ver. 0.02 (2025-06-30)
Dieses Repository begleitet das Video / Webinar der DAV-Arbeitsgruppe
Excel-Tarifrechner sind in der täglichen Aktuarpraxis allgegenwärtig – aber komplexe Formeln, verstreute VBA-Makros und eingeschränkte Teamarbeit bremsen Innovation und Wartbarkeit aus.
Python bietet dank leistungsstarker Bibliotheken eine skalierbare und leicht wartbare Alternative mit klar strukturiertem Code und nahtloser Integration in moderne Workflows. In diesem Video wird gezeigt, wie man unter Einsatz eines Large-Language-Models (LLM) – hier ChatGPT – einen typischen Excel-Tarifrechner nach Python übersetzt. Dazu werden zwei unterschiedliche Ansätze vorgestellt.
„Portierung von Referenzrechnern mit Large-Language-Models“.
Ziel ist es, einen klassischen Excel-Tarifrechner der Lebensversicherung reproduzierbar in reinen Python-Code zu überführen – in zwei unterschiedlichen Workflows (“handwerklich” vs. “industriell”).
- Projektüberblick
- Repository-Struktur
- Workflows
- Erste Schritte
- Benutzung
- Tests & Berichte
- Mitwirken
- Lizenz
- Problem: Excel-Tarifrechner sind schnell gebaut, aber schwer wartbar und kaum CI-fähig.
- Lösung: Einsatz von Large-Language-Models, um Excel-Formeln, VBA-Module und Tabellendaten automatisiert in Python-Code zu migrieren.
- Mehrwert:
- nachvollziehbarer, modularer Source-Code
- automatisierte Tests & Continuous Integration
- Basis für künftige Produkt- und Bestandsmigrationen innerhalb der LV-IT
Die beiden Ansätze unterscheiden sich in Automatisierungsgrad und Tool-Stack:
| Merkmal | Handwerklich (Arno) | Industriell (Bartek) |
|---|---|---|
| Input für LLM | VBA-Quelltext & Screenshot | Vollständiger Excel-Dump als Text |
| Manuelle Schritte | Screenshot, Copy-&-Paste der Formeln | keine |
| Zielsetzung | schneller PoC | vollautomatisierbarer Workflow |
| Haupterkenntnis | LLM erkennt Zellen überraschend gut | Kontext-Limit aktuell Engpass |
dev/
├─ Arno/ # Handwerklicher Workflow
│ ├─ input/ # Chat-Verlauf (nur Prompts), Screenshot, Original-Excel
│ └─ output/ # Von ChatGPT generierter Python-Code
├─ Bartek/ # Industrieller Workflow
│ ├─ input/ # Optimierte Prompts, Original-Excel
│ └─ output/ # root: i/o und python-Module
│ └─ tests/ # PyTest-Fixtures & Smoke-Tests
└─ README.md # *this file*
(Bei neuen Files bitte die gleiche Tiefenstruktur beibehalten.)
Ziel: Rapid Prototyping – bei möglichst wenig Prompts und Nutzung des Reasoning-Modells o1.
Idee: Da das Modell o1 keine Excel-Datei verarbeiten kann, werden die Bestandteile der Eingabedatei Tarifrechner_KLV.xlsm separat behandelt. Die Aufgabe wird in drei Schritte (plus einen 4. Schritt für einen Werteabgleich) zerlegt.
| Schritt | Beschreibung | Chatprotokoll | Erzeugte Dateien |
|---|---|---|---|
| 1 | Übersetze die Tafeln aus der Eingabedatei in eine XML-Datei. Dieses Format lässt sich gut in Python verarbeiten. Dazu wird der komplette Inhalt des Tabellenblattes Tafeln aus der Eingabdatei per Copy&Paste an ChatGPT übergeben. |
Chat 1 - Excel_nach_XML_konvertieren | Tafeln.xml |
| 2 | Übersetze den VBA-Code, der in der Eingabedatei enthalten ist, nach Python. Der VBA-Code besteht aus insgesamt drei Modulen (mConstants, mBarwerte und mGwerte), die jeweils einzeln in Textform an ChatGTP übergeben werden. Wichtig ist, dass der erzeugte Python Code die gleichen Rundungsregeln verwendet wie Excel. |
Chat 2 - VBA_nach_Python_übersetzen | constants.py barwerte.py gwerte.py |
| 3 | Es bleibt noch die Aufgabe, das Tabellenblatt Kalkulation, das als User-Inferface des Excel-Rechners dient, in Python abzubilden. In diesem Rapid-Prototyping Ansatz möchten wir ein Python-Programm erzeugen, das die Eingabewerte aus dem Excel-Tabellenblat ausliest, dann die Berechnungen in Python durchführt und schließlich die Ergebnisse auf stdio ausgibt. Da das verwendete Modell kein Excel verarbeiten kann, geben wir ChatGPT zunächst einen Screenshot von dem Tabellenblatt Kalkulation und die verwendeten Formeln, die wir aus dem Excel-Zellen herauskopieren und als Text übergeben. ChatGPT braucht ein wenig Hilfe, um das gewünschte Ergebnis zu liefern, wie aus dem Chatprotokoll ersichtlich ist. |
Chat 3 - Excel-Tarifrechner_nach_Python_mit_QS (Prompts 1 bis 9) | verlaufswerte.py tarifrechner.py (Hauptprogramm) |
| 4 | Erzeuge ein Programm, das die mit Python berechneten Werte mit den Werten des Excel-Rechners vergleicht. | Chat 3 - Excel-Tarifrechner_nach_Python_mit_QS (Prompts 10 bis 13) | compare_results.py (Hauptprogramm) |
Workflow-Ziel: 100 % Script-gesteuerte Migration – keine händischen Zwischenschritte.
