المكاسب:
- فهم مخاطر أخذ العينات ومنطق الاختبار السكاني الكامل (اختبار 100٪) والقدرة على استخدام الذكاء الاصطناعي لإعداد البيانات وكتابة القواعد وتفسير النتائج.
- القدرة على تصميم وتنفيذ اختبارات المطابقة والاكتمال والدقة في مجموعات البيانات الكبيرة بدعم من الذكاء الاصطناعي
- القدرة على فهم أن قائمة الاستثناءات في الاختبار السكاني الكامل ليست نتيجة، بل هي بداية سيفحصها المدقق، وأن التقييم النهائي يعود للمدقق.
كان أحد القيود الأساسية لمهنة التدقيق هو أنه كان على المدقق العمل مع أخذ العينات على مدى سنوات عديدة. لا يمكنك مراجعة 180.000 فاتورة يدويًا التي تصدرها الشركة خلال عام واحد؛ لذا، يمكنك تحديد بضع مئات من السجلات باستخدام طريقة إحصائية أو حكمية، واختبارها، وتعميم النتيجة على جميع السكان. أخذ العينات هو أسلوب قوي ومشروع، ولكنه يحمل مخاطر متأصلة: خطر أخذ العينات - العينة التي تختارها قد لا تمثل السكان، والخطأ الحقيقي فيها قد لا يقع بالضبط في المكان الذي تبحث فيه.
تغير تحليلات البيانات والذكاء الاصطناعي هذه الصورة: يمكنك الآن اختبار جميع السكان، أي 100%. وهذا ما يسمى الاختبار السكاني الكامل. نحن نكرس هذه الوحدة لفهم الانتقال من "العينة إلى الكل"، والقوة التي يجلبها ذلك، والمسؤوليات الجديدة التي يتجاهلها كثير من الناس. لأن الاختبار الكامل للسكان لا يسهل عملية التفتيش؛ يغير طبيعة الاختبار ويضع أعباء جديدة على عاتق الممتحن.
الفرق بين أخذ العينات واختبار السكان الكامل
في أخذ العينات الكلاسيكية، المنطق هو: "دعني أقوم بإجراء اختبار شامل لمجموعة صغيرة ولكن تمثيلية، وتفسير النتيجة ككل." في الاختبار السكاني الكامل، يتم عكس المنطق: "دعني أفحص الكل وفقًا لقواعد معينة، وأجد الاستثناءات التي تقع خارج القاعدة وأفحصها بدقة". في النهج الأول، يكمن الخطر في "اختيار العينة الخاطئة"؛ وفي الحالة الثانية، يكمن الخطر في "كتابة قاعدة خاطئة" و"التعامل مع بيانات غير كاملة/خاطئة".
ويقارن الجدول التالي بين الطريقتين:
الحجم
أخذ العينات
اختبار السكان الكامل (100٪)
النطاق
جزء من السكان
جميع السكان
الخطر الرئيسي
خطر أخذ العينات (خطأ في التمثيل)
خطأ في القاعدة + خطأ في تكامل البيانات
الإخراج
عدد محدود من نتائج الاختبار
قائمة الاستثناءات التي لا تتوافق مع القاعدة
عبء المراجع
اختيار + اختبار
تصميم القاعدة + تقييم الاستثناء
دور الذكاء الاصطناعي
المساعدة في اختيار العينة
إعداد البيانات، كتابة القواعد، وضع علامات الاستثناء
ملحوظة: الاختبار السكاني الكامل لا يعني "لقد اختبرت كل شيء، وتم إنجاز المهمة". على العكس من ذلك، عادة ما يمنحك المزيد من العناصر لفحصها. عندما تقوم بتشغيل جميع الفواتير البالغ عددها 180.000 من خلال قاعدة الموافقة على التاريخ والمبلغ، ستجد ربما 900 استثناء. كل واحد من هؤلاء سؤال؛ ليس إجابة. وهنا يأتي دور القضاء الرقابي.
