Extrakce
- Veřejné weby s respektováním jejich podmínek a bez přetěžování
- PDF, faktury a naskenované dokumenty pomocí OCR
- Excel, CSV a exporty z jiného softwaru
- Oficiální API a portály s otevřenými daty, pokud existují
Služba Nexura Digital
Extrakce a čištění dat, abyste mohli pracovat se spolehlivými informacemi
Získáváme data z veřejných webů, dokumentů a tabulek, čistíme je a dodáváme ve stabilním formátu, s opakovatelným postupem.
Extrahujeme data z veřejných webů, PDF, souborů Excel a dalších zdrojů, normalizujeme je, odstraňujeme duplicity a doručíme připravená pro vaše CRM, obchod nebo analýzu. Je to pro firmy se zanedbanými seznamy, katalogy nebo záznamy, které chtějí práci udělanou legálně a zdokumentovanou. Začít můžete 7denní zkouškou na jednom konkrétním datovém souboru.
Co děláme s vašimi daty
Čištění a normalizace
- Data, telefonní čísla a země ve standardních formátech jako ISO 8601 nebo E.164
- Duplicity odhalené i tehdy, když jsou zapsané různě
- Rozdělená pole a sjednocené jednotky
- Pochybné záznamy označené ke kontrole, nemazané
Načítání a opakování
Doručujeme v tabulce, souboru CSV nebo přímo do vaší databáze či CRM. Pokud se zdroj dál aktualizuje, necháme workflow n8n nebo naplánovaný skript.
Legálně a v pořádku: hranice, které respektujeme
Jde o technickou pomoc, ne o právní poradenství: pokud projekt vyvolá právní otázky, měl by je váš advokát posoudit dřív, než začneme.
Podmínky použití a robots.txt
Čteme podmínky použití každého webu a jeho robots.txt, standard (RFC 9309), kterým web říká, co nechce procházet. Neobcházíme přihlášení, placené zdi ani CAPTCHA a omezujeme frekvenci požadavků.
Osobní údaje a GDPR
Veřejně dostupné neznamená použitelné pro jakýkoli účel: GDPR chrání i osobní údaje, které byly zveřejněny. Sbíráme jen potřebná pole a nikdy nesestavujeme seznamy pro nevyžádané obchodní zprávy.
Jak práce probíhá
Pět kroků
- Určíme, k čemu data použijete a jaká pole potřebujete
- Zkontrolujeme zdroje, podmínky a, pokud jde o osobní údaje, jak to odpovídá GDPR
- Otestujeme extrakci na vzorku a změříme její kvalitu
- Dohodneme s vámi pravidla čištění a deduplikace
- Zpracujeme celý soubor a doručíme ho se zprávou o kvalitě
Projekty, které se hodí, a projekty, které ne
Dobré případy
Katalogy dodavatelů v PDF, které mají jít do vašeho obchodu, databáze zákazníků plná duplicit před migrací CRM, veřejné ceny na trhu, který chcete sledovat, nebo otevřená data pro studii.
Nevhodné
Sběr e-mailů nebo telefonních čísel pro studené kampaně, kopírování chráněného obsahu k dalšímu publikování nebo extrakce z webů, které to výslovně zakazují. Ani pokud potřebujete právní stanovisko: to je práce pro advokáta.
Co obsahuje každé doručení
Data a dokumentace
- Čistý soubor dat v dohodnutém formátu
- Datový slovník s každým polem, jeho původem a formátem
- Zpráva o kvalitě: zpracované záznamy, sloučené duplicity a pochybné případy
- Zdokumentovaný skript nebo workflow n8n pro opakování procesu
- Záznam zdrojů a data každé extrakce
Pokud se proces opakuje
Workflow běží na serveru, který platíte, n8n Cloud nebo vlastním VPS, jehož náklady jsou zahrnuty v nabídce, a zůstává na jméno vaší firmy.
7denní zkouška se skutečným datovým souborem
Od vzorku k výsledku
Reálnou možností je vyčištění a deduplikace vaší databáze zákazníků nebo katalogu, nebo automatizace extrakce z jednoho konkrétního veřejného zdroje. Začneme od vzorku, dohodneme pravidla a doručíme výsledek se zprávou o kvalitě. Dříve než se dotkneme jediného záznamu, písemně se dohodneme na rozsahu, termínech a podmínkách.
FAQ
Často kladené otázky
Je legální extrahovat data z veřejného webu?
Záleží na tom, jaká data, který web a k čemu. Hrají roli podmínky použití webu, práva k jeho obsahu a, pokud jde o osobní údaje, GDPR. Používáme opatrná technická kritéria a upozorníme na rizika, která vidíme, ale neposkytujeme právní poradenství: v pochybnostech rozhodněte se svým advokátem.
Co se stane, když web změní design?
Extrakce z webů se rozbijí, když se změní struktura stránky. Proto dáváme přednost oficiálním API nebo stahování, pokud existují, přidáváme kontroly, které vás upozorní, pokud data dorazí prázdná nebo v divných formátech, a dokumentujeme, jak proces upravit. Pokud to potřebujete, údržba se dohodne zvlášť.
Dokážete extrahovat data z naskenovaných PDF?
Ano, pomocí OCR, a u složitých dokumentů to kombinujeme s modely AI, které vytáhnou konkrétní pole, jako jsou částky, data nebo reference. Kvalita závisí na skenu, takže ověřujeme na vzorku, označujeme pole s nízkou jistotou a kontrolujeme součty, pokud je dokument obsahuje.
Jak odhalujete duplicity?
Kombinujeme přesná pravidla, například stejné daňové ID nebo e-mail, s fuzzy porovnáním jmen a adres, které počítá se zkratkami, diakritikou a překlepy. Jasné případy se sloučí automaticky a pochybné jdou na seznam, o kterém rozhodne váš tým. Naše demo automatizace žádostí ukazuje tuto myšlenku: je to simulace v prohlížeči, ne skutečný workflow.
Kontakt
Která data vám dnes zabírají nejvíc času?
Pošlete nám vzorek nebo popište zdroj a jeho použití. Řekneme vám, zda je to proveditelné, s jakými omezeními a jak by vypadala 7denní zkouška.