Bayangkan rapat bulanan baru dimulai. Tim penjualan menyebut omzet Rp4,8 miliar, sementara laporan keuangan menunjukkan Rp4,5 miliar. Keduanya merasa memakai data yang benar. Suasana pun cepat berubah dari membahas kinerja menjadi memperdebatkan angka.

Situasi seperti ini cukup umum. Perbedaan tidak selalu berarti ada kesalahan besar, apalagi kecurangan. Penyebabnya sering lebih sederhana, misalnya periode penarikan data tidak sama, satu laporan memasukkan transaksi yang masih menunggu konfirmasi, atau sebuah filter tertinggal saat data diekspor.

Masalahnya, keputusan tetap harus dibuat. Karena itu, tim perlu menjalankan rekonsiliasi data bisnis dengan urutan yang jelas. Tujuannya bukan mencari siapa yang salah, melainkan menemukan mengapa dua laporan yang tampak membahas hal sama menghasilkan angka berbeda.

Mulai dari pertanyaan yang sama

Sebelum membandingkan baris data, samakan dulu pertanyaan bisnisnya. Kata omzet, penjualan, pelanggan aktif, atau biaya operasional dapat memiliki arti berbeda di setiap divisi.

Tim penjualan mungkin menghitung semua pesanan yang sudah dikonfirmasi. Tim keuangan mungkin hanya menghitung invoice yang telah dibukukan. Tim operasional bisa memakai tanggal pengiriman sebagai acuan. Jika definisinya belum sama, selisih data laporan akan terus muncul meskipun seluruh rumus benar.

Tuliskan definisi metrik dalam satu atau dua kalimat. Tentukan transaksi apa yang masuk, status apa yang dikecualikan, tanggal apa yang menjadi acuan, serta apakah pajak, diskon, retur, dan pembatalan ikut dihitung. Langkah kecil ini sering memangkas waktu pencarian penyebab secara signifikan.

Pastikan periode dan waktu penarikan data sama

Dua laporan untuk bulan yang sama belum tentu memakai batas waktu yang sama. Laporan pertama mungkin dibuat pada pukul 17.00, sedangkan laporan kedua diperbarui setelah transaksi malam masuk. Perbedaan zona waktu juga dapat memindahkan transaksi ke hari yang berbeda.

Catat waktu pengambilan data, periode awal dan akhir, zona waktu, serta aturan pencatatan transaksi yang datang terlambat. Dalam validasi data transaksi, informasi ini penting karena transaksi yang sah bisa terlihat hilang hanya karena masuk setelah waktu penutupan laporan.

Periksa juga apakah satu sistem memakai tanggal pesanan, sedangkan sistem lain memakai tanggal pembayaran atau tanggal pembukuan. Jangan langsung mengubah data. Kelompokkan dahulu selisih yang hanya disebabkan oleh waktu agar tidak tercampur dengan masalah lain.

Rapikan format sebelum mencocokkan data

Nomor invoice 00125 dan 125 mungkin merujuk ke transaksi yang sama, tetapi perangkat lunak dapat membacanya sebagai dua nilai berbeda. Hal serupa terjadi pada spasi tersembunyi, perbedaan huruf besar, format tanggal, tanda pemisah desimal, serta kode pelanggan yang telah diperbarui.

Tahap analisis kualitas data perlu memeriksa kolom kosong, nilai yang tidak sesuai tipe, variasi penulisan, dan jumlah nilai unik. Setelah itu, samakan format tanpa menghilangkan nilai asli. Simpan kolom versi awal agar setiap perubahan tetap dapat ditelusuri.

Gunakan pengenal yang stabil untuk pencocokan, misalnya gabungan nomor invoice, kode entitas, nilai transaksi, dan tanggal. Nama pelanggan saja biasanya tidak cukup karena ejaan dapat berubah dan beberapa pelanggan mungkin memiliki nama serupa.

Periksa cara tabel digabungkan

Banyak perbedaan angka muncul saat dua tabel digabung. Jika satu invoice mempunyai tiga baris produk lalu dicocokkan dengan dua baris pembayaran, hasil gabungan yang kurang tepat dapat menghasilkan enam baris. Total nilai pun terlihat membesar, padahal sumber aslinya tidak berubah.

Untuk pencocokan data otomatis, tentukan apakah hubungan antar tabel seharusnya satu banding satu, satu banding banyak, atau banyak banding banyak. Hitung jumlah baris sebelum dan setelah proses penggabungan. Kenaikan yang tidak diharapkan adalah tanda bahwa kunci pencocokan atau tingkat rincian datanya perlu diperiksa.

Gunakan hasil pencocokan yang menampilkan semua kelompok, yaitu data yang cocok, data yang hanya ada di sumber pertama, dan data yang hanya ada di sumber kedua. Dengan begitu, tim dapat melihat penyebab selisih tanpa menebak dari total akhir.

