PerformanceBlog

Insights von Anton Pütz, Dipl.-Inf. (Univ.)

Optimierung der Finanzverwaltung: Wie ich mit Beancount und LLMs Amazon-Bestellungen effizient analysiere

Seit einigen Jahren nutze ich Beancount, um unsere Familienfinanzen im Blick zu behalten. Beancount ist ein System für die doppelte Buchführung, das auch eine benutzerfreundliche Oberfläche (Fava) bietet, mit der man Einblicke in die Finanzströme gewinnen kann. Dies ist besonders hilfreich, um reale Daten über die Preisentwicklung zu haben und zu überprüfen, ob es falsche Buchungen gab oder ob retournierte Artikel tatsächlich zurückgegeben wurden.

 

Unser Prozess beinhaltet normalerweise das Abrufen von CSV-Dateien mit den Buchungen der Banken/Kreditkarten und die Konsolidierung in einer Datenbank über eine JavaScript-Anwendung. Aus der Datenbank wird dann ein zweiter Prozess mit Python/ML angestoßen, der Kategorien für jede Buchung vorschlägt und die Buchungen im von Beancount erwarteten Format erstellt. So weit, so gut. Wir hatten immer ein Problem mit Buchungen von amazon.de, da man nicht direkt erkennen kann, um welche Art von Buchung es sich handelt (war es etwas für das Haus, Kleidung etc.?). Da wir intensive Amazon-Nutzer sind, haben wir viele Buchungen im Monat.

 

Also brauchten wir eine Lösung, die uns zumindest eine konsolidierte Ansicht der Bestellungen in unseren amazon.de-Konten bietet. Noch besser wäre es, wenn wir die Daten als Input nutzen könnten, um Kontovorschläge per KI zu erhalten. Aber es ist nicht einfach, als normaler Verbraucher die Bestellungen in einem maschinenlesbaren Format wie JSON oder CSV zu bekommen. In den USA gibt es sogar kostenpflichtige Dienste, die dies anbieten, aber sie funktionieren nicht in Europa. Nach einiger Recherche (denn wahrscheinlich bin ich nicht der Einzige mit diesem Problem) und dem Fehlen einer praktischen Lösung (es gibt Chrome-Erweiterungen, die versuchen, eine CSV-Datei zu generieren, aber das lief nicht so reibungslos wie erwartet) kam ich zu der Erkenntnis, dass ich eine andere Art von Lösung benötigte.

 

Dann kam mir der Gedanke, dass ich meine Daten vielleicht auf eine andere Weise erhalten könnte: Amazon sendet nach jeder Bestellung eine Zusammenfassung der Bestellung über bestellbestaetigung@amazon.de. Das Parsen dieser E-Mails könnte das gewünschte Ergebnis bringen.

Als Gmail-Nutzer kann ich die leistungsstarke API von Gmail nutzen, um den Text dieser E-Mails abzurufen, was ich mit einem weiteren Python-Skript getan habe.

 

Mithilfe eines LLM konnte ich dann eine JSON-Datei mit folgendem Prompt erstellen: „Sie sind ein Parser-Experte. Ich werde Ihnen einen Text übermitteln, der den Inhalt von E-Mails enthält, die Amazon nach jeder Bestellung sendet. Extrahieren Sie die Bestellnummer, das Bestelldatum, die bestellten Artikel und deren Preis sowie den Gesamtpreis dieser Bestellung. Geben Sie dies als JSON zurück. Der Text wird zwischen Dollar-Zeichen ($) bereitgestellt. Hier beginnt er $<text>$“.

 

 

 

Dies lieferte ein JSON für diese E-Mail, das so aussieht:

				
					{
    "order_number": "000-0000000-0000000",
    "order_date": "Donnerstag, 1. Januar",
    "articles": [
        {"name": "Artikel 1", "price": "EUR 0,00"},
        {"name": "Artikel 2", "price": "EUR 0,00"}
    ],
    "total_price": "EUR 0,00"
}

				
			

Bereits alle diese Bestellungen in diesem Format zu haben, war eine Verbesserung im Vergleich dazu, die Bestellhistorie auf der Amazon-Seite durchzugehen. Vielleicht werde ich es als Input für einen weiteren Prozess verwenden, der eine Kategorisierung für jeden Artikel im Beancount-Format zurückgibt.

Für mich ein weiteres großartiges Beispiel dafür, wie man LLMs im Alltag nutzen kann.

Falls Interesse besteht, räume ich den Code gern auf und veröffentliche ihn – lassen Sie es mich in diesem Fall wissen.

Dieser Artikel wurde auf Englisch auf Medium und LinkedIn veröffentlicht.

Self-hosted Kubernetes auf Bare Metal: Praxisbericht

Und dann habe ich einen Rust-Microservice darauf deployt, um mein Garagentor per iOS zu öffnen. Wer über Kubernetes spricht, meint ...

Sicherer WLAN-Betrieb im Haus und im Small Office

Mit dem verstärkten Einsatz von Homeoffice sind die IT-Sicherheitsanforderungen an das eigene Netz größer als zuvor. Mich stört ...
Homeoffice-Schreibtisch mit Monitoren und Kamera

Mein Setup nach einem Jahr Homeoffice

In meinem letzten Artikel hatte ich mein damaliges Setup vorgestellt. Ich habe danach sehr viel ausprobiert und bin mittlerweile mit ...

Creating a WireGuard VPN Server on a Raspberry Pi 4

Update (9 Aug 2021): Current Raspberry Pi OS versions include WireGuard as a package, so there is no need to ...