Vom PDF-Upload zur typisierten Einreichung: Wie Rexfin ein Dokument einliest

Wer einen 10-K-Bericht, einen Geschäftsbericht oder eine gescannte handelsrechtliche Einreichung in die meisten Finanz-Tools wirft, bekommt eine Black Box zurück: Manche Seiten werden gelesen, irgendwelche Zahlen tauchen auf, und es gibt keinen sichtbaren Nachweis dafür, wofür das Tool eine Seite überhaupt gehalten hat. Rexfins Intake-Schritt ist das genaue Gegenteil davon – jedes Dokument bekommt eine Identität, eine Klassifizierung und eine seitengenaue Zuordnung, bevor auch nur eine einzige Zahl ins Modell darf.

Jedes Dokument bekommt eine Identität, für immer

Das Erste, was mit einem PDF passiert, ist nicht die Extraktion. Es ist die Identität. Rexfin hasht die Bytes der Datei zu einer inhaltsbasierten doc_id – dasselbe PDF, hochgeladen von zwei verschiedenen Personen an zwei verschiedenen Tagen, löst sich zur selben ID auf, statt einen Doppeleintrag zu erzeugen. Diese ID, zusammen mit einer Seitenzahl, wird zur Zitieradresse, auf die jeder andere Teil des Produkts zurückverweist: das Badge an einer Zahl im Abschluss-Raster, der Quellenlink in der Beleg-Schublade – alles führt zurück auf (doc_id, Seite).

Neben der ID erfasst der Intake auch die Metadaten der Einreichung selbst – Währung, Berichtsgröße, ob geprüft, welches Rechnungslegungs-Framework beansprucht wird und woher das Dokument stammt. Nichts davon wird später aus dem Kontext erschlossen; es wird direkt beim Eingang aus der Einreichung ausgelesen.

Digital oder gescannt – die Seite muss trotzdem lokalisiert werden

Nicht jede Einreichung hat eine brauchbare Textebene. Manche sind digitale PDFs mit sauber eingebettetem Text, 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 voller arabischem Text. Der Intake erkennt zuerst, mit welcher Situation er es zu tun hat, bevor er entscheidet, wie er liest.

Bei digitalen Seiten werden die Abschlussbereiche – Bilanz, Gewinn- und Verlustrechnung, sonstiges Ergebnis, Eigenkapitalveränderung, Kapitalflussrechnung – über verankerten Überschriftentext plus das Periodenband über den Spalten lokalisiert, sodass das Ziel ein Abschlussbestandteil ist, keine feste Seitenzahl, die bricht, sobald sich das Layout einer Einreichung ändert. Bei gescannten Seiten werden dieselben Bereiche per OCR über die Titelzeile jeder Seite gefunden, mit einem Wortabgleich, der auf die Reihenfolge der Wörter keine Rücksicht nimmt, weil OCR eine gescannte Überschrift regelmäßig durcheinanderwirbelt. Eine reale Einreichung in Rexfins Testdatensatz hat ihre englischen Abschlussseiten auf den Seiten 69, 70 und 73 sitzen, nach einem langen arabischen Abschnitt – der Intake findet sie trotzdem, weil er weiterscannt, solange ein erforderlicher Abschlussbestandteil noch fehlt, statt bei einem festen Seitenfenster aufzuhören.

Der Standardfall ist Ablehnung, nicht Raten

Der Reflex der meisten Erfassungs-Pipelines ist, lieber irgendetwas zu extrahieren als nichts. Rexfins Intake tut das Gegenteil, sobald er sich nicht sicher ist. Passt das Format einer Einreichung zu keinem erkannten Unternehmensprofil, oder lässt sich eine Seite nicht mit einem echten Titel-Treffer klassifizieren, wird sie 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 – der Klassifikator verlangt das tatsächliche Titelwort und schließt alles aus, das eine Anhangs-Überschrift trägt, gerade damit ein plausibel aussehender Fehltreffer keinen Bereich öffnet, den es gar nicht geben sollte.

Dieselbe Fail-Closed-Haltung gilt für das Geschäftsjahr selbst. Einreichungen enthalten Vergleichsjahre und Daten des Vorgänger-Prüfers, die wie das Berichtsjahr aussehen können, wenn man einfach das erste Datum auf dem Deckblatt nimmt; der Intake nimmt stattdessen das letzte plausible Dezember-Jahresende und lehnt ein Nicht-Dezember-Jahresende ab, statt zu raten.

Warum das zählt, bevor Sie auch nur eine Zahl gesehen haben

Nichts Nachgelagertes ist vertrauenswürdig, wenn der Intake die Seite falsch bestimmt hat. Der Mehr-Engine-Extraktionsschritt, der eine Seite auf Werte hin liest, funktioniert nur, wenn er überhaupt die richtige Seite für den richtigen Abschlussbestandteil liest. Die IFRS-Verschlagwortung, die eine gedruckte Bezeichnung in ein kanonisches Konzept übersetzt, funktioniert nur, wenn diese Bezeichnung aus einer korrekt identifizierten Abschlussseite stammt – nicht aus einer verirrten Fußnote oder einer Vergleichsspalte, die fälschlich als aktuelles Jahr etikettiert wurde.

Das ist auch, was Mehrjahresanalysen möglich macht, ohne jedes Mal bei null anzufangen: Weil der Intake jede Einreichung an ihr tatsächliches Geschäftsjahr bindet statt an ein fest verdrahtetes, hält dieselbe Pipeline zitierte Ist-Zahlen über Jahre hinweg, statt für jede Berichtssaison einen maßgeschneiderten Neubau zu brauchen.

Für wen das gebraucht wird

Für jeden, der schon einmal zugesehen hat, wie ein Finanz-Tool selbstsicher eine Vergleichsspalte als Ist-Zahlen des laufenden Jahres etikettiert hat, oder eine Zahl aus einer Anhangsseite gezogen hat, die es für die Bilanz gehalten hat. Wenn Sie darauf vertrauen müssen, dass „Umsatz GJ2024” tatsächlich aus der Gewinn- und Verlustrechnung des GJ2024 stammt und nicht aus einem gescannten Artefakt, ist der Intake die Schicht, die genau das prüft, bevor Sie die Zahl je zu Gesicht bekommen. Wie das mit dem Rest der Pipeline zusammenhängt, sehen Sie in der Produkttour, oder buchen Sie eine Demo, um eine gescannte, zweisprachige Einreichung live durch den Intake laufen zu sehen.