Keuntungan:
- Memahami prosedur analitis apa saja yang termasuk dalam cakupan BDS 520 dan cara menggunakan kecerdasan buatan untuk menghasilkan ekspektasi, analisis rasio, dan penyusunan penjelasan deviasi.
- Kemampuan menafsirkan analisis horizontal-vertikal, analisis rasio, dan rincian tren dengan dukungan kecerdasan buatan serta mengidentifikasi penyimpangan yang perlu diperiksa
- Kemampuan untuk memahami bahwa penjelasan penyimpangan yang disarankan oleh kecerdasan buatan adalah hipotesis dan tidak dapat dianggap sebagai hasil audit tanpa didukung oleh bukti.
Salah satu senjata paling ampuh dari auditor berpengalaman adalah “ekspektasi”. Sebelum melihat laporan keuangan, dia mengetahui secara kasar apa yang perlu dia lihat karena dia mengetahui bisnisnya: "Perusahaan ini tumbuh sebesar 15% tahun lalu, jumlah personelnya stabil, jadi saya memperkirakan pengeluaran personel akan meningkat kira-kira sebesar inflasi." Kemudian membandingkan kenyataan dengan harapan. Jika ada penyimpangan dari ekspektasi, ada penjelasannya atau ada masalah. Bentuk sistematis dari cara berpikir seperti ini disebut prosedur analitis, dan BDS 520 mengaturnya.
Prosedur analitisnya adalah menetapkan ekspektasi dengan menggunakan hubungan wajar antara data keuangan dan non-keuangan dan membandingkannya dengan aktual serta mencari penyimpangan yang signifikan. Hal ini digunakan dalam tiga tempat: dalam perencanaan (untuk melihat risiko), dalam pengujian substantif (untuk verifikasi substantif) dan pada akhir audit (untuk pemeriksaan kewajaran secara keseluruhan). Pada unit ini, Anda akan mempelajari cara menggunakan kecerdasan buatan dalam pembentukan ekspektasi, analisis rasio, dan penjelasan deviasi rancangan produksi; Namun kita akan membahas mengapa penjelasan yang diajukan AI hanyalah hipotesis, bukan bukti.
Alat prosedur analitis
Alat analisis utama yang digunakan oleh auditor adalah:
- Analisis horizontal: Meneliti perubahan (jumlah dan %) suatu item dari tahun ke tahun. "Penjualan meningkat 40%; mengapa?"
- Analisis vertikal: Rasio item terhadap keseluruhan (misalnya rasio setiap pengeluaran terhadap pendapatan). “Meskipun harga pokok penjualan adalah 62% dari pendapatan, tahun ini menjadi 71%; mengapa marginnya menyempit?”
- Analisis rasio: Menghitung rasio yang bermakna (margin laba kotor, tingkat perputaran persediaan, periode penagihan piutang, rasio lancar) dan memeriksa tren serta perbandingannya dengan industri.
- Analisis tren: Melihat beberapa periode secara bersamaan dan mengambil jeda.
- Uji kewajaran: Menetapkan ekspektasi independen (misalnya “beban bunga ≈ utang rata-rata × suku bunga”) dan membandingkannya dengan kenyataan.
AI melakukan semua penghitungan ini dalam hitungan detik, memasukkannya ke dalam spreadsheet, dan menandai penyimpangan. Selain itu, hal ini juga dapat memberikan kemungkinan penjelasan atas penyimpangan tersebut. Inilah poin kritisnya: penjelasan yang dihasilkan AI merupakan hipotesis awal. “Margin menyempit karena harga bahan baku meningkat” mungkin masuk akal, namun auditor tidak dapat menyimpulkan tanpa menguatkannya dengan kontrak, faktur, pengungkapan manajemen, dan—terutama dalam kasus penyimpangan yang tidak terduga—bukti independen.
Semakin sensitif ekspektasinya, semakin kuat prosedurnya
Kehalusan penting dari BDS 520: keandalan prosedur analitis bergantung pada seberapa tepat dan independen ekspektasi tersebut ditetapkan. Jika Anda membangun ekspektasi langsung dari data yang disediakan oleh bisnis, Anda akan jatuh ke dalam logika melingkar (memvalidasi data yang sama dengan data yang sama). Ekspektasi yang kuat didasarkan pada masukan independen sebanyak mungkin (data non-keuangan, data pasar eksternal, akun Anda sendiri). AI dapat membantu Anda membangun model ekspektasi — “masukan apa yang saya perlukan untuk menghitung biaya bunga secara mandiri?” — namun auditor bertanggung jawab atas independensi masukan dan kesesuaian model.
Tip: Tentukan terlebih dahulu "ambang batas tidak signifikan" saat menafsirkan penyimpangan. Berapa banyak penyimpangan dari ekspektasi yang akan dianggap "investigasi"? Tetapkan ambang batas ini di awal, konsisten dengan materialitas, sehingga Anda tidak perlu mengejar setiap fluktuasi kecil yang dihasilkan AI.
