روشهای تحلیلی و مدلسازی انتظار: تحلیل روند، نسبت و انحراف

سود:

• درک روش های تحلیلی در محدوده BDS 520 و نحوه استفاده از هوش مصنوعی برای تولید انتظارات، تجزیه و تحلیل نسبت و پیش نویس توضیحات انحراف.
• امکان تفسیر تحلیل افقی-عمودی، تجزیه و تحلیل نسبت و تجزیه روند با پشتیبانی هوش مصنوعی و شناسایی انحرافاتی که نیاز به بررسی دارند.
• توانایی درک اینکه توضیح انحراف پیشنهاد شده توسط هوش مصنوعی یک فرضیه است و نمی تواند به عنوان یک نتیجه حسابرسی بدون تایید شواهد در نظر گرفته شود.

یکی از قدرتمندترین سلاح های یک حسابرس مجرب «انتظار» است. او قبل از اینکه به صورت مالی نگاه کند، تقریباً می داند که چه چیزی باید ببیند زیرا تجارت را می شناسد: "این شرکت در سال گذشته 15 درصد رشد کرد، تعداد پرسنل ثابت است، بنابراین من انتظار دارم هزینه های پرسنل تقریباً به اندازه تورم افزایش یابد." سپس واقعیت را با انتظار مقایسه می کند. اگر انحراف از انتظار باشد، یا توضیح دارد یا مشکل. شکل سیستماتیک این طرز تفکر، رویه های تحلیلی نامیده می شود و BDS 520 آن را سازماندهی می کند.

روش تحلیلی عبارت است از ایجاد یک انتظار با استفاده از روابط معقول بین داده های مالی و غیر مالی و مقایسه آن با واقعی و جستجوی انحرافات قابل توجه. از آن در سه مکان استفاده می شود: در برنامه ریزی (برای مشاهده ریسک)، در آزمایش اساسی (برای تأیید اساسی) و در پایان حسابرسی (برای بررسی معقولیت کلی). در این بخش، نحوه استفاده از هوش مصنوعی در شکل‌گیری انتظارات، تحلیل نسبت و تولید پیش‌نویس توضیح انحراف را یاد می‌گیرید. اما ما بحث خواهیم کرد که چرا توضیح ارائه شده توسط هوش مصنوعی یک فرضیه است، نه مدرک.

ابزارهای رویه تحلیلی

ابزارهای تحلیلی اصلی مورد استفاده حسابرس عبارتند از:

• تحلیل افقی: بررسی تغییر (مقدار و درصد) یک کالا از سال به سال دیگر. فروش 40 درصد افزایش یافت؛ چرا؟
• تحلیل عمودی: نسبت اقلام به کل (مثلاً نسبت هر هزینه به درآمد). در حالی که بهای تمام شده کالای فروخته شده 62 درصد درآمد بود، امسال به 71 درصد رسید؛ چرا حاشیه کاهش یافت؟
• تحلیل نسبت: محاسبه نسبت های معنادار (حاشیه سود ناخالص، نرخ گردش موجودی، دوره وصول مطالبات، نسبت جاری) و بررسی روند آن و مقایسه آن با صنعت.
• تحلیل روند: دیدن چندین دوره با هم و گرفتن وقفه.
• آزمون معقولیت: ایجاد یک انتظار مستقل (به عنوان مثال "هزینه بهره ≈ متوسط ​​بدهی × نرخ بهره") و مقایسه آن با واقعیت.

هوش مصنوعی همه این محاسبات را در چند ثانیه انجام می دهد، آنها را در یک صفحه گسترده قرار می دهد و انحرافات را علامت گذاری می کند. علاوه بر این، می تواند توضیحات احتمالی را برای انحرافات پیشنهاد کند. نکته مهم اینجاست: توضیح ارائه شده توسط هوش مصنوعی یک فرضیه اولیه است. «حاشیه کاهش به دلیل افزایش قیمت مواد خام» ممکن است معقول باشد، اما حسابرس نمی تواند بدون تأیید آن با قراردادها، صورتحساب ها، افشای مدیریت، و - به ویژه در مورد انحرافات غیرمنتظره - شواهد مستقل نتیجه گیری کند.