اكتمال البيانات: الأساس غير المرئي للاختبار
أكبر مأزق في اختبار السكان بالكامل هو أن جودة الاختبار تعتمد على جودة البيانات. إن عبارة "لقد اختبرت 100% من البيانات" تكون منطقية فقط إذا كانت البيانات المتوفرة لديك تمثل في الواقع 100% من السكان. إذا كان عامل التصفية غير صحيح عند سحب البيانات من النظام، أو تم استبعاد بعض السجلات، أو تم نقل عمود المبلغ مع وجود خطأ عشري، فسيتم إجراء الاختبار "الكامل" الخاص بك بالفعل على بيانات غير كاملة أو تالفة. ولذلك، فإن تأكيد اكتمال البيانات ودقتها هو الخطوة الأولى التي لا غنى عنها في الاختبار السكاني الكامل.
الفحوصات العملية للتحقق من الاكتمال:
- تسوية عدد السجلات: هل يتطابق عدد الصفوف في مجموعة البيانات التي قمت بسحبها مع إجمالي عدد السجلات في النظام؟
- تسوية المبلغ: هل يتوافق المبلغ الإجمالي في مجموعة البيانات مع إجمالي الحساب ذي الصلة في ميزان المراجعة/الحساب الفرعي؟
- النطاق الزمني: هي الأيام الأولى والأخيرة من الفترة المدرجة في البيانات؛ هل هناك شهر/يوم مفقود؟
- مسح المساحات الفارغة والسيئة: هل توجد مسافات أو قيم لا معنى لها في الحقول المطلوبة (التاريخ، المبلغ، رمز الحساب)؟
يساعد الذكاء الاصطناعي في كل عمليات التحقق هذه: الزحف إلى البيانات، والحصول على الإجماليات، وحساب المساحات الفارغة، والنطاق الزمني للتقارير. ولكن المدقق هو الذي يقرر ما إذا كانت الاتفاقية "سارية"، ويتحقق من الفرق، ويؤكد أن البيانات مناسبة لغرض التدقيق.
تحذير: لا تكتب "لقد قمت باختبار كافة البيانات" في ورقة العمل دون التحقق من اكتمال البيانات. إن الاختبار السكاني الكامل للبيانات المفقودة يعطي تأكيدًا كاملاً ولكنه مضلل.
اختبار كامل للسكان باستخدام الذكاء الاصطناعي: خطوة بخطوة
- قم بإعداد البيانات بشكل آمن. إخفاء هوية الحقول الشخصية/الخاصة أو استبدالها بعناصر نائبة. إذا أمكن، استخدم سيارة متعاقد عليها مع الشركة.
- تأكيد الاكتمال. التوفيق بين عدد السجلات والمبلغ.
- حدد بوضوح قاعدة الاختبار. ما الذي يعتبر "استثناء"؟ (على سبيل المثال: فاتورة غير معتمدة، فاتورة صادرة في عطلة نهاية الأسبوع، دفعة كبيرة مستديرة، دخل مسجل بعد الموعد النهائي.)
- تطبيق القاعدة مع الذكاء الاصطناعي. يطبق الذكاء الاصطناعي القاعدة على البيانات وينتج قائمة من الاستثناءات؛ اكتب القاعدة بوضوح حتى يمكن تدقيقها.
- تحديد الأولويات ومراجعة الاستثناءات. التحقيق في كل استثناء بالأدلة؛ معالجة الإيجابيات الكاذبة، وتبرير النتائج الفعلية.
- توثيق النتيجة. ربط القاعدة وعدد الاستثناءات والعناصر التي تم فحصها والاستنتاج بورقة العمل.
ثلاث حالات صغيرة
الحالة 1 - اختبار القطع. أراد أحد المدققين اختبار قطع الإيرادات في نهاية العام. لقد أخذ 42000 فاتورة مبيعات كإجمالي عدد السكان وطلب من الذكاء الاصطناعي تنفيذ "سجلات القائمة بتواريخ الفواتير بحلول 31 ديسمبر، ولكن تواريخ الشحن/التسليم في الأول من يناير أو بعده". تميز YZ بـ 118 سجلًا. قام المدقق بفحص ما يلي: 96 معاملة كانت مشروعة مع عدم وجود اختلافات في التوقيت (التسليم في نفس اليوم)، و22 كانت إيرادات فعلية للسنة التالية وتم تسجيلها في الفترة السابقة. تم الإبلاغ عن هذه العناصر الـ 22 لأنها أظهرت نمطًا، وإن كان أقل أهمية. طرح الذكاء الاصطناعي 118 سؤالاً؛ وجد المدقق 22 إجابة.
