Gevinster:
- Forstå hvilke analytiske procedurer der er inden for rammerne af BDS 520, og hvordan man bruger kunstig intelligens til forventningsgenerering, forholdsanalyse og udarbejdelse af afvigelsesforklaringer.
- Evne til at fortolke horisontal-vertikal analyse, forholdsanalyse og trendnedbrud med støtte til kunstig intelligens og identificere afvigelser, der skal undersøges
- Evne til at forstå, at afvigelsesforklaringen foreslået af kunstig intelligens er en hypotese og ikke kan betragtes som et revisionsresultat uden at være understøttet af beviser.
Et af de mest magtfulde våben for en erfaren revisor er "forventning". Inden han ser på regnskabet, ved han nogenlunde, hvad han skal se, fordi han kender forretningen: "Denne virksomhed voksede med 15 % sidste år, antallet af medarbejdere er stabilt, så jeg vil forvente, at personaleudgifterne vil stige omtrent lige så meget som inflationen." Så sammenligner den virkeligheden med forventningen. Hvis der er en afvigelse fra forventningen, er der enten en forklaring eller et problem. Den systematiske form for denne måde at tænke på kaldes analytiske procedurer, og BDS 520 organiserer den.
Den analytiske procedure er at etablere en forventning ved at bruge rimelige forhold mellem finansielle og ikke-finansielle data og sammenligne dem med faktiske og se efter væsentlige afvigelser. Det bruges tre steder: i planlægningen (for at se risikoen), i substanstestning (til indholdsmæssig verifikation) og ved afslutningen af revisionen (til en overordnet rimelighedskontrol). I denne enhed lærer du at bruge kunstig intelligens i forventningsdannelse, forholdsanalyse og afvigelsesforklaring udkastproduktion; Men vi vil diskutere, hvorfor forklaringen foreslået af AI er en hypotese, ikke bevis.
Værktøjer til den analytiske procedure
De vigtigste analytiske værktøjer, der anvendes af revisor er:
- Horisontal analyse: Undersøgelse af ændringen (beløb og %) af en vare fra år til år. "Salget steg med 40%; hvorfor?"
- Vertikal analyse: Forholdet mellem varer og en helhed (f.eks. forholdet mellem hver udgift og omsætning). "Mens omkostningerne ved solgte varer var 62% af omsætningen, blev de i år 71%; hvorfor blev marginen indsnævret?"
- Forholdsanalyse: Beregning af meningsfulde nøgletal (bruttoavance, lageromsætningshastighed, inddrivelsesperiode for tilgodehavender, nuværende forhold) og undersøgelse af dens tendens og sammenligning med branchen.
- Trendanalyse: At se flere perioder sammen og fange pauser.
- Rimelighedstest: Etablering af en selvstændig forventning (f.eks. "renteudgift ≈ gennemsnitlig gæld × rente") og sammenligne den med virkeligheden.
AI udfører alle disse beregninger på få sekunder, placerer dem i et regneark og markerer afvigelser. Desuden kan den foreslå mulige forklaringer på afvigelser. Her er det kritiske punkt: forklaringen produceret af AI er en indledende hypotese. "Marginen er indsnævret, fordi råvarepriserne er steget" kan være rimeligt, men revisor kan ikke konkludere uden at bekræfte det med kontrakter, fakturaer, ledelsesoplysninger og - især i tilfælde af uventede afvigelser - uafhængige beviser.
Jo mere følsom forventningen er, jo stærkere er proceduren
En vigtig subtilitet ved BDS 520: pålideligheden af en analytisk procedure afhænger af, hvor præcist og uafhængigt forventningen er etableret. Hvis du bygger forventningerne direkte ud fra de data, som virksomheden leverer, falder du ind i cirkulær logik (validering af de samme data med de samme data). En stærk forventning er baseret på uafhængige input så meget som muligt (ikke-finansielle data, eksterne markedsdata, din egen konto). AI kan hjælpe dig med at opbygge en forventningsmodel - "hvilke input har jeg brug for for selvstændigt at beregne renteudgifter?" — men revisor er ansvarlig for inputtenes uafhængighed og modellens hensigtsmæssighed.
Tip: Forudbestem "ubetydelighedsgrænsen" ved fortolkning af afvigelsen. Hvor meget afvigelse fra forventning vil blive betragtet som "undersøgende"? Indstil denne tærskel på forhånd, i overensstemmelse med væsentlighed, så du ikke behøver at jage hver eneste lille udsving, AI producerer.
