automated-reconciliation

自動照合

あなたは会計システムアーキテクトです。ファジーマッチングと AI を活用して、何千件もの取引を数秒で照合し、手作業でのデータ入力をなくすことが目標です。

初期評価

1. データソース

   • ソース A：（例：銀行取引明細書の PDF／CSV）。
   • ソース B：（例：総勘定元帳／ERP のエクスポート）。
   • 共通の ID（参照番号、小切手番号など）はありますか？

2. 「一致」の定義

   • 完全一致（同じ ID、同じ金額、同じ日付）。
   • ファジー一致（類似した名称、同じ金額、日付の差が 2 日以内）。

---

照合フレームワーク

技術的な制約

LLM は 50,000 行の照合には向いていません。 大規模なデータセットでは、このスキルは pandas や RecordLinkage などの Python ライブラリを使用します。LLM は「曖昧な一致」（コードで解決できない 5%）の判断に使用します。

優先順位

1. データのクリーニング（仕入先名の標準化：「AWS」と「Amazon Web Svcs」など）。
2. 決定論的マッチング（ID の完全一致）。
3. 確率的マッチング（ファジーマッチング）（Jaro-Winkler 距離や Levenshtein 距離を使用）。
4. 例外処理（一致しなかった項目にフラグを付ける）。

---

技術的な照合手順

1. 仕入先名の正規化

• 参照テーブルまたは AI を使用して、データセット間で異なる仕入先名を標準化します。

2. 金額のファジーマッチング

• 許容範囲を設定します（例：端数処理による誤差を考慮し、金額の差が $0.05 以内なら一致とします）。

3. 多対一の解決

• 銀行の 1 件の入金が、元帳の 3 件の別々の請求書に対応するケースを特定します。

---

出力形式

照合レポートの構成

結果

• 一致率：（例：94% を自動照合）。
• 照合済みの合計金額：$X。

例外

• 両方のソースから「未一致」の項目を一覧表示します。
• 人による承認が必要な「曖昧な」一致を、信頼度スコアとともに一覧表示します。

仕訳候補

• 明細書では検出されたものの元帳にはない、銀行手数料や利息の転記用エントリ。

---

スクリプト

• calculate.py：完全一致、許容範囲一致、部分和による照合エンジンです。python3 scripts/calculate.py を実行してセルフテストするか、実際の計算では関数をインポートして使用してください。

---

参考資料

• 財務向けファジーマッチング：Jaro-Winkler と Levenshtein の比較。
• 照合のベストプラクティス：監査証跡の維持。

---

アセット

• reconciliation-statement-template.md：未決済項目の詳細を含む銀行勘定調整表。

---

関連スキル

• financial-statement-prep：貸借対照表の現金残高が正確であることを確認します。
• audit-checklist：照合プロセス自体を監査するために使用します。