Gevinster:
- Forstå stikprøverisiko og logikken i fuld populationstestning (100 % testning) og være i stand til at bruge kunstig intelligens til dataforberedelse, regelskrivning og resultatfortolkning.
- Evne til at designe og implementere match-, fuldstændigheds- og nøjagtighedstest i store datasæt med støtte til kunstig intelligens
- Evne til at forstå, at undtagelseslisten i den fulde populationstest ikke er et resultat, men en begyndelse, som revisor vil undersøge, og at den endelige evaluering tilhører revisor.
En af de mest fundamentale begrænsninger ved revisionsfaget var, at revisor skulle arbejde med stikprøver over mange år. Du kan ikke manuelt gennemgå de 180.000 fakturaer, som en virksomhed udsteder på et år; Så du vælger et par hundrede poster ved hjælp af en statistisk eller dømmende metode, tester dem og generaliserer resultatet til hele befolkningen. Prøveudtagning er en kraftfuld og legitim teknik, men den indebærer en iboende risiko: prøveudtagningsrisiko - den prøve, du vælger, er muligvis ikke repræsentativ for populationen, og den sande fejl i den falder muligvis ikke præcis, hvor du leder efter.
Dataanalyse og AI ændrer dette billede: Du kan nu teste hele populationen, dvs. 100 %. Dette kaldes komplet befolkningstest. Vi afsætter denne enhed til at forstå overgangen fra "prøve til helhed", den kraft, den medfører, og de nye ansvarsområder, som mange mennesker overser. Fordi fuld populationstestning ikke letter inspektion; Det ændrer testens karakter og lægger nye byrder på eksaminatoren.
Forskellen mellem prøvetagning og fuld populationstestning
I klassisk sampling er logikken: "Lad mig grundigt teste en lille, men repræsentativ gruppe, og fortolke resultatet som en helhed." I den fulde populationstest er logikken omvendt: "Lad mig scanne helheden efter bestemte regler, finde de undtagelser, der falder uden for reglen, og undersøge dem grundigt." I den første tilgang er risikoen "at vælge den forkerte prøve"; I den anden er risikoen "at skrive den forkerte regel" og "arbejde med ufuldstændige/fejlagtige data".
Følgende tabel sammenligner de to tilgange:
Størrelse
prøveudtagning
Fuld befolkningstest (100 %)
Omfang
del af befolkningen
hele befolkningen
Hovedrisiko
Stikprøverisiko (repræsentationsfejl)
Regelfejl + dataintegritetsfejl
output
Begrænset antal testresultater
Liste over undtagelser, der ikke overholder reglen
Revisors byrde
valg + test
Regeldesign + undtagelsesevaluering
AI's rolle
Hjælp til valg af prøve
Dataforberedelse, regelskrivning, undtagelsesmarkering
Bemærk: fuld populationstest betyder ikke "jeg testede alt, job udført". Tværtimod giver det dig som regel flere ting at undersøge. Når du kører alle 180.000 fakturaer gennem en dato-beløb-godkendelsesregel, finder du måske 900 undtagelser. Hver af disse er et spørgsmål; ikke et svar. Det er her revisionsretsvæsenet kommer i spil.
Datafuldstændighed: det usynlige grundlag for test
Den største faldgrube ved test af hele befolkningen er, at kvaliteten af testen afhænger af kvaliteten af dataene. "Jeg testede 100% af dataene" giver kun mening, hvis de data, du har, faktisk er 100% af befolkningen. Hvis et filter var forkert, da data blev hentet fra systemet, nogle poster blev udeladt, eller beløbskolonnen blev overført med en decimalfejl, vil din "fulde" test faktisk blive udført på ufuldstændige eller korrupte data. Derfor er bekræftelse af dataens fuldstændighed og nøjagtighed det første og uundværlige trin i fuld populationstestning.
Praktiske kontroller for fuldstændighedsverifikation:
- Afstemning af registreringsantal: Stemmer antallet af rækker i det datasæt, du trak, det samlede antal poster i systemet?
- Beløbsafstemning: Stemmer det samlede beløb i datasættet med den relevante kontototal i forsøgssaldoen/datterselskabet?
- Datointerval: Er den første og sidste dag i perioden inkluderet i dataene; Mangler der en måned/dag?