Cari baris ganda dan aturan agregasi

Baris ganda tidak selalu identik. Nomor invoice dapat sama, tetapi salah satu baris merupakan koreksi, retur, atau pembatalan. Karena itu, menghapus duplikasi hanya berdasarkan satu kolom dapat membuat laporan semakin tidak akurat.

Periksa kombinasi kunci, waktu pembuatan, status, dan sumber pencatatan. Bedakan duplikasi teknis dari transaksi berulang yang memang sah. Lalu tinjau cara angka dijumlahkan. Apakah laporan menghitung nilai kotor atau bersih, jumlah invoice atau jumlah baris, saldo akhir atau seluruh pergerakan?

Bagian ini merupakan inti pemeriksaan konsistensi data. Dua laporan dapat memakai data yang sama tetapi menghasilkan total berbeda karena tingkat agregasinya tidak sama.

Telusuri filter dan master data

Filter sering menjadi penyebab yang paling mudah terlewat. Satu laporan mungkin mengecualikan transaksi batal, wilayah tertentu, atau pelanggan internal. Laporan lain memasukkannya. Filter yang tersimpan dari analisis sebelumnya juga dapat ikut terbawa tanpa disadari.

Master data pun perlu diperiksa. Perubahan kategori produk, pemetaan cabang, kode vendor, atau struktur akun dapat membuat transaksi masuk ke kelompok yang berbeda. Dalam integrasi sumber data, kesepakatan mengenai kode acuan sama pentingnya dengan koneksi teknis antar sistem.

Buat daftar filter aktif dan versi master data yang digunakan oleh setiap laporan. Jika ada perubahan pemetaan, dokumentasikan tanggal berlakunya. Ini membantu tim menjelaskan apakah selisih berasal dari kesalahan atau dari perubahan aturan bisnis yang sah.

Susun tabel rekonsiliasi yang mudah dibaca

Jangan berhenti pada kesimpulan bahwa angka berbeda. Buat tabel yang mengelompokkan penyebab selisih, misalnya perbedaan waktu, status transaksi, format kunci, pemetaan master data, baris ganda, atau logika perhitungan.

Tabel data reconciliation yang baik setidaknya memuat nilai dari kedua sumber, besarnya selisih, kategori penyebab, bukti pendukung, pemilik tindak lanjut, dan status penyelesaian. Total setiap kategori harus dapat menjelaskan selisih keseluruhan.

Dengan cara ini, rapat tidak lagi berputar pada pertanyaan laporan mana yang benar. Tim dapat membahas bagian mana yang sudah terjelaskan, bagian mana yang perlu diperbaiki, dan keputusan apa yang aman dibuat dengan data saat ini.

Gunakan AI sebagai asisten, bukan penentu kebenaran

Analisis data berbasis AI dapat membantu menyusun pertanyaan pemeriksaan, mengenali variasi format, mengusulkan kunci pencocokan, dan menelusuri konteks dari sumber data yang telah terhubung dan diberi akses. Kemampuan ini berguna saat jumlah kolom dan baris terlalu besar untuk diperiksa satu per satu.

Namun, AI tidak mengetahui seluruh aturan bisnis hanya dari nama kolom. Hasil tetap perlu dinilai oleh orang yang memahami proses, sumber data, dan kebijakan perusahaan. Permintaan analisis juga harus spesifik, misalnya meminta daftar transaksi yang hanya muncul di salah satu sumber dengan periode dan status yang telah ditentukan.

Simpan pertanyaan, aturan, dan hasil pemeriksaan yang sudah disetujui. Pengetahuan tersebut dapat digunakan kembali ketika rekonsiliasi berikutnya dilakukan, tanpa menganggap setiap saran AI pasti benar.

Jadikan temuan sebagai perbaikan proses

Tujuan akhir audit data perusahaan bukan sekadar membuat dua total menjadi sama. Tim perlu mencegah penyebab yang sama berulang. Jika masalah berasal dari definisi metrik, buat kamus data. Jika berasal dari batas waktu, sepakati jadwal penutupan. Jika berasal dari format, tambahkan aturan validasi saat data masuk.

Catat pula jalur data dari sumber, proses perubahan, hingga laporan akhir. Jejak ini memudahkan tim menjawab pertanyaan ketika angka kembali diperdebatkan. Semakin jelas asal sebuah angka, semakin cepat keputusan dapat dibuat.

Saat dua laporan menunjukkan hasil berbeda, jangan langsung memilih angka yang paling meyakinkan. Samakan definisi, periksa periode, rapikan format, telusuri pencocokan, lalu dokumentasikan penyebabnya. Pendekatan yang teratur membuat perbedaan angka menjadi masalah yang dapat dijelaskan, bukan sumber perdebatan tanpa akhir.

Ingin mempercepat pemeriksaan lintas sumber tanpa kehilangan kendali manusia? Pelajari solusi AI Data Analytics Actifficient, lalu hubungi tim Actifficient untuk membahas contoh data, pertanyaan bisnis, akses, serta cara validasi yang sesuai dengan kebutuhan tim Anda.