समय पर पूरा होने वाला और ऑडिट की जांच में खरा उतरने वाला खर्च क्लोज़ सिर्फ़ मेहनत का नतीजा नहीं होता। यह वर्कफ़्लो डिज़ाइन, सबूत वाले इनपुट और सफलता के ऐसे स्पष्ट मानदंडों पर निर्भर करता है जिनकी जांच की जा सके। जब ये चीज़ें नहीं होतीं, तो टीमें क्लोज़ वाले हफ़्ते में उन्हीं ट्रांज़ैक्शन को दोबारा रिकॉर्ड करने, पॉलिसी लागू करने में बहुत देर हो जाने पर रसीदें ढूंढने और ऐसी जर्नल एंट्री पोस्ट करने में समय बिताती हैं जिनका बचाव तब नहीं किया जा सकता जब ऑडिटर सबूत मांगता है।
AI क्लासिफ़िकेशन, मैचिंग और एक्सेप्शन ट्राइएज (अपवादों की छंटनी) को तेज़ कर सकता है क्योंकि यह अव्यवस्थित विवरणों और सेमी-स्ट्रक्चर्ड डॉक्यूमेंट्स में पैटर्न पहचानने में माहिर है। क्लोज़ की ज़िम्मेदारी अभी भी काम करने वाले व्यक्ति की ही होती है। आप कंट्रोल पॉइंट तय करते हैं, आप तय करते हैं कि कौन सा सबूत काफ़ी है, और आप मंज़ूरी देते हैं कि जनरल लेजर में क्या जाएगा, क्योंकि कोडिंग के फ़ैसले में गलती या कंट्रोल की कमी होने पर जवाबदेही यहीं तय होती है।
आप इस लेसन का इस्तेमाल ऑपरेटिंग मॉडल को मज़बूत करने के लिए करेंगे। अगले लेसन इसी पर आधारित होंगे, इसलिए यहाँ बताए गए वर्कफ़्लो, डेटा और सफलता के मानदंडों को एक ज़रूरी और न बदलने वाले फ़्रेमवर्क के तौर पर देखें।
ज़्यादातर खर्च ऑपरेशन तीन अलग-अलग स्रोतों का मेल होते हैं जो अलग-अलग समय पर लेजर में दर्ज होते हैं। कॉर्पोरेट कार्ड ट्रांज़ैक्शन कार्ड फ़ीड के ज़रिए आते हैं, रीइंबर्समेंट खर्च टूल वर्कफ़्लो के ज़रिए आते हैं, और वेंडर का खर्च AP (अकाउंट्स पेयेबल) के ज़रिए आता है। अगर आप इन हैंडऑफ़ (काम के हस्तांतरण) को मैप नहीं करते हैं, तो ऐसे गैप बन जाते हैं जहाँ एक ही खर्च दो बार या बिल्कुल भी दर्ज नहीं होता, और इसका पता आपको पीरियड क्लोज़ होने के बाद ही चलता है।
कंट्रोल पॉइंट को साफ़ तौर पर देखने के लिए वर्कफ़्लो मैप का इस्तेमाल करें। रसीद कैप्चर करना, मैनेजर की मंज़ूरी, पॉलिसी लागू करना, चार्ट ऑफ़ अकाउंट्स में कोडिंग करना और फ़ाइनल पोस्टिंग स्टेप - ये सभी तय करते हैं कि कौन बना सकता है, बदल सकता है, मंज़ूरी दे सकता है और रिकॉर्ड कर सकता है। जब ये भूमिकाएँ स्पष्ट नहीं रहतीं, तो काम का बंटवारा (segregation of duties) बिगड़ जाता है और आपका क्लोज़ पैकेज सबूत के बजाय सिर्फ़ सफ़ाई देने की प्रक्रिया बन जाता है।
स्विमलेन (swimlane) की समीक्षा करें और पहचानें कि सबूत कहाँ बनता है, कहाँ उसकी पुष्टि होती है और कहाँ उसे लॉक किया जाता है।
