The Unseen Backbone of Banking: A Deep Dive into Matching and Reconciliation

Förra året firade jag två decennier av fördjupning inom IT, särskilt inom finanssektorn. Under denna period har jag varit ett vittne till anmärkningsvärda förändringar inom bank och teknik. Framväxten av Fintech-företag och deras kundcentrerade tillvägagångssätt, tillsammans med betydande framsteg inom mjukvaruteknik som agila metoder, mikrotjänster och cloud computing, har omformat landskapet. Ändå, intressant nog, har back-office-verksamheten för många finansiella tjänsteföretag förblivit relativt statisk under dessa år, och fortfarande brottas med manuell kodning, repetitiva uppgifter och starkt beroende av Excel.

En särskilt manuell och ändå automatiserbar process inom finanssektorn är matchning och avstämning. Denna process uppstår i olika former, d.v.s. från att identifiera och åtgärda avvikelser (som vanligtvis uppstår på grund av problem eller luckor med integrationerna) i master-slave integrationer till att korrigera eller ta bort dubbletter och halvautomatiska uppdateringar av operativa system med data från externa källor.

Trots tillgången till sofistikerad programvara (t.ex. FIS IntelliMatch, Calypso Confirmation Matching, Misys CMS, Temenos T24 Confirmation Matching...) för specifika avstämningsuppgifter, såsom betalnings- och handelsbekräftelsematchning (ofta baserat på SWIFT-meddelanden), majoriteten av matchande uppgifter är ofta beroende av anpassade eller manuella lösningar, inklusive Excel eller till och med pappersbaserade metoder. Mycket ofta är automatisering inte heller relevant, eftersom matchning ofta är inblandat i engångsåtgärder som marknadsföringskampanjer, datasanering, anpassning med partners...​

Förstå bättre avstämning kräver dissekera dess komponenter, Det vill säga

• Det börjar med samla in och omvandla de olika datamängderna för jämförbarhet. Detta består av att återskapa 2 datamängder, som kan levereras i olika format, olika strukturer, olika omfattningar och med olika namn eller uppräkningar. Data måste omvandlas för att göra dem jämförbara och laddas in i samma verktyg (t.ex. en databas eller Excel), så att de enkelt kan jämföras.

• Nästa steg är att definiera en exakt matchningsalgoritm. Detta kan vara en enkel unik nyckel, men det kan också vara en kombination av flera attribut (sammansatt nyckel), en hierarkisk regel (dvs matcha först på tangent 1, om ingen matchning försök på tangent 2...) eller en luddig regel (om nyckel av datamängd 1 liknar nyckeln för datamängd 2 det är en matchning). Att definiera denna matchningsalgoritm kan vara mycket komplicerat, men det är avgörande för möjligheten att automatisera matchningen och nå en bra utskriftskvalitet.

• När matchningsalgoritmen är definierad anger vi jämförelsefas. För små datamängder kan detta göras ganska enkelt, men för mycket stora datamängder kan det kräva alla typer av prestandaoptimeringar (som index, segmentering, parallellism ...) för att kunna utföra jämförelsen inom rimlig tid.

• Slutligen identifierade avvikelser måste översättas till handlingsbara resultat, såsom rapporter, kommunikation till kollegor eller tredje part eller korrigerande åtgärder (t.ex. generering av filer, meddelanden eller SQL-satser för att åtgärda skillnaderna).

Inveckladigheterna med matchning inom finansiella tjänster är olika. Låt oss utforska några typiska användningsfall i landskapet för finansiella tjänster:

• De flesta banker har en Värdepappers huvudfil, som beskriver alla värdepapper som är i position eller kan handlas på banken. Den här filen måste integreras med många applikationer, men måste också matas av flera datakällor, som Telekurs, Reuters, Bloomberg, Moody's… Detta innebär att en säkerhet måste matchas unikt. Tyvärr finns det inte en unik identifierare som beskriver alla värdepapper. Börshandlade instrument har en gemensamt överenskommen ISIN-kod, men privata och OTC-produkter som t.ex. de flesta derivat brukar inte göra det. Banker har därför uppfunnit interna identifierare, använder falska ISIN-koder (som vanligtvis börjar med ett "X") eller använder sammansatta nycklar för att unikt identifiera instrumentet (t.ex. för ett derivat kan detta vara en kombination av ticker av underliggande värdepapper, lösenpris, optionstyp och utgångsdatum).

• Inom Retail banking är det självklart viktigt att unikt identifiera och matcha en specifik fysisk person. Men även i ett utvecklat land som Belgien är detta lättare sagt än gjort. Varje individ i Belgien har ett nationellt registernummer, så detta verkar vara det självklara valet för en matchande nyckel. Tyvärr begränsar belgiska lagar användningen av detta nummer till specifika användningsfall. Dessutom finns inte denna identifierare för utlänningar och kan ändras över tid (t.ex. utländska invånare får först ett tillfälligt folkbokföringsnummer som kan ändras till ett definitivt, ett annat senare eller vid könsändring ändras även folkbokföringsnumret). Ett annat alternativ är att använda identitetskortnumret, men det är också annorlunda för utlänningar och kommer att ändras vart tionde år. Många banker använder därför mer komplexa regler, som en matchning baserad på förnamn, efternamn och födelsedatum, men detta kommer naturligtvis också med alla typer av problem, som dubbletter, stavningsskillnader och fel i namnen, användning av specialtecken i namn…

• Ett mycket liknande problem är matcha ett företag eller mer specifikt en butik. I Belgien har varje företag ett företagsnummer som liknar momsnumret (utan "BE"-prefixet), men detta är återigen väldigt nationellt och ett momsnummer kan ha flera platser (t.ex. flera butiker). Det finns ett begrepp om ett "filialnummer" ("vestigingsnummer" på nederländska), men detta begrepp är inte särskilt välkänt och används sällan. På liknande sätt finns LEI-koden (Legal Entity Identifier) ​​som är en kod av en kombination av 1 bokstäver och koder, som unikt identifierar ett företag över hela världen. Tyvärr är det bara stora företag som har efterfrågat en LEI-kod, så för mindre företag är detta inte riktigt ett alternativ.
  Återigen görs ofta mer komplexa matchningar, som en kombination av momsnummer, postnummer och husnummer, men detta är uppenbarligen långt ifrån idealiskt. I sökandet efter en unik och allmänt känd identifierare blir Google-ID också mer och mer i bruk, men beroendet av ett kommersiellt företag kan också utgöra en stor operativ risk.

