So extrahieren Sie Daten aus Ihren Kontoauszügen mit OCR

Bankauszüge sind bekanntlich komplex. Wahrscheinlich haben Sie schon versucht, Ihre Auszüge in Excel oder CSV zu kopieren, nur um festzustellen, dass die Formatierung völlig zerstört war. Viele PDF-Dateien sind zudem gesperrt, sodass selbst das einfache Auswählen von Text unmöglich ist.

Wenn Sie mit eingescannten Bildern arbeiten, bieten Tools wie Vorschau auf macOS ein Basis-OCR, doch die extrahierten Daten sind oft unübersichtlich oder inkonsistent.

Als Produktmanager bei Koncile habe ich mit Hunderten von Unternehmen und Einzelpersonen über die Herausforderungen bei der Datenextraktion gesprochen. Ich habe alle möglichen Varianten von US-Bankauszügen gesehen — und alle können mit dem richtigen Ansatz gelöst werden.

Warum OCR für Bankauszüge verwenden?

Ein guter Datenextraktionsprozess ermöglicht es Ihnen,

• die Datensammlung über hunderte Auszüge zu automatisieren, unabhängig vom Format oder Layout.
• Ausgabenanalysen durch intelligente Kategorisierung durchzuführen.
• Ihre Software mit hochwertigen Daten zu versorgen (API-Verbindung ggf. erforderlich).
• Bankauszüge mit der Buchhaltung abzugleichen, insbesondere Anfangs- und Endsaldos.
• Anomalien und Unregelmäßigkeiten zu erkennen, um Betrug oder Dateninkonsistenzen schnell zu identifizieren.

Welche Daten lassen sich aus Bankauszügen extrahieren?

Zu wissen, welche Daten OCR erfassen kann, hilft Ihnen, die passende Methode auszuwählen.

Zunächst sollte man zwischen wiederkehrenden und einzigartigen Feldern unterscheiden.

• Wiederkehrende Felder beziehen sich meist auf Transaktionszeilen, z. B. einzelne Buchungen auf dem Kontoauszug.
• Einzigartige Felder erscheinen nur einmal, z. B. Gesamtsummen, Kontoinhabername oder Auszugszeitraum.

Extraktion allgemeiner Informationen: der einfache Teil

Dies sind einzigartige Felder, die nur einmal im Dokument vorkommen und einfacher zu extrahieren sind als Tabellen, da keine komplexe Layout-Erkennung nötig ist.

• Anfangssaldo
• Endsaldos (besonders für Buchhaltungsabgleich wichtig)
• Gesamtgebühren
• Daten des Auszugszeitraums
• Kundennummer
• Bankkontonummer
• Kontotyp (Giro, Sparkonto)
• Summe der Belastungen
• Summe der Gutschriften

Es ist auch möglich, die Anwesenheit oder Abwesenheit von Unterschriften zu erkennen.

Extraktion von Transaktionstabellen: der komplexe Teil

Im Gegensatz zu allgemeinen Informationen erscheinen Transaktionsdaten meist in Tabellen, die jede Kontobewegung auflisten.

Jede Zeile repräsentiert eine Transaktion und enthält in der Regel mehrere wichtige Felder, wie:

• Bezeichnung und Betrag der Transaktion
• Transaktionsdatum: Zeitpunkt der tatsächlichen Buchung
• Wertstellungsdatum: Zeitpunkt der Verbuchung durch die Bank

Hier treten die meisten Extraktionsmethoden auf Schwierigkeiten: Transaktionen können sich über mehrere Zeilen erstrecken, Beträge in verschiedenen Spalten erscheinen, und die Tabellenlayouts variieren stark von Bank zu Bank.

Drei Methoden zur Datenextraktion aus Bankauszügen

Wir betrachten drei Methoden von der einfachsten bis zur fortgeschrittenen.

Methode 1: Export nach Excel mit Adobe Reader

Adobe PDF Reader bietet eine kostenlose Option, um Dokumente dank integriertem OCR in Excel zu exportieren.

Bei durchsuchbaren PDFs liest Adobe den Text als Metadaten und erkennt Tabellen anhand des Layouts.

Funktionsweise: PDF in Adobe Reader öffnen → Datei > Exportieren nach > Tabelle > Microsoft Excel.

Probleme: Mehrzeilige Transaktionen werden oft zusammengeführt, manuelles Nachbearbeiten erforderlich. Adobe extrahiert außerdem alle Seiteninformationen, inklusive Kopf-/Fußzeilen und Werbeinhalte.

Kosten: Grundversion kostenlos, Adobe Acrobat Pro 20–30 $ pro Monat für erweiterte Exportfunktionen.

Ideal für: Nutzer mit durchsuchbaren PDFs, die bereit sind, 15–20 Minuten pro Auszug zur Datenbereinigung zu investieren.

