Matching Automático na Conciliação Bancária

Resumo: O matching automático na conciliação bancária compara lançamentos do extrato com registros internos usando regras como valor exato, data, CNPJ e referência. Ele costuma resolver a maior parte dos registros, mas exceções como pagamentos parciais, estornos fora de padrão e taxas bancárias sem identificação clara ainda exigem intervenção humana. Este artigo explora, por meio de um cenário hipotético, quanto uma empresa de médio porte poderia ganhar ao calibrar essas regras.

Imagine uma distribuidora com faturamento anual de R$ 500 milhões, operando com seis bancos diferentes e processando cerca de 12 mil lançamentos por mês em seus extratos. A equipe de tesouraria dedica, hipoteticamente, 120 horas mensais à conciliação manual. Quanto desse tempo poderia ser eliminado com regras de matching bem calibradas?

Vamos modelar esse cenário com premissas explícitas, identificar quais regras automatizariam a maior fatia dos lançamentos e mapear as exceções que continuariam dependendo de análise humana.

Quais regras de matching automático cobrem a maioria dos lançamentos?

O matching automático funciona comparando campos do extrato bancário com dados do ERP ou sistema de tesouraria. As regras mais comuns operam por camadas, da mais restritiva à mais flexível.

Valor exato + data + CNPJ

A regra mais precisa cruza três campos simultaneamente. Um boleto de R$ 15.320,00 pago em 12/03 pelo CNPJ 12.345.678/0001-99 encontra correspondência imediata com o título a receber de mesmo valor, vencimento e pagador. Em cenários típicos de empresas com cobrança bancária padronizada, essa regra sozinha poderia cobrir entre 50% e 60% dos lançamentos.

Valor exato + referência (nosso número ou ID)

Quando o extrato traz o "nosso número" do boleto ou um ID de referência, o sistema cruza esse campo com o registro interno. Mesmo sem data coincidente (pagamentos antecipados ou em atraso), o par valor + referência costuma ser suficiente para matching confiável.

Valor com tolerância + data

Pagamentos com pequenas diferenças, como juros de mora, multa ou desconto por antecipação, não batem no valor exato. Uma regra com tolerância de, por exemplo, 1% a 2% sobre o valor nominal permite capturar esses casos. O sistema registra a diferença como "juros recebidos" ou "desconto concedido" automaticamente.

Agrupamento (muitos-para-um)

Alguns bancos liquidam vários boletos em uma única linha de crédito no extrato. A regra de agrupamento soma títulos do mesmo pagador na mesma data e compara com o valor consolidado do extrato. Essa lógica é útil para recebimentos de grandes clientes que pagam múltiplas notas de uma vez.

Em nosso cenário hipotético, se essas quatro camadas fossem aplicadas em sequência, estimaríamos que entre 85% e 92% dos 12 mil lançamentos mensais seriam conciliados sem intervenção humana.

Quais exceções ainda pedem análise humana?

Mesmo com regras bem calibradas, alguns tipos de lançamento resistem à automação. Eles representam uma fatia menor do volume, mas consomem tempo desproporcional da equipe.

Pagamentos parciais

Um cliente paga R$ 8.000,00 contra uma nota de R$ 12.000,00 sem aviso prévio. O sistema não encontra correspondência exata nem dentro da tolerância. A decisão de aceitar o pagamento parcial, gerar um título residual e verificar se houve acordo comercial exige julgamento humano.

Estornos e devoluções fora de padrão

Devoluções de TED, estornos de Pix e chargebacks nem sempre trazem referência ao lançamento original. O analista precisa rastrear manualmente o débito correspondente, muitas vezes consultando o banco por e-mail ou telefone.

Tarifas bancárias sem descrição padronizada

Cada banco usa nomenclatura própria para tarifas bancárias. "TAR MANUT CTA", "TARIFA TED EMIT", "CESTA SERV 05/24" são exemplos reais que variam entre instituições. Sem um catálogo padronizado de referência, a classificação automática falha com frequência.

Depósitos não identificados

Créditos em conta sem identificação do remetente, como depósitos em dinheiro ou transferências sem referência, são um desafio clássico. A equipe precisa cruzar com o comercial para identificar o cliente e o título correspondente.

Lançamentos intercompany

Transferências entre empresas do mesmo grupo econômico, especialmente quando envolvem bancos diferentes, podem gerar lançamentos que o sistema não associa automaticamente se os CNPJs e as contas não estiverem mapeados nas regras de transferências entre contas.

Quanto tempo a distribuidora hipotética economizaria?

Vamos calcular com premissas explícitas. A equipe gasta 120 horas mensais em conciliação. Se o matching automático resolvesse 88% dos lançamentos (ponto médio da faixa estimada), restariam 1.440 lançamentos para análise manual, contra 12.000 no cenário totalmente manual.

