Portfolio Case Study: 4,6 tūkst. dokumentų klasifikavimas ir procesų automatizavimas

1. Verslo problema (The Challenge)

Įmonės skaitmeniniame archyve buvo sukaupta 4 628 neklasifikuoti dokumentai. Pagrindinis iššūkis – sąskaitos faktūros, sutartys ir operaciniai dokumentai (važtaraščiai, aktai) buvo saugomi bendrame masyve, naudojant neinformatyvią failų pavadinimų struktūrą (pvz., ID000xx.pdf).

• Užduotis: Identifikuoti visas PVM sąskaitas faktūras ir jas susisteminti pagal chronologiją.

• Rankinio darbo prognozė: ~50–60 darbo valandų.

2. Sprendimas (The Solution)

Sukurta personalizuota duomenų apdorojimo grandinė, apjungianti Python programavimą ir dirbtinio intelekto (OCR) įrankius. Procesas vykdytas iteracijomis:

• I etapas: Turinio skenavimas (OCR). Naudojant pytesseract, nuskaitytas dokumentų tekstas rekvizitų atpažinimui.

• II etapas: Kontekstinis filtravimas. Pritaikyta specifinė logika dokumentų serijų (pvz., _IMO) identifikavimui, kas leido „atstatyti“ sąskaitas, kurių kokybė buvo per prasta standartiniam tekstų nuskaitymui.

• III etapas: Chronologinis grupavimas. Automatiškai ištrauktos dokumentų datos ir sukurta dinaminė aplankų struktūra (Metai-Mėnuo).

• IV etapas: Duomenų vientisumo patikra (Reconciliation). Atliktas galutinis sutikrinimas su pirminiu registru, užtikrinant 100 % duomenų saugumą.

3. Rezultatai (The Impact)

• Realus vykdymo laikas: 5 valandos 33 minutės (vietoj prognozuotų 50+ valandų).

• Grynumas: Išgryninta ir surūšiuota 3 181 finansinė sąskaita faktūra.

• Tikslumas: Identifikuotas ir saugiai archyvuotas 1 443 lydinčiųjų dokumentų srautas.

• Sutaupytas laikas: Procesas pagreitintas ~10 kartų.

4. Technologinis arsenalas (Tech Stack)

• Python: pandas, pytesseract, PyMuPDF.

• Metodika: Data Integrity Validation, Regex patterns, OCR processing.