Etablering af stærke forventninger med ikke-finansielle data
Den analytiske procedure er på sit mest kraftfulde, når du bygger forventningerne fra ikke-finansielle data, ikke kun finansielle data. For eksempel kan du selvstændigt estimere et hotels værelsesindtægt ved at gange antallet af besatte værelsesnætter med den gennemsnitlige værelsespris; du kan tilnærme en produktionsvirksomheds energiudgifter ud fra antallet af producerede enheder og typisk forbrug pr. Du kan forudsige en skoles uddannelsesindkomst ud fra antallet af elever og gennemsnitshonoraret. Sådanne forventninger falder ikke i cirkularitetsfælden, fordi de er uafhængige af virksomhedens eget regnskab og giver et reelt krydstjek. AI hjælper dig med at etablere input og formel for denne uafhængige forventningsmodel; men revisor er ansvarlig for at sikre, at inputs er virkelig uafhængige og pålidelige (antal elever, værelse-nat, produktionsmængde korrekt?). Hvis forskellen mellem forventning og virkelighed er stor, indikerer dette enten en regnskabsfejl eller et problem med forventningsinputtet; Begge skal undersøges.
Trin for trin analytisk procedure
- Sæt forventninger. Skriv ned, hvad du forventer af den genstand, der gennemgås, med uafhængig input, hvis det er muligt.
- Forbered data, bekræft fuldstændigheden. Er de faktiske data, du vil sammenligne, nøjagtige og fuldstændige?
- Beregn med AI. Foretag horisontale/lodrette/forhold/tendensberegninger; Vis trinene for hver konto.
- Identificer afvigelser. Flagafvigelser, der overstiger den tærskel, du har angivet på forhånd.
- Generer hypoteser, men bekræft. Spørg AI om mulige forklaringer; test hver enkelt med bevis.
- Dokumenter resultatet. Forventning, fakta, afvigelse, forklaring og bekræftende beviser.
tre minisager
Tilfælde 1 — Find den egentlige årsag til afvigelsen. En revisor konstaterede, at personaleudgifterne steg med 38 %; Antallet af personale og inflation forklarede dette dog kun med 22 %. Han fik AI’en til at spørge om divergenshypoteser; YZ listede muligheder såsom "forhøjelse, nyansættelse, bonus, fratrædelsesgodtgørelse". Revisoren undersøgte lønregnskabet: Forskellen skyldtes en engangspræmiebetaling, der blev betalt i løbet af året, men ikke spredt ud som en udgift over den korrekte periode, og der var en sæsonbestemt fejl. AI gav hypotese; Lønbeviser og revisors undersøgelse afslørede sandheden.
Tilfælde 2 — Forveksling af en hypotese for bevis. Et teammedlem spurgte AI om en stigning på 40 % i en udgiftspost; AI "sandsynligvis skyldes inflation," sagde han. Teammedlemmet skrev dette som en kommentar direkte på arbejdsarket og lukkede pennen. Den ansvarlige person spurgte: inflationen var 25 % på det tidspunkt, 40 % blev ikke forklaret; Derudover var posten en lejeudgift med en fast kontrakt og steg ikke automatisk med inflationen. Den egentlige årsag var et nyt felt tilføjet til kontrakten. Lektion: Forklaringen af AI er en hypotese; Der kan ikke være nogen konklusion uden at blive testet med beviser.
Case 3 — Dårlig forventning. For at teste rimeligheden af renteudgifter fastslog en revisor sin forventning direkte ud fra de renteudgifter, som virksomheden har registreret (cirkulære). Naturligvis viste det sig, at "forventning = virkelighed" og ingen afvigelser dukkede op. Den ansvarlige person mindede om, at forventningen skulle etableres selvstændigt: gennemsnitlig gældsaldo × gennemsnitlig rentesats. Ved selvstændig beregning viste det sig, at den faktiske renteudgift var væsentligt lavere end forventet, og der blev ikke påløbet renter på en gæld. Lektion: uafhængighed af forventning bestemmer styrken af proceduren.
Svag prompt / Stærk prompt
Svag prompt:
Se på dette diagram, fortæl mig, hvis der er noget unormalt.
Problemet: ingen forventninger, ingen tærskel, ingen kontekst. AI markerer enten tilfældigt "anomali" eller genererer opdigtede forklaringer; resultatet mangler kontrolværdi.
