Détection d'anomalies et d'erreurs : tests d'écritures de journal et analyse des valeurs aberrantes

Gains :

• Comprendre pourquoi les tests d'entrée de journal sont obligatoires en vertu du BDS 240 et comment l'intelligence artificielle peut analyser les critères d'entrée suspects
• Possibilité de marquer et de prioriser les valeurs aberrantes, les timings inhabituels et les modèles de montants inhabituels avec la prise en charge de l'intelligence artificielle
• Être capable de maintenir que chaque anomalie signalée par l’intelligence artificielle n’est pas une constatation, mais un point d’interrogation sur lequel l’auditeur enquêtera, et que l’élimination des faux positifs relève de la responsabilité humaine.

Les états financiers d’une entreprise sont essentiellement la somme de millions d’écritures de journal (en comptabilité, chaque transaction financière est enregistrée en débit et en crédit). L'erreur et la fraude résident finalement dans une écriture de journal : un montant inscrit sur le mauvais compte, une provision « oubliée » et contrepassée en fin de période, une écriture inhabituelle saisie manuellement en pleine nuit. Par conséquent, la norme BDS 240 (la norme régissant les responsabilités de l'auditeur en matière de fraude lors de l'audit des états financiers) exige clairement que l'auditeur effectue des tests d'écritures de journal. Son objectif est de révéler d'éventuelles manipulations de la part de la direction par le biais d'un dépassement de la direction.

Dans cette unité, nous verrons comment transformer l'intelligence artificielle en un moteur de détection d'anomalies et d'erreurs, mais pourquoi chaque enregistrement marqué est un « point d'interrogation » plutôt qu'un « résultat ». Deux premières notions. Une anomalie est un enregistrement inhabituel dans un ensemble de données qui s'écarte du modèle attendu. Une valeur aberrante est une observation qui est numériquement significativement différente des autres (par exemple une très grande quantité, une très haute fréquence). L'anomalie n'est pas toujours une erreur ; mais c'est là que le vérificateur devrait regarder.

Critères de publication suspecte dans le test d'écriture de journal

Le BDS 240 stipule que les enregistrements présentant certaines caractéristiques sont plus susceptibles de présenter un risque de fraude. L'IA peut analyser des centaines de milliers d'enregistrements en fonction de ces critères en quelques secondes. Critères typiques de « drapeau rouge » :

• Synchronisation inhabituelle : enregistrements manuels saisis après les heures de travail, un week-end, un jour férié ou le dernier jour de fin de trimestre.
• Utilisateur inhabituel : enregistrements saisis par un utilisateur qui ne saisit normalement pas d'enregistrements comptables (par exemple, un administrateur).
• Combinaisons de comptes inhabituelles : écritures entre des comptes qui ne s'attendent pas l'un à l'autre (par exemple, un compte de revenus et un compte hors trésorerie inhabituel).
• Montants ronds : gros montants « propres » tels que 100 000, 500 000 ; C'est une trace typique de manipulation manuelle.
• Enregistrements avec des descriptions vides ou ambiguës : descriptions vides telles que « correction », « divers », « provisoire ».
• Enregistrements inversés : enregistrements saisis au début de la période et annulés (storno) après un court laps de temps.
• Doublons inférieurs au seuil : grand nombre d'enregistrements regroupés juste en dessous du seuil d'approbation (par exemple, 50 000 $).

Conseil : réfléchissez à ces critères ensemble, et non individuellement. Le « montant rond » à lui seul peut être innocent ; mais "week-end, par un administrateur, description vierge, ronde cohérente, publication manuelle de fin de période" est un signal d'alarme puissant. Le fait que l’IA combine des critères pour produire un « score de risque » vous aide à établir des priorités.

La vérité faussement positive : pourquoi chaque signe n’est pas une découverte

La nature de l'analyse des anomalies est constituée de faux positifs : des enregistrements signalés par la règle qui sont réellement légitimes. Par exemple, une entreprise saisit automatiquement un cumul de loyer à tour de rôle le dernier jour ouvrable de chaque mois ; Cela reste coincé avec le critère "montant rond + fin de période", mais c'est tout à fait normal. Le travail de l'auditeur consiste à extraire le risque réel de la pile signalée. Ce tri n'est pas transférable ; car pour distinguer le légitime du suspect, il faut connaître l’entreprise et le contexte – ce que l’IA ne possède pas.

