Ujian Populasi Penuh dengan Analitis Data: Daripada Sampel kepada Keseluruhan — Kecerdasan Buatan dalam Pengauditan dan Pengauditan Bebas

Keuntungan:

Fahami risiko pensampelan dan logik ujian populasi penuh (100% ujian) dan boleh menggunakan kecerdasan buatan untuk penyediaan data, penulisan peraturan dan tafsiran keputusan.
Keupayaan untuk mereka bentuk dan melaksanakan ujian padanan, kesempurnaan dan ketepatan dalam set data besar dengan sokongan kecerdasan buatan
Keupayaan untuk memahami bahawa senarai pengecualian dalam ujian populasi penuh bukanlah hasil, tetapi permulaan yang akan diperiksa oleh juruaudit, dan penilaian akhir adalah milik juruaudit.

Salah satu batasan paling asas dalam profesion pengauditan ialah juruaudit terpaksa bekerja dengan pensampelan selama bertahun-tahun. Anda tidak boleh menyemak secara manual 180,000 invois isu perniagaan dalam setahun; Oleh itu, anda memilih beberapa ratus rekod menggunakan kaedah statistik atau penilaian, mengujinya, dan umumkan hasilnya kepada seluruh populasi. Pensampelan ialah teknik yang berkuasa dan sah, tetapi ia membawa risiko yang wujud: risiko pensampelan — sampel yang anda pilih mungkin tidak mewakili populasi, dan ralat sebenar di dalamnya mungkin tidak tepat di tempat yang anda cari.

Analisis data dan AI mengubah gambar ini: anda kini boleh menguji seluruh populasi, iaitu 100%. Ini dipanggil ujian populasi lengkap. Kami menumpukan unit ini untuk memahami peralihan daripada "sampel kepada keseluruhan," kuasa yang dibawanya, dan tanggungjawab baharu yang ramai orang terlepas pandang. Kerana ujian populasi penuh tidak memudahkan pemeriksaan; Ia mengubah sifat ujian dan memberi beban baru kepada pemeriksa.

Perbezaan antara persampelan dan ujian populasi penuh

Dalam persampelan klasik, logiknya ialah: "Biar saya menguji secara menyeluruh kumpulan kecil tetapi mewakili, dan mentafsirkan hasilnya secara keseluruhan." Dalam ujian populasi penuh, logiknya diterbalikkan: "Biar saya mengimbas keseluruhan mengikut peraturan tertentu, cari pengecualian yang berada di luar peraturan dan periksa dengan teliti." Dalam pendekatan pertama, risiko adalah "memilih sampel yang salah"; Dalam yang kedua, risikonya ialah "menulis peraturan yang salah" dan "bekerja dengan data yang tidak lengkap/salah".

Jadual berikut membandingkan kedua-dua pendekatan:

Saiz

persampelan

Ujian populasi penuh (100%)

Skop

sebahagian daripada penduduk

seluruh penduduk

Risiko utama

Risiko persampelan (ralat perwakilan)

Ralat peraturan + ralat integriti data

keluaran

Bilangan keputusan ujian yang terhad

Senarai pengecualian yang tidak mematuhi peraturan

Beban juruaudit

pilihan + ujian

Reka bentuk peraturan + penilaian pengecualian

Peranan AI

Bantu dengan pemilihan sampel

Penyediaan data, penulisan peraturan, penandaan pengecualian

Nota: ujian populasi penuh tidak bermakna "Saya menguji segala-galanya, kerja selesai". Sebaliknya, ia biasanya memberi anda lebih banyak item untuk diperiksa. Apabila anda menjalankan kesemua 180,000 invois melalui peraturan tarikh-jumlah-kelulusan, anda akan mendapati mungkin 900 pengecualian. Setiap daripada ini adalah soalan; bukan jawapan. Di sinilah badan kehakiman audit berperanan.

Kesempurnaan data: asas ujian yang tidak kelihatan

Perangkap terbesar bagi keseluruhan ujian populasi ialah kualiti ujian bergantung pada kualiti data. "Saya telah menguji 100% data" hanya masuk akal jika data yang anda miliki sebenarnya 100% daripada populasi. Jika penapis tidak betul semasa menarik data daripada sistem, beberapa rekod ditinggalkan atau lajur jumlah dipindahkan dengan ralat perpuluhan, ujian "penuh" anda sebenarnya akan dilakukan pada data yang tidak lengkap atau rosak. Oleh itu, pengesahan kesempurnaan dan ketepatan data adalah langkah pertama dan amat diperlukan dalam ujian populasi penuh.

