3 Beiträge mit „Unternehmensbuchhaltung“ markiert

Ein Blick auf Puzzle.io: KI- und Chat-Technologie in der Unternehmensbuchhaltung

Das Finanztechnologieunternehmen Puzzle.io bietet eine KI-gesteuerte Buchhaltungsplattform an. Als „KI-natives“ System positioniert, zielt es darauf ab, eine Alternative zu herkömmlicher Buchhaltungssoftware zu bieten. Das Unternehmen gibt an, dass seine Mission darin besteht, „die nächste Generation von Buchhaltungssoftware aufzubauen – ein System finanzieller Intelligenz, das Gründern hilft, bessere Geschäftsentscheidungen zu treffen.“ Puzzle.io richtet sich an Startup-Gründer, Finanzteams und Buchhaltungsfirmen, wobei der Fokus auf der Bereitstellung von Echtzeit-Finanzeinblicken und Automatisierung liegt.

Herausforderungen der Unternehmensbuchhaltung gemeistert​

Puzzle.io nutzt KI- und Konversationstechnologien, um mehrere gängige Herausforderungen in der Unternehmensfinanzierung und im operativen Geschäft zu bewältigen:

• Automatisierung repetitiver Buchhaltungsaufgaben: Die Plattform zielt darauf ab, Aufgaben wie die Transaktionskategorisierung, Abstimmungen, Datenerfassung und Validierung zu automatisieren. Puzzle.io berichtet, dass seine KI etwa 90 % der Transaktionen automatisch kategorisieren kann, um den manuellen Aufwand und Fehler zu reduzieren und Buchhaltungsexperten die Konzentration auf analytische und strategische Arbeit zu ermöglichen.
• Echtzeit-Finanzinformationen und Entscheidungsunterstützung: Um Verzögerungen im Zusammenhang mit traditionellen Monatsabschlussprozessen zu begegnen, bietet Puzzle.io Echtzeitdaten und sofortige Finanzberichte. Sein Hauptbuch wird kontinuierlich aus integrierten Bank- und Fintech-Tools aktualisiert. Dies ermöglicht Benutzern den Zugriff auf aktuelle Dashboards zu Kennzahlen wie Cashflow und Burn Rate. Das System umfasst auch die Überwachung finanzieller Anomalien.
• Mitarbeiterunterstützung über Konversationsschnittstellen: Puzzle.io integriert sich in Chat-Plattformen wie Slack und ermöglicht es Mitarbeitern, Finanzinformationen abzufragen und Buchhaltungsaufgaben über einen konversationellen Assistenten zu erledigen. Eine Fallstudie zeigte, dass ein Partnerunternehmen einen KI-gestützten Slackbot unter Verwendung der APIs von Puzzle.io entwickelte, der es Benutzern ermöglichte, Daten wie aktuelle Kassenbestände direkt in Slack abzufragen.
• Verbesserte Zusammenarbeit und Kundenservice: Die Plattform integriert Kommunikationstools in den Buchhaltungs-Workflow, sodass Benutzer Kollegen oder Kunden bei spezifischen Transaktionen markieren können. Eine "KI-Kategorisierer"-Funktion wurde entwickelt, um Buchhaltern zu helfen, schnellere Kundenantworten zu erhalten, indem sie einfache Fragen zu Transaktionen formuliert.
• Compliance und Wissensmanagement: Die KI von Puzzle.io soll die Compliance unterstützen, indem sie sich auf Datenvollständigkeit und -genauigkeit konzentriert. Sie verwendet natürliche Sprachverarbeitung (NLP), um unstrukturierte Daten aus Dokumenten wie PDFs und Rechnungen aufzunehmen und zu interpretieren und relevante Informationen zu extrahieren. Die Plattform verfügt über Anomalieerkennung und einen Monatsabschlussbericht, der potenzielle Inkonsistenzen hervorhebt. Sie führt ein unveränderliches, nur-anhängendes Ledger als Prüfpfad.

