Wie die Datenerfassung funktioniert: Vom hochgeladenen Abschluss zu verifizierten Zahlen

Die meisten Finanz-Tools behandeln Datenerfassung als gelöstes Problem: Connector ans ERP hängen, und die Zeilen erscheinen. Rexfins Datenerfassung beginnt woanders, weil der Input ein PDF ist – ein Geschäftsbericht, eine gescannte handelsrechtliche Einreichung, eine zweisprachige Offenlegung –, das niemand für Sie aufbereitet hat. Datenerfassung ist der Prozess, der aus diesem Dokument Daten macht, denen ein Modell vertrauen kann, und er beginnt, bevor auch nur eine einzige Zahl gelesen wird.

Schritt eins: Identität, nicht Extraktion

Das Erste, was mit einer Einreichung passiert, ist nicht die Extraktion – es ist die Identität. Rexfin hasht die Rohbytes der Datei zu einer inhaltsbasierten ID. Wird dasselbe PDF zweimal hochgeladen, von zwei Personen, an zwei Tagen, löst es sich zur selben ID auf, statt einen Doppeleintrag zu erzeugen. Diese ID, gepaart mit einer Seitenzahl, wird zur Zitieradresse, auf die jeder andere Teil des Produkts zurückverweist. Taucht später eine korrigierte oder neu aufgelegte Einreichung auf, ist das eine andere Datei mit einer anderen ID, verknüpft mit dem Original als Ablösung – niemals eine Bearbeitung an Ort und Stelle.

Neben der ID erfasst die Datenerfassung auch, was die Einreichung selbst über sich aussagt: Währung, Berichtsgröße, ob sie geprüft ist, welches Rechnungslegungs-Framework sie beansprucht, woher sie stammt. Nichts davon wird später aus dem Kontext erschlossen. Es wird gleich beim Eingang festgehalten, weil Größenordnung und Währung einer Zahl später bestimmen, wie die Verifizierung entscheidet, ob eine Summe tatsächlich aufgeht.

Digital, gescannt oder beides – und Verweigerung, wenn es sich nicht sicher ist

Nicht jede Einreichung hat eine brauchbare eingebettete Textebene. Manche sind saubere digitale PDFs, manche vollständig gescannte Bilder ohne jede maschinenlesbare Struktur, und eine wachsende Zahl liegt irgendwo dazwischen – ein digitales Deckblatt vor gescannten Abschlussseiten, oder ein englischer Abschnitt, versteckt hinter Seiten arabischer Offenlegung. Die Datenerfassung prüft zuerst, mit welcher Situation sie es zu tun hat, bevor sie entscheidet, wie eine Seite zu lesen ist – denn eine gescannte Seite so zu lesen, als wäre sie digitaler Text, erzeugt selbstbewusst vorgetragenen Unsinn.

Ist das geklärt, lokalisiert die Datenerfassung jeden primären Abschlussbestandteil – Bilanz, Gewinn- und Verlustrechnung, Kapitalflussrechnung, Eigenkapitalveränderung – über den Abgleich von Überschriften und Periodenbändern, nicht über die Annahme einer festen Seitenzahl, die bricht, sobald sich das Layout einer Einreichung ändert. Lässt sich eine Seite nicht mit echter Zuversicht klassifizieren, oder passt die Struktur einer Einreichung zu nichts, was Rexfin erkennt, wird die Datei unter Quarantäne gestellt, statt sie gewaltsam in einen Bereich zu pressen: Eine gescannte Anhangsseite, die beiläufig „Kapitalfluss” erwähnt, wird nicht an die eigentliche Kapitalflussrechnung drangeklebt. Dieselbe Fail-Closed-Haltung gilt für die Wahl des Geschäftsjahrs: Einreichungen enthalten Vergleichsjahre und Daten des Vorgänger-Prüfers, die auf den ersten Blick wie das Berichtsjahr aussehen können, weshalb die Datenerfassung das letzte plausible Jahresende nimmt statt des ersten Datums auf dem Deckblatt.

Ein einziger Befehl, jedes Mal dieselbe Antwort

Die Datenerfassung läuft als einzelner Batch-Job über einen Ordner voller Quell-PDFs – nie als Hintergrunddienst, der still nach Arbeit sucht. Man füttert sie mit den Einreichungen eines Deals, und sie arbeitet Erkennung, Extraktion, Klassifizierung, Abstimmung und Verpackung als eine geordnete Abfolge ab, um dann ein klares Ergebnis auszugeben: welche Zahlen nutzbar sind, welche zurückgehalten wurden, und warum. Manche Schritte hängen davon ab, dass andere bereits gelaufen sind – die Berichtsgröße muss bekannt sein, bevor Zahlen mit gedruckten Summen abgestimmt werden, sonst wird eine Rundungsdifferenz mit einem echten Fehler verwechselt –, und diese Reihenfolge wird erzwungen, nicht als Konvention belassen, die jemand überspringen könnte.

Sie ist außerdem reproduzierbar: Dieselben Einreichungen zweimal durch die Datenerfassung laufen zu lassen, ohne etwas zu ändern, liefert byte-genau dasselbe Ergebnis. Wenn die Lesart eines Geschäftsberichts durch eine Plattform zwischen zwei Läufen driften kann, lässt sich nicht mehr unterscheiden, ob sich eine Zahl geändert hat, weil sich das Geschäft geändert hat, oder weil das Tool seine Meinung geändert hat. Und ist eine einzelne Einreichung in einem Batch beschädigt, reißt sie nicht den Rest mit – diese Datei wird isoliert und markiert, während der Rest des Batches trotzdem durchläuft.

Warum Ehrlichkeit mehr zählt als Abdeckung

Der Reflex der meisten Erfassungs-Pipelines ist, lieber irgendetwas zu extrahieren, als nichts einzuräumen. Rexfins Standardverhalten, wenn die Zuversicht fehlt, ist das Gegenteil: Quarantäne statt Raten. Das ist ein bewusster Kompromiss – weniger Zahlen aus einer wirklich mehrdeutigen Einreichung, aber jede Zahl, die man bekommt, hat eine Seite, von der sie stammt. Das ist auch der Grund, warum die Datenerfassung unter allem anderen in diesem Themenbereich liegt: Sie ist der Grund, warum der kanonische Atom-Store einen einzigen Fakt pro Kennzahl halten kann statt widersprüchlicher Kopien, und warum es sich lohnt, deterministische Mathematik darauf aufzubauen – es bringt nichts, auf einer Seite präzise zu rechnen, die von Anfang an falsch klassifiziert wurde.

Für wen das gebraucht wird

Für jeden, der schon zugesehen hat, wie ein Finanz-Tool selbstsicher eine Zahl von der falschen Seite gezogen oder eine Vergleichsspalte als Ist-Zahl des laufenden Jahres etikettiert hat. Wenn Ihr Team darauf angewiesen ist, dass „Umsatz GJ2024” tatsächlich aus der Gewinn- und Verlustrechnung des GJ2024 stammt – nicht aus einer Anhangsangabe, nicht aus einer umbenannten Vorjahresspalte, nicht aus einem OCR-Artefakt –, ist die Datenerfassung die Schicht, die genau das prüft, bevor Sie die Zahl zu Gesicht bekommen. Wie das mit dem Rest der Plattform zusammenhängt, sehen Sie im Themenüberblick, oder buchen Sie eine Demo, um eine gescannte, zweisprachige Einreichung live durch die Datenerfassung laufen zu sehen.