الحالة الثانية - عندما يتم حذف الاكتمال. قال أحد أعضاء الفريق إنه أجرى اختبارًا سكانيًا كاملاً على 180 ألف فاتورة؛ لم تكن هناك استثناءات وكان مرتاحا. قام الشخص المسؤول بمقارنة المبلغ الإجمالي لمجموعة البيانات مع ميزان المراجعة: البيانات 155 مليون ليرة تركية، وميزان المراجعة 210 مليون ليرة تركية. اتضح أنه أثناء سحب البيانات من النظام، تمت تصفية فرع واستبعاده. في الواقع، فقد الاختبار "الكامل" ربع البيانات. تم إجراء الاختبار باستخدام البيانات الصحيحة. الدرس المستفاد: لا يوجد اختبار سكاني كامل دون تأكيد الاكتمال.
الحالة 3 - خطأ في القواعد. طلب أحد المدققين من الذكاء الاصطناعي كتابة قاعدة "إدراج المدفوعات غير المعتمدة التي تزيد عن 50000 ليرة تركية"، لكنه لم يدرك أن حقل "الموافقة" تم الاحتفاظ به في عمودين مختلفين في النظام (الموافقة الإلكترونية والموافقة اليدوية). ووضع الذكاء الاصطناعي علامة "مرفوضة" على 300 دفعة لأنه نظر في دفعة واحدة فقط؛ وبعد الفحص تبين أن أغلبها تمت الموافقة عليها في العمود الآخر. أنتجت القاعدة الخاطئة مئات النتائج الإيجابية الكاذبة. وقام المدقق بتصحيح القاعدة لتشمل كلا العمودين. الدرس المستفاد: يتحقق المدقق من أن القاعدة تتوافق مع البيانات وعملية الأعمال.
موجه ضعيف / موجه قوي
حث ضعيف:
ابحث عن السجلات التي بها مشكلات في بيانات الفاتورة هذه.
المشكلة: لا يوجد تعريف لكلمة "إشكالية". لا يعرف الذكاء الاصطناعي ما الذي يجب اعتباره استثناءً؛ فهو يعمل إما وفق إشارات عشوائية أو وفق معيار ابتكره. وهي غير قابلة للتكرار وقابلة للتدقيق.
مطالبة قوية:
دورك: أنت مساعد تحليلات البيانات لمدقق مستقل. الحكم لي. سوف تقوم بتطبيق القاعدة وإنشاء قائمة استثناءات. السياق: فيما يلي بيانات فاتورة المبيعات مجهولة المصدر (الأعمدة: رقم الفاتورة، تاريخ_الفاتورة، تاريخ_التسليم، المبلغ، حالة_الموافقة، الفرع). نهاية السنة: 31.12.الخطوة 1 - الاكتمال: قم بإعطاء العدد الإجمالي للسجلات والمبلغ الإجمالي حتى أتمكن من مقارنتها بميزان المراجعة. قم بالإبلاغ إذا كان هناك أي مساحة فارغة/مفقودة. الخطوة 2 - قاعدة اختبار القطع: قم بإدراج السجلات ذات تاريخ الفاتورة <= 31.12 وتاريخ التسليم > = 01.01 كـ "استثناء قطع". الخطوة 3 - اكتب القاعدة بنص عادي (ما هو الشرط الذي قمت بتطبيقه) بحيث يمكن تدقيقها. القواعد: أعطيت القاعدة، لا تغيرها. إرسال السجلات التي تضع عليها علامة "استثناءات للمراجعة"؛ لا تقل "خطأ/اكتشاف". لا تختلق ما لا يمكنك استنتاجه من البيانات.