flowchart TD
subgraph Excel-Dump
A1[excel_to_text.py<br>Zellen & Bereiche → CSV]
A2[vba_to_text.py<br>VBA-Module → TXT]
A3[data_extract.py<br>var.csv • tarif.csv • tafeln.csv]
B1[tests PyTest<br>Smoke + Funktionsparitaet]
A1 --> B1
A2 --> B1
A3 --> B1
end
subgraph Code-Portierung
C1[basfunct.py<br>VBA-Basis → Python]
D1[Bxt in ausfunct.py]
D2[BJB • BZB • Pxt<br>offen]
D3[verlaufswerte<br>offen]
R1[tests PyTest<br>Referenzparitaet]
C1 --> D1
C1 --> D2
C1 --> D3
D1 --> R1
D2 --> R1
D3 --> R1
end
subgraph Ausführungsebene
E1[run_calc.py<br>CLI-Runner]
end
B1 --> C1
R1 --> E1
Workflow-Phasen:
| Abschnitt | Bedeutung |
|---|---|
| Excel-Dump & Preprocessing | Automatisierte Extract-Skripte (Schritte 1 – 4) |
| Code-Portierung | Übersetzung der Logik nach Python (Schritte 5 – 6C) |
| Ausführungsebene | End-User-Interface via CLI (Schritt 7) |
Konkrete TASKS / LLM-PROMPTS und Status der Implementierung:
- ✅ erledigt / implementiert – Schritte 1–5, 6A, 7
- ⏳ offen / Platzhalter – Schritte 6B & 6C
| Schritt | Tool / Datei | Kurzbeschreibung | Status |
|---|---|---|---|
| 1 | excel_to_text.py |
Sämtliche Zellen & Bereiche als CSV exportieren | ✅ fertig |
| 2 | vba_to_text.py |
Alle VBA-Module als TXT sichern | ✅ fertig |
| 3 | data_extract.py |
Daten extrahieren → var.csv, tarif.csv, tafeln.csv |
✅ fertig |
| 4 | tests/ |
Smoke-Tests & Funktionsparität (PyTest) | ✅ eingerichtet |
| 5 | basfunct.py |
1‑zu‑1‑Port der VBA-Basisfunktionen | ✅ vollständig |
| 6A | ausfunct.py |
Bxt() – Beitrag (Kalkulation!K5) |
✅ implementiert & getestet |
| 6B | ausfunct.py |
BJB(), BZB(), Pxt() – weitere Ausgabewerte |
⏳ offen |
| 6C | ausfunct.py |
verlaufswerte() – Monats‑/Jahresverläufe |
⏳ offen |
| 7 | run_calc.py |
CLI-Runner mit Argumenten für Datei‑ und Funktionswahl | ✅ einsatzbereit |
- Python ≥ 3.11
- Git, Make (optional)
- Abhängigkeiten: siehe
requirements.txt
(pandas, xlwings, oletools, openpyxl, pytest;
optional: junit2html, pytest-html)
git clone https://github.com/<ORG>/excel2python-llm.git
cd excel2python-llm
python -m venv .venv && source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt# Hauptberechnung
python Arno/output/tarifrechner.py
# Werte-Gegenprobe Excel ↔ Python (optional: über pytest)
python Arno/output/compare_results.py# Funktionsweise wählbar mit --funcs
python Bartek/output/run_calc.py --funcs Bxt# Arno
cd Arno/output && pytest -q
# Bartek
cd Bartek/output && pytest -q- Terminal bleibt dank
-qaufgeräumt (nur „passed/failed“). - Ein JUnit-XML landet automatisch unter
output/tests/pytest-results.xml
– inklusive aller Vergleichs-Ausgaben im<system-out>-Block.
pip install junit2html # einmalig oder per requirements.txt
junit2html tests/pytest-results.xml tests/report.htmlOder (schöner) direkt über pytest-funktionalität beim Testlauf:
pip install pytest-html # einmalig oder per requirements.txt
pytest --html=output/tests/report.html --self-contained-htmlPull Requests sind willkommen! Bitte beachte:
- Erstelle einen Issue für größere Änderungen.
- Schreibe (oder aktualisiere) Tests für neue Features.
-
Repository klonen und ins Projektverzeichnis wechseln
git clone <REPO-URL> cd <REPO-ORDNER>
-
Virtuelle Umgebung anlegen und aktivieren
- Linux/Mac:
python -m venv .venv source .venv/bin/activate - Windows:
python -m venv .venv .venv\Scripts\activate
- Linux/Mac:
-
Abhängigkeiten installieren
pip install -r requirements.txt
-
Neues Package in bestehender Umgebung installieren:
pip install <paketname>
-
requirements.txtaktualisieren:pip freeze > requirements.txt(Alternativ: Paket und Version manuell eintragen.)
-
Teammitglieder/andere Nutzer:
Nach Pull von Änderungen an derrequirements.txt:pip install -r requirements.txt
Hinweis:
Alle Workflows im Projekt nutzen eine zentrale virtuelle Umgebung und ein gemeinsames requirements.txt. Bei Problemen mit Abhängigkeiten empfiehlt sich das Löschen der .venv und erneutes Anlegen wie oben beschrieben.
DAV
Kontakt:
Bartlomiej Maciaga – bartlomiej.maciaga@hotmail.com
Dr. Arno Rasch – arno.rasch@vtmw.de
Fragen oder Feedback gerne als GitHub‑Issue oder per E‑Mail.