KI-gestützte Funktionen und Konversationsfähigkeiten​

Die Plattform von Puzzle.io integriert mehrere KI-gesteuerte Funktionen:

• KI-natives Hauptbuch: Das Hauptbuch wird als "von Grund auf neu aufgebaut" beschrieben. Es nimmt Daten aus verschiedenen Quellen auf und verwendet Algorithmen für die automatische Buchung von Einträgen. Die KI-gestützte Kategorisierung lernt aus historischen Daten, mit einer gemeldeten Genauigkeit von bis zu 95 %, die sich mit der Zeit verbessert. Auch die Anomalieerkennung ist eine Funktion.
• Verarbeitung natürlicher Sprache (NLP) für Buchhaltungsdaten: Die Plattform nutzt LLMs und NLP zur Interpretation von Finanzinformationen. Dazu gehört das "Verständnis von Dokumenten und Belegen", bei dem das System Daten aus PDFs und Kontoauszügen extrahiert. NLP wird auch auf die Transaktionskategorisierung angewendet, indem Beschreibungen und Notizen verstanden werden. Die KI kann auch Abfragen in natürlicher Sprache für Benutzer generieren, wenn weitere Informationen benötigt werden.
• Konversationsschnittstelle und Chatbot-Integration: Die APIs von Puzzle.io ermöglichen die Integration mit Chat-Plattformen. Der bereits erwähnte Slackbot, der vom Partner Central entwickelt wurde, ermöglicht es Benutzern, Finanzdaten abzufragen und Buchhaltungsaufgaben konversationell zu lösen. Benutzer haben dies als "ein komplettes Buchhaltungs-Backoffice, das in Slack basiert" beschrieben.
• Einsatz von ChatGPT und großen Sprachmodellen: Der im Fallbeispiel von Central erwähnte Slack-basierte Buchhaltungsassistent wurde "unter Verwendung von ChatGPT und Puzzle" entwickelt. LLMs wie ChatGPT sollen das Verständnis natürlicher Sprache und die Generierung von Antworten übernehmen, während Puzzle.io die Finanzdaten bereitstellt und Buchhaltungsaktionen ausführt. Der CEO des Unternehmens bemerkte, dass Fortschritte wie das Bestehen der CPA-Prüfung durch GPT-4 einen "Wendepunkt" für die Entwicklung der Plattform darstellten.
• Echtzeit-Integrationen und APIs: Die Plattform integriert sich über Echtzeit-APIs mit verschiedenen Fintech- und Unternehmens-Tools (z. B. Stripe, Gusto, Rippling). Sie bietet auch eine Embedded Accounting API für Entwickler, um die Buchhaltungsautomatisierung in ihre eigenen Anwendungen zu integrieren, wie von Central demonstriert.
• Mensch-in-der-Schleife-Kontrollen: KI-generierte Kategorisierungen und Auszüge können von menschlichen Buchhaltern überprüft werden. Von der KI kategorisierte Posten werden zur Überprüfung markiert, und Feedback wird zur Schulung der KI verwendet. Ein monatlicher "KI-Überprüfungsbericht" kennzeichnet Anomalien zur menschlichen Aufmerksamkeit.

Anwendungsfälle und Branchenanwendungen​

Die Lösungen von Puzzle.io wurden in verschiedenen Unternehmenskontexten eingesetzt:

• Finanz- und Buchhaltungsabteilungen: Die Plattform wird eingesetzt, um den Zeitaufwand für den Monatsabschluss und die Transaktionsverarbeitung zu reduzieren. Wirtschaftsprüfungsgesellschaften, die Puzzle.io nutzen, haben Zeitersparnisse von etwa 25% beim Monatsabschluss für Startup-Kunden gemeldet.
• All-in-One Back-Office-Plattformen: Central, ein HR-/Fintech-Startup, hat sich mit Puzzle.io zusammengetan, um die Buchhaltungskomponente seiner einheitlichen Plattform für Gehaltsabrechnung, Sozialleistungen, Compliance und Buchführung zu betreiben. Diese Integration ermöglicht die Bearbeitung von Buchhaltungsaufgaben über einen Slack-Assistenten parallel zu HR-Aufgaben.
• IT- und Mitarbeitersupport (Finanz-Chatbot als Dienstleistung): Ähnlich wie IT-Support-Chatbots kann ein von Puzzle.io betriebener Chat-Assistent finanzbezogene Mitarbeiteranfragen (z.B. Spesenrichtlinien, Rechnungsstatus) in Plattformen wie Microsoft Teams oder Slack beantworten.
• Branchenspezifische Finanzautomatisierung: Die Plattform kann startupspezifische Kennzahlen (z.B. ARR, MRR) berechnen und mehrere Rechnungslegungsgrundlagen verwalten. Professionelle Dienstleistungsunternehmen können es zur automatischen Kategorisierung von Ausgaben nach Projekt oder Kunde nutzen.

