Afstemning, bekræftelse og tre-vejs matching automatisering

Gevinster:

• Forstå logikken i at automatisere aktuel afstemning, bankafstemning og tre-vejs matching (ordre-leveringsseddel-faktura) tests med støtte til kunstig intelligens
• Evne til at klassificere og prioritere forskels(forskel)analyse og årsagerne til forsoningsforskelle med kunstig intelligens
• Evne til at forstå, at uoverensstemmende elementer og bekræftelsesforskelle skal undersøges af revisor, og at kunstig intelligens kun viser forskellen.

Rygraden i en revision er at verificere ved at sammenligne den med en uafhængig kilde, at en registrering faktisk eksisterer og er blevet opbevaret nøjagtigt. En kreditpostering er reel med debitorpartens godkendelse; en banksaldo er korrekt, med bekræftelse fra banken; Du tester ægtheden af ​​et køb ved at sikre, at ordre-følgeseddel-faktura-trioen matcher hinanden. Disse processer kaldes under ét for forsoning og bekræftelse. Fordi de i sagens natur kræver sammenligning af et stort antal genstande, er de gentagne, tidskrævende, og hvor kunstig intelligens skinner.

I denne enhed vil vi dække tre opgaver: løbende/kontoafstemning (sammenligning af to parters optegnelser), bankafstemning (afstemning af finanssaldo og kontoudtog) og trevejsmatch (sammenligning af indkøbsordren, varemodtagelse/følgeseddel og leverandørfaktura). Grundprincippet forbliver uændret: AI matcher og påpeger forskellen; Det er op til revisor at undersøge årsagen til forskellen og komme til en konklusion.

Hvad er tre-vejs matching, og hvorfor er det vigtigt?

Når en virksomhed køber varer/tjenester, opstår der typisk tre dokumenter: (1) Indkøbsordre — hvad blev bestilt, hvor meget, til hvilken pris; (2) Følgeseddel/modtagelse af varer — hvad, hvor meget blev modtaget; (3) Leverandørfaktura - hvad, hvor meget blev der faktureret. I et sundt kontrolmiljø bør disse tre matche: bestilt = modtaget = faktureret. Tre-vejs match-testen kontrollerer, om disse tre matcher. Tvister; Det kan betyde overfakturering, fiktive køb, duplikerede betalinger, prismanipulation eller simpel datafejl.

AI kan matche tusindvis af køb på tværs af disse tre dokumenter på få sekunder. Men listen over "umatchede elementer", der vises, er ikke en liste over fejl. En vare kan være mismatchet af følgende uskyldige årsager: dellevering (ordre 100, levering 60), tidsforskel (faktura endnu ikke modtaget), prisforskel inden for acceptabel tolerance, rabat eller forsendelsesvare. Revisorens opgave er at finde årsagen til forskellen og adskille den uskyldige fra den mistænkte.

Matchtype

sammenlignes

Typiske årsager til forskel

Nuværende afstemning

Vores registrering ↔ modpartsregistrering

Timing, refusion, ufuldstændig registrering, valutakursforskel

Bankafstemning

Hovedbog ↔ kontoudtog

Check in transit, bankgebyr, post endnu ikke behandlet

tre-vejs kamp

Ordre ↔ følgeseddel ↔ faktura

Delvis levering, timing, prisforskel, duplikat, fiktiv

Ekstern bekræftelse: et af de mest pålidelige beviser

Ekstern bekræftelse i revision er metoden til at få et skriftligt svar direkte fra en tredjepart (bank, kunde, leverandør) om en balance eller transaktion, og BDS 505 regulerer dette. Ekstern bekræftelse er et af revisors stærkeste beviser; fordi oplysningerne kommer fra en uafhængig kilde, ikke fra den reviderede enhed. Her er AI acceleratoren til at producere udkast til bekræftelsesbreve, sammenligne indgående svar med finansposter og liste ikke-responderende parter (dem, der skal følge). Men to punkter er kritiske: For det første bør udfyldning og afsendelse af bekræftelsesbrevet med de faktiske adressatoplysninger være under revisors kontrol; For det andet skal revisor være sikker på, at svaret er ægte og når revisor direkte. Verifikationsprocessens integritet ligger hos revisor; AI gør bare sammenligning og sporing nemmere.

