Extrakcia
- Verejné weby, pričom rešpektujeme ich podmienky a nepreťažujeme ich
- PDF, faktúry a skenované dokumenty pomocou OCR
- Excel, CSV a exporty z iného softvéru
- Oficiálne API a portály otvorených dát, ak existujú
Služba Nexura Digital
Extrakcia a čistenie dát, aby ste mohli pracovať so spoľahlivými informáciami
Zbierame dáta z verejných webov, dokumentov a tabuliek, čistíme ich a dodávame v stabilnom formáte s opakovateľným postupom.
Extrahujeme dáta z verejných webov, PDF, Excel súborov a ďalších zdrojov, normalizujeme ich, odstraňujeme duplicity a dodávame ich pripravené pre vaše CRM, obchod alebo analýzu. Je určené firmám s neprehľadnými zoznamami, katalógmi alebo záznamami, ktoré chcú prácu mať spravenú legálne a zdokumentovanú. Začať môžete 7-dňovým testom na jednom konkrétnom datasete.
Čo robíme s vašimi dátami
Čistenie a normalizácia
- Dátumy, telefónne čísla a krajiny v štandardných formátoch ako ISO 8601 alebo E.164
- Duplicity zachytené aj vtedy, keď sú napísané rozdielne
- Rozdelené polia a zjednotené jednotky
- Pochybné záznamy označené na kontrolu, nie vymazané
Načítanie a opakovanie
Dodávame v tabuľke, v súbore CSV alebo priamo do vašej databázy či CRM. Ak sa zdroj ďalej aktualizuje, necháme workflow v n8n alebo naplánovaný skript.
Legálne a poriadne: hranice, ktoré rešpektujeme
Ide o technickú pomoc, nie o právne poradenstvo: ak projekt vyvoláva právne otázky, váš advokát ho má posúdiť skôr, než začneme.
Podmienky používania a robots.txt
Čítame podmienky používania každého webu a jeho robots.txt, štandard (RFC 9309), ktorým web hovorí, čo nechce prehľadávať. Neobchádzame prihlásenia, platobné bariéry ani CAPTCHA a obmedzujeme frekvenciu požiadaviek.
Osobné údaje a GDPR
Verejné neznamená použiteľné na akýkoľvek účel: GDPR chráni aj osobné údaje, ktoré boli zverejnené. Zbierame len potrebné polia a nikdy nevytvárame zoznamy na nevyžiadané obchodné správy.
Ako práca prebieha
Päť krokov
- Určíme, na čo dáta použijete a ktoré polia potrebujete
- Preskúmame zdroje, podmienky a, ak ide o osobné údaje, ako to zapadá do GDPR
- Otestujeme extrakciu na vzorke a zmeriame jej kvalitu
- Dohodneme sa s vami na pravidlách čistenia a deduplikácie
- Spracujeme celý dataset a dodáme ho s reportom o kvalite
Projekty, ktoré sedia a ktoré nie
Dobré zhody
Katalógy dodávateľov v PDF, ktoré treba dostať do vášho obchodu, databázy zákazníkov plné duplicít pred migráciou CRM, verejné ceny na trhu, ktorý chcete sledovať, alebo otvorené dáta pre štúdiu.
Nevhodné
Zbieranie e-mailov alebo telefónnych čísel pre studené kampane, kopírovanie chráneného obsahu na jeho opätovné publikovanie alebo extrakcia z webov, ktoré to výslovne zakazujú. Nejde ani o právny posudok: to je úloha pre advokáta.
Čo obsahuje každé dodanie
Dáta a dokumentácia
- Čistý dataset v dohodnutom formáte
- Slovník dát s každým poľom, jeho pôvodom a formátom
- Report o kvalite: spracované záznamy, zlúčené duplicity a pochybné prípady
- Zdokumentovaný skript alebo workflow v n8n na opakovanie postupu
- Záznam zdrojov a dátumu každej extrakcie
Ak sa proces opakuje
Workflow beží na serveri, za ktorý platíte, v n8n Cloud alebo na vlastnom VPS, s nákladmi zahrnutými v cenovej ponuke, a zostáva na vaše meno.
7-dňový test s reálnym datasetom
Od vzorky k výsledku
Realistická možnosť je vyčistiť a deduplikovať vašu databázu zákazníkov alebo katalóg, alebo automatizovať extrakciu z jedného konkrétneho verejného zdroja. Začneme vzorkou, dohodneme pravidlá a dodáme výsledok s reportom o kvalite. Predtým, než sa dotkneme jediného záznamu, písomne sa dohodneme na rozsahu, termínoch a podmienkach.
FAQ
Často kladené otázky
Je legálne extrahovať dáta z verejného webu?
Závisí to od toho, ktoré dáta, ktorý web a na čo. Úlohu hrajú podmienky používania webu, práva k jeho obsahu a, ak ide o osobné údaje, GDPR. Používame opatrné technické kritériá a upozorníme na riziká, ktoré vidíme, no nedávame právne poradenstvo: v pochybných prípadoch rozhodnite s advokátom.
Čo sa stane, ak web zmení dizajn?
Extrakcie z webov sa rozpadnú, keď sa zmení štruktúra stránky. Preto dávame prednosť oficiálnym API alebo sťahovaniu, keď existujú, pridávame kontroly, ktoré vás upozornia, ak dáta prídu prázdne alebo v čudnom formáte, a dokumentujeme, ako proces upraviť. Ak to potrebujete, údržba sa dohodne samostatne.
Dá sa extrahovať dáta zo skenovaných PDF?
Áno, pomocou OCR, a pri zložitých dokumentoch to kombinujeme s modelmi AI, ktoré vytiahnu konkrétne polia, ako sú sumy, dátumy alebo referencie. Kvalita závisí od skenu, takže overujeme na vzorke, označujeme polia s nízkou istotou a kontrolujeme súčty, keď ich dokument obsahuje.
Ako zisťujete duplicity?
Kombinujeme presné pravidlá, napríklad rovnaké IČO alebo e-mail, s fuzzy porovnávaním mien a adries, ktoré zohľadňuje skratky, diakritiku alebo preklepy. Jasné prípady sa zlúčia automaticky a pochybné idú do zoznamu, ktorý rozhodne váš tím. Naša ukážka automatizácie požiadaviek ukazuje myšlienku: je to simulácia v prehliadači, nie reálny workflow.
Kontakt
Ktoré dáta vám dnes zaberajú najviac času?
Pošlite nám vzorku alebo opíšte zdroj a jeho použitie. Povieme vám, či je to realizovateľné, s akými obmedzeniami a ako by vyzeral 7-dňový test.