The Unseen Backbone of Banking: Et dybt dyk i matching og forsoning

The Unseen Backbone of Banking: Et dybt dyk i matching og forsoning

Tidsstempel: 1. december 2023 kl. 5:34
The Unseen Backbone of Banking: A Deep Dive into Matching and Reconciliation PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

Sidste år fejrede jeg to årtiers fordybelse i IT, specifikt inden for Financial Services-sektoren. I denne periode har jeg været vidne til bemærkelsesværdige transformationer inden for bank og teknologi. Fremkomsten af ​​Fintech-virksomheder og deres kundecentrerede tilgang har sammen med betydelige fremskridt inden for softwareteknologi som Agile-metoder, mikrotjenester og cloud computing omformet landskabet. Alligevel, spændende nok, er back-office-driften i mange finansielle servicevirksomheder forblevet relativt statisk i disse år, og de kæmper stadig med manuel kodning, gentagne opgaver og stor afhængighed af Excel.

En særlig manuel og dog automatiseret proces i Financial Services-sektoren er matchning og afstemning. Denne proces opstår i forskellige former, det vil sige fra at identificere og adressere uoverensstemmelser (typisk opstår på grund af problemer eller huller med integrationerne) i master-slave integrationer til at rette eller fjerne dubletter og semi-automatiserede opdateringer af operationelle systemer med data fra eksterne kilder.

På trods af tilgængeligheden af sofistikeret software (f.eks. FIS IntelliMatch, Calypso Confirmation Matching, Misys CMS, Temenos T24 Confirmation Matching...​) til specifikke afstemningsopgaver, såsom betaling og matchning af handelsbekræftelse (ofte baseret på SWIFT-meddelelser), de fleste matchende opgaver er ofte afhængige af brugerdefinerede eller manuelle løsninger, herunder Excel eller endda papirbaserede metoder. Meget ofte er automatisering heller ikke relevant, da matching ofte er involveret i engangshandlinger som marketingkampagner, dataoprydning, alignment med partnere...​

Forståelse af bedre forsoning kræver dissekere dets komponenter, dvs.

  • Det starter med indsamling og transformation af de forskellige datasæt til sammenlignelighed. Denne består af gendannelse af 2 datasæt, som kan leveres i forskellige formater, forskellige strukturer, forskellige omfang og med forskellige navne eller opregninger. Dataene skal transformeres for at gøre dem sammenlignelige og indlæses i det samme værktøj (f.eks. en database eller Excel), så de nemt kan sammenlignes.

  • Det næste trin er at definere en præcis matchningsalgoritme. Dette kan være en simpel unik nøgle, men det kan også være en kombination af flere attributter (sammensat nøgle), en hierarkisk regel (dvs. match først på tast 1, hvis ingen match prøv på tast 2...) eller en fuzzy regel (hvis nøgle af datasæt 1 ligner nøglen til datasæt 2, det er et match). Det kan være meget komplekst at definere denne matchningsalgoritme, men det er afgørende for evnen til at automatisere matchningen og opnå en god outputkvalitet.

  • Når matchningsalgoritmen er defineret, indtaster vi sammenligningsfase. For små datasæt kan dette gøres ganske enkelt, men for meget store datasæt kan det kræve alle former for ydelsesoptimeringer (såsom indekser, segmentering, parallelitet...) for at udføre sammenligningen inden for en rimelig tid.

  • Endelig identificerede uoverensstemmelser skal omsættes til handlingsrettede output, såsom rapporter, kommunikation til kolleger eller tredjeparter eller korrigerende handlinger (f.eks. generering af filer, meddelelser eller SQL-sætninger for at rette op på forskellene).