Gab-analyse: AI klassificerer, revisor bestemmer

Den mest produktive måde at undersøge konsensusforskelle på er at klassificere forskellene: hvilke er timing-relaterede (vil skifte mellem perioder, men er ikke faktiske forskelle), som er permanente forskelle, og hvilke er uforklarlige. AI kan hurtigt lave denne foreløbige klassificering: den sætter forskelsbeløbet, retningen og mulig årsag i en tabel. Men pas på: AI's "sandsynlige årsag" kolonne er en forudsigelse, ikke en bestemmelse. Bare fordi der står "sandsynligvis en tidsforskel" beviser ikke, at forskellen er timing; Revisor skal verificere dette med dokumentation (næste periode faktura, returkvittering, bankkvittering).

Tip: Prioriter forskelle efter mængdestørrelse og forklaringsmuligheder. Spring over de små og let forklarede forskelle; Koncentrer revisorarbejdet om store eller uforklarlige forskelle. AI producerer prioriteringstabellen; Du sætter tærsklen og fokus.

Trin-for-trin afstemningsautomatisering

1. Forbered og anonymiser to (eller tre) datasæt. Bestem den matchende nøgle (fakturanummer, ordrenummer, beløb + dato).
2. Bekræft fuldstændigheden. Stemmer det samlede antal og antallet af poster for hver klynge med det forventede?
3. Definer matchningsreglen. Vil der være et nøjagtigt match eller vil tolerance (f.eks. ±1 % prisforskel) være tilladt?
4. Match med AI. Dem, der matcher, dem, der ikke matcher, og dem, der er inden for tolerance, vises på separate lister.
5. Klassificer og prioriter forskelle. Timing/vedvarende/uforklaret.
6. Undersøg som revisor. Bekræft eventuelle væsentlige forskelle med dokumentation; Dokumenter konklusion og begrundelse.

tre minisager

Case 1 — Duplikatbetalingsregistrering. En revisor trevejs matchede 12.400 køb med AI. YZ mærkede 6 varer med to separate betalinger for samme fakturanummer. Revisoren undersøgte: 4 var legitime fakturaer med lignende tal fra forskellige år; men 2 af dem var faktisk dobbeltbetalinger (den samme faktura blev betalt to gange), i alt 88.000 TL. Genoptagelsesprocessen blev indledt, og svagheden i den interne kontrol blev skrevet i ledelsesbrevet. AI stillede 6 spørgsmål; 2 reelle problemer bekræftede revisoren.

Case 2 — At forveksle tidsforskellen for en fejl. Et teammedlem afskrev direkte forskellen på 40.000 TL markeret af YZ i bankafstemningen som en "registreringsfejl". Den ansvarlige person undersøgte: forskellen var en check, der blev trukket ved periodens udløb og endnu ikke fremvist til banken; Det var en helt normal tidsforskel, og den lukkede ugen efter. Lektion: en uoverensstemmende pen er ikke en automatisk fejl; Ingen konklusion kan skrives uden at undersøge årsagen.

Tilfælde 3 - Tolerancefejl. En revisor gav ingen tolerance for tre-vejs matchning; På grund af penny afrundingsforskelle, mærkede YZ 900 punktet "matcher ikke". Listen blev ugransket; De virkelige problemer gik tabt i støjen. Når først revisoren definerede en rimelig tolerance (f.eks. ±5 TL eller ±0,5%), blev listen reduceret til 27 væsentlige punkter. Lektion: matchningsreglen skal matche virksomhedens virkelighed; En for streng regel giver støj, en for løs regel giver blindhed.

Svag prompt / Stærk prompt

Svag prompt:

Sammenlign disse to lister, fortæl mig, hvad der ikke passer.

Problem: matchende nøgle, tolerance og outputformat er uklare. AI ved ikke, hvad den skal matche baseret på; resultatet ville være upålideligt og uigentageligt.