• Ett annat intressant fall är matchning av en behörighet och clearingmeddelandet i en VISA-kortbetalning. Normalt ska en unik identifierare matcha båda meddelandena, men på grund av alla typer av undantagsfall (t.ex. offline-auktoriseringar eller inkrementella auktoriseringar) kommer detta inte alltid att vara korrekt. Därför krävs en mer komplex regel, som tittar på flera identifierare, men också till andra matchningskriterier som förvärvar-ID, säljar-ID, terminal-ID, PAN (kortnummer), tidsstämpel och/eller belopp.
  Denna typ av matchning gäller även för andra betalningsanvändningsfall, som t.ex. matchning av ett förauktorisationsuppfyllande med dess föregående förauktorisation eller en återbetalning vid ett tidigare köp.

• Ett ekonomiskt användningsfall som berör nästan alla företag är matchning av faktura och betalning. När ett företag utfärdar en faktura behöver det kunna se när fakturan kan anses vara betald. Detta är viktigt för bokföringen, men också för att se om påminnelser för obetalda fakturor ska skickas ut.
  För att unikt matcha betalningen med fakturan används i Belgien vanligtvis en strukturerad kommentar i betalningsinstruktionen. Denna unika kod med kontrollsiffra ger en unik matchningsreferens. Tyvärr glömmer kunder ofta att lägga den strukturerade kommentaren eller använder fel (t.ex. kopiera/klistra in en tidigare faktura). Detta innebär att ett företag måste ha en reservmatchningsregel om den ostrukturerade kommentaren saknas eller är felaktig. Vanligtvis kan en kombination av betalningsbelopp, betalningsdatum, IBAN för motpart och/eller namn på motpart ge ett alternativt sätt att matcha dessa fakturor.

Som du kan se är matchning långt ifrån lätt, men att förstå de grundläggande stegen kan hjälpa till med bättre matchningar. Under tiden, trots sina begränsningar, förblir Excel ett kraftfullt verktyg för (manuell) matchning. Därför a snabb påminnelse för alla som vill göra matchning i Excel:

• Använda VLOOKUP för att utföra matchning. VLOOKUP har dock vissa begränsningar, som att det ger ett fel om det inte finns någon matchning och att du bara kan söka i den första kolumnen. Ett kraftfullt alternativ är att använda XLOOKUP, som inte har dessa begränsningar.

• Om du behöver en sammansatt söknyckel, lägg till en kolumn i din sökdatauppsättning, med den sammansatta söknyckeln (d.v.s. sammanfoga de olika attributen, med t.ex. "#" som avgränsare) och använd sedan VLOOKUP/XLOOKUP för att söka i denna nya kolumn.

• Några uppmärksamhetspunkter när du använder VLOOKUP:

  • Glöm inte att lägga till "false" som det sista argumentet för funktionen VLOOKUP för att säkerställa en exakt matchning.

  • Se till att dataformaten är desamma. T.ex. siffran "123" och texten "123" kommer inte att matcha, så det är viktigt att konvertera dem till samma format först. Idem för identifierare som börjar med inledande nollor. Ofta konverterar Excel dessa till siffror, vilket tar bort de ledande nollorna och resulterar inte i en matchning.

  • Använd inte datamängder med fler än 100.000 XNUMX rader i Excel. Större datamängder är problematiska för prestanda och stabilitet i Excel.
    Det kan också vara intressant att sätta beräkningsläge till "Manuell" om du arbetar med VLOOKUP på stora datamängder, annars kommer Excel att räkna om alla VLOOKUPs varje gång du gör en mindre ändring av datan.

  • VLOOKUP har kolumnnumret att returnera som tredje argument. Detta nummer anpassas inte dynamiskt när du lägger till eller tar bort kolumner, så kom ihåg att anpassa när du lägger till eller tar bort kolumner.

  • Om du bara vill ha en matchning kan du använda formeln "=OM(FEL(VLOOKUP(,,1,falskt),,"INGEN MATCH","MATCH")"

Dessa knep kan hjälpa till snabba upp dina manuella matchningar, men uppenbarligen är verklig automatisering alltid bättre.

Matchning inom finansiella tjänster är en mångfacetterad utmaning, men att förstå dess grundläggande steg är nyckeln till att förbättra resultaten. Medan verktyg som Excel erbjuder tillfälliga lösningar, ligger framtiden i intelligent automation, som avsevärt kan effektivisera dessa processer. För dem som vill gräva djupare i matchande komplexitet eller automatisering, kan utnyttjande av avancerade verktyg och plattformar, inklusive AI-drivna lösningar som ChatGPT, ge både insikter och praktiska lösningar.

Kolla in alla mina bloggar på https://bankloch.blogspot.com/

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.finextra.com/blogposting/25297/the-unseen-backbone-of-banking-a-deep-dive-into-matching-and-reconciliation?utm_medium=rssfinextra&utm_source=finextrablogs