Vergleich mit konkurrierenden KI-Chat-Lösungen​

Puzzle.io konzentriert sich speziell auf Buchhaltung und Finanzen und unterscheidet sich damit von breiteren KI-Lösungen für Unternehmen. Hier ist ein kurzer Vergleich:

Vergleichende Perspektive: Puzzle.io ist auf Finanzen spezialisiert und bietet domänenspezifische Buchhaltungsintelligenz. Plattformen wie Moveworks, Forethought und Aisera decken breitere Support-Szenarien in IT, HR und Kundenservice ab. Während alle fortschrittliche KI, einschließlich LLMs, nutzen, wendet Puzzle.io diese zur Automatisierung von Buchhaltungs-Workflows an, wohingegen sich die anderen im Allgemeinen auf die Automatisierung von Support-Interaktionen oder Kundenservice konzentrieren. Diese Lösungen könnten innerhalb eines Unternehmens komplementär sein.

Puzzle.io’s KI-Stack und Technische Architektur​

Die technische Grundlage von Puzzle.io umfasst:

• Neu aufgebauter Buchhaltungskern: Die Plattform verwendet ein unveränderliches, nur-anhängendes Ledgersystem, das für Prüfprotokolle (Audit-Trails) und KI-Verarbeitung konzipiert ist und Echtzeitanalyse ermöglicht.
• Mehrere KI-Modelle für Genauigkeit: Laut Sasha Orloff, CEO von Puzzle.io, werden "verschiedene maschinelle Lernmodelle und KI-Modelle für unterschiedliche Kompetenzniveaus" eingesetzt. Dies umfasst Modelle für Klassifizierung, Anomalieerkennung und einen zweistufigen generativen und Validierungsprozess für Finanzberichte.
• Integration von natürlicher Sprache und LLMs: LLMs sind für Aufgaben wie das Parsen von Textdaten und das Antreiben von Konversationsschnittstellen (z. B. ChatGPT in Slack) integriert. Das Unternehmen hat angedeutet, dass LLM-Fortschritte entscheidend für seine Entwicklung waren. Daten werden wahrscheinlich so verwaltet, dass Datenschutz und Genauigkeit bei der Interaktion mit allgemeinen Sprachmodellen gewährleistet sind.
• API-zentriertes und Microservices-Design: Die Plattform scheint eine Microservices-Architektur zu verwenden, deren Funktionen über APIs zugänglich sind, wie z. B. ihre "Eingebettete Buchhaltungs-API". Sie wird als "ein ereignisgesteuertes System, das auf strengen Rechnungslegungsstandards trainiert ist" beschrieben, was auf eine Echtzeitverarbeitung von Transaktionsereignissen hindeutet.
• Sicherheits- und Datenschutzmaßnahmen: Puzzle.io betont "Datensicherheit, Genauigkeit, Prüfbarkeit und Produktransparenz". Dies beinhaltet wahrscheinlich Datenverschlüsselung, Zugriffskontrollen und sichere Praktiken für den Umgang mit sensiblen Finanzdaten, insbesondere bei der Interaktion mit externen KI-Modellen. Das nur-anhängende Hauptbuch unterstützt zudem Prüfbarkeit und Erklärbarkeit.

Zusammenfassend wendet Puzzle.io KI- und Chat-Technologie auf die Unternehmensbuchhaltung an, mit einem Fokus auf Automatisierung, Echtzeit-Einblicke und verbesserte Zusammenarbeit. Die Architektur ist um ein KI-natives Hauptbuch, NLP und Integrationen herum aufgebaut, ergänzt durch menschliche Aufsichtsmechanismen.

Kleinunternehmer verbringen durchschnittlich 11 Stunden pro Monat mit der manuellen Kategorisierung von Ausgaben – fast drei volle Arbeitswochen pro Jahr sind der Dateneingabe gewidmet. Eine QuickBooks-Umfrage aus dem Jahr 2023 zeigt, dass 68 % der Geschäftsinhaber die Ausgabenverfolgung als ihre frustrierendste Buchhaltungsaufgabe einstufen, doch nur 15 % haben Automatisierungslösungen eingeführt.

