Al Noor Retail est un commerçant de détail saoudien de taille moyenne qui traite des milliers de transactions hebdomadaires via Mada, Visa et Mastercard.
Son équipe finance était chargée de rapprocher les ventes brutes issues des systèmes POS et ERP internes avec les règlements bancaires nets, après prise en compte des frais de paiement, de la TVA, des remboursements, des rétrofacturations et des décalages de date de règlement.
Le travail était critique, mais terriblement manuel.
Chaque jour, les analystes téléchargeaient les relevés bancaires, ouvraient des modèles Excel, rapprochaient les transactions, vérifiaient les écarts et reportaient les éléments ouverts non résolus jusqu’à la clôture de fin de mois.
Le problème n’était pas l’effort. C’était le tableur.
Le modèle de rapprochement était discrètement erroné
Le workflow Excel d’Al Noor comportait deux erreurs structurelles cachées.
Les transactions Mada étaient calculées avec des frais fixes de 0.8 %, sans appliquer le plafond de 40 SAR. Pour les transactions à forte valeur, cela créait un écart récurrent de 40 SAR par transaction.
Les transactions Visa et Mastercard étaient traitées comme des frais uniquement en pourcentage, sans tenir compte du composant fixe de 1 SAR. Cela faisait que les paiements par carte de faible montant ne se rapprochaient systématiquement pas.
À cela s’ajoutaient les différences d’arrondi, le timing de règlement en T+2, les remboursements et les rétrofacturations, qui généraient encore plus de bruit.
Résultat : 2–3 heures de tri quotidien et une liste d’éléments ouverts de fin de mois qui ne se vidait jamais complètement.
Energent.ai est devenu le moteur de rapprochement
Avec Energent.ai, l’équipe a téléchargé directement dans l’agent son relevé d’acquisition bancaire et son extrait des ventes internes.
Energent a ensuite :
- classé chaque transaction par réseau de paiement
- appliqué la bonne logique de frais Mada, Visa et Mastercard
- calculé la TVA sur les frais de traitement
- rapproché le règlement net attendu avec le règlement net bancaire
- appliqué une tolérance d’arrondi de ±0.05 SAR
- recherché sur une fenêtre de ±3 jours les écarts de règlement en T+2
- séparé les remboursements et les rétrofacturations dans leur propre tableau de revue
- généré un tableau de bord de rapprochement et un rapport de synthèse prêt pour l’audit
Pas de code personnalisé. Pas de refonte de tableau de bord BI. Pas de passation fragile de tableur.
Pourquoi cela a fonctionné
Une logique correcte, pas seulement des rapports plus jolis
Energent ne s’est pas contenté de visualiser les écarts. Il a recalculé les règlements attendus à partir des données brutes de transaction.
Un rapprochement tenant compte des tolérances
Les petites différences d’arrondi ont cessé de polluer la liste des exceptions.
Le timing de règlement intégré
Les retards bancaires en T+2 ont été gérés automatiquement au lieu d’être traités comme des transactions manquantes.
Un résultat prêt pour l’audit
Le guide final de rapprochement est devenu une partie du dossier de clôture mensuelle et a aidé à intégrer un nouvel analyste.
Résultats
Lors de la première session, Energent a identifié et corrigé les deux erreurs fondamentales du modèle de frais.
Les transactions Mada à forte valeur se sont rapprochées correctement pour la première fois. Les transactions Visa et Mastercard de faible montant ont cessé de générer des exceptions systématiques. L’arriéré d’éléments ouverts est effectivement retombé à zéro une fois les erreurs structurelles corrigées.
Le rapprochement quotidien est passé de 2–3 heures de tri sur tableur à une revue ciblée des véritables exceptions.
Pour Al Noor Retail, Energent.ai a transformé le rapprochement des paiements, d’un problème récurrent de fin de mois, en un workflow répétable et auditable.
Une fois qu’Energent a montré le détail des frais, tout est devenu évident. Nous calculions 80 SAR alors que le plafond Mada signifiait que cela devait être 40. Cette seule révélation a justifié tout le projet.