Gestión Documental Para Gente (Casi) Normal

Los programas de reconocimiento óptico de caracteres, abreviados habitualmente por OCR (por Optical character recognition) son un clásico del software genérico pero no todo el mundo los conoce ni los aprovecha como merecen.

Convertir un documento en papel en un fichero Word o una hoja Excel, editable, es decir, que nos permite corregir el texto y copiar frases o párrafos, es muy útil en muchos casos. En la práctica no se utilizan con la frecuencia que cabría esperar, en parte por desconocimiento, por el hecho de tener que pagar una cantidad extra por un programa más o menos exótico (para un usuario de a pie) y en buena parte porque somos poco tolerantes a los errores de las máquinas: si el resultado no es prácticamente perfecto, se desprecia la herramienta (esto mismo ocurre con los traductores automáticos, pero esa es otra historia y otro blog).

Pero, centrándonos en la gestión documental, el uso de los OCR sí que tiene un sitio muy claro en el que aprovechar sus ventajas: en el «indexado» de los documentos que se escanean (o digitalizan, que nunca sé qué palabra usar), que es otra de las 5 patas… (ya solo queda una).

Para los programadores, indexar es ordenar una base de datos utilizando un campo (o un conjunto de ellos), como ordenar una lista de clientes por el apellido. Pero para los documentalistas, indexar es añadir información alfanumérica a una imagen de un documento.

Con un ejemplo, que es el recurso de los torpes y por tanto lo uso mucho, se entiende perfectamente.

Tengo un montón de facturas de gastos que introducir en mi programa de gestión documental. El escáner me proporciona una imagen (en formato PDF por ejemplo) de cada factura. Pero necesito más información para ordenarlas y poderlas localizar luego. En esta caso, la persona que digitaliza las facturas graba cada una de ellas con el número de factura y el año, una información única para cada una de ellas. Si quiero tener más opciones de búsqueda, también introduciría el nombre del proveedor, la fecha y, por ejemplo, la cantidad total pagada.

Cada uno de estos datos me ayudará en el futuro a localizar el documento pero, y es un pero muy importante, cada dato que introduzco tiene un coste en  tiempo de proceso. Si voy a digitalizar un almacen con decenas de miles de facturas en papel, cualquier incremento en el tiempo empleado por cada factura supondrá un incremento en el tiempo, y coste, del proceso de digitalización, un coste que hay que multiplicar por 10 ó 20 ó 40 mil.

Y aquí entra, ¡por fin!, el software de reconocimiento de caracteres. Los programas más sencillos simplemente reconocen todo el texto, generando un fichero Word, Excel, PDF de texto… lo que es un gran avance porque podré «indexar» todo el contenido del fichero ampliando mis opciones de búsqueda.

Pero para la introducción de la información de una forma sistemática y estructurada, campos concretos como los comentados antes, lo ideal es disponer de un OCR ZONAL,  un programa que me permite delimitar ciertas zonas del documento (normalmente rectangulares) en las que se realizará el proceso de reconocimiento porque esperamos encontrar allí determinada información. Por ejemplo, el número y fecha de una factura, o el nombre del proveedor, o el notario de una escritura…

Obviamente la utilización de estos programas está indicada para grandes volúmenes de documentos con un formato conocido y repetido que compensa la creación de estas «zonas» con la repetición de miles de operaciones.

Para documentos variados y no muy numerosos, el OCR genérico (que suele venir incluido en los escáneres) puede ser suficiente y ya es una opción de cada documento el utilizarlo y guardarlo como texto para mejorar las búsquedas y la capacidad de editar el documento, o no usarlo y guardar simplemente la imagen, lo más habitual para documentos que solo queremos conservar como una fotocopia del original.

Eso sí, no intentéis «reconocer» un texto escrito a mano; eso es otra historia (y otro coste).