartan como incidencias, en lugar de tratarlos como si fueran correctos.

  6. Comprueba que luego puedes encontrarlo.

    El archivo final debe tener un nombre coherente y quedar en la carpeta elegida. Una búsqueda por texto, proveedor o número ayuda a recuperar documentos cuando ya no recuerdas dónde se guardaron.

¿Por qué elegir OCR local?

Las facturas, albaranes y pedidos pueden contener datos comerciales y fiscales. Con un flujo local, el reconocimiento, las plantillas aprendidas y los datos del proceso permanecen en el ordenador donde se ejecuta la aplicación. Esto permite trabajar sin depender de enviar cada documento a un servicio externo y mantener el proceso disponible incluso sin conexión.

La decisión entre procesamiento local y un servicio en la nube depende del entorno, las obligaciones de la empresa y las integraciones que necesite. Lo importante es saber dónde se procesan los documentos, qué datos salen del equipo y cómo se gestionan los errores antes de activar cualquier automatización.

Qué debe ofrecer una herramienta de clasificación

  • Reconocer texto y corregir errores habituales de orientación o inclinación.
  • Distinguir emisor, número y tipo, sin confundir datos parecidos.
  • Permitir que una persona enseñe y corrija los primeros documentos.
  • Conservar una vía de revisión para los documentos dudosos.
  • Aplicar nombres y carpetas coherentes, sin sobrescribir archivos existentes.
  • Permitir buscar los documentos una vez archivados.

Una automatización útil no es la que procesa todo sin preguntar, sino la que automatiza los casos que reconoce con confianza y deja visibles los que necesitan atención.

Icono de ClasiFile

PRODUCTO DE TOSYLABS

ClasiFile aplica este flujo en tu equipo.

ClasiFile lee facturas, albaranes, pedidos, DUAs y entradas escaneadas en Windows y Ubuntu. El OCR y el aprendizaje por emisor se realizan localmente.

Conocer ClasiFile ↗