Forviklingerne ved matching i finansielle tjenesteydelser er forskellige. Lad os udforske nogle typiske use cases i landskabet for finansielle tjenesteydelser:

  • De fleste banker har en Værdipapirer Master File, der beskriver alle værdipapirer, der er i position eller kan handles i banken. Denne fil skal integreres med en masse applikationer, men skal også fodres af flere datakilder, såsom Telekurs, Reuters, Bloomberg, Moody's… Dette betyder, at en sikkerhed skal matches unikt. Desværre er der ikke 1 unik identifikator, der beskriver alle værdipapirer. Offentligt handlede instrumenter har en fælles aftalt ISIN-kode, men private og OTC-produkter som f.eks. de fleste derivater har normalt ikke. Banker har derfor opfundet interne identifikatorer, bruger falske ISIN-koder (typisk starter med et "X") eller bruger sammensatte nøgler til entydigt at identificere instrumentet (f.eks. for et derivat kan dette være en kombination af ticker af underliggende værdipapir, strike-kurs, optionstype og udløbsdato).

  • I Retail banking er det naturligvis vigtigt at unikt identificere og matche en bestemt fysisk person. Men selv i et udviklet land som Belgien er dette lettere sagt end gjort. Hver enkelt person i Belgien har et nationalt registernummer, så dette synes at være det oplagte valg for en matchende nøgle. Desværre begrænser belgisk lovgivning brugen af ​​dette nummer til specifikke brugstilfælde. Derudover findes denne identifikator ikke for udlændinge og kan ændre sig over tid (f.eks. modtager udenlandske indbyggere først et midlertidigt folkeregisternummer, som kan ændres til et endeligt, et andet senere eller i tilfælde af kønsændring vil folkeregisternummeret også ændre sig). En anden mulighed er at bruge identitetskortnummeret, men det er også anderledes for udlændinge og skifter hvert 10. år. Mange banker bruger derfor mere komplekse regler, såsom en matchning baseret på fornavn, efternavn og fødselsdato, men det kommer naturligvis også med alle slags problemer, som dubletter, staveforskelle og fejl i navnene, brug af specialtegn i navne…

  • Et meget lignende problem er matcher en virksomhed eller mere specifikt en butik. I Belgien har hver virksomhed et firmanummer, som svarer til momsnummeret (uden "BE"-præfikset), men dette er igen meget nationalt, og 1 momsnummer kan have flere lokationer (f.eks. flere butikker). Der findes et begreb om et "filialnummer" ("vestigingsnummer" på hollandsk), men dette begreb er ikke særlig kendt og bruges sjældent. Tilsvarende findes der LEI-koden (Legal Entity Identifier), som er en kode af en kombination af 20 bogstaver og koder, som entydigt identificerer en virksomhed på verdensplan. Desværre er det kun store virksomheder, der har efterspurgt en LEI-kode, så for mindre virksomheder er dette ikke rigtig en mulighed.
    Igen bliver der ofte lavet mere komplekse matchninger, som en kombination af momsnummer, postnummer og husnummer, men det er naturligvis langt fra at være ideelt. I søgen efter en unik og almindeligt kendt identifikator bliver Google ID også mere og mere i brug, men afhængigheden af ​​en kommerciel virksomhed kan også udgøre en stor operationel risiko.

  • Et andet interessant tilfælde er matchning af en autorisation og clearingmeddelelsen i en VISA-kortbetaling. Normalt skal en unik identifikator matche begge beskeder, men på grund af alle former for undtagelsestilfælde (f.eks. offline-autorisationer eller trinvise autorisationer), vil dette ikke altid være korrekt. Derfor er en mere kompleks regel påkrævet, der ser på flere identifikatorer, men også til andre matchende kriterier som erhverver-id, forhandler-id, terminal-id, PAN (kortnummer), tidsstempel og/eller beløb.
    Denne form for matchning gælder også for andre tilfælde af betalingsbrug, som f.eks. at matche en forhåndsgodkendelsesudførelse med dens foregående forhåndsgodkendelse eller en refusion ved et tidligere køb.