- Tom og dårlig pladsscanning: Er der mellemrum eller meningsløse værdier i obligatoriske felter (dato, beløb, kontokode)?
AI hjælper med alle disse kontroller: gennemgår data, henter totaler, tæller tomme pladser, rapporterer datointerval. Men det er revisor, der afgør, om aftalen "holder", undersøger forskellen og bekræfter, at data er egnet til revisionsformålet.
Forsigtig: Skriv ikke "Jeg testede alle dataene" på regnearket uden at bekræfte dataens fuldstændighed. En fuld populationstest på manglende data giver tilsyneladende fuldstændig, men vildledende sikkerhed.
Fuld populationstest med AI: trin for trin
- Forbered data sikkert. Anonymiser personlige/private felter eller erstat dem med pladsholdere. Hvis det er muligt, skal du bruge et firma, der er indgået i kontrakt.
- Bekræft fuldstændigheden. Afstem antallet af poster og beløb.
- Definer klart testreglen. Hvad tæller som en "undtagelse"? (For eksempel: ikke-godkendt faktura, faktura udstedt i weekenden, stor rund betaling, indkomst registreret efter skæringsdatoen.)
- Anvend reglen med AI. AI anvender reglen på dataene og producerer en liste over undtagelser; Skriv reglen tydeligt, så den kan revideres.
- Prioriter og gennemgå undtagelser. Undersøg enhver undtagelse med beviser; adressere falske positive, retfærdiggøre faktiske fund.
- Dokumenter resultatet. Knyt reglen, antallet af undtagelser, undersøgte punkter og konklusion til arbejdsarket.
tre minisager
Tilfælde 1 — Skæretest. En revisor ønskede at teste indtægtsgrænsen ved årets udgang. Han tog 42.000 salgsfakturaer som den fulde population og fik AI til at håndhæve "listeposterne med fakturadatoer inden 31. december, men forsendelses-/leveringsdatoer den 1. januar eller senere". YZ markerede 118 poster. Revisoren undersøgte disse: 96 var legitime transaktioner uden tidsforskelle (levering samme dag), 22 var faktisk indtægter for det følgende år og blev registreret i den foregående periode. Disse 22 elementer blev rapporteret, fordi de viste et mønster, omend under signifikans. AI’en stillede 118 spørgsmål; Revisoren fandt 22 svar.
Tilfælde 2 — Når fuldstændighed er udeladt. Et teammedlem sagde, at han lavede fuld befolkningstest på 180.000 fakturaer; Der var ingen undtagelser, og han var lettet. Den ansvarlige person sammenlignede den samlede mængde af datasættet med forsøgsbalancen: data 155 millioner TL, forsøgsbalance 210 millioner TL. Det viser sig, at mens data blev trukket fra systemet, blev en gren filtreret og udeladt. Den "fulde" test gik faktisk glip af en fjerdedel af dataene. Testen blev kørt over med de korrekte data. Lektion: Der er ingen fuldstændig populationstest uden bekræftelse af fuldstændigheden.
Tilfælde 3 — Regelfejl. En revisor fik AI til at skrive reglen "List ikke-godkendte betalinger over 50.000 TL", men var ikke klar over, at feltet "godkendelse" blev holdt i to forskellige kolonner i systemet (elektronisk godkendelse og manuel godkendelse). AI'en markerede 300 betalinger som "afvist", fordi den kun så på én; Ved undersøgelse kunne man se, at de fleste af dem blev godkendt i den anden kolonne. Den forkerte regel producerede hundredvis af falske positiver. Revisor korrigerede reglen til at inkludere begge kolonner. Lektion: revisor verificerer, at reglen er i overensstemmelse med data og forretningsprocesser.
Svag prompt / Stærk prompt
Svag prompt:
Find problematiske poster i disse fakturadata.
Problem: Ingen definition af "problematisk". AI ved ikke, hvad man skal betragte som en undtagelse; Han arbejder enten efter tilfældige signaler eller efter et kriterium, han har opstillet. Det kan ikke gentages og revideres.
