紙・ PDFカタログの 商品データ化は、 OCRで 文字を 取り出し、 LLMで 商品名・ 型番・ 価格などの 項目に 振り分けて、 Excelや 商品マスタに 取り込める 形に する 方法が 中心です。 進め方は、 出力する 項目を 決めたうえで、 1シリーズで 精度を 確かめ (PoC)、 カタログ全体に 広げ、 更新のたびに 同じ仕組みで 再処理する 流れです。 費用は 点数・ レイアウトの 種類・ 項目数で 決まり、 1回きりなら 手入力、 毎シーズン更新が あるなら 仕組み化が 向いています。
長年紙の カタログや 注文書で 取引してきた 会社では、 システムで 扱える 商品データを 持っていないことが よく あります。 商品名・ 型番・ 価格・ 規格・ 産地といった 情報は、 印刷された カタログや PDFの中には 確かに 存在しています。 ところが それは 人が 目で 読んで 初めて 意味が 分かる 形で、 Excelや DB (データベース)のように システムが 直接 扱える 形には なっていません。
この状態で 「ECサイトを 立ち上げたい」 「取引先向けの Web発注画面を 作りたい」 「AIチャットボットに 商品案内を させたい」といった 話が 持ち上がると、 決まって 最初の 壁に なるのが 商品データの 整備です。 カタログが 1シリーズ数十点程度なら まだしも、 数百〜 数千点規模に なると、 担当者が 手作業で 入力し直すと 数週間〜 数か月 かかることも あります。 しかも、 カタログは 季節ごと・ 年度ごとに 更新されるため、 一度 作って終わりにも できません。
OCR・ LLM・ PoCといった 用語の 意味は、 それぞれの 工程を 扱う 箇所で ()に 補っています。
Contents 目次
なぜ 「紙・ PDFカタログ」は そのままでは AIや システムに 使えないのか 着手前に 決める 「出力する項目」の 設計 カタログPDFを 商品データ化する 4つの フェーズ 陥りやすい 失敗パターン3つ 精度は どこまで 出るのか| 目視確認を 前提に 設計する 費用の 目安 紙カタログを、 更新のたびに 人力で 打ち直さなくて いい 状態へ なぜ 「紙・ PDFカタログ」は そのままでは AIや システムに 使えないのか 紙や PDFの カタログには、 2つの 壁が あります。 壁の 1つ 目は、 文字自体が 「データ」に なっていないことです。 スキャンした 紙カタログや、 デザイン重視で 作られた PDFカタログの 多くは、 画像として 文字が 埋め込まれているだけで、 コンピュータが 文字として 読み取れない 状態に なっていることが あります。 この場合、 最初に OCR (Optical Character Recognition= 画像の中の 文字を 読み取り、 テキストデータに 変換する 技術)で 文字情報を 取り出す 工程が 必要です。
壁の 2つ 目は、 文字は 読み取れても 「意味の構造」が バラバラなことです。 仮に 文字自体は テキストとして 取得できても、 「この数字は 価格なのか、 型番なのか、 内容量なのか」を システムは 自動では 判断できません。 カタログの レイアウトは 商品ごと・ ページごとに 微妙に 異なり、 表組みの 崩れ、 改行位置の 違い、 略称や 社内用語の 混在などが あるため、 単純な ルールベースの 処理 (決まった 位置・ 決まった 書式だけを 機械的に 拾う 処理)では 抜け漏れが 多発します。
2つ 目の 壁を 越えるために 使うのが LLM (大規模言語モデル= 文章を 人のように 理解して 処理できる 生成AIの 中核技術)です。 LLMは 「このページの 商品名は どれで、 価格は どれで、 規格は どれか」を、 人間が 読むのと 近い 形で 文脈から 判断できます。 OCRで 文字を 取り出し、 LLMで 意味を 構造化します。 この2段階を 組み合わせると、 「バラバラな レイアウトの カタログ」を 「システムが 扱える 商品データ」に 変換できます。
