Für Analyseprodukte
Auswerten, was vorher nur Text war.
Wer Transaktionsdaten auswertet, braucht stabile Dimensionen. TXNORA leitet Händler, Kategorie und Labels aus Rohbeschreibungen ab, damit Sie in Ihren eigenen Auswertungen damit arbeiten können.
Die Ausgangslage
Rohtexte lassen sich schlecht gruppieren.
Für eine Auswertung nach Händler oder Kategorie reicht der Buchungstext nicht. Referenzen wie in „AMZN MKTP DE*X4H88291“ oder Zusätze wie in „REWE SAGT DANKE 1834“ machen Zeilen einzigartig, die zum selben Händler gehören können.
Eigene Zuordnungstabellen und Textregeln helfen nur, solange sie gepflegt werden. Der Aufwand landet dann bei der Datenbasis statt bei der eigentlichen Auswertung.
PAYPAL *ADOBE – PAYPAL: Zahlungsdienst; ADOBE: Händler
REWE SAGT DANKE 1834 – REWE: Händler; SAGT DANKE: Zusatztext; 1834: Nummer
AMZN MKTP DE*X4H88291 – AMZN MKTP DE: Kürzel; X4H88291: Referenz
Beispieldaten. Die Einordnung der Teilstücke erläutert die Rohdaten und ist keine Ausgabe der API.
Was strukturierter Kontext verändert
Struktur, mit der sich rechnen lässt.
Drei Bausteine für Auswertungen auf Transaktionsdaten.
Gruppieren nach Händler
Ein normalisierter Händlername macht aus vielen Rohzeilen eine Dimension, nach der Sie gruppieren, zählen und vergleichen können.
Kategorie und Labels als Achsen
Kategorie und Labels liefern zwei Ebenen für Segmente und Filter: eine einheitliche Hauptkategorie und zusätzlichen Kontext.
Konfidenz als Qualitätsmerkmal
Der Konfidenzwert begleitet jedes Ergebnis. So legen Sie fest, welche Werte in eine Auswertung einfließen und welche Sie gesondert betrachten.
Vorher und nachher
Aus Freitext werden Dimensionen.
Drei typische Buchungen als Datenbasis: zuerst als Freitext, dann mit Händler, Kategorie, Labels und Konfidenz als auswertbaren Feldern.
Datenbasis für Ihre Auswertung
Drei Beispieltransaktionen
- Roh
PAYPAL *ADOBE
StrukturiertHändler: AdobeKategorie: Software
Labels:- SOFTWARE
- DIGITAL_SERVICE
Konfidenz98,4 %
Betrag: −59,49 EUR
- Roh
REWE SAGT DANKE 1834
StrukturiertHändler: REWEKategorie: Lebensmittel
Labels:- GROCERIES
- RETAIL
Konfidenz99,1 %
Betrag: −42,17 EUR
- Roh
AMZN MKTP DE*X4H88291
StrukturiertHändler: AmazonKategorie: Einzelhandel
Labels:- ECOMMERCE
- RETAIL
Konfidenz96,2 %
Betrag: −129,90 EUR
Beispieldaten aus drei typischen Buchungen.
Die Konfidenzwerte sind Beispielwerte, keine gemessene Genauigkeit.
Relevante Felder
Was Ihre Auswertung braucht.
Für Auswertungen zählen Felder, nach denen sich gruppieren und filtern lässt, und die Konfidenz je Ergebnis.
Händler
merchant.nameDimension zum Gruppieren und Vergleichen.
Kategorie
category.id · category.nameEinheitliche Hauptachse für Segmente.
Labels
labelsZusätzliche Ebene für Filter und Segmente.
Konfidenz
confidenceGrundlage, um unsichere Werte gesondert zu behandeln.
{ "transaction_id": "txn_demo_001", "merchant": { "name": "Adobe" }, "category": { "id": "software", "name": "Software" }, "labels": [ "SOFTWARE", "DIGITAL_SERVICE" ], "confidence": 0.984}Für diesen Anwendungsfall relevant
Vereinfachtes Beispiel.
Weitere Anwendungsfälle
Andere Produkte, dieselbe Grundlage.
- 01
Fintechs
Machen Sie Transaktionsfeeds für Menschen leichter verständlich.
PAYPAL *ADOBEwird zuHändlerAdobe
- 02
Buchhaltungsplattformen
Ergänzen Sie Händler- und Kategoriekontext, bevor Transaktionen in einen Prüfprozess gehen.
REWE SAGT DANKE 1834wird zuKategorieLebensmittel
- 03
Ausgabenmanagement
Bringen Sie mehr Einheitlichkeit in Ausgabenkategorien und Prüfschritte.
PAYPAL *ADOBEwird zuLabelsSOFTWARE · DIGITAL_SERVICE
Testen Sie TXNORA an Ihrem Produkt.
Mit einem kostenlosen Testzugang sehen Sie, welche Felder für Ihren Anwendungsfall wichtig sind. Nach Ihrer Anfrage erhalten Sie Zugang zur API, die Entwicklerdokumentation und unsere Preise.