هر چه انتظار حساس تر باشد، این روش قوی تر است

یک نکته ظریف مهم BDS 520: قابلیت اطمینان یک روش تحلیلی بستگی به این دارد که چقدر دقیق و مستقل انتظارات ایجاد شود. اگر انتظارات را مستقیماً از داده‌های ارائه شده توسط کسب‌وکار بسازید، در منطق دایره‌ای قرار می‌گیرید (تایید همان داده‌ها با همان داده‌ها). یک انتظار قوی تا حد امکان مبتنی بر ورودی های مستقل است (داده های غیر مالی، داده های بازار خارجی، حساب شخصی شما). هوش مصنوعی می تواند به شما در ایجاد یک مدل انتظار کمک کند - "برای محاسبه مستقل هزینه بهره به چه ورودی هایی نیاز دارم؟" - اما حسابرس مسئول استقلال ورودی ها و مناسب بودن مدل است.

نکته: هنگام تفسیر انحراف، «آستانه ناچیز» را از قبل تعیین کنید. چقدر انحراف از انتظار «تحقیقی» تلقی خواهد شد؟ این آستانه را از قبل مطابق با مادیات تنظیم کنید، بنابراین مجبور نیستید هر نوسان کوچکی را که هوش مصنوعی ایجاد می‌کند دنبال کنید.

ایجاد انتظارات قوی با داده های غیر مالی

زمانی که انتظارات را از داده‌های غیر مالی، نه فقط از داده‌های مالی، بسازید، روش تحلیلی در قوی‌ترین حالت خود است. به عنوان مثال، شما می توانید درآمد اتاق یک هتل را به طور مستقل با ضرب تعداد شب های اشغال شده در میانگین نرخ اتاق تخمین بزنید. شما می توانید هزینه انرژی یک کسب و کار تولیدی را از تعداد واحدهای تولید شده و مصرف معمولی در هر واحد تخمین بزنید. شما می توانید درآمد تحصیلی مدرسه را از تعداد دانش آموزان و متوسط ​​شهریه پیش بینی کنید. چنین انتظاراتی در دام چرخش نمی افتند زیرا مستقل از سوابق حسابداری خود کسب و کار هستند و یک بررسی متقاطع واقعی را ارائه می دهند. هوش مصنوعی به شما کمک می کند ورودی ها و فرمول این مدل انتظار مستقل را ایجاد کنید. اما حسابرس مسئول اطمینان از اینکه ورودی ها واقعا مستقل و قابل اعتماد هستند (تعداد دانشجویان، شب اتاق، مقدار تولید درست است؟) است. اگر تفاوت بین انتظار و واقعیت زیاد باشد، این نشان دهنده یک خطای حسابداری یا مشکل در ورودی انتظار است. هر دو نیاز به بررسی دارند.

روش تحلیلی گام به گام

1. انتظارات را تعیین کنید. آنچه را که برای مورد مورد بررسی انتظار دارید، در صورت امکان با ورودی مستقل بنویسید.
2. داده ها را آماده کنید، کامل بودن را تأیید کنید. آیا داده های واقعی که با هم مقایسه می کنید دقیق و کامل هستند؟
3. با هوش مصنوعی محاسبه کنید انجام محاسبات افقی / عمودی / نسبت / روند. مراحل هر حساب را نشان دهید.
4. انحرافات را شناسایی کنید. انحرافاتی را که از آستانه ای که از قبل تعیین کرده اید بیشتر است، علامت بزنید.
5. فرضیه ایجاد کنید اما تأیید کنید. از هوش مصنوعی توضیحات احتمالی را بخواهید؛ هر کدام را با اثبات تست کنید
6. نتیجه را مستند کنید. انتظار، واقعیت، انحراف، تبیین و شواهد تأییدی.