Klartext-Buchhaltung, unterstützt durch Tools wie Beancount, bietet einen neuen Ansatz für das Finanzmanagement. Durch die Kombination einer transparenten, programmierbaren Architektur mit modernen KI-Funktionen können Unternehmen eine hochpräzise Ausgabenkategorisierung erreichen und gleichzeitig die volle Kontrolle über ihre Daten behalten.

Dieser Leitfaden führt Sie durch den Aufbau eines Ausgabenautomatisierungssystems, das auf die einzigartigen Muster Ihres Unternehmens zugeschnitten ist. Sie erfahren, warum traditionelle Software nicht ausreicht, wie Sie Beancounts Klartext-Grundlage nutzen können und welche praktischen Schritte zur Implementierung adaptiver maschineller Lernmodelle erforderlich sind.

Die versteckten Kosten des manuellen Ausgabenmanagements​

Die manuelle Ausgabenkategorisierung kostet nicht nur Zeit – sie untergräbt auch das Geschäftspotenzial. Bedenken Sie die Opportunitätskosten: Die Stunden, die Sie mit dem Abgleich von Belegen mit Kategorien verbringen, könnten stattdessen das Geschäftswachstum ankurbeln, Kundenbeziehungen stärken oder Ihre Angebote verfeinern.

Eine aktuelle Umfrage von Accounting Today ergab, dass Kleinunternehmer wöchentlich 10 Stunden für Buchhaltungsaufgaben aufwenden. Über den Zeitverlust hinaus bergen manuelle Prozesse Risiken. Nehmen Sie den Fall einer Digitalmarketing-Agentur, die feststellte, dass ihre manuelle Kategorisierung die Reisekosten um 20 % erhöht hatte, was ihre Finanzplanung und Entscheidungsfindung verzerrte.

Schlechtes Finanzmanagement bleibt laut der Small Business Administration eine Hauptursache für das Scheitern von Kleinunternehmen. Falsch klassifizierte Ausgaben können Rentabilitätsprobleme verschleiern, Kosteneinsparungsmöglichkeiten übersehen und Kopfschmerzen in der Steuersaison verursachen.

Beancounts Architektur: Wo Einfachheit auf Leistung trifft​

Beancounts Klartext-Grundlage wandelt Finanzdaten in Code um, wodurch jede Transaktion verfolgbar und KI-bereit wird. Im Gegensatz zu traditioneller Software, die in proprietären Datenbanken gefangen ist, ermöglicht Beancounts Ansatz die Versionskontrolle durch Tools wie Git, wodurch ein Prüfpfad für jede Änderung entsteht.

Diese offene Architektur ermöglicht eine nahtlose Integration mit Programmiersprachen und KI-Tools. Eine Digitalmarketing-Agentur berichtete, dass sie monatlich 12 Stunden durch benutzerdefinierte Skripte einsparte, die Transaktionen automatisch basierend auf ihren spezifischen Geschäftsregeln kategorisieren.

Das Klartextformat stellt sicher, dass Daten zugänglich und portabel bleiben – keine Anbieterbindung bedeutet, dass Unternehmen sich an die Entwicklung der Technologie anpassen können. Diese Flexibilität, kombiniert mit robusten Automatisierungsfunktionen, schafft eine Grundlage für ein ausgeklügeltes Finanzmanagement, ohne die Einfachheit zu opfern.

Erstellen Ihrer Automatisierungspipeline​

Der Aufbau eines Ausgabenautomatisierungssystems mit Beancount beginnt mit der Organisation Ihrer Finanzdaten. Gehen wir eine praktische Implementierung anhand realer Beispiele durch.