Methode 2: Datenextraktion mit GPT, Gemini oder anderen LLM

Seit LLMs Dokumente fortgeschritten analysieren können, lassen sich Bankauszüge direkt in ChatGPT, Gemini oder Claude importieren.

Beispiel-Prompt:

Extrahieren Sie alle Transaktionen dieses PDF-Bankauszugs und exportieren Sie sie in eine Excel-kompatible Tabelle. Jede Zeile repräsentiert eine Transaktion mit Spalten: Transaktionsdatum, Buchungsdatum, Beschreibung, Soll, Haben, Saldo. Normieren Sie Datenformate, entfernen Sie Währungszeichen und behalten Sie konsistente Zahlenwerte. Ignorieren Sie Kopf-/Fußzeilen und Zusammenfassungen. Fehlende Daten leer lassen.


Stärken: LLMs strukturieren Daten nach Bedarf, verstehen Kontext, unterscheiden relevante Transaktionsinformationen.

Schwächen: LLMs sind keine OCR-Engines; sie erkennen Zeichen nicht perfekt und können Zahlen falsch lesen, besonders bei schlecht ausgerichteten Scans oder bildbasierten PDFs.

Tipp: CSV-Export mit Semikolon (;) für europäische Excel-Versionen verwenden.

Ideal für: Nutzer mit klaren PDFs, die flexible Ausgabeformate wünschen.

Methode 3: OCR-Lösungen mit LLM-Unterstützung (empfohlen)

Diese Methode kombiniert traditionelle OCR-Präzision mit LLM-Intelligenz, um Daten aus den Kontoauszügen mithilfe einer KI-gestützten OCR zu extrahieren effektiv und zuverlässig.

• OCR erkennt Zeichen präzise
• LLM interpretiert die Dokumentstruktur, erkennt Tabellen und extrahiert nur relevante Daten
• Trennung von Gesamtsummen und einzelnen Transaktionen
• Saubere, sofort nutzbare Daten

Ideal für: Unternehmen und Nutzer, die regelmäßig Bankauszüge verarbeiten und höchste Präzision benötigen.

Anwendungsfälle von OCR für Bankauszüge

Persönliche Finanzen: Ausgabenübersicht

OCR wandelt Auszüge in ein organisiertes Dashboard mit Kategorien um.

• Kategorien automatisch zuordnen: Lebensmittel, Wohnen, Transport, Gesundheit, Freizeit, Sport, Kultur, Reisen, Kleidung, Hygiene, Bildung, Geschenke, Kreditrückzahlungen, Ersparnisse, Versicherungen, Steuern, Bankgebühren, größere Anschaffungen, Einkommen, Überweisungen, Diverses, Nicht kategorisiert.

Kredite & Hypotheken: Einnahmen und Ausgaben analysieren

OCR automatisiert die Überprüfung von Einkünften und Ausgaben für Kreditentscheidungen.

KYC-Prozesse: Adressen prüfen & Fälschungen erkennen

OCR prüft mathematische Konsistenzen (Saldo = Anfang + Credits − Debits) zur Betrugserkennung.

Funktionsweise eines intelligenten OCR für Bankauszüge

1. Bildvorverarbeitung: Textposition erkennen, Verzerrungen korrigieren, Rauschen entfernen
2. Texterkennung (OCR): Zeichen in digitale Daten umwandeln
3. Layout-Erkennung: Tabellen und strukturierte Bereiche erkennen
4. LLM-Verarbeitung: Kontext analysieren, Transaktionen identifizieren, Summen unterscheiden
5. Datenexport: Excel, CSV, JSON oder API

Implementierung im Unternehmen

• Kosten: On-Premise vs. SaaS
• Genauigkeit: >99 % mit OCR + LLM
• KPI: Präzisionsrate, Bearbeitungszeit, manuelle Korrekturen, Kosten pro Dokument

• Datenschutz: Ende-zu-Ende-Verschlüsselung, SOC 2 & DSGVO-Konformität
• Formate: PDF, JPG, PNG, TIFF
• Best Practices: min. 300 DPI, gleichmäßige Beleuchtung, Seiten ausrichten, Graustufen bevorzugen

‍

Integration & Automatisierung

• Email → OCR → QuickBooks
• Dropbox → OCR → Google Sheets
• Scanner → OCR → ERP-System
• Mobile App → OCR → Ausgabenmanager
• API → OCR → individuelles Dashboard

Fazit

Datenextraktion aus Bankauszügen muss keine manuelle Arbeit sein. Mit OCR + LLM: >95 % Genauigkeit, >80 % Zeitersparnis. Ideal für Finanzen, Kredite oder Fintech-Produkte. Automatisieren Sie Schritt für Schritt.