سه کیف کوچک

مورد 1 - یافتن علت واقعی انحراف. یک حسابرس دریافت که هزینه های پرسنل 38 درصد افزایش یافته است. با این حال، تعداد پرسنل و تورم این را تنها 22٪ توضیح داد. او از هوش مصنوعی درباره فرضیه‌های واگرایی سؤال کرد. YZ گزینه هایی مانند "افزایش، استخدام جدید، پاداش، دستمزد اخراج" را فهرست کرده است. حسابرس سوابق حقوق و دستمزد را مورد بررسی قرار داد: این تفاوت به دلیل پرداخت حق بیمه یکجا در طول سال بود اما به عنوان هزینه در دوره صحیح توزیع نشد و یک خطای فصلی وجود داشت. هوش مصنوعی فرضیه داد. شواهد حقوق و دستمزد و بررسی حسابرس حقیقت را آشکار کرد.

مورد 2 - اشتباه فرضیه به عنوان شواهد. یکی از اعضای تیم از هوش مصنوعی درباره افزایش 40 درصدی در یک آیتم هزینه پرسید. او گفت که هوش مصنوعی "احتمالاً به دلیل تورم است." عضو تیم این را به عنوان یک نظر مستقیماً روی کاربرگ نوشت و قلم را درپوش گذاشت. مسئول پرسید: تورم در آن زمان 25 درصد بود، 40 درصد توضیح داده نشد. علاوه بر این، این مورد یک هزینه اجاره با قرارداد ثابت بود و به طور خودکار با تورم افزایش نمی یافت. دلیل واقعی اضافه شدن یک میدان جدید به قرارداد بود. درس: توضیح هوش مصنوعی یک فرضیه است. بدون آزمایش با شواهد نمی توان نتیجه گیری کرد.

مورد 3 - انتظار ضعیف. حسابرس برای آزمایش منطقی بودن هزینه بهره، انتظارات خود را مستقیماً از هزینه بهره ثبت شده توسط کسب و کار (بخشنامه) تعیین کرد. طبیعتاً معلوم شد که «انتظار = واقعیت» و هیچ انحرافی ظاهر نشد. این مسئول یادآور شد: انتظار باید به طور مستقل ایجاد شود: میانگین مانده بدهی × متوسط ​​نرخ بهره. پس از محاسبه مستقل، معلوم شد که هزینه بهره واقعی به طور قابل توجهی کمتر از حد انتظار است و هیچ بهره ای به بدهی تعلق نمی گیرد. درس: استقلال انتظار، قدرت عمل را تعیین می کند.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

به این نمودار نگاه کنید، اگر چیز غیر طبیعی وجود دارد به من بگویید.

مشکل: بدون انتظار، بدون آستانه، بدون زمینه. هوش مصنوعی یا به‌طور تصادفی «ناهنجاری» را علامت‌گذاری می‌کند یا توضیحات ساختگی ایجاد می‌کند. نتیجه فاقد ارزش کنترل است.

اعلان قدرتمند:

نقش شما: شما دستیار رویه تحلیلی یک حسابرس مستقل هستید. شما انحرافات را محاسبه و نشان می‌دهید و فرضیه‌های توضیحی احتمالی را پیشنهاد می‌کنید. تأیید و نتیجه گیری از آن من است. زمینه (ناشناس): شرکت تولیدی. درآمد سال جاری 240 میلیون، سال قبل 200 میلیون (20 درصد رشد). تعداد پرسنل ثابت است. داده ها:[حساب; سال قبل؛ سال جاری] خطوط (درآمد، COGS، هزینه پرسنل، اجاره، هزینه بهره، ...) وظیفه: 1) تجزیه و تحلیل افقی (مقدار و درصد تغییر) برای هر مورد. مرحله محاسبه را نشان دهید. 2) تحلیل عمودی: نسبت هر هزینه به درآمد. برای دو سال مقایسه کنید. 3) آستانه زیر را اعمال کنید: اگر درصد تغییر از رشد درآمد (20%) بیش از 10 امتیاز مطلق انحراف داشت، علامت "برای بررسی" را علامت بزنید. همچنین شواهدی را که توسط آنها تأیید می شود، یادداشت کنید. بیان کنید که اینها یافته ها نیستند. 5) هیچ اعداد یا معیارهای صنعتی را که نتوانید از داده ها استخراج کنید، ایجاد نکنید.