Lisez donc toujours le résultat comme ceci : "L'IA a signalé 420 enregistrements pour moi. La plupart d'entre eux sont probablement des faux positifs. Mon travail consiste à découvrir parmi ces 420 ceux qui doivent vraiment faire l'objet d'une enquête, les modèles et les individus suspects." Cette vue vous protège à la fois des biais d’automatisation (prendre chaque signe pour une erreur) et de la paresse (ne regarder aucun d’entre eux).

Détection des anomalies étape par étape

1. Préparez les données et vérifiez qu’elles sont complètes. (Étapes de réconciliation dans l'unité précédente.)
2. Définissez clairement les critères. Quels modèles de timing, de montant, d'utilisateur et de description seront signalés ?
3. Scannez et marquez avec l'IA. Marquer chaque enregistrement selon des critères ; Accordez une priorité plus élevée à ceux qui répondent à plusieurs critères.
4. Éliminez les faux positifs. Filtrez ou signalez les modèles légitimes connus (tels que les cumuls automatiques).
5. Examinez les enregistrements restants. Liez chacun au document justificatif, à l’approbation et à la logique métier.
6. Documentez la conclusion et la justification. Notez ce que vous avez trouvé suspect et pourquoi, ainsi que ce que vous avez éliminé et pourquoi.

trois mini-cases

Cas 1 — Constatation réelle. Un auditeur a scanné 240 000 entrées de journal avec l’IA ; Il combinait les critères « 3 derniers jours de la période + manuel + description 'correction' + 100 000 fois le montant ». 14 enregistrements ont reçu des notes élevées. Lors de l'examen, 11 d'entre eux étaient des ajustements légitimes de fin d'exercice ; Cependant, 3 écritures ont été enregistrées de manière à gonfler le compte de revenus et à être contrepassées la période suivante, et il n'y avait aucune pièce justificative. Il s’agissait d’une tendance de la direction à contourner les contrôles et c’était une constatation importante. L'IA a posé 14 questions ; Le scepticisme de l'auditeur a trouvé les 3 vraies réponses.

Cas 2 — Piège à faux positifs. Un membre de l’équipe a rédigé les 380 enregistrements « cohérents » qu’AI avait signalés directement sur la feuille de calcul sous le titre « transactions suspectes ». Lorsque l'officier a regardé, il a vu que la plupart d'entre eux avaient un loyer fixe, des honoraires de consultant fixes et des registres d'amortissement automatique ; ils étaient tous légitimes. La feuille de travail était devenue une « liste de fausses conclusions » qui conduisaient l'audit dans la mauvaise direction. Leçon : tous les enregistrements signalés ne constituent pas une constatation ; L'auditeur fait la sélection.

Cas 3 — Fixer les critères de manière trop restrictive. Un auditeur a utilisé uniquement le critère « enregistrement du week-end » et n'a trouvé aucun enregistrement suspect ; Il était soulagé. Cependant, dans l'entreprise, des enregistrements manipulateurs étaient saisis pendant les heures de travail en semaine, mais avec des combinaisons de comptes inhabituelles. S’appuyer sur un seul critère étroit l’empêchait de voir le risque réel. Lorsque l’auditeur a élargi les critères, une tendance est apparue. Leçon : un seul critère ne fournit pas d’assurance ; Regardez-le de manière multidimensionnelle.

Invite faible/Invite forte

Invite faible :

Trouvez les entrées frauduleuses dans ces écritures de journal.

Problème : l’IA ne peut pas « détecter » la tricherie ; La fraude est une conséquence juridique/professionnelle, et non un modèle de données. Le terme « frauduleux » n’est pas non plus défini. Cette invite produit soit une « liste de triche » inventée, soit des indicateurs dénués de sens.

