Caseware: Lizenzvertrag für Prüfsoftware IDEA bis Ende 2028 verlängert - siehe unter https://www.caseware.com/de/news/finanzverwaltung-verlaengert-lizenzvertrag-ueber-pruefsoftware-idea-bis-ende-2028 

GoBD-Export mit Python: Ein Guide für Entwickler und offene ERP-Systeme

In der Welt der deutschen Finanz-Compliance ist der Begriff „GoBD-Export“ (oft synonym mit GDPdU-Export verwendet) für Entwickler von Finanz- und ERP-Software eine ständige Herausforderung. Ob für Odoo, Tryton oder maßgeschneiderte Eigenentwicklungen – das Ziel bleibt gleich: Steuerrelevante Daten müssen so exportiert werden, dass sie von der Prüfsoftware der Finanzverwaltung (IDEA) maschinell ausgewertet werden können.

In diesem Beitrag erfährst du, wie du eine universelle Export-Engine mit Python aufbaust, die den Anforderungen der Datenträgerüberlassung (Z3-Zugriff) entspricht.

Die Anatomie eines GoBD-Exports

Ein valider Export ist kein bloßer CSV-Dump. Er besteht aus drei unverzichtbaren Komponenten, die in einem ZIP-Archiv zusammengefasst werden:

1. Datendateien: Meist CSV- oder ASCII-Dateien mit festen Feldlängen, die die eigentlichen Buchungs- und Stammdaten enthalten.

2. Die Indexdatei (index.xml): Das „Gehirn“ des Exports. Sie beschreibt die Struktur, Feldtypen und Relationen der Datendateien.

3. Die Strukturdefinition (gdpdu-01-08-2002.dtd): Eine offizielle Datei der Finanzverwaltung, gegen die die index.xml validiert wird.

    

Schritt 1: Datenextraktion mit Pandas

Der erste Schritt ist die Aufbereitung der Daten. Da steuerlich relevante Daten (Journal, Kontenplan, Debitoren/Kreditoren) oft in relationalen Datenbanken liegen, ist pandas in Kombination mit SQLAlchemy das Werkzeug der Wahl.

Pro-Tipp: Achte auf die Formatierung. Wenn in der index.xml ein Komma als Dezimaltrenner definiert ist, muss die CSV-Ausgabe exakt so erfolgen.

import pandas as pd

def export_table_to_csv(df, filepath):
    # GoBD-Vorgabe: Keine Header in der CSV, da diese in der index.xml stehen
    df.to_csv(
        filepath, 
        sep=';', 
        index=False, 
        header=False, 
        decimal=',', 
        quoting=1 # Schützt AlphaNumeric-Felder
    )

Schritt 2: Dynamische Generierung der index.xml

Die index.xml muss jedes Feld präzise beschreiben. Besonders kritisch sind die numerischen Typen. Hier nutzt man Bibliotheken wie lxml für eine saubere XML-Struktur.

Ein technischer Fallstrick ist die Accuracy. Ein Wert von 1000,25 bei einer definierten Accuracy von 0 führt zu Fehlern oder Datenverlust beim Import in IDEA.

Schritt 3: Compliance durch Audit-Logs

Ein Export ist nur so gut wie die Integrität der Quelldaten. Die GoBD fordern Unveränderbarkeit und Lückenlosigkeit. In Python-Systemen wie Audipy, Odoo oder Tryton sollte jede Änderung über einen Audit Trail protokolliert werden.

Modernere Ansätze nutzen kryptographische Hash-Ketten, um die Unveränderbarkeit der Logs mathematisch nachweisbar zu machen. Dabei wird jeder Log-Eintrag mit dem Hash des vorherigen verknüpft.

Schritt 4: Validierung und Konsistenzprüfung

Bevor der Export an den Prüfer geht, solltest du eine technische Plausibilitätsprüfung durchführen. Ein einfacher, aber effektiver Check für jedes Konto im Exportzeitraum ist die Saldenprüfung:

Stimmt diese Gleichung nicht, fehlen entweder Datensätze im Export oder die Extraktionslogik ist fehlerhaft.

