1. What the Raw Bank Statement Looks Like

1. À quoi ressemble le relevé bancaire brut

Here is a real bank statement export opened in Excel. This is the file as downloaded, with no modifications.

Voici un véritable export de relevé bancaire ouvert dans Excel. C'est le fichier tel que téléchargé, sans aucune modification.

Problems visible in this file

Problèmes visibles dans ce fichier

• Metadata rows before the actual table. The first several rows contain the bank name, account number, statement period, and other header information. These rows have a different structure than the transaction data below them. If you try to sort, filter, or pivot the file, these rows break everything.
• Mixed date formats. Some transaction dates use DD/MM/YYYY, others use YYYY-MM-DD, and some use text formats like "Mar 15, 2026". Excel cannot sort these consistently, and formulas that depend on date comparisons will return errors.
• Date and description in the same column. Instead of having a separate "Date" column and a separate "Description" column, the bank export combines them into a single cell. A cell might read "2026-02-15 - Wire transfer from Acme Inc." or "15/03/2026 - Payment received". This makes it impossible to filter by date or search by description independently.
• Inconsistent number formats. Some amounts appear as "1,234.56" while others use "1 234,56" with a space as the thousands separator and a comma as the decimal mark. Currency symbols appear in some cells but not others. Summing a column of these values returns an error or an incorrect total.
• Summary rows mixed with transactions. Subtotal lines, running balance rows, and page break markers are scattered throughout the data. They look like transactions but carry no useful detail.

• Lignes de métadonnées avant le tableau réel. Les premières lignes contiennent le nom de la banque, le numéro de compte, la période du relevé et d'autres informations d'en-tête. Ces lignes ont une structure différente des données de transactions en dessous. Si vous essayez de trier, filtrer ou pivoter le fichier, ces lignes cassent tout.
• Formats de dates mélangés. Certaines dates de transaction utilisent JJ/MM/AAAA, d'autres AAAA-MM-JJ, et certaines un format texte comme « 15 mars 2026 ». Excel ne peut pas les trier de façon cohérente, et les formules qui dépendent de comparaisons de dates retournent des erreurs.
• Date et description dans la même colonne. Au lieu d'avoir une colonne « Date » séparée et une colonne « Description » séparée, l'export bancaire les combine dans une seule cellule. Une cellule peut contenir « 2026-02-15 - Virement de Acme Inc. » ou « 15/03/2026 - Paiement reçu ». Cela rend impossible de filtrer par date ou de chercher par description indépendamment.
• Formats de chiffres incohérents. Certains montants apparaissent comme « 1,234.56 » tandis que d'autres utilisent « 1 234,56 » avec un espace comme séparateur de milliers et une virgule comme marque décimale. Les symboles de devise apparaissent dans certaines cellules mais pas dans d'autres. Faire la somme d'une colonne de ces valeurs retourne une erreur ou un total incorrect.
• Lignes de résumé mélangées aux transactions. Des lignes de sous-total, de solde courant et de marqueurs de saut de page sont dispersées dans les données. Elles ressemblent à des transactions mais ne contiennent aucun détail utile.

If you handle this file manually, you are looking at 30 to 60 minutes of work: deleting metadata rows, splitting the date/description column with formulas, converting dates one by one, reformatting numbers, and hunting for summary rows to remove. And you will need to do it again next month when the new statement arrives.

Si vous traitez ce fichier manuellement, vous en avez pour 30 à 60 minutes de travail : supprimer les lignes de métadonnées, séparer la colonne date/description avec des formules, convertir les dates une par une, reformater les chiffres, et repérer les lignes de résumé à supprimer. Et il faudra recommencer le mois prochain quand le nouveau relevé arrivera.

2. The Same File After Automatic Cleaning

2. Le même fichier après nettoyage automatique

Here is the same bank statement after running it through CleanSheet. The entire process took less than 30 seconds.

Voici le même relevé bancaire après l'avoir passé dans CleanSheet. Le processus complet a pris moins de 30 secondes.

3. What Changed, Step by Step

3. Ce qui a changé, étape par étape

CleanSheet applied several transformations to the raw file. Each one is logged and visible in the cleaning report. Here is what happened.

CleanSheet a appliqué plusieurs transformations au fichier brut. Chacune est enregistrée et visible dans le rapport de nettoyage. Voici ce qui s'est passé.

Smart table detection

Détection intelligente du tableau

The metadata rows at the top of the file (bank name, account number, statement period, blank rows) were detected and removed automatically. CleanSheet analyzes the column structure of each row to find where the actual data table begins. Rows that do not match the dominant column pattern are flagged as non-data rows and stripped out. The same applies to summary rows and footer lines at the bottom of the file.

Les lignes de métadonnées en haut du fichier (nom de la banque, numéro de compte, période du relevé, lignes vides) ont été détectées et supprimées automatiquement. CleanSheet analyse la structure des colonnes de chaque ligne pour trouver où le tableau de données réel commence. Les lignes qui ne correspondent pas au motif de colonnes dominant sont identifiées comme des lignes non-data et retirées. La même logique s'applique aux lignes de résumé et aux pieds de page en bas du fichier.

