The Unseen Backbone of Banking: Et dypdykk i matching og forsoning

The Unseen Backbone of Banking: Et dypdykk i matching og forsoning

Tidsstempel: 1. desember 2023 5:34
The Unseen Backbone of Banking: A Deep Dive into Matching and Reconciliation PlatoBlockchain Data Intelligence. Vertical Search. Ai.

I fjor feiret jeg to tiår med fordypning i IT, spesielt innen finanssektoren. I løpet av denne perioden har jeg vært vitne til bemerkelsesverdige transformasjoner innen bank og teknologi. Fremveksten av Fintech-selskaper og deres kundesentrerte tilnærming, sammen med betydelige fremskritt innen programvareteknikk som smidige metoder, mikrotjenester og cloud computing, har omformet landskapet. Likevel, interessant nok, har backoffice-operasjonene til mange finansielle tjenesteselskaper holdt seg relativt statiske i løpet av disse årene, og de sliter fortsatt med manuell koding, repeterende oppgaver og stor avhengighet av Excel.

En spesielt manuell og likevel automatiserbar prosess i finanssektoren er matching og avstemming. Denne prosessen oppstår i ulike former, det vil si fra å identifisere og adressere avvik (som vanligvis oppstår på grunn av problemer eller hull med integrasjonene) i master-slave-integrasjoner til å korrigere eller fjerne duplikater og semi-automatiserte oppdateringer av operasjonelle systemer med data fra eksterne kilder.

Til tross for tilgjengeligheten av sofistikert programvare (f.eks. FIS IntelliMatch, Calypso Confirmation Matching, Misys CMS, Temenos T24 Confirmation Matching …) for spesifikke avstemmingsoppgaver, som betalings- og handelsbekreftelsesmatching (ofte basert på SWIFT-meldinger), de fleste matchende oppgaver er ofte avhengige av tilpassede eller manuelle løsninger, inkludert Excel eller til og med papirbaserte metoder. Svært ofte er automatisering heller ikke relevant, siden matching ofte er involvert i engangshandlinger som markedsføringskampanjer, dataopprydding, samordning med partnere...​

Forståelse av bedre forsoning krever dissekere dens komponenter, Dvs.

  • Det starter med samle inn og transformere de forskjellige datasettene for sammenlignbarhet. Dette består av å gjenopprette 2 datasett, som kan leveres i ulike formater, ulike strukturer, ulike omfang og med ulike navn eller oppregninger. Dataene må transformeres for å gjøre dem sammenlignbare og lastes inn i samme verktøy (f.eks. en database eller Excel), slik at de enkelt kan sammenlignes.

  • Det neste trinnet er å definere en nøyaktig matchingsalgoritme. Dette kan være en enkel unik nøkkel, men det kan også være en kombinasjon av flere attributter (sammensatt nøkkel), en hierarkisk regel (dvs. match først på tast 1, hvis ingen samsvar prøv på tast 2 ...) eller en uklar regel (hvis nøkkel) av datasett 1 ligner nøkkelen til datasett 2, det er et samsvar). Å definere denne matchingsalgoritmen kan være svært komplisert, men det er avgjørende for muligheten til å automatisere matchingen og oppnå en god utskriftskvalitet.

  • Når matchingsalgoritmen er definert, går vi inn i sammenligningsfasen. For små datasett kan dette gjøres ganske enkelt, men for veldig store datasett kan det kreve alle slags ytelsesoptimaliseringer (som indekser, segmentering, parallellitet ...) for å utføre sammenligningen innen rimelig tid.

  • Endelig, identifiserte avvik må oversettes til handlingsbare resultater, for eksempel rapporter, kommunikasjon til kolleger eller tredjeparter eller korrigerende handlinger (f.eks. generering av filer, meldinger eller SQL-setninger for å fikse forskjellene).