カタログの 見た目 (レイアウト・ 書体・ 写真配置)は 毎回 違っても、 LLMは 「商品名・ 価格・ 規格・ 産地」といった 意味の 軸で 情報を 拾い直せる 表形式が 崩れている ページ、 注釈や 但し書きが 混在している ページでも、 文脈から 「本体価格なのか、 送料込みなのか」を 判断しやすい 一度 仕組みを 作れば、 次の シーズンの カタログ更新時にも 同じ流れで 再利用できる (毎回ゼロから 手入力しなくてよい) 着手前に 決める 「出力する項目」の 設計 データ化で 最も 後戻りが 多いのは、 項目の 決め方です。 読み取ってから 決めようと すると、 全点を やり直すことに なります。 最低限、 次の 3つを 先に 決めます。
項目名と 型を 固定する: 商品名・ 型番・ 入数・ 価格・ 規格・ 産地・ 原材料など、 使う 項目を 一覧に し、 それぞれ文字か 数値かを 決める。 「規格」 「サイズ」 「容量」のような 重複した 呼び方は 1つに 統一する 1商品1行に するための 主キーを 決める: 型番か JANか 自社品番か。 色・ サイズ違いを 別行に するのか、 1行の中に 列で 持つのかも 決める。 ここが 曖昧だと、 あとで ECにも 基幹にも 取り込めない 価格の 定義を 明示する: 税 抜か 税込か、 送料込みか、 掛率の ある 卸価格なのか。 カタログには 複数の 価格が 併記されていることが 多く、 どれを 取るかを 決めずに 読み取ると 混在する この3点を A4で 1枚に まとめてから 読み取りに 入ると、 PoCでは 精度の 確認に 集中でき、 判断が 速く なります。
カタログPDFを 商品データ化する 4つの フェーズ 紙・ PDFカタログの 商品データ化は、 全点を 一括で 処理する 前に、 次の 4段階を 踏んで 進めます。
進め方は4フェーズ。まず一部で精度を確かめてから全体へ広げる ①現状の 把握では、 対象カタログが 何点 あり、 拾うべき 項目は 何か (商品名・ 型番・ 価格・ 規格・ 産地・ 原材料など 業種によって 異なる)を 洗い出し、 どこまでを 構造化の 対象に するかを 決めます。 この段階で 効果が 出る 範囲を 見極めれば、 後工程の 手戻りが 減ります。
②PoC (Proof of Concept= 小さく 試して 効果と 実現性を 確かめる 工程)では、 いきなり 全点に 着手せず、 1シリーズ・ 1カテゴリ分に 絞って OCR+ LLMで 構造化してみます。 実際の カタログで 試すことで、 「このレイアウトなら 精度が 出るが、 この表組みは 抜け漏れが 出やすい」といった 実務上の 癖が 見えてきます。 ここで 精度を 確認してから 本格展開に 進むほうが、 結果的に 手戻りが 少なく 済みます。
③実装では、 PoCで 見えた 課題 (表組みの 崩れ対応、 略称の 辞書化など)を 踏まえて 処理の 範囲を カタログ全体に 広げ、 構造化した 商品データを Excelや DB、 ECサイトの 商品マスタへ 取り込める 形式で 出力できるように します。
④運用は、 カタログが 毎シーズン更新されることに 備える 工程です。 新シーズンの カタログが 出るたびに 同じ仕組みで 再構造化できる 状態を 保守し、 レイアウトが 変わった 場合の 調整にも 対応します。
陥りやすい 失敗パターン3つ カタログの 商品データ化でよく 起きる 失敗を 3つ 挙げます。
①「全点 いきなり 自動化」を 狙って 精度検証を 飛ばす: 数千点 ある カタログを 一気に 処理しようと すると、 レイアウトの ばらつきによる 抜け漏れに後から 気づき、 手作業での 修正コストが かさみます。 一部で 精度を 確認してから 範囲を 広げるほうが、 結果として 速く 安く 済みます。
②表記 ゆれ・ 項目定義の 統一を 後回しに する: 「規格」という 項目一つ とっても、 カタログによって 「サイズ」 「寸法」 「容量」など 呼び方が 混在していることが あります。 構造化の 前に 「どの項目名で 統一するか」を 決めないと、後から データを 結合・ 検索する 段階で 不整合が 発生します。
③更新運用の 仕組みを 作らずに 終わる: 初回の 構造化で 作業を 終えてしまい、 次シーズンの カタログ更新時に また 手作業に 戻ってしまう ケースが あります。 継続的に 使える データに するには、 更新のたびに 再構造化できる 運用体制まで 見据えて 設計する 必要が あります。
