Documentos no estructurados
Un documento no estructurado carece de un diseño fijo: la información está presente, pero su posición, denominación y formato varían de un caso a otro. Un pasaporte está estructurado: una vez que se conoce el tipo, cada campo ocupa el lugar que indica la especificación. Un extracto bancario no lo está. Esa diferencia determina cómo se puede leer cada uno, y es la razón por la que las pruebas no relacionadas con la identidad son más difíciles de procesar que el documento de identidad al que acompañan.
| Estructurado | Diseño fijo definido por una especificación: pasaportes, documentos de identidad, MRZ, códigos de barras |
| Semiestructurada | Campos coherentes en posiciones incoherentes: facturas, nóminas, facturas de servicios públicos |
| No estructurado | Texto sin formato fijo ni maquetación definida: cartas, contratos, correspondencia |
| Por qué es importante la estructura | Permite la lectura basada en la posición y codificaciones con validación automática |
| Documentos de identidad | Estructurado casi en su totalidad y normalizado a nivel internacional |
| Documentación justificativa | Casi en su totalidad semiestructurada y sin que nadie la haya estandarizado |
| Enfoque de procesamiento | Análisis de la disposición y comprensión del lenguaje, en lugar de la comparación con plantillas |
| Deficiencias en la validación | Sin dígitos de control, sin segunda codificación, nada con lo que cotejarlo |
El espectro y dónde radica la dificultad
| Tipo | Ejemplo | Cómo se lee | ¿Se valida por sí mismo? |
|---|---|---|---|
| Estructurado | Zona de lectura magnética (MRZ) del pasaporte | Puesto y requisitos | Sí — dígitos de control |
| Estructurado | Código PDF417 en el carné de conducir | Descodificar a un conjunto de campos definido | Sí — corrección de errores |
| Semiestructurada | Nómina, extracto bancario, factura de servicios públicos | Análisis de la disposición y, a continuación, identificación de los campos | No |
| No estructurado | Carta de contratación, contrato | Comprensión del lenguaje | No |
La mayor dificultad reside en la fila del medio, más que en la de abajo. Los documentos verdaderamente de formato libre son relativamente poco frecuentes en la verificación; los semiestructurados están por todas partes y resultan engañosamente difíciles. Cada banco emite un extracto que contiene los mismos datos, pero con una disposición diferente, con etiquetas distintas, formatos de fecha diferentes y formas distintas de expresar el saldo. No existe ninguna especificación ni ningún registro de formatos, y aparecen nuevos diseños cada vez que un emisor rediseña sus documentos.
Por qué la falta de validación es el verdadero problema
La dificultad del procesamiento llama la atención; pero la brecha en la validación es más importante.
Un documento de identidad estructurado valida su propia lectura. El zona legible por máquina incluye dígitos de control. A Código de barras PDF417 incorpora corrección de errores. La misma fecha de nacimiento aparece en la impresión, en la zona MRZ y en el código de barras, por lo que cualquier error de lectura se detecta inmediatamente como una discrepancia. El sistema sabe cuándo se ha producido un error.
Un documento no estructurado no ofrece nada de eso. Una cifra mal interpretada en una nómina da lugar a un número plausible que no presenta ninguna contradicción, y se transmite como un hecho. No hay una segunda codificación, ni dígito de control, ni referencia cruzada, lo que significa que la puntuación de confianza y la coherencia aritmética en todo un conjunto de documentos están desempeñando la función que, en otros contextos, cumplen los dígitos de control.
La misma diferencia se aplica a la autenticidad. Un pasaporte cuenta con elementos de seguridad y, cada vez más, con un chip firmado. Un extracto bancario lleva un logotipo. Determinar si un documento no estructurado es auténtico es una cuestión forense relacionada con la imagen, más que una comprobación de cualquier afirmación que el propio documento contenga, que es donde manipulación digital El análisis debe sustituir a la verificación.
Por qué es importante para la verificación de identidad
Los documentos que realmente determinan los resultados suelen ser los no estructurados. La identidad se acredita mediante un documento estructurado; casi todo lo demás, no. La prueba de domicilio es una factura de servicios públicos. Los ingresos se acreditan con una nómina y un extracto bancario. La situación laboral se acredita con una carta. Cada uno de ellos es un documento de formato libre emitido por un emisor con el que nadie coordina.
Esa asimetría da lugar a un fallo previsible: las organizaciones invierten mucho en el documento de identidad —donde la tecnología es más sólida y existen normas— y aceptan sin más una fotografía de un extracto bancario. El fraude hipotecario y fraude en la garantía Ambos patrones discurren exactamente por ese hueco.
Tratarlo así significa considerar el documento justificativo como una prueba que hay que examinar, en lugar de como datos que hay que transcribir —que es lo que verificación de documentos que no sean de identidad para qué sirve y por qué extracción de datos a partir de un documento no estructurado es un resultado menos fiable que la misma operación realizada con un pasaporte.
Lo que no se puede hacer con el procesamiento de documentos no estructurados
No puede validarse por sí mismo. No hay dígitos de control ni codificaciones secundarias, por lo que, a nivel de campo, una lectura errónea segura es indistinguible de una lectura correcta.
No puede basarse en plantillas. Los diseños varían según el emisor y pueden cambiar sin previo aviso, por lo que un enfoque basado en plantillas pierde eficacia continuamente.
No puede determinar la autenticidad a partir del documento. No hay elementos de seguridad que comprobar, solo hay que examinar la imagen.
No puede resolver la ambigüedad que contiene el documento. Cuando en un extracto simplemente no se especifica a qué saldo corresponde cada importe, ningún tipo de procesamiento permite determinarlo.
Preguntas frecuentes
¿Qué es un documento no estructurado?
Un documento sin maquetación fija, en el que la información aparece en distintas posiciones, con diferentes etiquetas y formatos. Las cartas de formato libre carecen por completo de estructura; el caso más habitual en la verificación son los documentos semiestructurados, como los extractos bancarios y las nóminas, que contienen campos fijos dispuestos de forma variable.
¿Por qué es más fácil tramitar los documentos de identidad?
Porque están estructurados según especificaciones internacionales. Una vez clasificado el tipo de documento, se conocen las posiciones de los campos y las codificaciones incorporan su propia validación: dígitos de control en la zona legible por máquina y corrección de errores en el código de barras. Una lectura errónea se manifiesta como una discrepancia entre las fuentes.
¿Por qué los documentos no estructurados suponen un riesgo en la verificación?
La falta de validación. Un dato mal interpretado en una nómina da como resultado un valor plausible sin nada que lo contradiga, y no existen elementos de seguridad que permitan comprobar su autenticidad. La puntuación de confianza y la coherencia aritmética en todo un conjunto de documentos deben desempeñar la función que cumplen los dígitos de control en un documento de identidad.
¿Cómo se procesan los documentos semiestructurados?
Mediante el análisis de la maquetación para localizar las regiones y, a continuación, la identificación de los campos basándose en el contexto en lugar de en una posición fija, en lugar de compararlos con una plantilla. Los enfoques basados en plantillas pierden eficacia a medida que los emisores rediseñan sus documentos, y no existe un registro de formatos a partir del cual trabajar.
Lecturas relacionadas
- Extracción de datos — el funcionamiento, y por qué la estructura determina su eficacia
- Justificante de domicilio — el tipo de evidencia no estructurada más habitual en el proceso de incorporación
- Zona legible por máquina — cómo es una estructura que se valida a sí misma, a modo de contraste
- Manipulación digital — ¿qué debe sustituir a los elementos de seguridad de estos documentos?