A Al Noor Retail é uma varejista saudita de porte médio que processa milhares de transações semanais em Mada, Visa e Mastercard.
Sua equipe financeira era responsável por reconciliar as vendas brutas dos sistemas internos de POS e ERP com as liquidações líquidas do banco, após tarifas de pagamento, VAT, reembolsos, chargebacks e atrasos no timing de liquidação.
O trabalho era de alto risco, mas dolorosamente manual.
Todos os dias, os analistas baixavam relatórios bancários, abriam modelos em Excel, conciliavam registros de transações, verificavam variações e levavam itens em aberto não resolvidos para o fechamento de fim de mês.
O problema não era o esforço. Era a planilha.
O modelo de reconciliação estava silenciosamente errado
O fluxo de trabalho em Excel da Al Noor tinha dois erros estruturais ocultos.
As transações Mada eram calculadas como uma tarifa fixa de 0.8%, sem aplicar o teto de 40 SAR. Para transações de alto valor, isso criava uma divergência recorrente de 40 SAR por transação.
As transações Visa e Mastercard eram tratadas como tarifas apenas percentuais, sem o componente fixo de 1 SAR. Isso fazia com que pagamentos de baixo valor com cartão fossem conciliados incorretamente de forma consistente.
Além disso, diferenças de arredondamento, timing de liquidação T+2, reembolsos e chargebacks geravam ainda mais ruído.
O resultado: 2–3 horas de triagem diária e uma lista de itens em aberto no fechamento do mês que nunca era totalmente zerada.
A Energent.ai se tornou o motor de reconciliação
Com a Energent.ai, a equipe carregou diretamente no agente o relatório de adquirência do banco e o extrato interno de vendas.
A Energent então:
- classificou cada transação por canal de pagamento
- aplicou a lógica correta de tarifas de Mada, Visa e Mastercard
- calculou VAT sobre as tarifas de processamento
- comparou a liquidação líquida esperada com a liquidação líquida do banco
- aplicou uma tolerância de arredondamento de ±0.05 SAR
- pesquisou em uma janela de ±3 dias para tratar o desvio de liquidação T+2
- separou reembolsos e chargebacks em sua própria tabela de revisão
- gerou um painel de reconciliação e um relatório resumido pronto para auditoria
Sem código personalizado. Sem reconstrução de dashboard de BI. Sem passagem frágil de planilha.
Por que funcionou
Lógica correta, não apenas relatórios mais bonitos
A Energent não apenas visualizou as discrepâncias. Ela recalculou as liquidações esperadas a partir dos dados brutos das transações.
Correspondência com tolerância
Pequenas diferenças de arredondamento deixaram de poluir a lista de exceções.
Timing de liquidação incorporado
Os atrasos bancários T+2 passaram a ser tratados automaticamente, em vez de serem considerados transações ausentes.
Saída pronta para auditoria
O guia final de reconciliação passou a fazer parte do pacote mensal de fechamento e ajudou a integrar um novo analista.
Resultados
Na primeira sessão, a Energent identificou e corrigiu os dois erros centrais do modelo de tarifas.
As transações Mada de alto valor passaram a ser conciliadas corretamente pela primeira vez. As transações Visa e Mastercard de baixo valor deixaram de gerar exceções sistemáticas. O acúmulo de itens em aberto foi efetivamente zerado depois que os erros estruturais foram corrigidos.
A reconciliação diária passou de 2–3 horas de triagem em planilhas para uma revisão focada em exceções reais.
Para a Al Noor Retail, a Energent.ai transformou a reconciliação de pagamentos de um problema recorrente de fim de mês em um fluxo de trabalho repetível e auditável.
Assim que a Energent mostrou a decomposição das tarifas, ficou óbvio. Estávamos calculando 80 SAR quando o teto do Mada significava que deveria ser 40. Esse único insight justificou todo o projeto.