Update 2025: Was hat sich geändert?

Seit Juli 2025 gelten aktualisierte GoBD-Regeln, die vor allem die E-Rechnungspflicht berücksichtigen. Für Entwickler wichtig:

• Bei hybriden Formaten (wie ZUGFeRD) reicht es nun oft aus, nur den strukturierten XML-Teil zu archivieren.

• Die Aufbewahrungsfrist für Rechnungen wurde in einigen Bereichen von 10 auf 8 Jahre verkürzt.

Fazit

Python bietet mit seinem Ökosystem aus pandas, lxml und mächtigen ORMs die perfekte Basis für GoBD-konforme Systeme. Wer die Trennung von Daten (CSV) und Metadaten (XML) sauber implementiert und die neuen Anforderungen von 2025 im Blick behält, kann Prüfungen gelassen entgegensehen.

Ein modernes IDEA Python Dashboard ermöglicht interaktive, datengetriebene Prüfungsanalysen – vollständig offline, datenschutzkonform und direkt in CaseWare IDEA 12 und 13 nutzbar.

In diesem Beitrag zeige ich, wie sich mit Python und Plotly eine professionelle Audit Visualisierung umsetzen lässt – als:

• Plotly IDEA 12 und 13 Lösung

• browserbasierte PyScript-Version

• vollständig isoliertes Offline Audit Dashboard

Warum ein IDEA Python Dashboard?

Klassische Excel-Analysen stoßen bei:

• Millionen Buchungen

• Vendor Concentration

• Ausreißeranalysen

• Periodenprüfungen

schnell an Grenzen.

Mit Plotly erhältst du:

✔ Interaktive Kreuzfilterung
✔ Mehrfachselektion (Lasso / Box)
✔ KPI-Neuberechnung in Echtzeit
✔ Drilldown bis auf Belegebene
✔ Export als revisionssichere HTML-Datei

Architekturvarianten

1️⃣ Plotly in IDEA 12 und 13

In IDEA 12 und 13 lässt sich Python direkt verwenden:

import pandas as pd
import plotly.express as px

df = pd.read_csv("buchungen.csv", sep=";")

fig = px.bar(
    df.groupby("lieferant")["betrag"].sum().reset_index(),
    x="betrag",
    y="lieferant",
    orientation="h",
    title="Top Lieferanten"
)

fig.write_html("audit_dashboard.html", include_plotlyjs="inline")

Vorteile:

• vollständige Offline-Fähigkeit

• keine Cloud

• GoBD-konform archivierbar

2️⃣ Offline Audit Dashboard (100 % lokal)

Für maximale Datensicherheit wird Plotly vollständig inline eingebettet:

fig.write_html(
    "audit_dashboard.html",
    include_plotlyjs="inline",
    full_html=True
)

Kein CDN.
Kein externer Request.
Keine Datenübertragung.

Ideal für:

• Banken

• Behörden

• Interne Revision

• Prüfungsumgebungen mit Netzrestriktionen

3️⃣ PyScript im Browser

Mit PyScript läuft Python direkt im Browser:

<py-script>
import pandas as pd
import plotly.express as px

df = pd.read_csv("data.csv")
fig = px.histogram(df, x="betrag")
fig
</py-script>

Einsatzbereiche:

• Online-Demo

• Schulungen

• Workshops

• Mandantenpräsentationen

20 zentrale Visualisierungen im IDEA Python Dashboard

Die folgende Tabelle zeigt die wichtigsten Visualisierungen für eine professionelle Audit Visualisierung:

Diese lassen sich vollständig offline betreiben.

