Al Noor Retail ist ein mittelgroßer saudi-arabischer Einzelhändler, der wöchentlich Tausende von Transaktionen über Mada, Visa und Mastercard verarbeitet.
Das Finance-Team war dafür verantwortlich, die Bruttoumsätze aus den internen POS- und ERP-Systemen mit den Netto-Bankabrechnungen nach Zahlungsgebühren, VAT, Rückerstattungen, Chargebacks und zeitlichen Verzögerungen bei der Abrechnung abzugleichen.
Die Arbeit war geschäftskritisch, aber schmerzhaft manuell.
Jeden Tag luden Analysten Bankberichte herunter, öffneten Excel-Modelle, glichen Transaktionsdatensätze ab, prüften Abweichungen und nahmen ungelöste offene Posten mit in den Monatsabschluss.
Das Problem war nicht der Aufwand. Es war die Tabellenkalkulation.
Das Abstimmungsmodell war stillschweigend falsch
Der Excel-Workflow von Al Noor hatte zwei versteckte strukturelle Fehler.
Mada-Transaktionen wurden mit einer pauschalen Gebühr von 0.8% berechnet, ohne das Limit von 40 SAR anzuwenden. Bei Transaktionen mit hohem Wert führte das zu einer wiederkehrenden Abweichung von 40 SAR pro Transaktion.
Visa- und Mastercard-Transaktionen wurden als reine prozentuale Gebühren behandelt, wobei der feste Anteil von 1 SAR fehlte. Dadurch stimmten Kartenzahlungen mit kleinen Beträgen konsequent nicht ab.
Hinzu kamen Rundungsdifferenzen, T+2-Abrechnungszeiten, Rückerstattungen und Chargebacks, die noch mehr Unruhe verursachten.
Das Ergebnis: 2–3 Stunden tägliche Triage und eine Liste offener Posten zum Monatsende, die nie vollständig verschwand.
Energent.ai wurde zur Abstimmungs-Engine
Mit Energent.ai lud das Team seinen Bank-Acquiring-Report und den internen Sales-Export direkt in den Agenten hoch.
Energent dann:
- klassifizierte jede Transaktion nach Zahlungsrail
- wandte die korrekte Gebührenlogik für Mada, Visa und Mastercard an
- berechnete VAT auf Bearbeitungsgebühren
- glich die erwartete Nettoabrechnung mit der Nettoabrechnung der Bank ab
- wendete eine Rundungstoleranz von ±0.05 SAR an
- suchte in einem Fenster von ±3 Tagen nach T+2-Abrechnungsabweichungen
- trennte Rückerstattungen und Chargebacks in eine eigene Prüftabelle
- erzeugte ein Abstimmungs-Dashboard und einen revisionssicheren Zusammenfassungsbericht
Kein Custom Code. Kein Neuaufbau eines BI-Dashboards. Keine fragile Übergabe von Tabellenkalkulationen.
Warum es funktionierte
Korrekte Logik, nicht nur hübschere Berichte
Energent visualisierte nicht nur Abweichungen. Es berechnete die erwarteten Abrechnungen aus den Rohtransaktionsdaten neu.
Toleranzbewusstes Matching
Kleine Rundungsdifferenzen verschmutzten die Ausnahmeliste nicht mehr.
Abrechnungszeitpunkt integriert
T+2-Bankverzögerungen wurden automatisch behandelt, statt als fehlende Transaktionen zu gelten.
Revisionssichere Ausgabe
Der finale Abstimmungsleitfaden wurde Teil des monatlichen Abschluss-Pakets und half beim Onboarding eines neuen Analysten.
Ergebnisse
In der ersten Sitzung identifizierte und korrigierte Energent die beiden zentralen Fehler im Gebührenmodell.
Mada-Transaktionen mit hohem Wert wurden erstmals sauber abgestimmt. Visa- und Mastercard-Transaktionen mit kleinen Beträgen erzeugten keine systematischen Ausnahmen mehr. Der Rückstand offener Posten wurde nach der Behebung der strukturellen Fehler faktisch auf null zurückgesetzt.
Die tägliche Abstimmung verlagerte sich von 2–3 Stunden Tabellenkalkulations-Triage auf eine fokussierte Prüfung echter Ausnahmen.
Für Al Noor Retail machte Energent.ai die Zahlungsabstimmung von einem wiederkehrenden Monatsendproblem zu einem wiederholbaren, revisionssicheren Workflow.
Sobald Energent die Gebührenaufstellung zeigte, war es offensichtlich. Wir berechneten 80 SAR, obwohl das Mada-Limit bedeutete, dass es 40 sein sollte. Diese eine Erkenntnis rechtfertigte das gesamte Projekt.