Clearpoint Financial Services traite des dizaines de milliers de transactions par carte et ACH chaque mois. Rachel Torres se situe à l’interface de la comptabilité et du risque — elle certifie que les débits enregistrés correspondent aux montants autorisés, que les contrôles de solde ont été validés lors du clearing, et qu’aucun débit en double n’est passé entre les mailles du filet. L’équipe gère en interne l’ensemble du cycle de rapprochement, y compris la définition des exceptions et la capacité à les justifier en audit.
Les seuils hérités et les passes de filtres manuelles ne pouvaient pas passer à l’échelle pour 50,000 enregistrements
Le workflow de rapprochement de l’équipe reposait sur un export bancaire téléchargé, des tableaux croisés dynamiques et des seuils de filtrage codés en dur, hérités d’un ancien analyste. Quatre catégories distinctes d’exceptions nécessitaient chacune un passage manuel séparé dans les données. Le seuil de forte valeur était un montant fixe défini deux ans plus tôt — sans fondement statistique, sans mécanisme de mise à jour. Les jointures liées au risque d’authentification fonctionnaient mal à ce volume d’enregistrements. Les contrôles d’écarts du grand livre exigeaient d’identifier les transactions de débit qui avaient été compensées malgré des soldes de compte insuffisants. La détection des doublons demandait une logique de déduplication au niveau des lignes que le tableur ne pouvait pas exécuter de manière fiable à grande échelle. Pour compliquer encore la situation, plus de 87 percent des enregistrements ne comportaient pas de composant horaire dans l’horodatage de la transaction, ce qui les ramenait par défaut à minuit (00:00) et bloquait complètement l’analyse de la fraude hors horaires ouvrés. Un examen d’audit interne a formalisé la pression : le comité a jugé le seuil en montant fixe statistiquement injustifié et a demandé une dérivation documentée pour chaque catégorie d’exception.
Energent.ai est devenu le moteur statistique du rapprochement
Torres a téléversé directement le CSV de 50,000 enregistrements dans Energent.ai. En une seule session, l’agent :
- A inspecté le schéma et confirmé les types de colonnes avant d’écrire le moindre code d’analyse
- A calculé la moyenne ($297.87) et l’écart type des montants des transactions sur l’ensemble du jeu de données
- A dérivé le seuil de forte valeur à $1,176.33 à l’aide d’un seuil de score Z de 3 écarts types — un chiffre recalculable à chaque cycle à partir du nouveau lot
- A croisé les comptes des tentatives de connexion pour isoler les transactions à risque d’authentification dans le 1 percent supérieur des événements de friction
- A fait correspondre les lignes de débit aux soldes de compte enregistrés pour signaler les enregistrements compensés mais insuffisants
- A détecté en cours de session l’écart de 87-percent de timestamps manquants et l’a documenté comme un rapport de défaut concret plutôt que de fausser silencieusement les résultats
- A généré un tableau de bord HTML interactif des exceptions, trié par gravité, prêt à être diffusé comme fichier autonome
Pas de pipeline de données. Pas de configuration d’outil BI. Pas de transfert entre systèmes.
Une dérivation des seuils, pas seulement un reporting plus propre
- Logique défendable en audit. Le seuil de $1,176.33 a été dérivé du jeu de données en direct et expliqué étape par étape, satisfaisant directement l’exigence de documentation du comité d’audit.
- La qualité des données a été mise en évidence explicitement. L’agent a signalé le constat de 87-percent de timestamps manquants au lieu de se rabattre silencieusement sur une valeur par défaut — offrant à l’équipe un rapport de défaut quantifié à transmettre au responsable du pipeline d’ingestion.
- Quatre files, un seul passage. Les exceptions de montant, les risques d’authentification, les écarts du grand livre et les débits en double ont été recensés en une seule session, remplaçant quatre exécutions manuelles distinctes de filtres.
- Reproductible par conception. La même logique statistique s’exécute à nouveau sur chaque nouvel export de lot sans reconstruire les formules du tableur.
4,004 exceptions isolées, hiérarchisées et documentées en une seule session
- 4,004 exceptions au total mises en évidence — soit environ 8 percent du lot de 50,000 enregistrements
- 989 exceptions de montant signalées au-dessus de $1,176.33, représentant le top ~2 percent du volume de transactions
- 1,305 transactions à risque d’authentification isolées à 4 tentatives de connexion ou plus par transaction
- 1,708 écarts du grand livre identifiés lorsque des débits ont été compensés malgré des soldes de compte insuffisants — la plus grande file d’exceptions individuelle
- 2 débits en double confirmés escaladés immédiatement comme candidats au remboursement les plus prioritaires
- Écart d’horodatage de 87-percent documenté, débloquant la feuille de route pour la détection des fraudes hors horaires ouvrés en attendant une correction en amont du pipeline d’ingestion
"The ledger discrepancy count was something we'd never isolated cleanly at this scale before. Now we have a number we can defend — and a process we can run again next quarter without touching the formulas." — Rachel Torres, Reconciliation Analyst at Clearpoint Financial Services