Anomalie- und Fehlererkennung: Journaleintragstest und Ausreißeranalyse

Gewinne:

• Verstehen Sie, warum die Prüfung von Journaleinträgen gemäß BDS 240 obligatorisch ist und wie künstliche Intelligenz verdächtige Eintragskriterien scannen kann
• Möglichkeit, Ausreißer, ungewöhnliches Timing und ungewöhnliche Mengenmuster mit Unterstützung künstlicher Intelligenz zu markieren und zu priorisieren
• Behaupten zu können, dass jede von künstlicher Intelligenz angezeigte Anomalie keine Feststellung, sondern ein Fragezeichen ist, das der Prüfer untersuchen wird, und dass die Beseitigung falsch positiver Ergebnisse in der Verantwortung des Menschen liegt.

Der Jahresabschluss eines Unternehmens ist im Wesentlichen die Summe von Millionen von Journaleinträgen (in der Buchhaltung wird jede Finanztransaktion als Soll und Haben erfasst). In einem Journaleintrag stecken letztlich sowohl Fehler als auch Betrug: ein Betrag, der auf das falsche Konto gebucht wird, ein Betrag, der „vergessen“ und am Ende der Periode rückgängig gemacht wird, ein ungewöhnlicher Eintrag, der mitten in der Nacht manuell eingegeben wird. Daher verlangt BDS 240 (der Standard, der die Verantwortlichkeiten des Abschlussprüfers in Bezug auf Betrug bei der Prüfung von Jahresabschlüssen regelt) eindeutig, dass der Abschlussprüfer Journaleintragsprüfungen durchführt. Sein Zweck besteht darin, mögliche Manipulationen des Managements durch Management-Override aufzudecken.

In dieser Einheit erfahren Sie, wie Sie künstliche Intelligenz in eine Maschine zur Anomalie- und Fehlererkennung verwandeln und warum jeder markierte Datensatz eher ein „Fragezeichen“ als ein „Befund“ ist. Die ersten beiden Konzepte. Eine Anomalie ist ein ungewöhnlicher Datensatz in einem Datensatz, der vom erwarteten Muster abweicht. Ein Ausreißer ist eine Beobachtung, die sich numerisch deutlich von den anderen unterscheidet (z. B. eine sehr große Menge, eine sehr hohe Häufigkeit). Eine Anomalie ist nicht immer ein Fehler; Aber genau hier sollte der Prüfer nachsehen.

Verdächtige Buchungskriterien im Journaleintragstest

BDS 240 besagt, dass Aufzeichnungen mit bestimmten Merkmalen ein höheres Betrugsrisiko darstellen. KI kann Hunderttausende Datensätze anhand dieser Kriterien in Sekundenschnelle scannen. Typische „Red Flag“-Kriterien:

• Ungewöhnlicher Zeitpunkt: Manuelle Erfassung der Datensätze nach der Arbeitszeit, an einem Wochenende, einem Feiertag oder am letzten Tag des Semesterendes.
• Ungewöhnlicher Benutzer: Datensätze, die von einem Benutzer eingegeben wurden, der normalerweise keine Buchhaltungsdatensätze eingibt (z. B. ein Administrator).
• Ungewöhnliche Kontokombinationen: Buchungen zwischen Konten, die einander nicht erwarten (z. B. ein Einnahmenkonto und ein ungewöhnliches Sachkonto).
• Runde Beträge: „saubere“ große Beträge wie 100.000, 500.000; Es handelt sich um eine typische Spur manueller Manipulation.
• Datensätze mit leeren oder mehrdeutigen Beschreibungen: leere Beschreibungen wie „Korrektur“, „Sonstiges“, „Vorläufig“.
• Stornierte Datensätze: Datensätze, die zu Beginn der Periode erfasst und nach kurzer Zeit storniert (Storno) werden.
• Duplikate unterhalb des Schwellenwerts: Eine große Anzahl von Datensätzen gruppiert sich knapp unterhalb des Genehmigungsschwellenwerts (z. B. 50.000 $).

Tipp: Denken Sie über diese Kriterien gemeinsam nach, nicht einzeln. Der „runde Betrag“ allein mag unschuldig sein; Aber „Wochenende, von einem Administrator, Beschreibung leer, Runde konsistent, manuelle Veröffentlichung am Ende des Zeitraums“ ist ein starkes Warnsignal. Wenn KI Kriterien kombiniert, um einen „Risiko-Score“ zu erstellen, können Sie Prioritäten setzen.

Die falsch-positive Wahrheit: Warum nicht jedes Zeichen ein Befund ist

Beim Anomalie-Scanning handelt es sich um falsch positive Ergebnisse: Datensätze, die durch die Regel gekennzeichnet sind und tatsächlich legitim sind. Beispielsweise erfasst ein Unternehmen am letzten Werktag jedes Monats automatisch eine Mietrückstellung. Das hängt zwar vom Kriterium „Rundbetrag + Periodenende“ ab, ist aber völlig normal. Die Aufgabe des Prüfers besteht darin, das tatsächliche Risiko aus dem markierten Haufen herauszufiltern. Diese Sortierung ist nicht übertragbar; Denn um legitim von verdächtig zu unterscheiden, muss man das Geschäft und den Kontext kennen – etwas, das KI nicht hat.

