비정형 PDF 리포트 데이터 추출

증권사 리서치, 협회 산업 보고서, 시장조사 기관의 PDF는 매일 쌓이고, 이 중 50장 분량에서 핵심 수치만 표로 정리해 달라는 요청이 자주 들어옵니다. 본문은 정리되어 있어도 그 안의 표와 수치를 사내 분석에 쓰려면 담당자가 한 줄씩 다시 옮겨 적어야 합니다.

비정형 PDF 리포트 데이터 추출은 PDF 안의 표와 수치, 각주, 출처를 LLM과 OCR로 읽어 사내 분석에 바로 쓸 수 있는 표 형식 데이터로 정리하는 시스템입니다. 수작업 입력을 자동화하며, 값마다 출처와 페이지 번호를 함께 기록해 사후 검증이 쉬워집니다.

이 가이드는 리서치, 전략, 기획 부서의 PDF 업무 변화, 구축에 필요한 도구 조합, 도입 시 주의할 점을 도입 판단에 필요한 범위에서 정리했습니다.

주요 요청 예시

사내 메신저로 들어오는 대표적인 요청은 다음과 같습니다.

"이번 분기에 받은 증권사 리포트 50개에서 매출과 영업이익 컨센서스만 표로 정리해 주세요."

이 요청은 5분에서 30분 사이에 표로 정리됩니다. 수작업으로는 며칠이 걸리던 작업입니다. 요청 형태는 경우마다 다릅니다.

"협회 산업 보고서 30장에서 시장 규모, 성장률, 주요 플레이어만 정리해 주세요."

"경쟁사 IR 자료 10년 치에서 R&D 비용 추이만 한 시트에 모아 주세요."

정부 통계 PDF에서 2020~2025년 산업별 고용 인원을 추출하는 요청이나, 보고서의 핵심 표를 출처 페이지 번호와 함께 정리하는 요청도 같은 방식으로 처리합니다. 사용자는 대상 PDF 묶음과 원하는 표 형태만 지정하면 됩니다.

전체 구조

이 시스템은 추출 단계와 검증 단계를 분리하고, 두 단계 사이를 사내 스키마로 연결합니다. 검증 단계가 없으면 추출 결과를 신뢰하기 어렵습니다. 아래 그림에서 남색 상자는 LLM이 처리하는 단계, 회색 상자는 사내 자산입니다.

단계별 처리 과정

PDF 한 묶음이 들어오면 시스템은 먼저 페이지를 나누고, 각 페이지가 표 중심인지 본문 중심인지를 LLM이 판별합니다. 표 페이지에는 표 전용 추출 전략을, 본문 페이지에는 요약과 핵심 수치 추출 전략을 적용합니다.

추출 방식은 PDF 종류에 따라 달라집니다. 디지털 PDF는 직접 파싱하고, 스캔 PDF는 OCR을 거칩니다. 한국어 표와 각주, 병합 셀이 많은 문서라면 Naver CLOVA OCR이나 Upstage Document AI 같은 한국어 특화 도구를 먼저 검토합니다.

다음은 스키마 매핑입니다. 추출한 원본 표를 사내 표준 컬럼명과 단위로 변환하는 단계로, 같은 "매출액(백만원)"을 "revenue_krw_mil"과 "sales_m"처럼 다르게 부르는 경우 이 단계에서 하나로 통일합니다.

마지막은 검증 게이트입니다. 추출한 모든 행에 출처 PDF, 페이지 번호, 원문 좌표를 함께 기록합니다. 의심스러운 값은 보류함으로 분류하며, 담당자가 클릭 한 번으로 원문 페이지를 열어 확인합니다. 4단계 중 하나라도 빠지면 결과의 정확도가 떨어지기 쉽습니다.

PDF 형태별 도구 선택

도구 조합은 PDF의 형태와 보안 수준을 먼저 확인하고 정합니다. 디지털 PDF만 다룬다면 Claude Sonnet 4.6에 pdfplumber를 연결하는 옵션 A가 가장 배우기 쉽습니다. 한국어 스캔본과 표가 많은 환경에는 Upstage와 Sonnet을 결합한 옵션 B가 적합합니다.