Pemeriksaan praktikal untuk pengesahan kesempurnaan:

Penyesuaian kiraan rekod: Adakah bilangan baris dalam set data yang anda tarik sepadan dengan jumlah bilangan rekod dalam sistem?
Penyesuaian amaun: Adakah jumlah amaun dalam set data sepadan dengan jumlah akaun yang berkaitan dalam imbangan percubaan/subsidiari?
Julat tarikh: Adakah hari pertama dan terakhir tempoh termasuk dalam data; Adakah terdapat bulan/hari yang hilang?
Pengimbasan ruang kosong dan buruk: Adakah terdapat sebarang ruang atau nilai tidak bermakna dalam medan yang diperlukan (tarikh, jumlah, kod akaun)?

AI membantu dengan semua semakan ini: merangkak data, mendapatkan jumlah, mengira ruang kosong, melaporkan julat tarikh. Tetapi juruaudit yang memutuskan sama ada perjanjian itu "berpegang", menyiasat perbezaan itu, dan mengesahkan bahawa data itu sesuai untuk tujuan audit.

Awas: Jangan tulis "Saya telah menguji semua data" pada lembaran kerja tanpa mengesahkan kesempurnaan data. Ujian populasi penuh pada data yang hilang memberikan jaminan yang kelihatan lengkap tetapi mengelirukan.

Ujian populasi penuh dengan AI: langkah demi langkah

Sediakan data dengan selamat. Anonimkan medan peribadi/peribadi atau gantikannya dengan ruang letak. Jika boleh, gunakan kenderaan korporat yang dikontrak.
Sahkan kesempurnaan. Selaraskan bilangan rekod dan jumlah.
Tentukan peraturan ujian dengan jelas. Apa yang dikira sebagai "pengecualian"? (Contohnya: invois tidak diluluskan, invois dikeluarkan pada hujung minggu, bayaran pusingan besar, pendapatan direkodkan selepas tarikh potong.)
Gunakan peraturan dengan AI. AI menggunakan peraturan pada data dan menghasilkan senarai pengecualian; Tulis peraturan dengan jelas supaya ia boleh diaudit.
Utamakan dan semak pengecualian. Menyiasat setiap pengecualian dengan bukti; menangani positif palsu, mewajarkan penemuan sebenar.
Dokumen keputusan. Pautkan peraturan, bilangan pengecualian, item yang diperiksa dan kesimpulan kepada lembaran kerja.

tiga kes mini

Kes 1 — Ujian pemotongan. Seorang juruaudit ingin menguji pemotongan hasil akhir tahun. Dia mengambil 42,000 invois jualan sebagai populasi penuh dan meminta AI menguatkuasakan "rekod senarai dengan tarikh invois menjelang 31 Disember, tetapi tarikh penghantaran/penghantaran pada atau selepas 1 Januari". YZ menandakan 118 rekod. Juruaudit meneliti perkara ini: 96 adalah transaksi yang sah tanpa perbezaan masa (penghantaran hari yang sama), 22 sebenarnya hasil untuk tahun berikutnya dan direkodkan dalam tempoh sebelumnya. 22 item ini dilaporkan kerana ia menunjukkan corak, walaupun di bawah signifikan. AI bertanya 118 soalan; Juruaudit menemui 22 jawapan.

Kes 2 — Apabila kesempurnaan ditinggalkan. Seorang ahli pasukan berkata dia melakukan ujian populasi penuh pada 180,000 invois; Tidak ada pengecualian dan dia berasa lega. Orang yang bertanggungjawab membandingkan jumlah keseluruhan set data dengan imbangan percubaan: data 155 juta TL, baki percubaan 210 juta TL. Ternyata semasa data ditarik dari sistem, cawangan telah ditapis dan ditinggalkan. Ujian "penuh" sebenarnya terlepas satu perempat daripada data. Ujian telah dijalankan dengan data yang betul. Pengajaran: tiada ujian populasi yang lengkap tanpa pengesahan kesempurnaan.

Kes 3 — Ralat peraturan. Juruaudit meminta AI menulis peraturan "Senaraikan pembayaran yang tidak diluluskan melebihi 50,000 TL", tetapi tidak menyedari bahawa medan "kelulusan" disimpan dalam dua lajur berbeza dalam sistem (kelulusan elektronik dan kelulusan manual). AI menandakan 300 pembayaran sebagai "tidak diluluskan" kerana ia hanya melihat satu; Setelah diperiksa, didapati kebanyakan mereka telah diluluskan di ruangan lain. Peraturan yang salah menghasilkan ratusan positif palsu. Juruaudit membetulkan peraturan untuk memasukkan kedua-dua lajur. Pengajaran: juruaudit mengesahkan bahawa peraturan itu mematuhi data dan proses perniagaan.

Gesaan lemah / Gesaan kuat

Gesaan yang lemah:

Cari rekod bermasalah dalam data invois ini.

Masalah: Tiada definisi "bermasalah." AI tidak tahu apa yang perlu dipertimbangkan sebagai pengecualian; Dia bekerja sama ada mengikut isyarat rawak atau mengikut kriteria yang dia buat. Ia tidak boleh diulang dan boleh diaudit.