精度は どこまで 出るのか| 目視確認を 前提に 設計する 「AIで全自動」を 期待して 着手すると、 読み取り後の 修正が 想定より 多く なり、 日程が 崩れます。 精度は ページの 作りと 項目によって 変わるため、 次の 4点を 設計に 織り込みます。
レイアウトが 揃った ページは 高い 精度が 出る一方、 注釈・ 但し書き・ 複数価格が 混在する ページは 取り違えが 残る。 全点で 同じ精度にはならない 重要な 項目ほど 検算の 仕組みを 入れる。 価格と 型番は、 ページ画像と 並べて 目視確認できる 一覧を 出力すると、 確認の 手間が 減る 「読み取れなかった」ことが 分かる 状態に する。 空欄なのか 読み取り失敗なのかが 区別できないと、 誤った データのまま後工程に 流れる 精度の 合格ラインを 事前に 決める。 たとえば 「価格・ 型番は 100%目視確認、 それ以外は 9割の 自動精度で 可」のように 項目ごとに 基準を 変えれば、 確認の 手間を 重要な 項目に 集中できる 費用の 目安 費用は カタログの 点数・ レイアウトの 複雑さ・ 拾いたい 項目数で 決まります。以下は 市場の 一般的な 目安であり、 特定サービスの 確定価格では ありません。
カタログの データ化に かかる 費用の 目安 (市場の 一般的な 水準) 進め方 費用の目安 向いている状況 注意点 手入力 (社内 または 入力代行に 委託) 1商品あたり数十円〜 数百円 (項目数で変動) 点数が 数十〜 数百点で、 今回1回だけ データ化できればよい 更新のたびに 同じ費用が 発生する。 項目が 多いほど 単価が 上がる 汎用の OCR/ AI-OCRサービス 月額数千円〜 数万円+ 従量 レイアウトが 揃った 表形式の カタログが 中心 レイアウトが 商品ごとに 違う カタログでは、 項目の 取り違えが 残り目視修正が 必要 OCR+ LLMによる 構造化 (個別構築) 対象点数と 項目数、 レイアウトの ばらつきで 変動。 初期構築+ 月額保守の 形が 多い 点数が 数百〜 数千点 あり、 毎シーズン更新が ある 初回は 精度確認の 工程が 必要。 仕組み化できれば 2回目以降の 費用は 大きく 下がる
判断の 分かれ目は 「何回やるか」です。 1回きりなら 手入力や 入力代行が 最も 安く 済みます。 毎シーズン更新が あるなら、 手入力の 総額 (1回の 入力費 × 更新回数)と、 仕組み化の 総額 (初期構築費 + 月額保守 × 利用月数)を 比べます。 1回の 入力費は、 カタログの 点数と 項目数から 見積もれます。
構造化した 商品データは、 そのまま ECの 商品マスタに なり、 サイト内検索の 精度改善 ( ECサイトの 商品検索を AIで 改善する )や 商品説明文の 生成 ( 商品説明文を AIで 自動生成・ 効率化するには )にも 使えます。 複数の カタログや 取引先から 取り込む 場合に 起きる 型番の 表記 ゆれ・ 重複の 整理は EC商品マスタの 名寄せ方法| 表記 ゆれ・ 重複を AIで 統合する 手順 で 扱っています。
紙カタログを、 更新のたびに 人力で 打ち直さなくて いい 状態へ 「カタログは あるのに、 システムで 使える 商品データが ない」 状態は、 一度 データ化して終わりにはなりません。 シーズンごとに カタログが 更新されるたび、 同じ作業が 発生します。
着手は、 ①出力する 項目を A4で 1枚に 決める、 ②1シリーズだけ 読み取って 精度を 見る、 ③更新頻度と 点数から 手入力・ 既製ツール・ 仕組み化の どれが 安いかを 計算する、の 順です。 ②までは 大きな費用を かけずに 実行でき、 そこで 出た 精度が、 外注するか どうかの 判断材料に なります。
出力する 項目の 設計は、 データ化した 商品マスタを 自社ECに どう 取り込むかと 合わせて 決めると 手戻りが 減ります。 awai Buildは、 この項目設計と 1シリーズでの 精度確認から、 EC側の 取り込み形式の 設計、 自社ECの 構築と 公開後の 運用までを 受け持ちます。