Bankafschriften en openstaande posten automatisch matchen

De stapel die elke maandag terugkomt

Elke administratie kent het beeld. De bankafschriften komen binnen, het ERP lettert een deel automatisch af op factuurnummer, en de rest blijft liggen. Dat restje is klein in aantal en groot in tijd, want elke post moet met de hand worden uitgezocht.

Vaak gaat het om vijftien tot dertig procent van de bijschrijvingen. Precies die posten waar de klant het factuurnummer vergeten is, drie facturen in een bedrag heeft betaald, iets heeft afgetrokken, of net een ander bedrag heeft overgemaakt dan er open stond.

Zolang die posten niet zijn afgeletterd, klopt je debiteurenoverzicht niet. Er gaan aanmaningen uit naar klanten die al betaald hebben, en dat is een soort fout die je klantrelatie duurder maakt dan de post zelf waard is.

Waarom vaste regels blijven steken

De meeste ERP-systemen hebben een afletterfunctie op basis van regels. Zoek het factuurnummer in de omschrijving, zoek een exact bedrag, zoek de betalingskenmerk. Die regels werken uitstekend voor het makkelijke deel, en daar zijn ze ook voor bedoeld.

Waar ze stoppen is bij alles wat niet exact is. Een verzamelbetaling van 3.115,00 die bestaat uit drie facturen van 1.240,00, 880,50 en 994,50. Een deelbetaling waarbij de klant zelf een creditnota heeft verrekend. Een omschrijving waarin alleen uw ref 4411 staat, wat toevallig het inkoopordernummer van de klant is en niet jouw factuurnummer.

• Verzamelbetalingen: een bedrag dat optelt uit meerdere facturen, soms met een afrondingsverschil.
• Deelbetalingen: klant betaalt vast een deel, de rest volgt na oplevering of na een discussie.
• Verrekeningen: creditnota's, kortingen voor snelle betaling of ingehouden bedragen.
• Onbruikbare omschrijvingen: eigen referenties van de klant, of helemaal geen kenmerk.
• Naamverschillen: de betalende entiteit heet net anders dan de debiteur in je administratie.

Voor een mens zijn dit meestal geen moeilijke puzzels. Je ziet in een paar seconden dat 3.115,00 precies die drie facturen zijn. Maar je moet het wel doen, elke keer, voor elke post, en dat is waar de uren in verdwijnen.

Hoe een AI-collega dit oppakt

Een AI-collega benadert het afletteren zoals een ervaren administrateur dat doet: niet met een enkele regel, maar met een combinatie van aanwijzingen. Bedrag, datum, tegenrekening, naam, omschrijving en het betaalgedrag van deze klant in het verleden.

Bij een verzamelbetaling zoekt de agent naar de combinatie van openstaande posten die optelt tot het ontvangen bedrag, ook als er een klein afrondingsverschil in zit. Bij een deelbetaling koppelt hij het bedrag aan de juiste factuur en laat het restant correct openstaan in plaats van de hele post te sluiten.

En bij een onbruikbare omschrijving valt hij terug op wat hij weet: van welke rekening komt dit normaal gesproken, welke facturen staan bij deze relatie open, en betaalt deze klant meestal per factuur of per verzameling. Dat is niet magisch, dat is dezelfde redenering die je collega maakt, alleen elke keer even consequent.

Wat er gebeurt bij twijfel

Afletteren is een terrein waar een gok direct pijn doet. Een post op de verkeerde factuur afboeken zorgt voor een klant die ten onrechte een aanmaning krijgt en een factuur die ten onrechte als betaald staat. Dat is precies het soort fout dat automatisering een slechte naam bezorgt.

Daarom hanteert de agent een expliciete zekerheidsgrens. Boven die grens boekt hij af en logt hij wat hij heeft gematcht en waarom. Onder die grens boekt hij niets, maar zet hij het voorstel klaar: dit bedrag hoort waarschijnlijk bij deze drie facturen, dit is het verschil, en dit is waarom ik twijfel.

Je medewerker klikt akkoord of corrigeert. Bij een correctie leert het systeem: de volgende keer dat deze klant zo betaalt, weet de agent hoe het zit. Dat is het verschil met een vaste regel die je zelf moet blijven onderhouden.

Wat het oplevert

De eerste winst is tijd, en die is makkelijk te rekenen. Als je nu tweehonderd posten per week met de hand uitzoekt tegen gemiddeld twee minuten per stuk, dan is dat bijna zeven uur per week. Wordt daarvan tachtig procent automatisch afgeletterd, dan houd je ruim vijf uur over voor werk dat er meer toe doet.

De tweede winst is een schoon debiteurenoverzicht. Doordat betalingen dezelfde dag verwerkt zijn, zie je in je aging wat er echt openstaat. Aanmaningen gaan alleen naar klanten die ook werkelijk nog moeten betalen, en dat maakt je aanmaanproces meteen effectiever.

De derde winst is minder zichtbaar maar telt op: je maandafsluiting begint niet meer met een inhaalslag op het afletteren. De bank is bij.

Aan de slag

Dit is een van de processen waar de business case zich het snelst laat rekenen, omdat je precies weet hoeveel posten er blijven liggen en hoeveel tijd dat kost. Kijk in je eigen systeem hoeveel bijschrijvingen per week niet automatisch afletteren, en vermenigvuldig dat met de tijd per post.

In een Quick Scan lopen we dat samen na en laten we zien welk deel een AI-collega kan overnemen in jouw ERP, of dat nu SAP, AFAS, Exact, Dynamics 365, Odoo of Bouwworks is. Typisch sta je binnen acht weken live.