Van geldige velden naar betrouwbare procesdata
Financiële processen zijn afhankelijk van gegevens die correct geïnterpreteerd en verwerkt kunnen worden. Denk aan leveranciers- en klantgegevens, factuurregels, bedragen, valuta, datums, btw-nummers, betaalgegevens en referenties. Validatie bepaalt of zulke gegevens voldoen aan de voorwaarden om het proces verder in te gaan.
Daarbij is ‘geldig’ maar één aspect van datakwaliteit. Een gangbaar kwaliteitskader onderscheidt naast validiteit ook volledigheid, uniciteit, consistentie, actualiteit en nauwkeurigheid. Een waarde kan dus het juiste formaat hebben, maar toch onjuist of verouderd zijn. Een IBAN kan bijvoorbeeld de formele controle doorstaan zonder dat daarmee vaststaat dat de rekening bij de betreffende leverancier hoort.
Vaste validaties zijn onmisbaar. Ze controleren of verplichte velden aanwezig zijn, datatypen en codelijsten kloppen en bedragen rekenkundig met elkaar overeenkomen. In Peppol BIS Billing gelden bijvoorbeeld harde regels voor de samenhang tussen nettobedrag, btw en factuurtotaal, het gebruik van valuta en de aanwezigheid van bepaalde referenties. Externe registers kunnen aanvullend bevestigen of een gegeven op dat moment bekend is, zoals de registratie van een btw-nummer voor grensoverschrijdende handel binnen de EU.
De use case begint waar deze controles samen moeten bepalen of financiële data niet alleen technisch geldig, maar ook betrouwbaar genoeg voor het beoogde proces is.
Waar klassieke automatisering vastloopt
Klassieke validatie vergelijkt iedere waarde met een vooraf bepaalde voorwaarde: een veld is gevuld of leeg, een bedrag valt binnen of buiten een grens en een identificatiecode komt wel of niet exact voor in de stamgegevens. Zulke regels zijn snel, reproduceerbaar en goed uitlegbaar.
De uitval groeit wanneer geldige gegevens op verschillende manieren worden weergegeven. Een leveranciersnaam kan een handelsnaam, juridische naam of afkorting bevatten. Adressen, eenheden en referenties kunnen anders zijn geschreven, terwijl ze naar dezelfde organisatie, transactie of betekenis verwijzen. Een exacte vergelijking ziet dan een verschil, maar kan niet beoordelen of dat verschil relevant is.
Ook context laat zich moeilijk in losse regels vangen. Een afwijkend bedrag hoeft niet verdacht te zijn wanneer het past bij seizoen, leverancier of transactietype. Andersom kan ieder afzonderlijk veld geldig zijn, terwijl de combinatie ongebruikelijk is. Een gewijzigd rekeningnummer, een nieuwe valuta en een sterk afwijkend bedrag kunnen samen meer aandacht verdienen dan elk gegeven afzonderlijk.
Dit leidt vaak tot steeds meer uitzonderingsregels en toleranties. Strenge regels veroorzaken onnodige uitval; ruime toleranties laten mogelijk relevante afwijkingen door. Bovendien bewijst een geslaagde formaat-, register- of rekencontrole niet dat de onderliggende informatie waar is. Klassieke automatisering kan vooral toetsen wat vooraf expliciet is gedefinieerd.
Hoe intelligente automatisering kan verbeteren
Intelligente automatisering kan validatie contextgevoeliger maken door meerdere signalen gezamenlijk te beoordelen. Bij entity resolution wordt bijvoorbeeld niet alleen de leveranciersnaam vergeleken, maar een combinatie van naam, adres, btw-nummer, bankgegevens en eerdere relaties. Daarmee kan worden ingeschat of verschillend geschreven records waarschijnlijk naar dezelfde organisatie verwijzen.
Historische gegevens kunnen daarnaast helpen om gebruikelijke patronen te herkennen. Een controle kan rekening houden met normale bedragen, valuta, betaalcondities of factuurfrequenties voor een bepaalde relatie of categorie. Afwijkingsdetectie markeert dan niet simpelweg alles boven één vaste grens, maar gegevens of combinaties die afwijken van de relevante context.
Ook eerdere correcties kunnen worden benut. Wanneer medewerkers herhaaldelijk dezelfde schrijfvariant aan een bestaand stamrecord koppelen, kan de automatisering vergelijkbare gevallen later met meer zekerheid herkennen. Zo hoeft niet iedere toegestane variatie vooraf als aparte regel te worden geprogrammeerd.
De uitkomst van zulke interpretatie is echter geen nieuw financieel feit. Een waarschijnlijke leveranciersmatch blijft een waarschijnlijkheid en een anomalie is een signaal, geen bewijs van een fout of fraude. Intelligente validatie kan daarom gegevens normaliseren, mogelijke relaties voorstellen en afwijkingen risicogericht prioriteren. Kritieke wijzigingen, zoals nieuwe betaalgegevens, mogen niet uitsluitend op waarschijnlijkheid worden geaccepteerd.
Harde controles blijven de ondergrens: verplichte gegevens, wettelijke voorwaarden, codelijsten, rekenkundige verbanden en expliciete bevoegdheden moeten reproduceerbaar worden getoetst. Intelligente automatisering vult die basis aan waar identiteit, context en gebruikelijke patronen relevant zijn.
Vaste regels bepalen of financiële data formeel voldoet; intelligente automatisering helpt beoordelen of de gegevens binnen hun context ook aannemelijk en consistent zijn.