Betrag und Händlernamen
aus einer Bank-SMS-Benachrichtigung extrahieren

Warum dieselbe Transaktion bei jeder Bank anders aussieht

Bank-SMS-Benachrichtigungen folgen einem grundlegenden Muster — Kartenkennung, Betrag, Händler, Datum — aber jedes Institut ordnet sie in eigener Reihenfolge an. Ein Kauf von $42,50 bei AMAZON.COM erzeugt deutlich unterschiedliche Nachrichten:

In der Chase-Version ist der Betrag das dritte Wort nach dem Doppelpunkt (von $42,50). In der Amex-Version steht er ebenfalls weit vorne. In der Wells-Fargo-Version sitzt er zwischen Kauf von und wurde getätigt. Jede Nachricht ist für einen Menschen perfekt lesbar, aber der Betrag „wandert“ im Text umher, weil jede Bank eine andere Satzvorlage verwendet. Auch der Händlername variiert: Manche Banken verwenden den vollständigen rechtlichen Namen (AMAZON.COM), andere kürzen ihn ab, und einige fügen die Stadt oder den Bundesstaat des Händlers hinzu, wenn der Name allein Verwirrung stiften könnte.

Diese Formatvarianz ist der Hauptgrund, warum ein einfacher Kopier-Einfügen-Ansatz scheitert. Wenn Sie zehn Benachrichtigungen von vier verschiedenen Banken als Screenshot aufnehmen, erscheint das Dollarzeichen des Betrags in fast jeder Nachricht an einer anderen Zeichenposition. Ein Tool, das das Dollarzeichen an der „üblichen Stelle“ sucht, wird die Hälfte davon übersehen.

Was herkömmliche OCR bei einem SMS-Screenshot übersieht

Herkömmliche OCR (optische Zeichenerkennung) liest Text, indem sie Formen findet, die wie Buchstaben und Zahlen aussehen, und gibt dann alles in Lesereihenfolge aus. Sie versteht nicht, dass $42.50 der Preis ist, während 03/15/2025 das Datum ist. Beides sind nur Zeichenfolgen in derselben Zeile.

Bei einem sauberen, strukturierten Dokument wie einer Rechnung ist diese Einschränkung beherrschbar, weil das Layout selbst verrät, welche Zahl welche ist — die Summe steht in der unteren rechten Zelle, das Datum neben “Datum:”. Eine Bank-SMS-Benachrichtigung hat jedoch keine solche visuelle Struktur. Sie besteht aus einem oder zwei Sätzen. Das Dollarzeichen und der Händlername stehen nebeneinander, ohne Spaltentrenner oder Beschriftung, die sie voneinander trennt. OCR liefert Ihnen einen Textblock und überlässt es Ihnen, herauszufinden, welche Teilzeichenfolge der Betrag ist.

“Der Unterschied ist einfach: OCR sieht eine Zeichenfolge. Visuelle KI sieht eine Transaktion.”

Hier wird die Grenze zwischen OCR und dem, was die Branche KI-Datenextraktion (oder visionsbasierte Extraktion) nennt, zu einem praktischen Unterschied, nicht nur zu einem technischen. Optische Zeichenerkennung kann Ihnen sagen, welche Zeichen auf dem Screenshot erscheinen. Ein Vision Language Model kann Ihnen sagen, welche dieser Zeichen der Transaktionsbetrag und welche der Händlername ist.

So erkennt visuelle KI Betrag und Händler

Statt von links nach rechts zu scannen und den gesamten gefundenen Text auszugeben, betrachtet ein Vision Language Model den Screenshot so, wie es ein Mensch tut: Es liest die Nachricht, versteht den Kontext („das ist eine Banktransaktionsbenachrichtigung”) und identifiziert die Teile, die zu dem passen, was es über eine Transaktion weiß — einen Betrag (normalerweise mit Dollarzeichen), einen Händlernamen (normalerweise in Großbuchstaben oder nach „at”) und ein Datum.