Supondo que cada lançamento manual leve em média 6 minutos (busca, verificação, classificação), os 1.440 lançamentos consumiriam cerca de 144 horas. Porém, como os lançamentos mais simples já foram eliminados, a média por item excepcional tende a ser maior, digamos 8 minutos. Isso resultaria em aproximadamente 192 horas. Parece mais, mas o ponto é outro: sem automação, os 12.000 lançamentos a 6 minutos cada consumiriam 1.200 horas.

Na prática, o cenário mais realista é que a equipe já faz triagem rápida nos itens simples (1 a 2 minutos) e gasta mais tempo nos complexos. Se assumirmos 2 minutos para os 88% automáticos e 10 minutos para os 12% de exceções, o cálculo ficaria:

Antes da automação

10.560 itens simples × 2 min + 1.440 itens complexos × 10 min = 21.120 + 14.400 = 35.520 min, ou cerca de 592 horas/mês. Com uma equipe de 4 pessoas, isso equivale a quase todo o expediente dedicado à conciliação.

Depois da automação

10.560 itens resolvidos automaticamente × 0 min + 1.440 itens complexos × 10 min = 14.400 min, ou 240 horas/mês. A redução seria de cerca de 350 horas mensais, equivalente a aproximadamente 2 posições em tempo integral.

Se o custo carregado de um analista de tesouraria for estimado em R$ 8.000/mês (apenas para ilustrar), a economia potencial giraria em torno de R$ 16.000 mensais, ou R$ 192.000 por ano, apenas em horas liberadas.

Como calibrar as regras para maximizar a taxa de matching?

A taxa de matching não é fixa. Ela varia conforme a qualidade dos dados e o refinamento das regras. Alguns fatores que costumam influenciar esse resultado incluem:

A padronização dos campos de referência nos boletos e cobranças emitidos pela empresa. Quanto mais consistente o "nosso número" ou ID de referência, maior a taxa de matching por referência.

A frequência de atualização dos extratos bancários. Se o extrato é coletado uma vez por dia, lançamentos do fim do expediente podem cair na data seguinte, quebrando a regra de data. Coletas mais frequentes ou em tempo real reduzem esse problema.

O mapeamento de exceções recorrentes. Se todo mês há 50 lançamentos de tarifa bancária que caem na fila manual, criar regras específicas para esses padrões (por faixa de valor e descrição parcial) pode absorver boa parte desse volume.

Em nosso cenário, se a distribuidora refinasse suas regras trimestralmente com base nos itens que caíram na fila manual, a taxa de matching poderia subir de 88% para 93% ou mais ao longo de 12 meses. Isso representaria mais 600 lançamentos resolvidos automaticamente por mês.

Lições generalizáveis para empresas de porte similar

O cenário modelado é ilustrativo, e os resultados variam conforme o volume de lançamentos, a quantidade de bancos, a padronização dos dados e a complexidade da operação de cada empresa. Ainda assim, algumas observações se aplicam de forma ampla.

A maior parte do ganho vem das regras mais simples: valor exato, data e referência. Regras sofisticadas de tolerância e agrupamento adicionam cobertura, mas o retorno marginal diminui.

As exceções nunca chegam a zero. Pagamentos parciais, estornos atípicos e depósitos não identificados exigem julgamento que nenhuma regra estática resolve completamente. O papel da automação é liberar tempo humano para esses casos de maior valor analítico.

A Datanomik conecta os bancos da empresa por API e Open Finance, coleta extratos automaticamente e consolida a posição de caixa ao longo do dia.

Perguntas frequentes

O que é matching automático na conciliação bancária?

É o processo em que um sistema compara automaticamente os lançamentos do extrato bancário com os registros internos da empresa (contas a pagar, contas a receber, transferências). A comparação usa regras baseadas em campos como valor, data, CNPJ e número de referência. Quando há correspondência, o lançamento é conciliado sem intervenção humana.

Qual taxa de matching automático é considerada boa?

Não há padrão único, pois depende do tipo de operação e da qualidade dos dados. Em empresas com cobrança bancária padronizada e poucos bancos, taxas acima de 90% são alcançáveis. Empresas com muitos depósitos não identificados ou operações internacionais tendem a ter taxas menores, na faixa de 70% a 85%.

Por que pagamentos parciais são difíceis de conciliar automaticamente?

Um pagamento parcial não corresponde ao valor do título original, nem cai dentro de faixas de tolerância configuradas para juros ou descontos. Além disso, a decisão de baixar parcialmente o título e gerar um saldo residual envolve verificação comercial, o que exige julgamento humano caso a caso.

A automação da conciliação elimina a necessidade de analistas?

Não. A automação resolve os lançamentos padronizados e repetitivos, mas as exceções, que representam tipicamente entre 8% e 20% do volume, continuam exigindo análise qualificada. O efeito prático é que os analistas passam a focar nos casos de maior complexidade, em vez de gastar tempo com itens triviais.