1. Einrichten Ihrer Beancount-Struktur​

Richten Sie zunächst Ihre Kontostruktur und Kategorien ein:

2025-01-01 open Assets:Business:Checking
2025-01-01 open Expenses:Office:Supplies
2025-01-01 open Expenses:Software:Subscriptions
2025-01-01 open Expenses:Marketing:Advertising
2025-01-01 open Liabilities:CreditCard

2. Erstellen von Automatisierungsregeln​

Hier ist ein Python-Skript, das die automatische Kategorisierung demonstriert:

import pandas as pd
from datetime import datetime

def categorize_transaction(description, amount):
    rules = {
        'ADOBE': 'Expenses:Software:Subscriptions',
        'OFFICE DEPOT': 'Expenses:Office:Supplies',
        'FACEBOOK ADS': 'Expenses:Marketing:Advertising'
    }
    
    for vendor, category in rules.items():
        if vendor.lower() in description.lower():
            return category
    return 'Expenses:Uncategorized'

def generate_beancount_entry(row):
    date = row['date'].strftime('%Y-%m-%d')
    desc = row['description']
    amount = abs(float(row['amount']))
    category = categorize_transaction(desc, amount)
    
    return f'''
{date} * "{desc}"
    {category}                               {amount:.2f} USD
    Liabilities:CreditCard                  -{amount:.2f} USD
'''

3. Verarbeiten von Transaktionen​

So sehen die automatisierten Einträge in Ihrer Beancount-Datei aus:

2025-05-01 * "ADOBE CREATIVE CLOUD"
    Expenses:Software:Subscriptions            52.99 USD
    Liabilities:CreditCard                   -52.99 USD

2025-05-02 * "OFFICE DEPOT #1234 - PRINTER PAPER"
    Expenses:Office:Supplies                  45.67 USD
    Liabilities:CreditCard                   -45.67 USD

2025-05-03 * "FACEBOOK ADS #FB12345"
    Expenses:Marketing:Advertising           250.00 USD
    Liabilities:CreditCard                  -250.00 USD

Tests erweisen sich als entscheidend – beginnen Sie mit einer Teilmenge von Transaktionen, um die Genauigkeit der Kategorisierung zu überprüfen. Die regelmäßige Ausführung über Aufgabenplaner kann monatlich über 10 Stunden einsparen und Ihnen so Zeit für strategische Prioritäten verschaffen.

Hohe Genauigkeit durch fortgeschrittene Techniken erreichen​

Lassen Sie uns untersuchen, wie maschinelles Lernen mit Musterabgleich für eine präzise Kategorisierung kombiniert werden kann.

Musterabgleich mit regulären Ausdrücken​

import re

patterns = {
    r'(?i)aws.*cloud': 'Expenses:Cloud:AWS',
    r'(?i)(zoom|slack|notion).*subscription': 'Expenses:Software:Subscriptions',
    r'(?i)(uber|lyft|taxi)': 'Expenses:Travel:Transport',
    r'(?i)(marriott|hilton|airbnb)': 'Expenses:Travel:Accommodation'
}

def regex_categorize(description):
    for pattern, category in patterns.items():
        if re.search(pattern, description):
            return category
    return None

Integration von maschinellem Lernen​

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
import re
from typing import List, Tuple

class ExpenseClassifier:
    def __init__(self):
        self.vectorizer = TfidfVectorizer()
        self.classifier = MultinomialNB()
    
    def parse_beancount_entries(self, beancount_text: str) -> List[Tuple[str, str]]:
        """Parse Beancount entries into (description, category) pairs."""
        entries = []
        for line in beancount_text.split('\n'):
            # Look for transaction descriptions
            if '* "' in line:
                desc = re.search('"(.+)"', line)
                if desc:
                    description = desc.group(1)
                    # Get the next line which should contain the expense category
                    next_line = next(filter(None, beancount_text.split('\n')[beancount_text.split('\n').index(line)+1:]))
                    if 'Expenses:' in next_line:
                        category = next_line.split()[0].strip()
                        entries.append((description, category))
        return entries
        
    def train(self, beancount_text: str):
        """Train the classifier using Beancount entries."""
        entries = self.parse_beancount_entries(beancount_text)
        if not entries:
            raise ValueError("No valid entries found in training data")
            
        descriptions, categories = zip(*entries)
        X = self.vectorizer.fit_transform(descriptions)
        self.classifier.fit(X, categories)
        
    def predict(self, description: str) -> str:
        """Predict category for a new transaction description."""
        X = self.vectorizer.transform([description])
        return self.classifier.predict(X)[0]

# Example usage with training data:
classifier = ExpenseClassifier()

training_data = """
2025-04-01 * "AWS Cloud Services Monthly Bill" 
    Expenses:Cloud:AWS                         150.00 USD
    Liabilities:CreditCard                   -150.00 USD

