Keuntungan:
- Memahami risiko pengambilan sampel dan logika pengujian populasi penuh (pengujian 100%) dan dapat menggunakan kecerdasan buatan untuk persiapan data, penulisan aturan, dan interpretasi hasil.
- Kemampuan untuk merancang dan mengimplementasikan pengujian pencocokan, kelengkapan dan akurasi dalam kumpulan data besar dengan dukungan kecerdasan buatan
- Kemampuan untuk memahami bahwa daftar pengecualian dalam pengujian populasi lengkap bukanlah suatu hasil, melainkan suatu permulaan yang akan diperiksa oleh auditor, dan bahwa evaluasi akhir adalah milik auditor.
Salah satu keterbatasan paling mendasar dari profesi audit adalah auditor harus bekerja dengan pengambilan sampel selama bertahun-tahun. Anda tidak dapat meninjau secara manual 180.000 faktur yang dikeluarkan bisnis dalam setahun; Jadi, Anda memilih beberapa ratus catatan menggunakan metode statistik atau penilaian, mengujinya, dan menggeneralisasi hasilnya ke seluruh populasi. Pengambilan sampel adalah teknik yang ampuh dan sah, namun memiliki risiko yang melekat: risiko pengambilan sampel — sampel yang Anda pilih mungkin tidak mewakili populasi, dan kesalahan sebenarnya di dalamnya mungkin tidak tepat sesuai dengan yang Anda cari.
Analisis data dan AI mengubah gambaran ini: Anda kini dapat menguji seluruh populasi, yaitu 100%. Ini disebut pengujian populasi lengkap. Kami mengabdikan unit ini untuk memahami transisi dari “sampel ke keseluruhan,” kekuatan yang ditimbulkannya, dan tanggung jawab baru yang diabaikan banyak orang. Karena pengujian populasi secara penuh tidak memfasilitasi pemeriksaan; Hal ini mengubah sifat ujian dan memberikan beban baru pada penguji.
Perbedaan antara pengambilan sampel dan pengujian populasi penuh
Dalam pengambilan sampel klasik, logikanya adalah: "Izinkan saya menguji secara menyeluruh sekelompok kecil namun representatif, dan menafsirkan hasilnya secara keseluruhan." Dalam uji populasi penuh, logikanya terbalik: "Izinkan saya memindai keseluruhan berdasarkan aturan tertentu, menemukan pengecualian yang berada di luar aturan, dan memeriksanya secara menyeluruh." Pada pendekatan pertama, risikonya adalah “memilih sampel yang salah”; Yang kedua, risikonya adalah "menulis aturan yang salah" dan "bekerja dengan data yang tidak lengkap/salah".
Tabel berikut membandingkan kedua pendekatan tersebut:
Ukuran
pengambilan sampel
Pengujian populasi penuh (100%)
Ruang lingkup
bagian dari populasi
seluruh populasi
Risiko utama
Risiko pengambilan sampel (kesalahan representasi)
Kesalahan aturan + kesalahan integritas data
keluaran
Jumlah hasil tes yang terbatas
Daftar pengecualian yang tidak mematuhi aturan
beban auditor
pilihan + tes
Desain aturan + evaluasi pengecualian
Peran AI
Bantuan dengan pemilihan sampel
Persiapan data, penulisan aturan, penandaan pengecualian
Catatan: pengujian populasi penuh tidak berarti "Saya menguji semuanya, pekerjaan selesai". Sebaliknya, ini biasanya memberi Anda lebih banyak item untuk diperiksa. Saat Anda menjalankan 180.000 faktur melalui aturan persetujuan jumlah tanggal, Anda mungkin akan menemukan 900 pengecualian. Masing-masing adalah sebuah pertanyaan; bukan jawaban. Di sinilah peradilan audit berperan.
Kelengkapan data: dasar pengujian yang tidak terlihat
Kendala terbesar dalam pengujian seluruh populasi adalah kualitas pengujian bergantung pada kualitas data. "Saya menguji 100% data" hanya masuk akal jika data yang Anda miliki benar-benar 100% dari populasi. Jika filter salah saat mengambil data dari sistem, beberapa catatan ditinggalkan, atau kolom jumlah ditransfer dengan kesalahan desimal, pengujian "penuh" Anda sebenarnya akan dilakukan pada data yang tidak lengkap atau rusak. Oleh karena itu, konfirmasi kelengkapan dan keakuratan data merupakan langkah pertama dan sangat diperlukan dalam pengujian populasi secara menyeluruh.
Pemeriksaan praktis untuk verifikasi kelengkapan:
- Rekonsiliasi jumlah catatan: Apakah jumlah baris dalam kumpulan data yang Anda tarik cocok dengan jumlah total catatan dalam sistem?
- Rekonsiliasi jumlah: Apakah jumlah total dalam kumpulan data sesuai dengan total akun yang relevan di neraca saldo/anak perusahaan?