این اعلان قدرتمند است زیرا زمینه و انتظارات را می دهد (رشد 20٪)، آستانه انحراف واضحی را تعیین می کند، توضیحی را به عنوان فرضیه می خواهد، و هر فرضیه را به شواهد مرتبط می کند.

اشتباهات رایج

• اشتباه فرضیه با شواهد نوشتن نتیجه‌گیری بدون تأیید بیانیه «احتمالاً...» هوش مصنوعی.
• ایجاد انتظارات دایره ای استخراج انتظار از داده ها برای تایید و تولید "تناسب" نادرست.
• عدم تعیین آستانه تعقیب هر نوسان کوچک یا نادیده گرفتن انحراف قابل توجه.
• تحلیل بدون زمینه درخواست برای "ناهنجاری" بدون ترویج کسب و کار. دریافت علائم بی معنی
• سطحی ماندن در انحراف غیرمنتظره. پوشش یک پیچ شگفت انگیز با اولین توضیح قابل قبول. در حالی که BDS به بررسی عمیق تری در مورد انحراف غیرمنتظره نیاز دارد.

توجه: یک انحراف مورد انتظار (به عنوان مثال افزایش استهلاک ناشی از یک سرمایه گذاری شناخته شده) با یک انحراف غیرمنتظره متفاوت است. انحراف غیرمنتظره خطر بیشتری دارد و به شواهد قوی تری نیاز دارد. هوش مصنوعی نمی تواند بین این دو تمایز قائل شود. حسابرس این تمایز را انجام می دهد.

به طور خلاصه

رویه های تحلیلی (BDS 520) هنر دیدن انحرافات از طریق ایجاد انتظارات و مقایسه آنها با واقعیت است. هوش مصنوعی یک موتور محاسباتی و فرضیه قدرتمند در این زمینه است: آنالیز افقی/عمودی/نسبت/روند را در ثانیه انجام می دهد، انحرافات را نشان می دهد، توضیحات احتمالی را پیشنهاد می کند. اما قدرت این روش به استقلال انتظار بستگی دارد و توضیحی که توسط هوش مصنوعی ارائه شده است یک فرضیه است نه مدرک. حسابرس آستانه انحراف را تعیین می کند، حسابرس استقلال انتظارات را تضمین می کند و حسابرس هر اظهاریه را با شواهد تأیید می کند. یک انحراف غیرمنتظره همیشه نیازمند بررسی عمیق تر است.

وظیفه کاربردی

یک صورت درآمد دو ساله ساده (فرضی) در نظر بگیرید و انتظار رشد (مثلاً 20 درصد) را تعیین کنید. با الگوی سریع قدرتمند بالا، هوش مصنوعی را وادار کنید تا تجزیه و تحلیل افقی و عمودی را انجام دهد، یک آستانه دریفت اعمال کند و فرضیه + شواهد را برای موارد علامت‌گذاری شده تطبیق دهد. سپس در یک پاراگراف بنویسید که چگونه یک "انتظار مستقل غیر دایره ای" برای یک آیتم تنظیم کنید (از چه ورودی های مستقلی استفاده می کنید).

چک لیست

• [ ] من از قبل (در صورت امکان با ورودی مستقل) برای مورد مورد بررسی انتظاری ایجاد کرده ام.
• [ ] من کامل بودن داده هایی را که مقایسه کردم تایید کردم.
• [ ] من تجزیه و تحلیل افقی/عمودی/نسبت را دریافت کردم که مراحل محاسبه را از هوش مصنوعی نشان می داد و آن را تأیید کردم.
• [ ] من یک آستانه انحراف مطابق با مادیت تعیین کرده ام.
• [ ] من توضیحات هوش مصنوعی را به عنوان فرضیه در نظر گرفتم. من هر کدام را با اثبات تست کردم.
• [ ] من بین انحراف مورد انتظار و غیر منتظره تمایز قائل می شوم. در غیر منتظره ها عمیق تر فرو رفتم.
• [ ] من انتظارات، واقعیت، انحراف، توضیح و شواهد تأییدکننده را مستند کردم.