Lesen Sie die Ausgabe also immer so: „Die KI hat 420 Datensätze für mich markiert. Bei den meisten davon handelt es sich wahrscheinlich um Fehlalarme. Meine Aufgabe ist es, aus diesen 420 diejenigen herauszufinden, die wirklich untersucht werden müssen, die Muster und die einzelnen verdächtigen.“ Diese Sichtweise schützt Sie sowohl vor Automatisierungsvoreingenommenheit (jedes Anzeichen für einen Fehler halten) als auch vor Faulheit (keinem davon Beachtung zu schenken).

Anomalieerkennung Schritt für Schritt

1. Daten vorbereiten und auf Vollständigkeit prüfen. (Abgleichsschritte in der vorherigen Einheit.)
2. Definieren Sie die Kriterien klar. Welche Zeit-, Mengen-, Benutzer- und Beschreibungsmuster werden gekennzeichnet?
3. Scannen und punkten Sie mit KI. Markieren Sie jeden Datensatz nach Kriterien. Geben Sie denjenigen eine höhere Priorität, die mehrere Kriterien erfüllen.
4. Eliminieren Sie Fehlalarme. Filtern oder kennzeichnen Sie bekannte legitime Muster (z. B. automatische Rückstellungen).
5. Untersuchen Sie die verbleibenden Datensätze. Verknüpfen Sie jedes mit dem unterstützenden Dokument, der Genehmigung und der Geschäftslogik.
6. Dokumentieren Sie die Schlussfolgerung und Begründung. Schreiben Sie auf, was Ihnen verdächtig vorkam und warum, und was Sie beseitigt haben und warum.

drei Mini-Koffer

Fall 1 – Tatsächlicher Befund. Ein Prüfer hat 240.000 Journaleinträge mit KI gescannt; Dabei wurden die Kriterien „letzte 3 Tage des Zeitraums + Handbuch + Beschreibung ‚Korrektur‘ + 100.000-facher Betrag“ kombiniert. 14 Datensätze erhielten hohe Punktzahlen. Bei der Überprüfung handelte es sich bei 11 um legitime Anpassungen zum Jahresende; Es wurden jedoch drei Buchungen vorgenommen, die zu einer Aufblähung des Einkommenskontos führten und in der darauffolgenden Periode rückgängig gemacht wurden, und es gab keine Belege dafür. Dies war ein Muster der Umgehung von Kontrollen durch das Management und ein bedeutsames Ergebnis. Die KI stellte 14 Fragen; Die Skepsis des Prüfers fand die drei wahren Antworten.

Fall 2 – Falsch-Positiv-Falle. Ein Teammitglied schrieb die 380 „rundenkonsistenten“ Datensätze, die die KI markiert hatte, direkt auf das Arbeitsblatt unter der Überschrift „Verdächtige Transaktionen“. Als der Beamte nachsah, sah er, dass die meisten von ihnen eine feste Miete, ein festes Beratungshonorar und automatische Abschreibungsunterlagen hatten; sie waren alle legitim. Das Arbeitsblatt sei zu einer „Liste falscher Feststellungen“ geworden, die die Prüfung in die falsche Richtung gelenkt habe. Lektion: Nicht jeder markierte Datensatz ist ein Befund; Der Prüfer trifft die Auswahl.

Fall 3 – Festlegung der Kriterien zu eng. Ein Prüfer verwendete nur das Kriterium „Wochenendaufzeichnung“ und fand keine verdächtigen Aufzeichnungen; Er war erleichtert. Allerdings kam es im Betrieb während der Werktagsarbeitszeit zu manipulativen Erfassungen, allerdings mit ungewöhnlichen Kontokombinationen. Da er sich auf ein einziges, enges Kriterium verließ, konnte er das tatsächliche Risiko nicht erkennen. Als der Prüfer die Kriterien erweiterte, zeigte sich das Muster. Lektion: Ein einzelnes Kriterium bietet keine Sicherheit; Betrachten Sie es mehrdimensional.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Finden Sie betrügerische Einträge in diesen Journaleinträgen.

Problem: KI kann Betrug nicht „erkennen“; Betrug ist eine rechtliche/berufliche Konsequenz, kein Datenmuster. Auch „betrügerisch“ ist undefiniert. Diese Eingabeaufforderung erzeugt entweder eine erfundene „Cheat-Liste“ oder bedeutungslose Flags.