Darauf basiert Custom Column Extraction: Sie definieren die gewünschten Spalten — in diesem Fall Betrag und Händlername — und die KI findet die entsprechenden Werte, indem sie versteht, was sie bedeuten, nicht indem sie rät, wo sie auf dem Bildschirm normalerweise stehen. Das gleiche Prinzip gilt, ob Sie Daten aus einer Bank-SMS, einem Zahlungsscreenshot, der keine Tabelle ist, oder einer Rechnung in einem noch nie gesehenen Format extrahieren. Anders als bei vorlagenbasierten Tools, bei denen Sie das System für jedes Bankformat „trainieren” oder ein Feld um das Dollarzeichen zeichnen müssten, funktioniert die semantische Extraktion, ohne sich darum zu kümmern, ob Chase den Betrag ins dritte Wort setzt oder Amex ihn ins letzte Wort.

Der praktische Effekt: Das gleiche Zwei-Spalten-Setup (Betrag, Händlername) verarbeitet eine Chase-SMS, eine Bank-of-America-SMS, eine Wells-Fargo-SMS und eine Amex-SMS in einem Durchgang. Sie sagen der KI nicht „schau auf Position X auf dem Bildschirm”. Sie sagen ihr, was Sie wollen, und sie findet es.

Von SMS-Screenshots zu einer Tabelle

Das Extrahieren der Daten aus einem Stapel von SMS-Benachrichtigungs-Screenshots folgt dem gleichen Workflow, egal ob Sie drei Nachrichten von dieser Woche oder dreißig vom letzten Monat haben.

Derselbe Ansatz funktioniert, egal ob die SMS-Benachrichtigungen Screenshots der iPhone-Nachrichten-App (die Chat-Blasen-Stil verwendet), der Standard-SMS-App von Android (die ein anderes Kartenlayout verwendet) oder sogar ein Gmail-Screenshot sind, wenn Sie Benachrichtigungen per E-Mail statt per SMS erhalten. Die visuelle KI hängt nicht vom Stil des Containers ab — sie liest den Textinhalt und identifiziert die Transaktionsfelder darin.

Wenn die SMS auch eine Bestellnummer oder Sendungsverfolgungsnummer enthält (z. B. eine Kaufbestätigung, die Bankbenachrichtigung und Bestellbenachrichtigung kombiniert), gilt dasselbe Prinzip — das Konzept lässt sich natürlich von Bankbenachrichtigungen auf SMS-Bestellbestätigungen übertragen, bei denen die Aufgabe darin besteht, eine Sendungsverfolgungsnummer statt eines Händlernamens zu extrahieren.

Was dieser Ansatz nicht abdeckt

Die visuelle KI-Extraktion aus SMS-Screenshots verarbeitet die Kernfelder zuverlässig, hat aber klare Grenzen, die Sie kennen sollten:

• Nur Screenshots — diese Methode funktioniert mit Bildern, die Sie aufgenommen haben. Sie liest SMS-Nachrichten nicht direkt aus der Nachrichtendatenbank Ihres Telefons (dafür wäre eine App mit SMS-Berechtigungen erforderlich, was eine völlig andere Produktkategorie ist).
• Der Bildausschnitt ist entscheidend — wenn der Screenshot das Dollarzeichen abschneidet oder den Händlernamen abschneidet, kann die KI nur mit dem arbeiten, was sichtbar ist. Ein Screenshot in voller Höhe, der den gesamten Benachrichtigungstext zeigt, liefert das beste Ergebnis.
• Nicht-englische Benachrichtigungen — die Kernfelder (Betrag und Datum) funktionieren sprachübergreifend gut, da Ziffern universell sind. Eine Chase-Benachrichtigung auf Spanisch beginnt weiterhin mit „Chase:“ und enthält einen Dollar-Betrag. Regionalbanken in nicht-englischsprachigen Märkten können ein anderes Format verwenden.
• Gestapelte Benachrichtigungen — einige Telefone gruppieren mehrere SMS-Benachrichtigungen in einem einzigen Screenshot. Wenn Sie eine Sperrbildschirm-Ansicht mit vier übereinander gestapelten Bank-Benachrichtigungen erfassen, kann die KI einzelne Beträge und Händler innerhalb des Screenshots weiterhin identifizieren.

Häufig gestellte Fragen

Der Betrag und der Händlername in einer Bank-SMS-Benachrichtigung stehen im Klartext. Die Herausforderung war nie, dass die Daten unzugänglich sind — sondern dass jede Bank sie anders formatiert und herkömmliche Extraktionstools nicht verstehen, was die Zahlen bedeuten. Visuelle KI beseitigt diesen Engpass, indem sie die Nachricht semantisch liest — genau wie Sie es tun — und das Ergebnis in eine Tabelle überführt, die Sie sofort nutzen können.