Date and description column split

Séparation de la colonne date et description

This is the most distinctive problem in bank statement exports. The original file has a single column where each cell contains a date followed by a separator (a dash, a pipe, a colon, or a tab) and then the transaction description. CleanSheet detects this pattern automatically, splits the column into two separate columns, and preserves both values. The date goes into a "Date" column. The description goes into a "Description" column.

C'est le problème le plus distinctif des exports de relevés bancaires. Le fichier original contient une seule colonne où chaque cellule contient une date suivie d'un séparateur (un tiret, une barre verticale, un deux-points ou une tabulation) puis la description de la transaction. CleanSheet détecte ce motif automatiquement, sépare la colonne en deux colonnes distinctes et préserve les deux valeurs. La date va dans une colonne « Date ». La description va dans une colonne « Description ».

The split works regardless of the separator. CleanSheet recognizes dashes, pipes, colons, tabs, and other common delimiters. It also handles multiple date formats within the same column, since the date portion is parsed independently for each cell.

La séparation fonctionne quel que soit le séparateur. CleanSheet reconnaît les tirets, les barres verticales, les deux-points, les tabulations et d'autres délimiteurs courants. Il gère aussi plusieurs formats de date dans la même colonne, puisque la portion date est analysée indépendamment pour chaque cellule.

Date standardization

Standardisation des dates

After splitting, all dates are converted to the ISO 8601 standard format: YYYY-MM-DD. This format is unambiguous, sortable, and recognized by every database, accounting tool, and spreadsheet program. CleanSheet auto-detects whether dates follow US (MM/DD), European (DD/MM), or ISO conventions, so "03/04/2026" is parsed correctly based on the dominant pattern in the column.

Après la séparation, toutes les dates sont converties au format standard ISO 8601 : AAAA-MM-JJ. Ce format est non ambigu, triable et reconnu par toutes les bases de données, tous les outils comptables et tous les tableurs. CleanSheet détecte automatiquement si les dates suivent la convention américaine (MM/JJ), européenne (JJ/MM) ou ISO, de sorte que « 03/04/2026 » est interprété correctement en fonction du motif dominant dans la colonne.

Number and currency normalization

Normalisation des chiffres et des devises

Dollar signs, euro signs, spaces used as thousands separators, commas used as decimal marks: all of these get normalized into clean numeric values. After cleaning, every cell in a monetary column contains a pure number that Excel, Google Sheets, or any database can use directly in calculations.

Signes de dollar, signes d'euro, espaces utilisés comme séparateurs de milliers, virgules utilisées comme marques décimales : tout est normalisé en valeurs numériques propres. Après le nettoyage, chaque cellule dans une colonne monétaire contient un chiffre pur qu'Excel, Google Sheets ou n'importe quelle base de données peut utiliser directement dans les calculs.

4. How the Cleaning Works

4. Comment fonctionne le nettoyage

5. Why This Matters for Your Workflow

5. Pourquoi c'est important pour votre flux de travail

Bank statement exports are one of the most common files that accountants and bookkeepers need to clean. They arrive monthly, sometimes weekly. The problems are always the same, and the manual cleanup is always tedious. Here is what changes when you automate this process:

Les exports de relevés bancaires sont parmi les fichiers les plus courants que les comptables et les teneurs de livres doivent nettoyer. Ils arrivent mensuellement, parfois chaque semaine. Les problèmes sont toujours les mêmes, et le nettoyage manuel est toujours fastidieux. Voici ce qui change quand vous automatisez ce processus :

• Time saved: 30 to 60 minutes of manual work per file, reduced to under 30 seconds.
• Fewer errors: Manual find-and-replace and formula-based splitting are error-prone, especially on files with hundreds of rows. Automated processing applies the same rules to every cell.
• Consistent output: Every month, the clean file has the same column structure, the same date format, and the same number format. Your downstream processes (QuickBooks import, pivot tables, reports) work without adjustment.
• Audit trail: CleanSheet generates a cleaning report that lists every change. If a value looks wrong, you can trace it back to the original cell and see exactly what was modified and why.
• Privacy: Financial data is sensitive. CleanSheet processes everything locally in your browser. Nothing is uploaded, stored, or transmitted.

• Temps gagné : 30 à 60 minutes de travail manuel par fichier, réduit à moins de 30 secondes.
• Moins d'erreurs : Le chercher-remplacer manuel et la séparation par formules sont sujets aux erreurs, surtout sur des fichiers avec des centaines de lignes. Le traitement automatisé applique les mêmes règles à chaque cellule.
• Sortie cohérente : Chaque mois, le fichier nettoyé a la même structure de colonnes, le même format de date et le même format de chiffres. Vos processus en aval (import QuickBooks, tableaux croisés dynamiques, rapports) fonctionnent sans ajustement.
• Piste d'audit : CleanSheet génère un rapport de nettoyage qui liste chaque changement. Si une valeur semble incorrecte, vous pouvez la retracer jusqu'à la cellule originale et voir exactement ce qui a été modifié et pourquoi.
• Confidentialité : Les données financières sont sensibles. CleanSheet traite tout localement dans votre navigateur. Rien n'est téléversé, stocké ou transmis.