Gesaan kuat:

Peranan anda: anda ialah pembantu analitis data kepada juruaudit bebas. Penghakiman adalah milik saya; Anda akan menggunakan peraturan dan menjana senarai pengecualian. Konteks: Di bawah ialah data invois jualan tanpa nama (lajur: invois_no, invois_date, delivery_date, amount, approval_status, branch). Akhir tahun: 31.12.LANGKAH 1 - Kesempurnaan: Berikan jumlah bilangan rekod dan jumlah keseluruhan supaya saya boleh membandingkannya dengan imbangan duga. Laporkan jika ada ruang kosong/hilang.LANGKAH 2 - Pemotongan peraturan ujian: Senaraikan rekod dengan invois_tarikh <= 31.12 DAN penghantaran_tarikh >= 01.01 sebagai "pengecualian cutoff".LANGKAH 3 - Tulis peraturan dalam teks biasa (apa syarat yang anda gunakan) supaya ia boleh diaudit. Peraturan: Saya beri peraturan, jangan ubahnya. Serahkan rekod yang anda benderakan sebagai "pengecualian untuk semakan"; Jangan sebut "error/finding". Jangan mengada-adakan perkara yang anda tidak dapat simpulkan daripada data.

Permintaan ini berkuasa kerana ia mula-mula mengesahkan kesempurnaan, mentakrifkan peraturan pengecualian dengan jelas, memerlukan teks biasa peraturan (kebolehaudit) dan meletakkan output sebagai "pengecualian."

Kesilapan biasa

Melangkau pengesahan kesempurnaan. Menjalankan ujian "penuh" pada data yang tidak lengkap/rasuah dan memberi jaminan palsu.
Tersilap pengecualian sebagai penemuan. Mengira ralat tanpa mengesahkan rekod yang ditanda oleh AI; mengelak menghapuskan positif palsu.
Tidak menyemak peraturan. Menjana ratusan bendera palsu tanpa menyemak sama ada peraturan itu mematuhi data dan proses perniagaan.
Menulis peraturan yang tidak jelas. Mendapat hasil yang tidak boleh diulang dengan gesaan yang tidak ditentukan seperti "cari rekod bermasalah".
Berpuas hati dengan satu permulaan. Tidak menanyakan peraturan atau data jika bilangan pengecualian sangat berbeza daripada yang dijangkakan.

Petua: Bimbang jika bilangan pengecualian terlalu kecil (hampir kepada sifar) atau terlalu besar. Sifar biasanya bermaksud "peraturan ditulis dengan tidak betul" atau "data hilang"; Bilangan yang sangat besar menunjukkan bahawa peraturan itu terlalu luas. Juruaudit yang baik mengesyaki "tiada pengecualian" dan "semuanya adalah pengecualian".

Secara ringkasnya

Ujian populasi penuh ialah lonjakan besar dalam pengauditan: ia menghapuskan risiko pensampelan, menapis 100% data. Tetapi ia tidak percuma. Ia membawa dua tanggungjawab baharu: (1) mengesahkan kesempurnaan dan ketepatan data, (2) menilai pengecualian individu yang timbul. AI menyediakan data, menggunakan peraturan, membenderakan pengecualian dan mengurangkan jam pengimbasan kepada saat; Tetapi ketepatan peraturan, kelengkapan data dan penilaian pengecualian adalah milik juruaudit. Pengecualian bukanlah hasil, ia adalah permulaan.

Tugasan permohonan

Pertimbangkan set data transaksi sedia ada (atau hipotesis). Mula-mula tentukan dua semakan kesempurnaan (bilangan rekod dan penyelarasan amaun). Kemudian tulis peraturan pengecualian yang jelas untuk tujuan pengauditan (cth. invois yang dikeluarkan pada hujung minggu, atau pengecualian pemotongan). Dengan corak gesaan yang berkuasa di atas, minta AI melaksanakan kesempurnaan dahulu dan kemudian peraturan. 10 pertama pengecualian yang muncul ialah "penemuan sebenar atau positif palsu?" Berlatih mengklasifikasikan seperti berikut dan tulis bukti yang anda akan cari untuk setiap satu.

senarai semak

[ ] Saya menamakan data dan memandu dengan selamat.
[ ] Saya mengesahkan kesempurnaan data dengan menyelaraskan bilangan rekod dan jumlahnya.
[ ] Saya mengimbas untuk mendapatkan ruang kosong/buruk.
[ ] Saya mentakrifkan peraturan pengecualian dengan cara yang jelas dan boleh diulang.
[ ] Saya menerima teks biasa peraturan daripada AI dan mengesahkan pematuhannya dengan data dan proses perniagaan.
[ ] Saya mempersoalkan kewajaran bilangan pengecualian (terlalu sedikit / tidak terlalu banyak).
[ ] Saya menganggap setiap pengecualian sebagai soalan untuk diperiksa, bukan penemuan; Saya menghapuskan positif palsu.