Kraftig prompt:

Din rolle: du er afstemningsassistent for en uafhængig revisor. Du vil matche og VISE forskellen; Årsagen og resultatet af forskellen er mine.Data (anonymiseret):- Sæt A: Indkøbsordrer (kolonner: ordre_nr, vare, antal, enhedspris, beløb)- Sæt B: Følgesedler (ordre_nr, vare, leveret_mængde)- Sæt C: Fakturaer (ordre_nr, vare, invoiced_quantity,invoiced_quantity,invoiced_quantity,invoiced_quantity) vare.Tolerance: tæller som "matchet", hvis mængdeforskellen er inden for ±5 TL eller ±0,5% (alt efter hvad der er størst).Opgave:1) Match tre klynger. Angiv følgende tre lister hver for sig: (a) eksakte matches (sammendragsnummer), (b) matcher inden for tolerance, (c) varer der IKKE matcher (fuld detalje).2) Tilføj en MULIG årsagskolonne for uoverensstemmelser (delvis levering / manglende dokument / mængdeforskel / mængdeforskel), men angiv at dette er et SKAT, der skal verificeres med plainance den regel 43). give den samlede afstemning (A, B, C). totaler), så jeg kan kontrollere fuldstændigheden. Lad være med at finde på, hvad du ikke kan udlede af dataene.

Denne prompt er kraftfuld, fordi den definerer nøglen og tolerancen, beder om tre separate lister, placerer "sandsynlig årsag" som et gæt og kræver fuldstændig enighed for fuldstændighed.

Almindelige fejl

• At tage fejl af en forkert vare som en fejl. At skrive en konklusion uden at undersøge årsagen (timing, delvis levering, returnering).
• Indstiller ikke tolerancer. Pust listen med øre og tab de virkelige problemer i støjen.
• Lader parringsnøglen være tvetydig. Styrer ikke, hvad AI'en matcher baseret på.
• Springer fuldstændighed over. Stoler på matchende sæt uden at afstemme deres totaler.
• Forkert "sandsynlig årsag" til påvisning. Accepterer AI's forudsigelse uden at verificere den med dokumentation.

Forsigtig: At beskrive en forskel som en "duplikeret betaling" eller "fiktivt køb" er en alvorlig påstand. Bekræft dette med dokumentation (faktura, betalingskvittering, varemodtagelsesjournal), før du skriver det ned; Hvis der er et mønster, skal du vurdere det separat som en intern kontrolsvaghed.

Sammenfattende

Afstemning, bekræftelse og tre-vejs-matching er blandt de mest gentagne revisionsopgaver og nemmest accelereret med AI. AI matcher tusindvis af genstande på få sekunder, viser forskellene og præklassificerer dem. Men den forkerte pen er ikke en fejl, det er en forskel, der skal undersøges; "sandsynlig årsag" er et gæt, ikke en bestemmelse. Revisoren bestemmer den matchende nøgle og tolerance i overensstemmelse med den forretningsmæssige virkelighed; Revisoren verificerer forskellen med dokumentet; Revisor skriver resultatet. AI viser forskellen, revisoren giver meningen.

Ansøgningsopgave

Overvej tre små datasæt (ordre, følgeseddel, faktura) eller to sæt (reskontro, bank). Bestem den matchende nøgle og en rimelig tolerance. Få AI'en til at matche med det kraftige promptmønster ovenfor, og fjern dem, der ikke passer til kolonnen "sandsynlig årsag". Skriv derefter en "undersøgelsesplan" for hvert uoverensstemmende element: hvilket dokument ser jeg på, hvilket spørgsmål stiller jeg, hvilken konklusion betragter jeg dette som en fejl/normal?

tjekliste

• [ ] Jeg anonymiserede dataene og identificerede tydeligt den matchende nøgle.
• [ ] Jeg bekræftede fuldstændigheden af ​​hver klynge med det samlede antal og antallet af poster.
• [ ] Jeg sætter en tolerance, der passer til erhvervslivets virkelighed (hverken for streng eller for løs).
• [ ] Jeg tog de matchende / indenfor tolerance / ikke-matchende lister separat.
• [ ] Jeg søgte i dokumentet for hvert væsentligt element, der ikke matchede; Jeg bekræftede hvorfor.
• [ ] Jeg regnede ikke "sandsynlige årsag"-gæt som resultater uden at bekræfte dem med beviser.
• [ ] Jeg har dokumenteret alvorlige kvalifikationer som duplikat/fiktiv og evalueret den interne kontrols indvirkning.