100 procent banktransactie categorisatie dichtbij

Invers staat in de Benelux bekend om haar hoge percentage van banktransactie herkenning; iets dat we in de afgelopen 20 jaar hebben ontwikkeld en verfijnd. Dat hoge percentage van herkenning is belangrijk om nauwkeurige financiële analyses van huishoudens en bedrijven te maken. Een van de belangrijke diensten van Invers.

100% categorisatie van banktransacties is niet nodig en niet slim

In een wereld waar technologie steeds meer taken automatiseert, klinkt het ideaal: elke banktransactie automatisch en foutloos in de juiste categorie. Voor financiële professionals en bedrijven lijkt dit de heilige graal. Maar bij Invers geloven we dat streven naar 100% categorisatie niet alleen onrealistisch is, maar ook ongewenst. In plaats daarvan kiezen we voor een pragmatische aanpak die betrouwbaarheid, transparantie en uitlegbaarheid vooropstelt.​

De kracht én beperkingen van AI

Kunstmatige intelligentie (AI) en machine learning (ML) hebben de manier waarop we financiële data verwerken revolutionair veranderd. We kunnen gemakkelijker patronen herkennen, terugkerende transacties categoriseren en processen versnellen. Toch zijn er grenzen aan wat AI kan.​

AI-modellen zijn afhankelijk van de data waarop ze getraind zijn. Ze excelleren in het herkennen van bekende patronen, maar raken in de war bij ongebruikelijke of nieuwe transacties. Bovendien missen ze vaak de context die nodig is om een transactie correct te interpreteren. Een betaling van €50 bij een warenhuis kan een cadeau zijn, een meubelstuk of een zakelijke aankoop. Zonder aanvullende informatie weet AI dat niet.​

Daarnaast is er een spanningsveld tussen nauwkeurigheid en volledigheid. Een model dat voorzichtig is en alleen categoriseert wanneer het zeker is, laat veel transacties ongecategoriseerd. Een model dat alles probeert te categoriseren, maakt meer fouten. Het streven naar 100% categorisatie dwingt modellen richting die laatste aanpak, met alle risico's van dien.​

De valkuilen van geforceerde categorisatie

Het forceren van categorisatie kan leiden tot misleidende analyses, verkeerde budgettering en compliance-problemen. Als privé-uitgaven per ongeluk als zakelijk worden geboekt, kan dit fiscale gevolgen hebben. Foutieve categorisaties kunnen financiële rapportages vertekenen en het vertrouwen van stakeholders schaden.​

Bovendien kunnen verkeerde categorisaties leiden tot gemiste signalen bij fraudedetectie of anti-witwascontroles. Als een verdachte transactie ten onrechte als normaal wordt gecategoriseerd, kan dit risico's met zich meebrengen. Andersom kan een legitieme transactie onterecht als verdacht worden aangemerkt.​

Invers' pragmatische aanpak

Bij Invers erkennen we de beperkingen van AI en kiezen we voor een hybride aanpak. We combineren AI met onder andere ADM, Rulebased systemen en menselijke expertise. Hierdoor kunnen we al ruim 95% van de transacties automatisch en vooral betrouwbaar categoriseren. De overige 5% markeren we als 'onbekend' of 'overig', zodat gebruikers weten dat hier nog een menselijke blik nodig is.​ En we bepalen van deze transacties wat de invloed op het resultaat is. Een aankoop van € 1,- is wat anders dan een storting van € 10.000,-

Deze aanpak biedt meerdere voordelen. Ten eerste garandeert het een hoge kwaliteit van de gecategoriseerde data. Ten tweede zorgt het voor transparantie: gebruikers weten precies welke transacties automatisch zijn gecategoriseerd en welke niet. Ten derde is het systeem uitlegbaar: we kunnen altijd aangeven waarom een transactie in een bepaalde categorie is geplaatst.​

Transparantie en uitlegbaarheid

Transparantie is essentieel voor het vertrouwen in automatische categorisatie. Daarom geven we bij Invers inzicht in de betrouwbaarheid van onze categorisaties. We delen bijvoorbeeld confidence scores en geven aan wanneer een transactie met minder zekerheid is gecategoriseerd. Zo kunnen onze partners zelf bepalen of ze een transactie willen controleren.​

Uitlegbaarheid betekent dat we kunnen uitleggen waarom een transactie in een bepaalde categorie is geplaatst. Bijvoorbeeld omdat de omschrijving bepaalde trefwoorden bevatte of omdat vergelijkbare transacties eerder in dezelfde categorie vielen. Deze transparantie helpt gebruikers om het systeem te begrijpen en erop te vertrouwen.​

Vooralsnog is categorisatie met 100% nauwkeurigheid en 100% betrouwbaarheid op basis van AI nog niet mogelijk. Dat betekent niet dat we AI links laten liggen; juist niet, want het biedt wel degelijk toegevoegde waarde. Maar nu is harde data nog steeds noodzakelijk.