Dal PDF caricato al bilancio classificato: come Rexfin legge un documento

Caricate un 10-K, un bilancio annuale, o un bilancio statutario scansionato nella maggior parte degli strumenti finanziari e ottenete una scatola nera: alcune pagine vengono lette, alcuni numeri compaiono, e non c’è un resoconto visibile di cosa lo strumento abbia deciso che una pagina effettivamente fosse. Il passo di acquisizione di Rexfin è l’opposto: ogni documento ottiene un’identità, una classificazione e una mappa a livello di pagina prima che a un solo numero sia permesso entrare nel modello.

Ogni documento ottiene un’identità, per sempre

La prima cosa che succede a un PDF non è l’estrazione. È l’identità. Rexfin trasforma con hash i byte del file in un doc_id content-addressed: lo stesso PDF caricato due volte, da due persone, in due giorni diversi, si risolve nello stesso ID invece di creare un record duplicato. Quell’ID, abbinato a un numero di pagina, diventa l’indirizzo di citazione a cui punta ogni altra parte del prodotto: il badge su un numero nella griglia dei bilanci, il link sorgente nel pannello di provenienza, tutto è tracciato fino a (doc_id, page).

Insieme all’ID, l’acquisizione cattura i metadati propri del bilancio: valuta, scala di rendicontazione, se è certificato, quale schema contabile dichiara di seguire e da dove proviene. Nulla di tutto ciò viene dedotto in seguito dal contesto; viene letto dal bilancio all’ingresso.

Digitale o scansionato, la pagina va comunque localizzata

Non tutti i bilanci hanno uno strato di testo utilizzabile. Alcuni sono PDF digitali con testo incorporato pulito; alcuni sono immagini interamente scansionate senza nulla di leggibile a livello elettronico; un numero crescente sta a metà strada, una copertina digitale davanti a facciate di prospetti scansionate, o una sezione in inglese sepolta dietro pagine in arabo. L’acquisizione rileva quale situazione ha davanti prima di decidere come leggerla.

Per le pagine digitali, le aree dei prospetti, stato patrimoniale, conto economico, altre componenti di conto economico complessivo, variazioni del patrimonio netto, rendiconto finanziario, vengono localizzate tramite testo di intestazione ancorato più la fascia del periodo sopra le colonne, così che l’obiettivo sia un prospetto, non un numero di pagina fisso che si rompe non appena l’impaginazione di un bilancio cambia. Per le pagine scansionate, le stesse aree vengono trovate tramite OCR sulla fascia del titolo di ogni pagina, usando un abbinamento di parole che non tiene conto dell’ordine, perché l’OCR su un’intestazione scansionata la scombina regolarmente. Un bilancio annuale bilingue con le sue facciate di prospetti in inglese collocate decine di pagine dentro il documento, dopo una lunga sezione in arabo, è esattamente l’impaginazione per cui questo è stato costruito: l’acquisizione continua a scansionare finché un prospetto richiesto manca ancora, invece di fermarsi a una finestra di pagine fissa.

Il default è il rifiuto, non un’ipotesi

L’istinto nella maggior parte delle pipeline di ingestione è estrarre qualcosa piuttosto che nulla. L’acquisizione di Rexfin fa l’opposto quando non è sicura. Se il formato di un bilancio non corrisponde a nessun profilo di entità riconosciuto, o una pagina non può essere classificata con una corrispondenza di titolo reale, viene messa in quarantena invece di essere forzata dentro un’area. Una pagina di note scansionata che menziona di passaggio il “rendiconto finanziario” non viene incollata sul vero rendiconto finanziario: il classificatore richiede la parola di titolo effettiva ed esclude qualsiasi cosa porti un’intestazione di note, appositamente perché una corrispondenza falsa ma plausibile non apra un’area che non dovrebbe esistere.

Lo stesso approccio a fallimento chiuso si applica all’esercizio fiscale stesso. I bilanci portano anni comparativi e date del revisore predecessore che possono sembrare l’anno di rendicontazione se si prende la prima data sulla copertina; l’acquisizione prende invece l’ultima chiusura d’esercizio a dicembre plausibile, e rifiuta una chiusura d’esercizio non a dicembre invece di indovinare.

Perché questo conta prima ancora che abbiate visto un solo numero

Nulla a valle è affidabile se l’acquisizione ha sbagliato la pagina. Il passo di estrazione multi-backend che legge una pagina per i valori funziona solo se sta leggendo la pagina giusta per il prospetto giusto fin dall’inizio. Il tagging IFRS che trasforma un’etichetta stampata in un concetto canonico funziona solo se quell’etichetta è stata presa da una facciata di prospetto identificata correttamente, non da una nota isolata o da una colonna comparativa etichettata erroneamente come anno corrente.

Questo è anche ciò che rende possibile l’analisi pluriennale senza rieseguire tutto da capo: poiché l’acquisizione lega ogni bilancio al suo esercizio fiscale effettivo anziché a uno fisso, la stessa pipeline mantiene dati storici citati coerenti tra gli anni invece di richiedere una ricostruzione su misura a ogni stagione di bilanci.

A chi è rivolto

A chiunque abbia visto uno strumento finanziario etichettare con sicurezza una colonna comparativa come i dati effettivi di quest’anno, o estrarre un numero da una pagina di note scambiata per lo stato patrimoniale. Se dovete fidarvi che “ricavi FY2024” provengano davvero dal conto economico FY2024 e non da un artefatto scansionato, l’acquisizione è il livello che fa quel controllo prima che voi vediate la cifra. Guardate come questo si collega al resto della pipeline nel tour prodotto, oppure prenotate una demo per vedere in diretta un bilancio scansionato e bilingue attraversare l’acquisizione.