Die Ausgangslage
Ein Immobiliendienstleister in Zug verbrannte erhebliche Personalzeit damit, Daten von Hand aus dem Grundbuch zu ziehen und in interne Tabellen einzutippen. Die Arbeit bedeutete den Abgleich von Parzellennummern, Eigentumsverhältnissen, Flächenmassen, Lasten und Dienstbarkeiten, alles manuell, Seite für Seite.
Dieser Prozess frass rund 6 Stunden pro Tag der Zeit einer erfahrenen Mitarbeiterin. Die Übertragungsfehler lagen geschätzt bei 3-5%, und diese Fehler verursachten echte Folgeprobleme, wenn die Firma sich für Bewertungen und Kundenberichte auf die Daten stützte. Die Tabellen waren unüberschaubar geworden, ohne einheitliche Struktur von einem Projekt zum nächsten.
Was ich gemacht habe
Prozessaufnahme. Bevor ich eine einzige Zeile Code schrieb, verbrachte ich zwei Tage damit, den bestehenden Ablauf im Detail zu erfassen: welche Daten gesammelt wurden, aus welchen Quellen, in welcher Reihenfolge und wie sie weiterverwendet wurden. Dabei kamen mehrere Felder zum Vorschein, die zwar erfasst, aber nie genutzt wurden, und mehrere, die gebraucht, aber regelmässig übersehen wurden.
Halbautomatische Datenerfassung. Ich baute ein Python-Tool, das sich mit den relevanten kantonalen Datenquellen verbindet, die benötigten Felder anhand der Parzellenkennung abruft und die Ausgabe in ein einheitliches Format bringt. Das Tool übernimmt das repetitive Abrufen; die Mitarbeiterin prüft und bestätigt jeden Datensatz, statt ihn von Grund auf einzutippen. So bleibt das menschliche Urteil für Fälle erhalten, die Interpretation brauchen, während der mechanische Übertragungsschritt komplett wegfällt.
Normalisierung und Validierung der Daten. Rohe Grundbuchdaten kommen je nach Quelle, Kanton und Alter des Eintrags in uneinheitlichen Formaten an. Ich schrieb eine Normalisierungsschicht, die Adressformate, Flächeneinheiten, Datumsformate und Konventionen bei Eigentümernamen vereinheitlicht. Ein Validierungsschritt markiert alles, was ausserhalb der erwarteten Parameter liegt (zum Beispiel ein Flächenwert, der stark von benachbarten Parzellen abweicht), zur Prüfung durch einen Menschen, bevor es ins System der Firma gelangt.
Datenbank-Restrukturierung. Das alte Tabellensystem zog in eine strukturierte SQLite-Datenbank mit einheitlichem Schema um. Jedes Projekt hat seinen eigenen Satz an Datensätzen, verknüpft mit den Quelldaten und mit Zeitstempel versehen. Abfragen, die früher das Scrollen durch eine Tabelle mit 4’000 Zeilen bedeuteten, liefern jetzt in unter einer Sekunde ein Ergebnis.
Dokumentation und Übergabe. Ich schrieb eine Betriebsdokumentation für das Tool: wie man eine Erfassung startet, wie man markierte Datensätze behandelt, wie man Daten für Kundenberichte exportiert. Das Ziel war einfach: Jede Mitarbeiterin soll es eigenständig bedienen können, ohne den Code dahinter verstehen zu müssen.
Ergebnisse
- Tägliche Datenverarbeitungszeit: 6 Stunden → 1,2 Stunden (80% weniger)
- Übertragungsfehlerrate: 3-5% → ~0% (die Validierung fängt Formatprobleme vor der Erfassung ab)
- Datenabruf für Abfragen: manuelles Scrollen → unter 1 Sekunde
- Konsistenz über Projekte hinweg: Alle Datensätze folgen nun einem einzigen Schema, durchsuchbar und exportierbar
- Personalabhängigkeit: Das Tool läuft eigenständig; für den Routinebetrieb ist kein Entwickler nötig
Die Firma verarbeitet heute deutlich mehr Parzellen pro Tag bei gleichem Personalbestand, und Kundenberichte entstehen aus sauberen, strukturierten Daten statt aus manuell zusammengestellten Tabellenexporten.
Was den Unterschied gemacht hat
Die entscheidende Wahl war, den Prozess halbautomatisch zu halten statt vollautomatisch. Grundbuchdaten brauchen manchmal Interpretation: ein Datensatz mit unklarem Eigentumseintrag, ein Streit um eine Parzellengrenze, eine Dienstbarkeit mit aussergewöhnlichen Bedingungen. Eine Vollautomatisierung würde an solchen Fällen entweder scheitern oder still falsche Ausgaben erzeugen.
Indem das mechanische Abrufen und Strukturieren automatisiert und ein menschlicher Bestätigungsschritt beibehalten wird, ist das Tool sowohl schneller als auch zuverlässiger als ein rein manueller oder ein vollautomatischer Ansatz. Die Zeit der Mitarbeiterin fliesst nun in Ermessensentscheide statt in die Dateneingabe.
Die Datenbankmigration brachte einen zweiten Vorteil: Die Firma hat nun eine durchsuchbare, nachvollziehbare Historie jeder bearbeiteten Parzelle. Früher, wenn ein Kunde nach einer vor zwei Jahren erledigten Arbeit fragte, lag die Antwort irgendwo in einer Tabelle vergraben. Heute ist es eine Abfrage von fünf Sekunden.