‘क्लोज़’ (खाता बंद करने की प्रक्रिया) में सफलता का मतलब सिर्फ़ यह नहीं है कि खर्चे सही लगें। सफलता तब मानी जाती है जब आपके आउटपुट पूर्णता, सटीकता, समय पर काम पूरा होने और ऑडिट ट्रेल के तय मानकों को पूरा करते हों। अगर मानक स्पष्ट नहीं हैं, तो आप ऐसा काम स्वीकार कर लेंगे जिसे दोबारा नहीं किया जा सकता, और ऑडिट की माँग आने पर इनबॉक्स और चैट लॉग में जानकारी ढूँढने की अफरातफरी मच जाएगी।
‘क्लोज़’ के लिए तैयार एक्सपेंस पैकेज में चार आउटपुट होते हैं। कोड किए गए खर्चों को सही और तर्कसंगत अकाउंट, डिपार्टमेंट और एंटिटी कोडिंग के साथ पोस्ट किया जाता है। मिलान की गई रसीदों को ट्रेस करने योग्य पहचानकर्ताओं (आइडेंटिफायर) के साथ संबंधित ट्रांज़ैक्शन से जोड़ा जाता है। पॉलिसी के तहत हल न हो पाने वाले आइटम के लिए एक ‘एक्सेप्शन क्यू’ (अपवाद सूची) होती है। एक रिकॉन्सिलिएशन पैकेज सब-लेजर के कुल योग और फ़ीड को GL (जनरल लेजर) से मिलाता है, जिसमें अंतर (वेरिएंस) का कारण बताया जाता है और उसे मंज़ूरी दी जाती है।
रूब्रिक का इस्तेमाल करके हर आउटपुट के लिए यह तय करें कि समीक्षा के दौरान ‘अच्छा काम’ कैसा दिखेगा और ‘असफलता’ कैसी दिखेगी।
AI गायब आइडेंटिफ़ायर (पहचानकर्ता) की कमी को पूरा नहीं कर सकता। अगर ट्रांज़ैक्शन फ़ीड, रसीदें, मर्चेंट डेटा, कॉस्ट सेंटर, पॉलिसी नियम और चार्ट ऑफ़ अकाउंट्स को लगातार सही तरीके से दर्ज नहीं किया जाता है, तो भी AI सही लगने वाली कोडिंग बना देगा। इसका पेशेवर नतीजा बड़े पैमाने पर ऐसी ‘साइलेंट एरर’ (छिपी हुई गलती) होती है, जहाँ महीने भर की छोटी-छोटी गलत कैटेगरी में डालने की गलतियाँ बाद में बड़े बदलाव (री-क्लासिफ़िकेशन) का कारण बनती हैं।
आपका काम समस्या को सीमित करना है। स्थिर एंटिटी और कर्मचारी आइडेंटिफ़ायर दें, मर्चेंट के नामों को एक जैसा (नॉर्मलाइज़) करें, और पॉलिसी नियमों को ऐसे रूप में दें जिन्हें निश्चित रूप से लागू किया जा सके। AI कोड और मैच का सुझाव दे सकता है, लेकिन काम करने वाले व्यक्ति को यह तय करना होगा कि कौन सा सुझाव ऑटो-पोस्टिंग के लिए सही है और किसे ‘एक्सेप्शन रिव्यू’ (अपवाद की समीक्षा) के लिए भेजा जाना चाहिए क्योंकि सबूत अधूरे हैं।
मल्टी-एंटिटी SaaS एनवायरनमेंट के लिए ‘इनटेक चेकलिस्ट’ का इस्तेमाल करें ताकि यह पता चल सके कि AI को क्लासिफ़िकेशन और मैचिंग में मदद करने देने से पहले क्या-क्या चीज़ें मौजूद होनी चाहिए।