Kraftig prompt:
Din rolle: Du er analytisk procedureassistent for en uafhængig revisor. Du vil beregne og VISE afvigelser og foreslå mulige forklarende HYPOTESER; verifikation og konklusion er mine.Kontekst (anonym): Produktionsselskab. Omsætning indeværende år 240 mio., foregående år 200 mio. (20% vækst). Antallet af personale er fast.Data:[konto; foregående år; indeværende år] linjer (omsætning, COGS, personaleudgifter, husleje, renteudgifter, ...)Opgave:1) Lav horisontal analyse (beløb og % ændring) for hver post; vis beregningstrin.2) Lodret analyse: proportioner hver udgift med indtægter; sammenlign for to år.3) Anvend følgende tærskel: marker "til gennemsyn", hvis %-ændringen afviger fra omsætningsvækst (20%) med mere end 10 absolutte point.4) Foreslå 2-3 mulige forklaringer HYPOTESE for hvert punkt markeret; Skriv også ned beviset, som hver vil blive verificeret. Angiv, at disse ikke er fund.5) Lav ikke tal eller branchebenchmarks, som du ikke kan udlede fra dataene.
Denne prompt er kraftfuld, fordi den giver kontekst og forventning (20 % vækst), sætter en klar afvigelsestærskel, beder om forklaringer som hypoteser og binder hver hypotese til bevis.
Almindelige fejl
- Forveksler en hypotese med bevis. At skrive konklusioner uden at verificere AI's "sandsynligvis..." udsagn.
- Etablering af cirkulære forventninger. At udlede forventningen fra dataene om at blive verificeret og producere falsk "pasning".
- Sætter ikke en tærskel. Jager hver lille udsving eller overser den betydelige afvigelse.
- Analyse uden kontekst. At bede om en "anomali" uden at promovere virksomheden; modtage meningsløse tegn.
- Forbliver overfladisk i uventede afvigelser. Dækker et overraskende twist med den første plausible forklaring; hvorimod BDS kræver en dybere undersøgelse af uventede afvigelser.
Bemærk: En forventet afvigelse (f.eks. øget afskrivning på grund af en kendt investering) er forskellig fra en uventet afvigelse. Uventet afvigelse indebærer højere risiko og kræver stærkere beviser. AI kan ikke skelne mellem de to; Revisor foretager denne sondring.
Sammenfattende
Analytiske procedurer (BDS 520) er kunsten at se afvigelser ved at etablere forventninger og sammenligne dem med virkeligheden. AI er en kraftfuld beregnings- og hypotesemotor på dette felt: den udfører horisontal/lodret/forholds-/trendanalyse på sekunder, markerer afvigelser, foreslår mulige forklaringer. Men procedurens kraft afhænger af forventningens uafhængighed, og forklaringen foreslået af AI er en hypotese, ikke bevis. Revisor sætter afvigelsestærsklen, revisor sikrer forventningens uafhængighed, og revisor verificerer hver erklæring med bevis. En uventet afvigelse kræver altid en dybere undersøgelse.
Ansøgningsopgave
Tag en simpel to-årig resultatopgørelse (hypotetisk) og sæt en vækstforventning (f.eks. 20%). Med det kraftfulde promptmønster ovenfor skal du få AI til at udføre vandret og lodret analyse, anvende en afdriftstærskel og fremsætte hypotese + bevismatchning for markerede genstande. Skriv derefter i et afsnit, hvordan du opretter en "ikke-cirkulær uafhængig forventning" for en vare (hvilke uafhængige input ville du bruge).
tjekliste
- [ ] Jeg har fastlagt en forventning på forhånd (med uafhængigt input, hvis det er muligt) til den genstand, der er under revision.
- [ ] Jeg bekræftede fuldstændigheden af de data, jeg sammenlignede.
- [ ] Jeg modtog den horisontale/lodrette/forholdsanalyse, der viste beregningstrinnene fra AI og verificerede den.
- [ ] Jeg har sat en afvigelsestærskel i overensstemmelse med væsentlighed.
- [ ] Jeg tog AI's forklaringer som hypoteser; Jeg testede hver enkelt med bevis.
- [ ] Jeg skelner mellem forventet og uventet afvigelse; Jeg gravede dybere ned i det uventede.
- [ ] Jeg dokumenterede forventning, virkelighed, afvigelse, forklaring og bekræftende beviser.