يعد هذا الطلب قويًا لأنه يؤكد أولاً الاكتمال، ويحدد بوضوح قاعدة الاستثناء، ويتطلب نصًا عاديًا للقاعدة (قابلية التدقيق)، ويضع المخرجات على أنها "الاستثناء".
الأخطاء الشائعة
- تخطي التحقق من الاكتمال. إجراء اختبار "كامل" على البيانات غير الكاملة/الفاسدة وتقديم تأكيدات كاذبة.
- الخلط بين الاستثناء والنتيجة. إحصاء الأخطاء دون التحقق من السجل الذي تم تمييزه بواسطة الذكاء الاصطناعي؛ تجنب القضاء على ايجابيات كاذبة.
- عدم التحقق من القاعدة. إنشاء مئات العلامات الخاطئة دون التحقق مما إذا كانت القاعدة تتوافق مع البيانات وعملية الأعمال.
- كتابة قواعد غامضة. الحصول على نتائج غير قابلة للتكرار بمطالبات غير محددة مثل "البحث عن السجلات التي بها مشكلات".
- الاكتفاء ببداية واحدة. عدم الاستعلام عن القاعدة أو البيانات إذا كان عدد الاستثناءات مختلفًا تمامًا عما هو متوقع.
نصيحة: كن حذرًا إذا كان عدد الاستثناءات صغيرًا جدًا (قريبًا من الصفر) أو كبيرًا جدًا. الصفر يعني عادة "قاعدة مكتوبة بشكل غير صحيح" أو "بيانات مفقودة"؛ يشير الرقم الكبير جدًا إلى أن القاعدة واسعة جدًا. يشك المدقق الجيد في كلا من "لا استثناءات" و"كل شيء استثناءات".
في ملخص
يعد الاختبار السكاني الكامل قفزة هائلة إلى الأمام في مجال التدقيق: فهو يزيل مخاطر أخذ العينات، ويفحص 100% من البيانات. لكنها ليست مجانية. فهو يجلب مسؤوليتين جديدتين: (1) التحقق من اكتمال البيانات ودقتها، (2) تقييم الاستثناءات الفردية التي تنشأ. يقوم الذكاء الاصطناعي بإعداد البيانات وتطبيق القاعدة ووضع علامة على الاستثناء وتقليل ساعات المسح إلى ثوانٍ؛ لكن دقة القاعدة واكتمال البيانات وتقييم الاستثناءات تعود إلى المدقق. الاستثناء ليس نتيجة، بل هو البداية.
مهمة التطبيق
فكر في مجموعة بيانات المعاملات الحالية (أو الافتراضية). حدد أولاً فحصين للاكتمال (عدد السجلات وتسوية المبلغ). ثم اكتب قاعدة استثناء واضحة لغرض التدقيق (على سبيل المثال، الفواتير الصادرة في عطلة نهاية الأسبوع، أو استثناءات القطع). باستخدام نمط المطالبة القوي أعلاه، اطلب من الذكاء الاصطناعي تنفيذ الاكتمال أولاً ثم القاعدة. الاستثناءات العشرة الأولى التي تظهر هي "نتائج حقيقية أم نتائج إيجابية كاذبة؟" تدرب على التصنيف على النحو التالي واكتب الأدلة التي ستبحث عنها لكل منها.
قائمة مرجعية
- [ ] لقد قمت بإخفاء هوية البيانات وقمت بالقيادة بأمان.
- [ ] لقد قمت بتأكيد اكتمال البيانات من خلال التوفيق بين عدد السجلات والمبلغ.
- [ ] لقد قمت بالبحث عن المساحة الحرة/السيئة.
- [ ] لقد حددت قاعدة الاستثناء بطريقة واضحة وقابلة للتكرار.
- [ ] تلقيت النص العادي للقاعدة من الذكاء الاصطناعي وتحققت من امتثالها للبيانات والعمليات التجارية.
- [ ] لقد تساءلت عن مدى معقولية عدد الاستثناءات (قليلة جدًا/ليست كثيرة جدًا).
- [ ] لقد تعاملت مع كل استثناء على أنه سؤال يجب فحصه، وليس نتيجة؛ لقد قمت بإزالة الإيجابيات الكاذبة.