이 단계에서는 데이터를 외부 모델에 보내야 하는지에 대한 질문이 자주 나옵니다. 디지털 PDF는 추출 단계에서 일부 페이지를 LLM에 전달하는 구조가 일반적입니다. 외부 반출이 금지된 금융이나 공공 환경에서는 Haiku 4.5와 사내 OCR로 추론까지 사내에서 처리하는 옵션 C를 적용합니다. 비용은 늘어나지만 외부 반출 없이 추출 정확도를 낼 수 있는 구성입니다.

도입 효과

PDF 50개를 표로 옮겨 적는 데 평균 3~5일 걸리던 작업이 자동 추출 후 검수 30분 수준으로 줄어듭니다. 작업 시간 단축과 함께 도입한 조직이 먼저 체감하는 변화는 다음과 같습니다.

수치의 출처 확인

모든 행에 출처 PDF와 페이지 번호가 붙어 있어 각 수치의 출처를 클릭 한 번으로 확인할 수 있습니다.

데이터 정합성도 높아집니다. 담당자마다 컬럼명과 단위가 달라 합치기 어렵던 시트를 사내 스키마로 통일해 바로 합칠 수 있습니다. 옮겨 적는 데 쓰던 업무 시간의 50%는 검수와 해석, 새로운 분석에 쓸 수 있습니다.

도입 시 주의 사항

도입 초기에 가장 먼저 겪는 문제는 다음과 같습니다.

한국어 표 인식 오류

영문 위주로 학습된 추출 도구는 한국어 병합 셀과 세로쓰기 헤더를 놓치기 쉽습니다. 대부분 한국어 특화 OCR과 LLM을 조합해 해결할 수 있습니다.

두 번째는 환각입니다. LLM이 PDF에 없는 수치를 만들어 내는 오류는 결과의 신뢰도를 가장 크게 떨어뜨립니다. 원문 좌표가 확인되지 않는 값은 추출하지 않는다는 룰을 시스템에 적용합니다.

세 번째는 단위와 통화입니다. "백만원", "억원", "USD mn"이 같은 표 안에 섞이면 합계가 무의미해집니다. 스키마 매핑 단계에서 단위를 한 가지로 강제 변환하는 룰이 필요합니다.

마지막은 라이선스입니다. 외부 리포트 PDF를 LLM에 보내거나 사내 시트에 보관하는 것이 이용 약관에 위배되지 않는지 도입 전에 확인해야 합니다.

성과 지표

성과는 4가지 지표로 측정합니다. 사람의 검수 없이 분석 시트까지 도착하는 행의 비율인 자동 통과율이 도입 6개월 후 75%를 넘으면 안정 단계로 봅니다. 검수에서 발견되는 잘못된 값의 비율인 오추출 비율은 5% 이하로 관리할 것을 권장합니다.

속도와 신뢰도 지표도 함께 봅니다. PDF 50개 한 묶음을 분석 시트로 만드는 시간은 도입 전 대비 90% 이상 줄이는 것이 일반적인 목표입니다. 추출한 값 중 출처 PDF와 페이지가 기록된 비율인 출처 추적 가능률은 처음부터 100%를 기준으로 하며, 이 기준은 낮추지 않습니다.

도입 일정은 증권사 리서치처럼 한 종류의 보고서만 다루는 파일럿이 3주, 사내 스키마 매핑과 검증 룰까지 포함하면 8~10주가 일반적입니다. 보고서 종류가 하나 늘어날 때마다 2~3주를 추가합니다.

도입 시작 방법

이 가이드의 내용으로 사내에서 직접 시작할 수 있습니다. 가장 단순한 구성은 자주 받는 보고서 한 종류를 선택해 디지털 PDF에서 표 하나를 추출하고, 사내 스키마로 변환해 분석 시트로 보내는 것입니다. 한 페이지 분량의 표 하나로 시작해도 됩니다. 단일 표와 단일 보고서로 정확도와 검증 룰을 확인한 뒤 묶음 단위로 확대하면 오류를 줄일 수 있습니다. 출처 페이지 첨부와 보류함을 갖추면 첫 파일럿부터 작업 시간이 단축됩니다.