Menetapkan ekspektasi yang kuat dengan data non-keuangan
Prosedur analitis akan menjadi yang paling efektif ketika Anda membangun ekspektasi dari data non-keuangan, bukan hanya data keuangan. Misalnya, Anda dapat memperkirakan secara mandiri pendapatan kamar hotel dengan mengalikan jumlah malam kamar yang ditempati dengan tarif kamar rata-rata; Anda dapat memperkirakan biaya energi suatu bisnis manufaktur dari jumlah unit yang diproduksi dan konsumsi tipikal per unit; Anda dapat memprediksi pendapatan pendidikan suatu sekolah dari jumlah siswa dan biaya rata-rata. Ekspektasi seperti ini tidak termasuk dalam perangkap sirkularitas karena ekspektasi tersebut tidak bergantung pada catatan akuntansi perusahaan dan memberikan pemeriksaan silang yang nyata. AI membantu Anda menetapkan masukan dan formula untuk model ekspektasi independen ini; namun auditor bertanggung jawab untuk memastikan bahwa masukan benar-benar independen dan dapat diandalkan (jumlah siswa, jumlah malam, jumlah produksi, benar?). Jika perbedaan antara harapan dan kenyataan besar, hal ini menunjukkan kesalahan akuntansi atau masalah dengan masukan harapan; Keduanya perlu diselidiki.
Prosedur analitis langkah demi langkah
- Tetapkan ekspektasi. Tuliskan apa yang Anda harapkan untuk item yang ditinjau, dengan masukan independen jika memungkinkan.
- Siapkan data, verifikasi kelengkapan. Apakah data aktual yang akan Anda bandingkan akurat dan lengkap?
- Hitung dengan AI. Membuat perhitungan horizontal/vertikal/rasio/tren; Tunjukkan langkah-langkah setiap akun.
- Identifikasi penyimpangan. Tandai penyimpangan yang melebihi ambang batas yang Anda tetapkan sebelumnya.
- Hasilkan hipotesis tetapi verifikasi. Tanyakan kepada AI untuk kemungkinan penjelasan; uji masing-masing dengan bukti.
- Dokumentasikan hasilnya. Harapan, fakta, penyimpangan, penjelasan dan bukti yang menguatkan.
tiga kasus mini
Kasus 1 — Menemukan penyebab sebenarnya dari penyimpangan tersebut. Seorang auditor menemukan bahwa biaya pegawai meningkat sebesar 38%; Namun, jumlah pegawai dan inflasi yang menjelaskan hal ini hanya sebesar 22%. Dia meminta AI bertanya tentang hipotesis divergensi; YZ mencantumkan opsi seperti "kenaikan gaji, karyawan baru, bonus, pesangon". Auditor memeriksa catatan penggajian: perbedaannya disebabkan oleh pembayaran premi sekaligus yang dibayarkan sepanjang tahun namun tidak disebarkan sebagai beban pada periode yang benar, dan terdapat kesalahan musiman. AI memberikan hipotesis; Bukti penggajian dan penyelidikan auditor mengungkapkan kebenaran.
Kasus 2 - Salah mengira hipotesis sebagai bukti. Seorang anggota tim bertanya kepada AI tentang kenaikan item pengeluaran sebesar 40%; AI “mungkin disebabkan oleh inflasi,” katanya. Anggota tim menulis ini sebagai komentar langsung di lembar kerja dan menutup pena. Penanggung jawab bertanya: inflasi saat itu 25%, 40% tidak dijelaskan; Selain itu, item tersebut merupakan biaya sewa dengan kontrak tetap dan tidak otomatis meningkat seiring dengan inflasi. Alasan sebenarnya adalah bidang baru yang ditambahkan ke dalam kontrak. Pelajaran: Penjelasan AI adalah sebuah hipotesis; Tidak ada kesimpulan yang bisa diambil tanpa diuji dengan bukti.
Kasus 3 — Ekspektasi yang buruk. Untuk menguji kewajaran beban bunga, auditor menetapkan ekspektasinya langsung dari beban bunga yang dicatat oleh bisnis (sirkular). Wajar saja ternyata “ekspektasi = kenyataan” dan tidak ada penyimpangan yang muncul. Penanggung jawab mengingatkan bahwa ekspektasi harus ditetapkan secara independen: saldo utang rata-rata × tingkat bunga rata-rata. Berdasarkan perhitungan independen, ternyata beban bunga aktual jauh lebih rendah dari perkiraan, dan tidak ada bunga yang dibebankan pada utang. Pelajaran: independensi ekspektasi menentukan kekuatan prosedur.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Lihat grafik ini, beri tahu saya jika ada sesuatu yang tidak normal.
Masalahnya: tidak ada ekspektasi, tidak ada ambang batas, tidak ada konteks. AI secara acak menandai “anomali” atau memberikan penjelasan yang dibuat-buat; hasilnya tidak memiliki nilai kendali.