Kraftvolle Aufforderung:

Ihre Rolle: Sie sind ein Assistent für die Journaleintragsanalyse eines unabhängigen Wirtschaftsprüfers. Sie MARKIEREN den Datensatz entsprechend den Kriterien; Die Entscheidung über Betrug/Fehler liegt bei mir. Kontext: Anonymisierte Journaldaten (Spalten: Datensatznummer, Datum, Uhrzeit, Benutzerrolle, Debitkonto, Kreditkonto, Betrag, Datensatztyp [manuell/automatisch], Beschreibung). Semesterende: 31.12. Arbeitszeiten: 09:00–18:00 Uhr, Mo–Fr. Aufgabe: 1) Geben Sie jedem Datensatz eine „Aufmerksamkeitsbewertung“ gemäß den folgenden Kriterien (abhängig davon, wie viele Kriterien hinzugefügt werden): a) Datensatztyp=manuell b) Datum zwischen 29.–31. Dezember ODER Wochenende/Feiertag c) dienstfreie Stunde d) Betrag 100.000 TL fest (gerundet) e) Beschreibung ist leer oder {Korrektur, Sonstiges, temporär} in2) Geben Sie diejenigen mit einer Punktzahl von 3 und höher als Prioritätenliste an.3) Schreiben Sie jedes Kriterium, das Sie anwenden, im Klartext (Überprüfbarkeit).4) Machen Sie deutlich, dass es sich um „zu untersuchende Ausnahmen“ handelt und nicht das Ergebnis von Betrug/Fehlern ist. Hinzufügen eines gefälschten Datensatzes.

Diese Eingabeaufforderung ist leistungsstark, da sie die Kriterien klar definiert, mehrdimensionale Bewertungen und Überprüfbarkeit erfordert und die Ausgabe (die Ausnahme, nicht das Ergebnis) genau lokalisiert.

Häufige Fehler

• Es bedeutet „den Trick finden“. KI erkennt Betrug nicht; Vergibt eine Note gemäß den Kriterien. Betrug ist eine berufliche/rechtliche Konsequenz.
• Das Zeichen mit einem Fund verwechseln. Schreiben des verdächtigen Datensatzes als „Fehler“, ohne Fehlalarme zu eliminieren.
• Sich auf ein Kriterium verlassen. Eine enge Regel anwenden und das eigentliche Muster verfehlen.
• Es werden keine legitimen Muster herausgefiltert. Durch die Aufnahme automatischer Rückstellungen in die Verdächtigkeitsliste wird Lärm erzeugt.
• Die Begründung wird nicht dokumentiert. Lassen Sie das Arbeitsblatt unauffindbar, ohne aufzuschreiben, was Sie entfernt/behalten haben und warum.

Achtung: Eine Aufnahme als „verdächtig“ zu bezeichnen, ist eine ernst gemeinte Aussage. Überprüfen Sie dies anhand von Beweismitteln (Belegdokument, Bestätigung, Geschäftsfall), bevor Sie es als Feststellung verfassen. Andernfalls verhalten Sie sich gegenüber dem Unternehmen unfair und beeinträchtigen die Prüfungsqualität.

Zusammenfassend

Unter BDS 240 sind Journaleintragstests erforderlich, und KI ist dafür die ideale Engine: Sie scannt in Sekundenschnelle Hunderttausende Datensätze anhand mehrdimensionaler Kriterien und erstellt einen Aufmerksamkeitswert. Aber KI „erkennt“ weder Betrug noch Fehler; es markiert nur das Ungewöhnliche. Die Ausgabe ist ein Haufen Ausnahmen voller falsch positiver Ergebnisse. Es liegt an der Skepsis und dem Urteilsvermögen des Prüfers, das tatsächliche Risiko daraus zu erkennen, das berechtigte Risiko zu beseitigen und Schlussfolgerungen zu ziehen. Das Zeichen ist ein Fragezeichen, keine Antwort.

Anwendungsaufgabe

Geben Sie fünf Anomaliekriterien für hypothetische Journaldaten an (Zeitplan, Benutzer, Betrag, Kontokombination, Beschreibung). Lassen Sie die KI mit dem oben genannten leistungsstarken Eingabeaufforderungsmuster einen mehrdimensionalen „Aufmerksamkeitswert“ erstellen. Schreiben Sie dann einen „Screening-Leitfaden“: Welche legitimen Muster (automatische Rückstellung, feste Miete usw.) sollten als falsch positive Ergebnisse herausgefiltert werden? Abschließend für die 5 Datensätze mit der höchsten Punktzahl: „Nach welchen Beweisen suche ich?“ Beantworten Sie die Frage.

Checkliste

• [ ] Ich habe die Daten anonymisiert und auf Vollständigkeit überprüft.
• [ ] Ich habe die Anomaliekriterien mehrdimensional und klar definiert.
• [ ] Ich habe den Klartext des Aufmerksamkeitswerts und der angewandten Kriterien von der KI erhalten.
• [ ] Ich habe bekannte legitime Muster als falsch positive Ergebnisse herausgefiltert.
• [ ] Ich habe Aufzeichnungen mit hoher Punktzahl mit unterstützender Dokumentation und Bestätigung überprüft.
• [ ] Ich habe es anhand von Beweisen überprüft, bevor ich zu dem Schluss kam, dass es sich um „Betrug/Fehler“ handelte.
• [ ] Ich habe dokumentiert, was ich verdächtig fand und warum.