2025-04-02 * "Zoom Monthly Subscription"
    Expenses:Software:Subscriptions            14.99 USD
    Liabilities:CreditCard                    -14.99 USD
    
2025-04-03 * "AWS EC2 Instances"
    Expenses:Cloud:AWS                         250.00 USD
    Liabilities:CreditCard                    -250.00 USD

2025-04-04 * "Slack Annual Plan"
    Expenses:Software:Subscriptions           120.00 USD
    Liabilities:CreditCard                   -120.00 USD
"""

# Train the classifier
classifier.train(training_data)

# Test predictions
test_descriptions = [
    "AWS Lambda Services",
    "Zoom Webinar Add-on",
    "Microsoft Teams Subscription"
]

for desc in test_descriptions:
    predicted_category = classifier.predict(desc)
    print(f"Description: {desc}")
    print(f"Predicted Category: {predicted_category}\n")

Diese Implementierung umfasst:

• Korrekte Analyse von Beancount-Einträgen
• Trainingsdaten mit mehreren Beispielen pro Kategorie
• Typ-Hints für bessere Code-Klarheit
• Fehlerbehandlung für ungültige Trainingsdaten
• Beispielvorhersagen mit ähnlichen, aber ungesehenen Transaktionen

Kombination beider Ansätze​

2025-05-15 * "AWS Cloud Platform - Monthly Usage"
    Expenses:Cloud:AWS                        234.56 USD
    Liabilities:CreditCard                   -234.56 USD

2025-05-15 * "Uber Trip - Client Meeting"
    Expenses:Travel:Transport                  45.00 USD
    Liabilities:CreditCard                    -45.00 USD

2025-05-16 * "Marriott Hotel - Conference Stay"
    Expenses:Travel:Accommodation             299.99 USD
    Liabilities:CreditCard                   -299.99 USD

Dieser hybride Ansatz erreicht eine bemerkenswerte Genauigkeit durch:

1. Verwendung von Regex für vorhersehbare Muster (Abonnements, Anbieter)
2. Anwendung von ML für komplexe oder neue Transaktionen
3. Aufrechterhaltung einer Feedback-Schleife zur kontinuierlichen Verbesserung

Ein Tech-Startup implementierte diese Techniken, um seine Ausgabenverfolgung zu automatisieren, wodurch die manuelle Bearbeitungszeit monatlich um 12 Stunden reduziert und gleichzeitig eine Genauigkeit von 99 % beibehalten wurde.

Auswirkungen verfolgen und optimieren​

Messen Sie Ihren Automatisierungserfolg anhand konkreter Metriken: eingesparte Zeit, Fehlerreduzierung und Teamzufriedenheit. Verfolgen Sie, wie sich die Automatisierung auf breitere Finanzindikatoren wie die Genauigkeit des Cashflows und die Zuverlässigkeit der Prognosen auswirkt.

Zufällige Stichproben von Transaktionen helfen, die Genauigkeit der Kategorisierung zu überprüfen. Wenn Diskrepanzen auftreten, verfeinern Sie Ihre Regeln oder aktualisieren Sie die Trainingsdaten. In Beancount integrierte Analysetools können Ausgabenmuster und Optimierungsmöglichkeiten aufzeigen, die zuvor in manuellen Prozessen verborgen waren.

Tauschen Sie sich mit der Beancount-Community aus, um neue Best Practices und Optimierungstechniken zu entdecken. Regelmäßige Verfeinerung stellt sicher, dass Ihr System weiterhin Wert liefert, während sich Ihr Unternehmen entwickelt.

Ausblick​

Automatisierte Klartext-Buchhaltung stellt eine grundlegende Veränderung im Finanzmanagement dar. Beanc

Im heutigen Blogbeitrag werden wir ein Beancount-Ledger für Unternehmen aufschlüsseln, das Ihnen helfen wird, die Feinheiten dieses Klartext-Doppiksystems zu verstehen.