- Rentang tanggal: Apakah hari pertama dan terakhir dari suatu periode termasuk dalam data; Apakah ada bulan/hari yang hilang?
- Pemindaian ruang kosong dan buruk: Apakah ada spasi atau nilai yang tidak berarti di bidang yang wajib diisi (tanggal, jumlah, kode akun)?
AI membantu semua pemeriksaan ini: merayapi data, mendapatkan total, menghitung ruang kosong, melaporkan rentang tanggal. Namun auditorlah yang memutuskan apakah perjanjian tersebut “bertahan”, menyelidiki perbedaannya, dan memastikan bahwa data tersebut sesuai untuk tujuan audit.
Perhatian: Jangan menulis “Saya menguji semua data” pada lembar kerja tanpa memverifikasi kelengkapan data. Uji populasi secara menyeluruh terhadap data yang hilang memberikan jaminan yang tampaknya lengkap namun menyesatkan.
Pengujian populasi penuh dengan AI: langkah demi langkah
- Siapkan data dengan aman. Anonimkan bidang pribadi/pribadi atau ganti dengan placeholder. Jika memungkinkan, gunakan kendaraan perusahaan yang dikontrak.
- Konfirmasikan kelengkapan. Rekonsiliasi jumlah catatan dan jumlah.
- Tentukan aturan pengujian dengan jelas. Apa yang dianggap sebagai "pengecualian"? (Misalnya: invoice yang tidak disetujui, invoice yang diterbitkan pada akhir pekan, pembayaran dalam jumlah besar, pendapatan dicatat setelah tanggal cut-off.)
- Terapkan aturan tersebut dengan AI. AI menerapkan aturan pada data dan menghasilkan daftar pengecualian; Tulis aturannya dengan jelas agar bisa diaudit.
- Prioritaskan dan tinjau pengecualian. Selidiki setiap pengecualian dengan bukti; mengatasi positif palsu, membenarkan temuan sebenarnya.
- Dokumentasikan hasilnya. Hubungkan aturan, jumlah pengecualian, item yang diperiksa, dan kesimpulan ke lembar kerja.
tiga kasus mini
Kasus 1 — Uji pemotongan. Seorang auditor ingin menguji pisah batas pendapatan akhir tahun. Dia mengambil 42.000 faktur penjualan sebagai populasi penuh dan meminta AI menerapkan "catatan daftar dengan tanggal faktur paling lambat tanggal 31 Desember, tetapi tanggal pengiriman/pengiriman pada atau setelah tanggal 1 Januari". YZ menandai 118 rekor. Auditor memeriksa hal-hal berikut: 96 merupakan transaksi sah tanpa perbedaan waktu (pengiriman pada hari yang sama), 22 merupakan pendapatan sebenarnya untuk tahun berikutnya dan dicatat pada periode sebelumnya. Ke-22 item ini dilaporkan karena menunjukkan suatu pola, meskipun di bawah signifikansi. AI mengajukan 118 pertanyaan; Auditor menemukan 22 jawaban.
Kasus 2 — Ketika kelengkapan dihilangkan. Salah satu anggota tim mengatakan dia melakukan pengujian populasi penuh pada 180.000 faktur; Tidak ada pengecualian dan dia merasa lega. Penanggung jawab membandingkan jumlah total dataset dengan neraca saldo: data 155 juta TL, neraca saldo 210 juta TL. Ternyata ketika data diambil dari sistem, ada cabang yang disaring dan ditinggalkan. Tes "penuh" sebenarnya melewatkan seperempat data. Pengujian dijalankan dengan data yang benar. Pelajaran: tidak ada pengujian populasi yang lengkap tanpa konfirmasi kelengkapan.
Kasus 3 — Kesalahan aturan. Seorang auditor meminta AI menulis aturan "Cantumkan pembayaran yang tidak disetujui lebih dari 50.000 TL", tetapi tidak menyadari bahwa bidang "persetujuan" disimpan di dua kolom berbeda dalam sistem (persetujuan elektronik dan persetujuan manual). AI menandai 300 pembayaran sebagai "tidak disetujui" karena hanya melihat satu pembayaran; Setelah diperiksa, terlihat sebagian besar disetujui pada kolom lainnya. Aturan yang salah menghasilkan ratusan kesalahan positif. Auditor mengoreksi aturan untuk memasukkan kedua kolom. Pelajaran: auditor memverifikasi bahwa aturan tersebut sesuai dengan data dan proses bisnis.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Temukan catatan yang bermasalah dalam data faktur ini.
Masalah: Tidak ada definisi “bermasalah.” AI tidak tahu apa yang harus dianggap sebagai pengecualian; Dia bekerja berdasarkan sinyal-sinyal acak atau berdasarkan kriteria yang telah dia buat. Hal ini tidak dapat diulang dan diaudit.