Kraftig prompt:
Din rolle: Du er dataanalyseassistent for en uafhængig revisor. Dommen er min; Du vil anvende reglen og generere en undtagelsesliste.Kontekst: Nedenfor er anonymiserede salgsfakturadata (kolonner: invoice_nr, invoice_date, delivery_date, amount, approval_status, branch). Årsafslutning: 31.12. TRIN 1 - Fuldstændighed: Angiv det samlede antal poster og det samlede beløb, så jeg kan sammenligne det med prøvebalancen. Rapporter, hvis der er et tomt/manglende mellemrum.TRIN 2 - Skæringstestregel: Angiv posterne med fakturadato <= 31.12 OG leveringsdato >= 01.01 som "cutoff undtagelse".TRIN 3 - Skriv reglen i almindelig tekst (hvilken betingelse har du anvendt), så den kan revideres.Regler: Jeg gav den reglen. Indsend de poster, du markerer som "undtagelser til gennemgang"; Sig ikke "fejl/finding". Lad være med at finde på, hvad du ikke kan udlede af dataene.
Denne anmodning er kraftfuld, fordi den først bekræfter fuldstændigheden, klart definerer undtagelsesreglen, kræver reglens almindelige tekst (auditabilitet) og placerer output som "undtagelsen".
Almindelige fejl
- Springer fuldstændighedsbekræftelse over. Udførelse af "fuld" test af ufuldstændige/korrupte data og giver falsk sikkerhed.
- Forveksler undtagelsen med en konstatering. Optælling af fejl uden at verificere posten markeret af AI; undgå at eliminere falske positiver.
- Tjekker ikke reglen. Generering af hundredvis af falske flag uden at kontrollere, om reglen overholder dataene og forretningsprocessen.
- At skrive vage regler. Få ugentlige resultater med udefinerede prompter som "find problematiske poster".
- At være tilfreds med en enkelt start. Forespørger ikke reglen eller data, hvis antallet af undtagelser er meget forskelligt fra det forventede.
Tip: Bliv alarmeret, hvis antallet af undtagelser er for lille (tæt på nul) eller for stort. Nul betyder normalt "regel skrevet forkert" eller "data mangler"; Et ekstremt stort tal indikerer, at reglen er for bred. En god revisor mistænker både "ingen undtagelser" og "alt er undtagelser".
Sammenfattende
Fuld populationstestning er et stort fremskridt inden for revision: det eliminerer stikprøverisikoen og screener 100 % af dataene. Men det er ikke gratis. Det medfører to nye ansvarsområder: (1) verificering af data fuldstændighed og nøjagtighed, (2) evaluering af individuelle undtagelser, der opstår. AI forbereder dataene, anvender reglen, markerer undtagelsen og reducerer timers scanning til sekunder; Men nøjagtigheden af reglen, fuldstændigheden af dataene og evalueringen af undtagelser tilhører revisoren. Undtagelse er ikke et resultat, det er en begyndelse.
Ansøgningsopgave
Overvej et eksisterende (eller hypotetisk) transaktionsdatasæt. Definer først to fuldstændighedstjek (antal poster og beløbsafstemning). Skriv derefter en klar undtagelsesregel til revisionsformål (f.eks. fakturaer udstedt i weekenden eller skærende undtagelser). Med det kraftfulde promptmønster ovenfor skal du få AI'en til at udføre fuldstændigheden først og derefter reglen. De første 10 af de undtagelser, der vises, er "rigtige fund eller falske positive?" Øv dig i at klassificere som følger, og skriv ned, hvilke beviser du vil kigge efter for hver.
tjekliste
- [ ] Jeg anonymiserede dataene og kørte sikkert.
- [ ] Jeg bekræftede dataens fuldstændighed ved at afstemme antallet af poster og beløbet.
- [ ] Jeg scannede for ledig/dårlig plads.
- [ ] Jeg definerede undtagelsesreglen på en klar, gentagelig måde.
- [ ] Jeg modtog den almindelige tekst af reglen fra AI og bekræftede dens overholdelse af data og forretningsprocesser.
- [ ] Jeg stillede spørgsmålstegn ved rimeligheden af antallet af undtagelser (for få / ikke for mange).
- [ ] Jeg behandlede hver undtagelse som et spørgsmål, der skulle undersøges, ikke en konstatering; Jeg eliminerede falske positiver.