Forviklingene med matching i finansielle tjenester er forskjellige. La oss utforske noen typiske brukstilfeller i det finansielle tjenestelandskapet:

  • De fleste banker har en Hovedfil for verdipapirer, som beskriver alle verdipapirer som er i posisjon eller kan omsettes i banken. Denne filen må integreres med mange applikasjoner, men må også mates av flere datakilder, som Telekurs, Reuters, Bloomberg, Moody's ... Dette betyr at en sikkerhet må tilpasses unikt. Dessverre er det ikke én unik identifikator som beskriver alle verdipapirer. Børsnoterte instrumenter har en felles avtalt ISIN-kode, men private og OTC-produkter som f.eks. de fleste derivater gjør det vanligvis ikke. Banker har derfor funnet opp interne identifikatorer, bruker falske ISIN-koder (som vanligvis starter med en "X") eller bruker sammensatte nøkler for å identifisere instrumentet unikt (f.eks. for et derivat kan dette være en kombinasjon av ticker av underliggende verdipapir, innløsningskurs, opsjonstype og utløpsdato).

  • I Retail banking er det åpenbart viktig å identifisere og matche en spesifikk fysisk person unikt. Men selv i et utviklet land som Belgia er dette lettere sagt enn gjort. Hvert individ i Belgia har et nasjonalt registernummer, så dette virker som det opplagte valget for en matchende nøkkel. Dessverre begrenser belgiske lover bruken av dette nummeret til spesifikke brukstilfeller. I tillegg eksisterer ikke denne identifikatoren for utlendinger og kan endres over tid (f.eks. mottar utenlandske innbyggere først et midlertidig folkeregisternummer som kan endres til et definitivt, et annet senere eller i tilfelle kjønnsendring vil folkeregisternummeret også endres). Et annet alternativ er å bruke identitetskortnummeret, men dette er også annerledes for utlendinger og vil endres hvert 10. år. Mange banker bruker derfor mer komplekse regler, som matching basert på fornavn, etternavn og fødselsdato, men dette kommer selvsagt også med alle slags problemer, som duplikater, staveforskjeller og feil i navnene, bruk av spesialtegn i navn…

  • Et veldig lignende problem er matche et selskap eller mer spesifikt en butikk. I Belgia har hvert selskap et firmanummer som ligner på MVA-nummeret (uten «BE»-prefikset), men dette er igjen veldig nasjonalt og 1 MVA-nummer kan ha flere lokasjoner (f.eks. flere butikker). Det finnes et begrep om et "grennummer" ("vestigingsnummer" på nederlandsk), men dette konseptet er ikke særlig kjent og brukes sjelden. Tilsvarende finnes det LEI-koden (Legal Entity Identifier) ​​som er en kode av en kombinasjon av 20 bokstaver og koder, som unikt identifiserer et selskap over hele verden. Dessverre er det kun store selskaper som har bedt om en LEI-kode, så for mindre selskaper er dette egentlig ikke et alternativ.
    Igjen gjøres det ofte mer komplekse matchinger, som en kombinasjon av MVA-nummer, postnummer og husnummer, men dette er selvsagt langt fra ideelt. På jakt etter en unik og allment kjent identifikator blir også Google-IDen mer og mer i bruk, men avhengigheten til et kommersielt selskap kan også utgjøre en stor operasjonell risiko.

  • Et annet interessant tilfelle er matching av en autorisasjon og clearingmeldingen i en VISA-kortbetaling. Normalt skal en unik identifikator samsvare med begge meldingene, men på grunn av alle slags unntakstilfeller (f.eks. frakoblede autorisasjoner eller inkrementelle autorisasjoner), vil ikke dette alltid være riktig. Derfor kreves det en mer kompleks regel, som ser på flere identifikatorer, men også til andre samsvarskriterier som innløser-ID, selger-ID, terminal-ID, PAN (kortnummer), tidsstempel og/eller beløp.
    Denne typen samsvar gjelder også for andre betalingstilfeller, som f.eks. matche en fullføring av forhåndsgodkjenning med den forrige forhåndsgodkjenningen eller en refusjon ved et tidligere kjøp.