Kreuzfilterung im Offline Audit Dashboard

Beispiel: Vendor-Klick filtert Zeitreihe neu

barEl.on("plotly_click", function(ev){
    const vendor = ev.points[0].y;
    selectedVendors.add(vendor);
    rerender();
});

Monatsauswahl:

lineEl.on("plotly_click", function(ev){
    const month = normMonth(ev.points[0].x);
    selectedMonths.add(month);
    rerender();
});

Ergebnis:

• KPIs passen sich an

• Histogramm aktualisiert sich

• Tabelle zeigt gefilterte Top-100

Datenschutz & Revisionssicherheit

Ein Offline Audit Dashboard bietet:

• Keine Cloud

• Keine externe JavaScript-Quelle

• Keine CDN-Abhängigkeit

• Archivierung als HTML

• Versionierbarkeit

• Reproduzierbarkeit

Das ist ein entscheidender Vorteil gegenüber klassischen BI-Lösungen.

Online-Demo

👉 Hier geht es zur Demo und Test mit eigenen Daten:
https://majo2000.bplaced.net/python/audit_plotly_dashboard.html

Dort kannst du:

• Lieferanten selektieren

• Monate filtern

• KPIs live neu berechnen

• Detailtabellen anzeigen

Fazit

Ein Plotly IDEA 12 und 13 Dashboard ist:

• interaktiv

• datenschutzkonform

• offlinefähig

• explorativ

• revisionssicher

Es verbindet moderne Datenvisualisierung mit den Anforderungen der Wirtschaftsprüfung.

Aufgrund der beruflichen Erfahrungen habe ich mir eine kleine, aber praxisnahe Lösung gebaut, die mir bei GDPdU-Importen in CaseWare IDEA (SmartX) richtig Zeit spart:

✅ Mehrere CSV-Dateien hochladen (mit Kopfzeile)
✅ Automatische Delimiter-Erkennung (für das Einlesen)
✅ Export als ZIP mit

• index.xml (eine Datei für alle Tabellen)

• gdpdu-01-08-2002.dtd

• bereinigten CSVs (ohne Kopfzeile)

Warum “bereinigte CSVs”?
In GDPdU/IDEA sind die Spalten in der index.xml definiert – wenn die CSV zusätzlich noch die Kopfzeile enthält, landet die oft als „Datensatz 1“ im Import oder sorgt für Sonderlogik. Deshalb exportiere ich im ZIP die CSVs ohne Header.

Wichtigster Punkt (aus der Praxis gelernt):
📌 Dezimalkomma + Komma-Delimiter = Import bricht früh ab
Wenn CSV als Trennzeichen , nutzt und die Werte als deutsches Dezimalformat 1234,56 vorliegen, „zerreißt“ das die Spalten. Ergebnis: IDEA importiert dann gern nur den ersten Datensatz sauber.

Meine robuste Empfehlung (und im Generator fest verdrahtet):
🔒 Output immer mit ; als Trennzeichen + CRLF-Zeilenenden (\r\n)
➡️ Damit laufen Imports deutlich stabiler in IDEA/SmartX.

Zusätzlich habe ich noch folgendes eingebaut:
📊 Numeric-Spalten mit Dezimalstellen werden in der index.xml explizit als Dezimalspalten definiert – inkl.
<Numeric><Accuracy>2</Accuracy></Numeric>
Und zwar nicht nur, wenn ein Wert mathematisch „nicht ganzzahlig“ ist, sondern schon dann, wenn in den Quelldaten irgendwo ein Dezimalmarker vorkommt (z. B. 10,00). So bleibt die Spaltendefinition konsistent.

🎯 Ergebnis: Ein GDPdU-kompatibles ZIP, das sich in IDEA (SmartX) sauber importieren lässt – auch bei mehreren Tabellen und deutschem Zahlenformat.

Live zum ausprobieren für alle unter https://majo2000.bplaced.net/python/Index_xml_Generator.html 

Wenn jemand ähnliche Import-Themen hat (GoBD/GDPdU, IDEA, SAP/DATEV-Exports, Delimiter-/Format-Fallen): gern kommentieren oder kurz schreiben. 🙂

#GDPdU #GoBD #CaseWareIDEA #SmartX #Audit #Datenanalyse #CSV #Python #JavaScript #Finanzprüfung #Etriebsprüfung #Audit