Perintah yang kuat:
Peran Anda: Anda adalah asisten prosedur analitis untuk auditor independen. Anda akan menghitung dan MENUNJUKKAN penyimpangan dan menyarankan kemungkinan HIPOTESIS penjelasan; verifikasi dan kesimpulan adalah milik saya. Konteks (anonim): Perusahaan produksi. Pendapatan tahun ini 240 juta, tahun sebelumnya 200 juta (pertumbuhan 20%). Jumlah personelnya tetap.Data:[akun; tahun sebelumnya; tahun berjalan] baris (pendapatan, HPP, belanja pegawai, sewa, beban bunga, ...) Tugas: 1) Membuat analisis horizontal (jumlah dan % perubahan) untuk setiap item; tunjukkan langkah perhitungan.2) Analisis vertikal: proporsikan setiap pengeluaran terhadap pendapatan; bandingkan selama dua tahun.3) Terapkan ambang batas berikut: tandai “untuk ditinjau” jika % perubahan menyimpang dari pertumbuhan pendapatan (20%) lebih dari 10 poin absolut.4) Sarankan 2-3 kemungkinan penjelasan HIPOTESIS untuk setiap item yang ditandai; Tuliskan juga BUKTI yang akan digunakan untuk memverifikasi masing-masing. Nyatakan bahwa ini bukan temuan. 5) Jangan mengarang angka atau tolok ukur industri apa pun yang tidak dapat Anda peroleh dari datanya.
Perintah ini sangat berguna karena memberikan konteks dan ekspektasi (pertumbuhan sebesar 20%), menetapkan ambang batas deviasi yang jelas, meminta penjelasan sebagai hipotesis, dan mengikat setiap hipotesis dengan bukti.
Kesalahan umum
- Salah mengira hipotesis sebagai bukti. Menulis kesimpulan tanpa memverifikasi pernyataan "mungkin..." AI.
- Menetapkan ekspektasi melingkar. Mendapatkan ekspektasi dari data yang akan diverifikasi dan menghasilkan "kesesuaian" yang salah.
- Tidak menetapkan ambang batas. Mengejar setiap fluktuasi kecil atau mengabaikan penyimpangan yang signifikan.
- Analisis tanpa konteks. Meminta “anomali” tanpa mempromosikan bisnis; menerima tanda-tanda yang tidak berarti.
- Tetap dangkal dalam penyimpangan yang tidak terduga. Meliputi perubahan yang mengejutkan dengan penjelasan pertama yang masuk akal; sedangkan BDS memerlukan investigasi lebih dalam terhadap penyimpangan yang tidak terduga.
Catatan: Deviasi yang diharapkan (misalnya peningkatan penyusutan karena investasi yang diketahui) berbeda dengan deviasi yang tidak terduga. Penyimpangan yang tidak terduga membawa risiko lebih tinggi dan memerlukan bukti yang lebih kuat. AI tidak bisa membedakan keduanya; Auditor membuat perbedaan ini.
Singkatnya
Prosedur analitis (BDS 520) adalah seni melihat penyimpangan dengan menetapkan harapan dan membandingkannya dengan kenyataan. AI adalah mesin perhitungan dan hipotesis yang kuat di bidang ini: AI melakukan analisis horizontal/vertikal/rasio/tren dalam hitungan detik, menandai penyimpangan, dan menyarankan kemungkinan penjelasan. Namun kekuatan prosedur bergantung pada independensi ekspektasi, dan penjelasan yang diajukan AI adalah hipotesis, bukan bukti. Auditor menetapkan ambang batas penyimpangan, auditor memastikan independensi ekspektasi, dan auditor memverifikasi setiap pernyataan dengan bukti. Penyimpangan yang tidak terduga selalu memerlukan penyelidikan lebih dalam.
Tugas aplikasi
Ambil laporan laba rugi dua tahun yang sederhana (hipotetis) dan tetapkan ekspektasi pertumbuhan (misalnya 20%). Dengan pola cepat yang kuat di atas, minta AI melakukan analisis horizontal dan vertikal, menerapkan ambang batas penyimpangan, dan segera mencocokkan hipotesis + bukti untuk item yang ditandai. Kemudian tulis dalam satu paragraf cara menyiapkan "ekspektasi independen non-lingkaran" untuk suatu item (input independen apa yang akan Anda gunakan).
daftar periksa
- [ ] Saya telah menetapkan ekspektasi sebelumnya (dengan masukan independen jika memungkinkan) untuk item yang ditinjau.
- [ ] Saya mengkonfirmasi kelengkapan data yang saya bandingkan.
- [ ] Saya menerima analisis horizontal/vertikal/rasio yang menunjukkan langkah-langkah perhitungan dari AI dan memverifikasinya.
- [ ] Saya telah menetapkan ambang batas deviasi yang konsisten dengan materialitas.
- [ ] Saya menganggap penjelasan AI sebagai hipotesis; Saya menguji masing-masing dengan bukti.
- [ ] Saya membedakan antara penyimpangan yang diharapkan dan yang tidak diharapkan; Saya menggali lebih dalam hal-hal yang tidak terduga.
- [ ] Saya mendokumentasikan ekspektasi, kenyataan, penyimpangan, penjelasan, dan bukti yang menguatkan.