Perintah yang kuat:
Peran Anda: Anda adalah asisten analisis data untuk auditor independen. Penghakiman ada di tangan saya; Anda akan menerapkan aturan dan membuat daftar pengecualian. Konteks: Di bawah ini adalah data faktur penjualan yang dianonimkan (kolom: no faktur, tanggal_faktur, tanggal_pengiriman, jumlah, status_persetujuan, cabang). Akhir tahun: 31.12.LANGKAH 1 - Kelengkapan: Berikan jumlah total catatan dan jumlah totalnya sehingga saya dapat membandingkannya dengan neraca saldo. Laporkan jika ada ruang kosong/hilang.LANGKAH 2 - Aturan pengujian pemotongan: Cantumkan catatan dengan tanggal_faktur <= 31.12 DAN tanggal_pengiriman >= 01.01 sebagai "pengecualian batas".LANGKAH 3 - Tulis aturan dalam teks biasa (kondisi apa yang Anda terapkan) agar dapat diaudit.Aturan: Saya memberi aturan, jangan diubah. Kirimkan catatan yang Anda tandai sebagai "pengecualian untuk ditinjau"; Jangan katakan "kesalahan/penemuan". Jangan mengarang apa yang tidak dapat Anda simpulkan dari data.
Permintaan ini sangat berguna karena pertama-tama mengonfirmasi kelengkapan, mendefinisikan dengan jelas aturan pengecualian, memerlukan teks biasa dari aturan tersebut (dapat diaudit), dan memposisikan keluaran sebagai “pengecualian”.
Kesalahan umum
- Melewatkan verifikasi kelengkapan. Melakukan pengujian "penuh" terhadap data yang tidak lengkap/rusak dan memberikan jaminan palsu.
- Salah mengira pengecualian sebagai temuan. Menghitung kesalahan tanpa memverifikasi catatan yang ditandai oleh AI; menghindari menghilangkan positif palsu.
- Tidak memeriksa aturan. Menghasilkan ratusan tanda palsu tanpa memeriksa apakah aturan tersebut mematuhi data dan proses bisnis.
- Menulis aturan yang tidak jelas. Mendapatkan hasil yang tidak dapat diulang dengan perintah yang tidak ditentukan seperti "temukan catatan yang bermasalah".
- Puas dengan satu permulaan. Tidak menanyakan aturan atau data jika jumlah pengecualian sangat berbeda dari yang diharapkan.
Tip: Berhati-hatilah jika jumlah pengecualian terlalu kecil (mendekati nol) atau terlalu besar. Nol biasanya berarti "aturan yang ditulis salah" atau "data hilang"; Jumlah yang sangat besar menunjukkan bahwa aturan tersebut terlalu luas. Auditor yang baik mencurigai “tidak ada pengecualian” dan “semuanya adalah pengecualian”.
Singkatnya
Pengujian populasi penuh merupakan lompatan besar dalam audit: pengujian ini menghilangkan risiko pengambilan sampel dan menyaring 100% data. Tapi itu tidak gratis. Hal ini membawa dua tanggung jawab baru: (1) memverifikasi kelengkapan dan keakuratan data, (2) mengevaluasi pengecualian individual yang muncul. AI menyiapkan data, menerapkan aturan, menandai pengecualian, dan mengurangi jam pemindaian menjadi beberapa detik; Namun keakuratan aturan, kelengkapan data dan evaluasi pengecualian adalah milik auditor. Pengecualian bukanlah sebuah hasil, melainkan sebuah permulaan.
Tugas aplikasi
Pertimbangkan kumpulan data transaksi yang sudah ada (atau hipotetis). Pertama tentukan dua pemeriksaan kelengkapan (jumlah catatan dan rekonsiliasi jumlah). Kemudian tuliskan aturan pengecualian yang jelas untuk tujuan audit (misalnya faktur yang diterbitkan pada akhir pekan, atau pemotongan pengecualian). Dengan pola prompt yang kuat di atas, biarkan AI mengeksekusi kelengkapannya terlebih dahulu, baru kemudian aturannya. 10 pengecualian pertama yang muncul adalah "temuan nyata atau hasil positif palsu?" Berlatihlah mengklasifikasikan sebagai berikut dan tuliskan bukti apa yang akan Anda cari untuk masing-masingnya.
daftar periksa
- [ ] Saya menganonimkan data dan mengemudi dengan aman.
- [ ] Saya mengkonfirmasi kelengkapan data dengan merekonsiliasi jumlah catatan dan jumlahnya.
- [ ] Saya memindai ruang kosong/buruk.
- [ ] Saya mendefinisikan aturan pengecualian dengan cara yang jelas dan dapat diulang.
- [ ] Saya menerima teks biasa aturan tersebut dari AI dan memverifikasi kepatuhannya terhadap data dan proses bisnis.
- [ ] Saya mempertanyakan kewajaran jumlah pengecualian (terlalu sedikit/tidak terlalu banyak).
- [ ] Saya memperlakukan setiap pengecualian sebagai pertanyaan yang harus diperiksa, bukan temuan; Saya menghilangkan positif palsu.