Invite puissante :

Votre rôle : vous êtes assistant d'analyse des écritures de journal d'un auditeur indépendant. Vous MARQUEZ l'enregistrement selon les critères ; La décision de tricherie/erreur m'appartient.Contexte : données de journal anonymisées (colonnes : numéro_enregistrement, date, heure, rôle_utilisateur, compte_débit, compte_crédit, montant, type_enregistrement[manuel/automatique], description). Fin du mandat : ​​31.12. Heures de travail : 09h00-18h00, du lundi au vendredi. Tâche : 1) Attribuez un « score d'attention » à chaque enregistrement selon les critères suivants (en fonction du nombre de critères attachés) : a) record_type=manual b) date entre le 29 et le 31 décembre OU week-end/vacances c) heure de repos d) montant 100 000 TL solide (arrondi) e) la description est vide ou {correction, diverse, temporaire} in2) Donnez ceux qui ont un score de 3 et plus comme liste de priorité.3) Écrivez chaque critère que vous appliquez en texte brut (auditabilité).4) Expliquez clairement qu'il s'agit d'« exceptions à examiner » et qu'elles ne sont pas le RÉSULTAT d'une fraude/erreur. Ajout d'un faux enregistrement.

Cette invite est puissante car elle définit clairement les critères, exige des scores multidimensionnels, une auditabilité et localise avec précision le résultat (l'exception, pas le résultat).

Erreurs courantes

• Cela signifie « trouver l'astuce ». L'IA ne détecte pas la tricherie ; met une note selon les critères. La tricherie est une conséquence professionnelle/juridique.
• Prendre le signe pour une découverte. Écrire l'enregistrement suspect comme « erreur » sans éliminer les faux positifs.
• S'appuyer sur un seul critère. Utiliser une règle étroite et manquer le vrai modèle.
• Ne pas filtrer les modèles légitimes. Créer du bruit en incluant les accumulations automatiques dans la liste suspecte.
• Ne pas documenter la justification. Laisser la feuille de travail introuvable sans noter ce que vous avez éliminé/conservé et pourquoi.

Attention : qualifier un enregistrement de « suspect » est une déclaration sérieuse. Vérifiez avec des preuves (pièce justificative, confirmation, analyse de rentabilisation) avant de rédiger un constat. Sinon, vous serez injuste envers l’entreprise et nuirez à la qualité de l’audit.

En résumé

Les tests de saisie de journal sont requis dans le cadre du BDS 240, et l'IA est le moteur idéal pour cela : elle analyse des centaines de milliers d'enregistrements en fonction de critères multidimensionnels en quelques secondes et produit un score d'attention. Mais l’IA ne « détecte » pas les tricheries ou les erreurs ; cela ne marque que l'inhabituel. Le résultat est une pile d’exceptions pleines de faux positifs ; C'est au scepticisme et au jugement de l'auditeur qu'il appartient d'en démêler le risque réel, d'éliminer le risque légitime et de tirer des conclusions. Le signe est un point d’interrogation, pas une réponse.

Tâche de candidature

Spécifiez cinq critères d'anomalie pour des données de journal hypothétiques (échéancier, utilisateur, montant, combinaison de comptes, description). Demandez à l'IA de produire un « score d'attention » multidimensionnel avec le puissant modèle d'invite ci-dessus. Rédigez ensuite un « guide de filtrage » : quels modèles légitimes (accumulation automatique, loyer fixe, etc.) doivent être filtrés comme faux positifs ? Enfin, pour les 5 enregistrements ayant obtenu les meilleurs scores, « quelles preuves dois-je rechercher ? » Répondez à la question.

liste de contrôle

• [ ] J'ai anonymisé les données et vérifié leur exhaustivité.
• [ ] J'ai défini les critères d'anomalie de manière multidimensionnelle et claire.
• [ ] J'ai reçu le texte brut du score d'attention et les critères appliqués de l'IA.
• [ ] J'ai filtré les modèles légitimes connus comme étant des faux positifs.
• [ ] J'ai examiné les dossiers ayant obtenu des scores élevés avec les pièces justificatives et la confirmation.
• [ ] Je l'ai vérifié avec des preuves avant de conclure à "triche/erreur".
• [ ] J'ai documenté ce que j'ai trouvé suspect et pourquoi.