  • En økonomisk brugssag, der vedrører næsten enhver virksomhed matchning af faktura og betaling. Når en virksomhed udsteder en faktura, skal den kunne se, hvornår fakturaen kan anses for betalt. Dette er vigtigt for regnskabet, men også for at se, om der skal udsendes rykkere for ubetalte fakturaer.
    For entydigt at matche betalingen med fakturaen, bruges der i Belgien typisk en struktureret kommentar i betalingsinstruktionen. Denne unikke kode med kontrolciffer giver en unik matchende reference. Desværre glemmer kunderne ofte at sætte den strukturerede kommentar eller bruge den forkerte (f.eks. copy/paste af en tidligere faktura). Det betyder, at en virksomhed skal have en reserveregel for matchning, hvis den ustrukturerede kommentar mangler eller er forkert. Typisk kan en kombination af betalingsbeløb, betalingsdato, IBAN på modpart og/eller navn på modpart give en alternativ måde at matche disse fakturaer på.

Som du kan se, er matchning langt fra let, men at forstå de grundlæggende trin kan hjælpe med bedre matchninger. I mellemtiden forbliver Excel på trods af sine begrænsninger et kraftfuldt værktøj til (manuel) matchning. Derfor en hurtig påmindelse til alle, der ønsker at lave matchning i Excel:

  • Brug VLOOKUP for at udføre matchning. VLOOKUP har dog visse begrænsninger, såsom at det giver en fejl, hvis der ikke er noget match, og at du kun kan søge i den første kolonne. Et stærkt alternativ er at bruge XLOOKUP, som ikke har disse begrænsninger.

  • Hvis du har brug for en sammensat søgenøgle, tilføj en kolonne i dit søgedatasæt med den sammensatte søgenøgle (dvs. sammenkæde de forskellige attributter, med f.eks. "#" som separator) og brug derefter VLOOKUP/XLOOKUP til at søge på denne nye kolonne.

  • Nogle opmærksomhedspunkter når du bruger VLOOKUP:

    • Glem ikke at tilføje "false" som det sidste argument for funktionen VLOOKUP for at sikre et nøjagtigt match.

    • Sørg for, at dataformaterne er de samme. F.eks. vil et tal "123" og teksten "123" ikke matche, så det er vigtigt at konvertere dem til det samme format først. Idem for identifikatorer, der starter med foranstillede 0'er. Ofte vil Excel konvertere dem til tal og dermed fjerne de førende 0'er og ikke resultere i et match.

    • Brug ikke datasæt på mere end 100.000 rækker i Excel. Større datasæt er problematiske for Excels ydeevne og stabilitet.
      Det kan også være interessant at sætte beregningstilstand til “Manuel”, hvis du arbejder med VLOOKUP på store datasæt, ellers vil Excel genberegne alle VLOOKUPs hver gang du laver en mindre ændring af dataene.

    • VLOOKUP har kolonnenummeret, der skal returneres som tredje argument. Dette tal tilpasses ikke dynamisk, når du tilføjer eller fjerner kolonner, så husk at tilpasse, når du tilføjer eller fjerner kolonner.

    • Hvis du bare vil have et match, kan du bruge formlen "=HVIS(FEJL(VLOOKUP( , ,1,false),,"NO MATCH","MATCH")"

Disse tricks kan hjælpe til fremskynde dine manuelle matchninger, men selvfølgelig er ægte automatisering altid bedre.

Matching inden for finansielle tjenesteydelser er en mangefacetteret udfordring, men at forstå dens grundlæggende trin er nøglen til at forbedre resultaterne. Mens værktøjer som Excel tilbyder midlertidige løsninger, ligger fremtiden i intelligent automatisering, som kan strømline disse processer markant. For dem, der søger at dykke dybere ned i matchende kompleksiteter eller automatisering, kan udnyttelse af avancerede værktøjer og platforme, herunder AI-drevne løsninger som ChatGPT, give både indsigt og praktiske løsninger.

Tjek alle mine blogs på https://bankloch.blogspot.com/

Tidsstempel:

Mere fra Fintextra