Beginnen wir zunächst mit dem Code:

1970-01-01 open Assets:Bank:Mercury
1970-01-01 open Assets:Crypto

1970-01-01 open Equity:Bank:Chase

1970-01-01 open Income:Stripe
1970-01-01 open Income:Crypto:ETH

1970-01-01 open Expenses:COGS
1970-01-01 open Expenses:COGS:Contabo
1970-01-01 open Expenses:COGS:AmazonWebServices

1970-01-01 open Expenses:BusinessExpenses
1970-01-01 open Expenses:BusinessExpenses:ChatGPT

2023-05-14 * "CONTABO.COM" "Mercury Checking ••1234"
  Expenses:COGS:Contabo                               17.49 USD
  Assets:Bank:Mercury                                -17.49 USD

2023-05-11 * "Amazon Web Services" "Mercury Checking ••1234"
  Expenses:COGS:AmazonWebServices                  14490.33 USD
  Assets:Bank:Mercury                             -14490.33 USD

2023-03-01 * "STRIPE" "Mercury Checking ••1234"
  Income:Stripe                                   -21230.75 USD
  Assets:Bank:Mercury                              21230.75 USD

2023-05-18 * "customer_182734" "0x5190E84918FD67706A9DFDb337d5744dF4EE5f3f"
  Assets:Crypto                                         -19 ETH {1,856.20 USD}
  Income:Crypto:ETH                                      19 ETH @@ 35267.8 USD

Den Code verstehen​

1. Konten eröffnen: Der Code beginnt mit der Eröffnung einer Reihe von Konten am 01.01.1970. Dazu gehören eine Mischung aus Aktivkonten (Assets:Bank:Mercury und Assets:Crypto), einem Eigenkapitalkonto (Equity:Bank:Chase), Ertragskonten (Income:Stripe und Income:Crypto:ETH) und Aufwandskonten (Expenses:COGS, Expenses:COGS:AmazonWebServices, Expenses:BusinessExpenses und Expenses:BusinessExpenses:ChatGPT).

2. Transaktionen: Anschließend werden eine Reihe von Transaktionen zwischen dem 01.03.2023 und dem 18.05.2023 erfasst.

   • Die Transaktion vom 14.05.2023 stellt eine Zahlung von 17,49 USD an CONTABO.COM von Mercury Checking ••1234 dar. Dies wird als Aufwand (Expenses:COGS:Contabo) und eine entsprechende Abbuchung vom Konto Assets:Bank:Mercury erfasst.

   • Ähnlich stellt die Transaktion vom 11.05.2023 eine Zahlung von 14.490,33 USD an Amazon Web Services vom selben Bankkonto dar. Dies wird unter Expenses:COGS:AmazonWebServices verbucht.

   • Die Transaktion vom 01.03.2023 zeigt Einnahmen von STRIPE, die auf Mercury Checking ••1234 eingezahlt wurden, in Höhe von insgesamt 21.230,75 USD. Dies wird als Einnahme (Income:Stripe) und als Zugang zum Bankkonto (Assets:Bank:Mercury) erfasst.

   • Die letzte Transaktion vom 18.05.2023 stellt eine Krypto-Transaktion dar, bei der 19 ETH von einem Kunden involviert sind. Dies wird unter Assets:Crypto und Income:Crypto:ETH verfolgt. Die Angabe {1,856.20 USD} zeigt den ETH-Preis zum Zeitpunkt der Transaktion, während @@ 35267.8 USD den Gesamtwert der 19 ETH-Transaktion angibt.

Bei allen Transaktionen wird das Prinzip der doppelten Buchführung beibehalten, wodurch sichergestellt wird, dass die Gleichung Aktiva = Passiva + Eigenkapital stets gültig ist.

Abschließende Gedanken​

Dieses Beancount-Ledger bietet ein unkompliziertes und dennoch robustes System zur Verfolgung von Finanztransaktionen. Wie in der letzten Transaktion zu sehen ist, ist Beancount flexibel genug, um auch nicht-traditionelle Vermögenswerte wie Kryptowährungen zu berücksichtigen, was ein Beweis für seine Nützlichkeit in unserer zunehmend digitalen Finanzlandschaft ist.

Wir hoffen, dass diese Aufschlüsselung Ihnen hilft, die Struktur und die Funktionen von Beancount besser zu verstehen, egal ob Sie ein erfahrener Buchhalter sind oder ein Anfänger, der versucht, seine persönlichen Finanzen im Blick zu behalten. Bleiben Sie dran für unseren nächsten Blogbeitrag, in dem wir uns eingehender mit fortgeschrittenen Beancount-Operationen befassen werden.