Inventive FRC – Finance: Front-to-Back Reconciliation – Effizientere Abstimmung Ihrer Finanzdaten und Minimierung manueller Arbeitsschritte

Capgemini Invent adressiert die CxO Daten-Strategie und unterstützt seine Kunden bei der datengetriebenen Wertschöpfung.

Mit Inventive Finance, Risk & Compliance (Inventive FRC) meistern wir die Herausforderungen der Finanz-, Risiko- und Compliance-Funktion im Finanz-Sektor. Dieser Blog-Artikel fokussiert auf Finance.

Finanzinstitute befinden sich aktuell in einem anspruchsvollen Spannungsfeld. Sie werden durch regulatorische Anforderungen getrieben und verfügen zumeist über veraltete IT-Landschaften. Speziell bei wiederkehrenden und manuellen Prozessen müssen Sie die Effizienz deutlich erhöhen, um dem steigenden Kostendruck entgegen zu wirken. Ein solcher wiederkehrende Prozess, ist die Reconciliation von Datendifferenzen in täglichen Abstimmungsprozessen sowie in Monats-, Quartals- und Jahresabschlüssen. Es wird zunehmend ein tägliches Controlling und Accounting (Fast & Smart Close) gefordert, um schnell auf sich ändernde Situationen zu reagieren und regulatorische Ansprüche zu erfüllen. Zur Erreichung dieser hohen Ansprüche ist die Reduktion durch eine automatisierte Reconciliation ein zentraler Bestandteil. Doch wieso ist überhaupt der Abstimmungsprozess komplex und zeitintensiv durchzuführen und wie können diese Herausforderungen überwunden werden?

Herausforderungen in drei Themenfeldern erschweren immens die Reconciliations

Die großen Herausforderungen der Finanzinstitute bei der Durchführung ihrer Front-to-Back (FOBO) Reconciliations resultieren aus in den Finanzinstituten tiefgehend verwurzelten Problemen, die drei entscheidenden Kategorien zuzuordnen sind.

Zum einen sind veraltete Legacysysteme mit nur einer begrenzten Anzahl an funktionalen und technischen Möglichkeiten dafür verantwortlich, dass die nötige Leistung beim Umgang mit einer Vielzahl an komplexen Daten fehlt. Darüber hinaus sind veraltete Datenstandards in einer vernetzten Architekturlandschaft ein zunehmender limitierender Faktor. Fehlende Leistung, funktionale Einschränkungen und veraltete Datenstandards verringern weitreichend die Möglichkeit des Einsatzes von moderner, auf künstlicher Intelligenz basierender, Technologien.

Darüber hinaus stellt eine komplexe und stark fragmentierte IT-Infrastruktur die Durchführung von Abstimmungen vor Herausforderungen. Hierbei spielen eine Vielzahl an Systemen; eine unterschiedliche Basis für Kalkulationen und Verarbeitungen, sowie mangelnde Standardisierungen eine stark restriktive Rolle. Dies führt beispielsweise zu einer fehlenden Möglichkeit der Nachvollziehbarkeit der Datenquelle, aus der ein Fehler resultiert.

Zuletzt ist die Datenqualität hervorzuheben. Entscheidend ist hierbei ein fehlender zentraler Datenspeicher und somit eine unterschiedliche Datenbelieferung von Systemen. Weiter ist die Datenqualität niedrig, da Daten voneinander abweichen, weil zum Beispiel Marktdaten von verschiedenen Anbietern bezogen werden. Letztlich, den Daten fehlt es an einem ausreichenden Informationsgehalt, um Ableitungen für eine erfolgreiche Abstimmung zu treffen.

Die drei beschriebenen Herausforderungen führen zu:

• Einer großen Anzahl von Diskrepanzen zwischen Front- und Back-Office
• Zeitaufwändigen, manuellen und ineffizienten Untersuchungen und Fehlerkorrekturen
• Höheren operativen Risiken bei z. B. der Verletzung von regulatorischen Anforderungen
• Langsamen und verzögerten Monats-, Quartal- und Jahresabschlüsse

Nur durch einen holistischen und mit geeigneten digitalen Werkzeugen unterstützen Ansatz wird der Reconciliations-Prozess effizient ausgerichtet

Die Front-to-Back Reconciliation erfordert einen ganzheitlichen Ansatz. Dieser Ansatz lässt sich in drei Stufen gliedern:

1. Identifizieren und klassifizieren: Zunächst müssen die Abweichungen zwischen Front- und Back-Office anhand der FOBO Reconciliaton Tools identifiziert werden. Die Klassifizierung der Abweichungen erfolgt auf vordefinierten Kriterien. Hierbei lassen sich drei wesentliche Datendifferenztypen identifizieren, denen ein Großteil der manuellen Analysen und Klärungsaufwände zuzuordnen sind:

1. Statische Datendifferenzen: Unterschiedliche Zulieferungssysteme im Front- und Back-Office führen im Rahmen des Datenabgleichs zu Differenzen zwischen den Systemen und müssen über manuelle Nacharbeiten korrigiert werden
2. Datenverarbeitungsdifferenzen: Nach der systemischen Verarbeitung von Daten muss sichergestellt werden, dass die Daten im korrekten Format und Qualitätsniveau abgebildet werden, um eine einheitliche Datenkommunikation zwischen Systemen sicherzustellen
3. Manuell getriebene Datendifferenzen: Anreicherung von Systemdaten durch manuelle Eingaben und Workarounds außerhalb des automatisierten Datenflusses

2. Untersuchen und validieren: Anschließend wird mittels der zuvor klassifizierten Datendifferenz eine automatisierte Untersuchung durchgeführt. Der Zweck dieses Schrittes ist die gültigen Dateneingaben gemäß einer festgelegten Validierungslogik pro Differenztyp zu ermitteln. Ein Beispiel für eine Prüfung wäre die Differenz der Stückzinsen, getrieben durch abweichende Stammdatenquellen (z. B. Bloomberg, Reuters, WM), da Datenquellen im Front-Office einen dynamischen Charakter aufweisen, wobei Datenquellen im Back-Office statischer Natur sind.

3. Korrigieren und zuordnen: Letztlich löst der Prüfungs- und Validierungsprozess eine automatisierte Korrektur und Zuordnung zu den relevanten Quellsystemen aus. Dies ermöglicht es, ohne oder nur durch prüfende menschliche Tätigkeit, Korrekturen auszuführen und etwaige Daten zu korrigieren. Dieser Prozess kann skaliert werden, da die Menge an zu korrigierenden Einträgen nicht proportional zum manuell durchzuführenden Aufwand ist.

Wissen Sie, wo die Stärken und Schwächen in Ihrem Reconciliations-Prozess liegen? Nutzen Sie den Capgemini Invent Health-Check, um eine Indikation zu möglichen Schwachstellen und einer Einordung der Performanz Ihres Front-to-Back Reconciliation Prozesses zu erhalten. Zur Teilnahme am Capgemini Invent Health-Check klicken Sie hier.

Vielen Dank an die Co-Autoren Ihab El-Essawi und Crispijn Groeneveld