Рекламный отчёт пришёл в PDF: таблица выглядит нормально, но копирование не работает. После OCR получился аккуратный текст, который можно отдать ИИ для сводки. Перед этим проверьте распознанные числа — потерянный минус или перепутанная цифра изменят расход, CPL и решение по бюджету.
Задача проверки — связать каждое важное значение с конкретной страницей и строкой исходного PDF, затем сверить структуру, формат и контрольные суммы. Только после этого распознанный слой подходит для анализа.
Сначала определите тип PDF
PDF может содержать готовый текстовый слой или только изображения страниц. В первом случае текст извлекают без OCR. Во втором распознают изображение.
Конвертер PDF в TXT WiseLab позволяет выбрать один из этих режимов. Файл обрабатывается на устройстве; результат нужно скачать до закрытия страницы. Инструмент отдельно предупреждает, что TXT не сохраняет оформление и структуру таблицы, а в многоколоночном документе порядок строк может измениться.
Перед обработкой сохраните:
- исходный PDF без переименования страниц и правок;
- число страниц, период отчёта и валюту;
- имя файла и время получения;
- список итогов, по которым отчёт можно сверить: расход, показы, клики, лиды, возвраты и корректировки.
Если текст выделяется и копируется корректно, начните с готового слоя. OCR оставьте для сканов и страниц, где текстового слоя нет или он повреждён. Повторное распознавание хорошего текста добавляет ещё одно преобразование без пользы.
Какие ошибки искать в первую очередь
OCR превращает изображение в машинный текст. Для обычных абзацев небольшая опечатка может остаться редакторской проблемой. В рекламном отчёте один символ меняет вычисление.
| Что проверять | Типичная ошибка | Что изменится |
|---|---|---|
| Минус и скобки | −25,00 стало 25,00 | возврат превратится в расход |
| Цифры | 18 стало 13, 0 стало 8 | число лидов, кликов или показов |
| Разделитель | 1 248,60 стало 124860 | сумма увеличится в сто раз |
| Валюта и единица | BYN потерялась, проценты стали числами | смешаются несопоставимые поля |
| Строка и колонка | значение перешло к соседней кампании | общий итог может совпасть, распределение — нет |
| Заголовок страницы | пропала дата или период | строки попадут не в тот отчётный интервал |
Документация Tesseract отдельно указывает, что результат зависит от качества изображения, ориентации и способа сегментации страницы; таблицы требуют дополнительного анализа макета. Поэтому визуально ровный текст ещё не подтверждает правильную структуру.
Соберите проверяемый промежуточный слой
Не отправляйте в ИИ один длинный TXT. Сначала разложите важные строки в таблицу:
| Поле | Пример |
|---|---|
page | 3 |
row_id | p03-r04 |
label_raw | Каталог |
value_raw | 478,00 |
value_normalized | 478.00 |
unit | BYN |
source_fragment | снимок или точная строка страницы |
check_status | verified / mismatch / pending |
value_raw хранит результат распознавания без исправлений. Нормализованное значение создают отдельным шагом: убирают неразрывные пробелы, приводят десятичный разделитель к выбранному формату и сохраняют знак. Так можно восстановить причину расхождения, а не только увидеть исправленную цифру.
Для каждой страницы полезно назначить собственные row_id. Если порядок текста после OCR изменится, ключи покажут пропуск, дубль или перестановку. Этот же принцип используется при проверке AI-сводки рекламного отчёта, но здесь контроль начинается на шаг раньше — между PDF и таблицей.
Учебный пример: два символа меняют CPL
На третьей странице условного отчёта указаны три кампании и корректировка:
| Строка в PDF | Расход, BYN | Лиды |
|---|---|---|
| Поиск | 1 248,60 | 18 |
| Ремаркетинг | 920,40 | 12 |
| Каталог | 478,00 | 5 |
| Корректировка | −25,00 | — |
| Итого | 2 622,00 | 35 |
Правильный CPL равен 2 622,00 ÷ 35 = 74,91 BYN.
В распознанном слое минус перед 25,00 пропал, а 18 лидов превратились в 13. Ошибочная сумма стала 2 672,00 BYN, лидов осталось 30, CPL вырос до 89,07 BYN.
Учебные числа показывают метод проверки и не описывают реальную кампанию.
Контрольная сумма нашла ошибку знака. Отдельная сверка лидов обнаружила замену цифры. Если проверить только общий расход, ошибка в количестве конверсий останется и исказит CPL.
Проверьте документ на четырёх уровнях
1. Структура
Сверьте число страниц, разделов и строк. Проверьте первые и последние строки каждой страницы, переносы таблицы и повторяющиеся шапки. Отдельно отметьте страницы, где несколько таблиц или колонок.
2. Критичные поля
Проверьте каждую дату, валюту, итог, корректировку, скидку, возврат и отрицательное значение. Для рекламной аналитики также нужны показы, клики, расходы, конверсии и переданная ценность. Если OCR-система возвращает confidence, используйте его для очереди проверки, но не как доказательство правильности.
3. Контрольные суммы
Сложите аддитивные показатели по странице и по документу. Сравните результат с напечатанными итогами. Проверяйте несколько независимых сумм: совпавший расход способен скрыть потерянную строку, если другая строка продублировалась на ту же сумму.
4. Производные метрики
CTR, CPC, CPL и ROAS пересчитывайте из проверенных исходных полей. Не переносите готовый процент из OCR как окончательный результат. Например, CPL нужно заново получить из расхода и числа лидов после сверки обеих величин.
Что передать ИИ
Вместе с очищенной таблицей передайте правила обработки:
- Использовать только строки со статусом
verified. - Не угадывать значения для
pendingиmismatch. - Вернуть список использованных
row_id. - Рассчитать относительные метрики из итоговых числителей и знаменателей.
- Вынести исключённые строки и допущения в отдельный блок.
Если в документе есть клиентские контакты, платёжные реквизиты или коммерческие условия, сначала определите допустимый маршрут данных. Локальное извлечение текста не означает, что результат можно загружать во внешний сервис без проверки доступа и правил хранения.
Критерий готовности
Распознанный отчёт готов к анализу, когда все страницы учтены, важные строки связаны с источником, критичные значения проверены, контрольные суммы совпали, а производные метрики пересчитаны. Ошибочные и сомнительные строки остаются в журнале исключений.
Следующий шаг — передать ИИ только проверенную таблицу и провести оценку ответа по фактам, вычислениям и выводу. Так причина ошибки остаётся видна на каждом участке: PDF, OCR, таблица и итоговая рекомендация.
Источники
Материал подготовлен редакцией WiseLab с помощью AI. Источники и фактические утверждения проверены при подготовке.
Что думаете?
Загружаем комментарии…