README.md

Extractor OCR - Facturas EMCALI

Sistema automatizado para extraer datos de facturas EMCALI usando OCR + LLM (OpenAI) y generar informes técnicos profesionales.

🎯 Propósito

Extraer automáticamente TODOS los datos de facturas EMCALI en PDF usando:

• OCR para extraer texto del PDF
• LLM (OpenAI GPT-4o-mini) para extraer datos estructurados
• Análisis técnico como ingeniero eléctrico experto

🚀 Uso Rápido

1. Configurar API Key:

   # Crear archivo .env con tu API key de OpenAI
   echo "OPENAI_API_KEY=tu_api_key_aqui" > .env

2. Colocar facturas PDF en la carpeta data/

3. Ejecutar procesamiento:

   python procesar_facturas.py

📊 Resultados

• Datos extraídos: outputs/facturas_emcali.csv
• Informes técnicos: outputs/informe_tecnico_*.docx

📋 Datos Extraídos en CSV

✅ Datos Completamente Extraídos:

• Información básica: PDF, fecha procesamiento
• Cliente: Contrato, NIC, CUDE, número de pago
• Período: Inicio, fin, días facturados
• Energía eléctrica: Lecturas, consumo, valor unitario, base, total
• Servicios: Acueducto, alcantarillado, aseo, alumbrado, tasa seguridad
• Totales: IVA, total a pagar
• Pagos: Último pago, fecha, valor
• Metadatos técnicos: Versiones, hash, timestamps

⚠️ Campos que Requieren Mejora:

• Nombre del cliente: A veces no se extrae correctamente
• Dirección de instalación: Puede faltar en algunas facturas
• Tarifas específicas: Algunas tarifas de acueducto/alcantarillado

🔧 Características

• Procesamiento automático: Detecta y procesa cualquier PDF en data/
• Eliminación de duplicados: Limpia automáticamente el CSV
• Informes profesionales: Análisis técnico como ingeniero eléctrico
• Estructura modular: Código organizado y mantenible
• Manejo de errores: Procesamiento robusto con validaciones

📁 Estructura del Proyecto

agente_ejecutivo/
├── data/                    # Facturas PDF a procesar
├── outputs/                 # Resultados generados
│   ├── facturas_emcali.csv  # Datos extraídos
│   └── informe_tecnico_*.docx # Informes técnicos
├── src/                     # Código fuente
│   ├── analizador.py        # Lógica de LLM
│   ├── extractor_simple.py  # Extracción de PDF
│   └── generador_docx_analisis.py # Generación de informes
├── prompts/                 # Prompts para LLM
├── schemas/                 # Esquemas JSON
├── procesar_facturas.py     # Script principal
└── verificar_datos.py       # Verificación de datos

🎯 Casos de Uso

• Análisis de consumo energético residencial y comercial
• Auditoría de facturación de servicios públicos
• Optimización de costos y eficiencia energética
• Reportes técnicos para clientes o consultorías
• Monitoreo continuo de múltiples facturas

📈 Estado Actual

✅ FUNCIONANDO CORRECTAMENTE:

• Extracción de datos principales (95% de campos)
• Generación de informes técnicos profesionales
• Procesamiento automático de múltiples facturas
• Limpieza y organización de datos

🔄 EN MEJORA CONTINUA:

• Extracción de nombre del cliente (mejoras en prompt)
• Extracción de dirección de instalación
• Cálculo automático de tarifas faltantes

🚀 Próximas Mejoras

1. Mejorar prompts para extracción de datos faltantes
2. Agregar validaciones de calidad de datos
3. Dashboard web para visualización
4. Análisis comparativo entre facturas
5. Alertas automáticas para anomalías

---

Desarrollado para análisis profesional de facturas EMCALI con tecnología OCR + LLM