  • En økonomisk brukssak som angår nesten enhver virksomhet er matching av faktura og betaling. Når en bedrift utsteder en faktura, må den kunne se når fakturaen kan anses som betalt. Dette er viktig for regnskapet, men også for å se om det skal sendes ut purring for ubetalte fakturaer.
    For å unikt matche betalingen med fakturaen, brukes i Belgia vanligvis en strukturert kommentar i betalingsinstruksen. Denne unike koden med kontrollsiffer gir en unik matchende referanse. Dessverre glemmer kunder ofte å legge inn den strukturerte kommentaren eller bruker feil (f.eks. kopier/lim inn en tidligere faktura). Dette betyr at et selskap må ha en reservesamsvarsregel i tilfelle den ustrukturerte kommentaren mangler eller er feil. Vanligvis kan en kombinasjon av betalingsbeløp, betalingsdato, IBAN til motpart og/eller navn på motpart gi en alternativ måte å matche disse fakturaene på.

Som du kan se er det langt fra enkelt å matche, men å forstå de grunnleggende trinnene kan hjelpe til med bedre matchinger. I mellomtiden, til tross for sine begrensninger, forblir Excel et kraftig verktøy for (manuell) matching. Derfor a rask påminnelse for alle som ønsker å gjøre matching i Excel:

  • Bruk VLOOKUP for å utføre matching. VLOOKUP har imidlertid visse begrensninger, som at det gir en feilmelding hvis det ikke er samsvar og at du kun kan søke i den første kolonnen. Et kraftig alternativ er å bruke XLOOKUP, som ikke har disse begrensningene.

  • Hvis du trenger en sammensatt søkenøkkel, legg til en kolonne i søkedatasettet ditt med den sammensatte søkenøkkelen (dvs. slå sammen de forskjellige attributtene, med f.eks. "#" som skilletegn) og bruk deretter VLOOKUP/XLOOKUP for å søke i denne nye kolonnen.

  • Litt oppmerksomhetspunkter når du bruker VLOOKUP:

    • Ikke glem å legge til "false" som det siste argumentet til funksjonen VLOOKUP for å sikre en eksakt match.

    • Sørg for at dataformatene er de samme. f.eks. et tall "123" og teksten "123" vil ikke samsvare, så det er viktig å konvertere dem til samme format først. Idem for identifikatorer som starter med innledende 0-er. Ofte vil Excel konvertere disse til tall, og dermed fjerne de ledende 0-ene og ikke resultere i samsvar.

    • Ikke bruk datasett med mer enn 100.000 XNUMX rader i Excel. Større datasett er problematiske for ytelsen og stabiliteten til Excel.
      Det kan også være interessant å sette beregningsmodus til "Manuell" hvis du jobber med VLOOKUP på store datasett, ellers vil Excel regne alle VLOOKUP på nytt hver gang du gjør en mindre endring i dataene.

    • VLOOKUP har kolonnenummeret som skal returneres som tredje argument. Dette tallet er ikke dynamisk tilpasset når du legger til eller fjerner kolonner, så husk å tilpasse når du legger til eller fjerner kolonner.

    • Hvis du bare vil ha et samsvar, kan du bruke formelen "=HVIS(FEIL(VLOOKUP(,,1,false),,"NO MATCH","MATCH")"

Disse triksene kan hjelpe til få fart på dine manuelle matchinger, men åpenbart er ekte automatisering alltid bedre.

Matching i finansielle tjenester er en mangefasettert utfordring, men å forstå de grunnleggende trinnene er nøkkelen til å forbedre resultatene. Mens verktøy som Excel tilbyr midlertidige løsninger, ligger fremtiden i intelligent automatisering, som kan effektivisere disse prosessene betydelig. For de som ønsker å fordype seg dypere i matchende kompleksiteter eller automatisering, kan bruk av avanserte verktøy og plattformer, inkludert AI-drevne løsninger som ChatGPT, gi både innsikt og praktiske løsninger.

Sjekk ut alle bloggene mine på https://bankloch.blogspot.com/

Tidstempel:

Mer fra Fintextra