Für ein Family Office habe ich einen Datenintegrationsprozess entwickelt, der Depot- und Vermögensdaten aus verschiedenen deutschen und Schweizer Banken strukturiert verarbeitet. Ziel war es, einen bislang stark manuellen Prozess zu automatisieren und die Daten so aufzubereiten, dass sie später zuverlässig für Reporting, Kontrolle und Dashboards genutzt werden können.
Technisch basiert der Prozess auf n8n und PostgreSQL. Fachlich geht es aber nicht nur um Automatisierung. Entscheidend ist, dass heterogene Bankdaten in einen konsistenten, nachvollziehbaren und prüfbaren Vermögensbestand überführt werden.
Der Prozess besteht aus vier zentralen Schritten:
- Datenimport
- Identifikation
- manuelle Korrektur
- Datenexport
1. Datenimport: Unterschiedliche Quellen In Ein Gemeinsames Modell Bringen
Am Anfang stehen die Depotdaten verschiedener Banken. Diese Daten liegen je nach Institut in unterschiedlichen Strukturen, Formaten und fachlichen Logiken vor. Spaltennamen, Datumsformate, Währungsangaben, Depotinformationen und Wertpapierkennungen sind nicht einheitlich.
Der Datenimport sorgt dafür, dass diese Unterschiede kontrolliert verarbeitet werden. Die Rohdaten werden eingelesen, bereinigt und in vorbereitete SQL-Strukturen überführt. Dort liegen sie je Datenquelle in einem Format vor, das für die weitere Verarbeitung geeignet ist.
Wichtig ist dabei die Trennung zwischen aktuellem Bestand und Vergleichsbestand aus dem Vorquartal. Erst wenn beide sauber vorbereitet sind, kann der eigentliche Veränderungsvergleich beginnen.
2. Identifikation: Was Hat Sich Gegenüber Dem Vorquartal Verändert?
Im zweiten Schritt wird geprüft, wie sich der aktuelle Bestand gegenüber dem Vorquartal verändert hat. Der Prozess versucht, Positionen aus beiden Beständen eindeutig miteinander zu verbinden.
Dabei werden je Datenquelle unterschiedliche Merkmale genutzt: zum Beispiel Kontokennungen, Wertpapierkennungen, Depotinformationen, Positionsnummern oder Kombinationen aus Name und Gesellschaft. Der Prozess arbeitet bewusst mehrstufig: zuerst mit stabileren Merkmalen, danach mit ergänzenden Regeln.
Automatisch übernommen werden nur eindeutige Treffer. Wenn eine aktuelle Position genau einer historischen Position zugeordnet werden kann, wird sie als fortzuführender Bestand behandelt. Positionen, die nur im aktuellen Bestand vorkommen, gelten zunächst als neue Positionen. Positionen, die nur im Vorquartal vorkommen, werden als potenzielle Abgänge markiert.
Fälle, die nicht eindeutig gelöst werden können, werden bewusst als Konflikte sichtbar gemacht. Der Prozess rät nicht, sondern trennt klare Entscheidungen von prüfpflichtigen Fällen.
3. Manuelle Korrektur: Fachliche Entscheidung Für Konfliktfälle
Nicht jede Zuordnung lässt sich zuverlässig automatisieren. Gerade bei Vermögensdaten gibt es Fälle, in denen technische Schlüssel fehlen, Namen ähnlich sind oder Positionen zwischen zwei Stichtagen anders geliefert werden.
Dafür enthält der Prozess einen kontrollierten Schritt zur manuellen Korrektur. Konfliktfälle werden in einer strukturierten Worklist bereitgestellt, die fachlich geprüft werden kann. Dort wird entschieden, ob ein Datensatz aktualisiert, neu angelegt, entfernt, übersprungen oder offen gelassen werden soll.
Wichtig ist: Die manuelle Korrektur ist kein freier Eingriff in die Datenbank. Die Entscheidung wird dokumentiert, wieder kontrolliert eingelesen und anschließend in klare Ergebnisgruppen übersetzt. So bleiben Verarbeitungslauf, Entscheidungsgrundlage und spätere Weiterverarbeitung nachvollziehbar miteinander verbunden.
4. Datenexport: Kontrollierte Übergabe Der Finalen Ergebnisse
Im letzten Schritt werden die finalisierten Ergebnisse exportiert. Der Export trifft keine neuen fachlichen Entscheidungen mehr. Er macht sichtbar, was in den vorherigen Schritten entschieden wurde.
Ausgegeben werden strukturierte Ergebnisgruppen: Aktualisierungen, neue Positionen, weggefallene Positionen und offene Fälle. Diese können als Excel-Dateien für Kontrolle, Übergabe oder weitere Verarbeitung genutzt werden.
Vor der Ausgabe sind zusätzliche Prüfungen sinnvoll, etwa auf doppelte Zuordnungen oder Positionen, die versehentlich in mehreren Ergebnisgruppen auftauchen. Dadurch wird der Export nicht nur zu einer technischen Ausleitung, sondern zu einem kontrollierten Abschluss des Datenintegrationsprozesses.
Warum Diese Struktur Wichtig Ist
Der eigentliche Nutzen liegt in der klaren Trennung der Prozessschritte. Jeder Schritt hat eine eigene Aufgabe:
Der Import bereitet Daten vor.
Die Identifikation erkennt Veränderungen.
Die manuelle Korrektur klärt unsichere Fälle.
Der Export übergibt finalisierte Ergebnisse.
Diese Struktur macht den Prozess robuster, prüfbarer und besser erweiterbar. Gerade für ein Family Office ist das wichtig, weil Vermögensdaten nicht nur vollständig sein müssen, sondern auch erklärbar: Woher kommt eine Position? Warum wurde sie aktualisiert? Warum wurde sie deaktiviert? Welche Fälle wurden manuell entschieden?
Nächste Ausbaustufe: Dashboards
Der Datenintegrationsprozess ist die Grundlage für die nächste Ausbaustufe: Dashboards.
Sobald die Depotdaten strukturiert, historisiert und fachlich geprüft in SQL vorliegen, können darauf Auswertungen aufgebaut werden. Dazu gehören etwa Vermögensübersichten, Allokationen, Entwicklungen über Quartale, Währungsanalysen, Bankvergleiche oder Kontrollansichten für offene und manuell entschiedene Fälle.
Damit verschiebt sich der Nutzen deutlich: Aus einzelnen Bankexporten entsteht nicht nur ein bereinigter Datenbestand, sondern eine belastbare Reporting-Basis für Steuerung, Kontrolle und Entscheidungsunterstützung im Family Office.
der Kern guter Datenintegration
Der entwickelte Prozess automatisiert nicht einfach nur den Import von Bankdaten. Er bildet eine kontrollierte Datenstrecke vom heterogenen Bankexport bis zum prüfbaren SQL-Bestand.
Für mich ist genau das der Kern guter Datenintegration: Automatisierung dort, wo Regeln eindeutig sind. Manuelle Kontrolle dort, wo fachliche Bewertung notwendig ist. Und am Ende ein Datenbestand, der nicht nur verarbeitet wurde, sondern nachvollziehbar und belastbar für Dashboards und Reporting genutzt werden kann.
Kommentar verfassen