Anomalie- en foutdetectie: testen van journaalboekingen en analyse van uitschieters

Winst:

• Begrijp waarom het testen van journaalboekingen verplicht is onder BDS 240 en hoe kunstmatige intelligentie verdachte boekingscriteria kan scannen
• Mogelijkheid om uitschieters, ongebruikelijke timing en ongebruikelijke hoeveelheidspatronen te markeren en te prioriteren met ondersteuning voor kunstmatige intelligentie
• Het kunnen volhouden dat elke anomalie die door kunstmatige intelligentie wordt opgemerkt geen bevinding is, maar een vraagteken dat de auditor zal onderzoeken, en het elimineren van valse positieven is menselijke verantwoordelijkheid.

De financiële overzichten van een bedrijf zijn in feite de som van miljoenen journaalposten (in de boekhouding wordt elke financiële transactie geregistreerd als debet en credit). Zowel fouten als fraude schuilen uiteindelijk in een journaalboeking: een bedrag dat op de verkeerde rekening wordt geschreven, een bedrag dat 'vergeten' wordt en aan het einde van de periode teruggeboekt wordt, een ongebruikelijke boeking die midden in de nacht handmatig wordt ingevoerd. Daarom vereist BDS 240 (de standaard die de verantwoordelijkheden van de accountant met betrekking tot fraude bij de controle van financiële overzichten reguleert) duidelijk dat de accountant de journaalboekingen controleert. Het doel ervan is om mogelijke manipulaties door het management aan het licht te brengen door middel van management override.

In dit onderdeel bespreken we hoe we kunstmatige intelligentie kunnen omzetten in een motor voor het detecteren van afwijkingen en fouten, maar ook waarom elk gemarkeerd record een 'vraagteken' is in plaats van een 'bevinding'. Eerste twee concepten. Een anomalie is een ongewoon record in een dataset dat afwijkt van het verwachte patroon. Een uitschieter is een waarneming die numeriek significant verschilt van de andere (zoals een zeer grote hoeveelheid, een zeer hoge frequentie). Een afwijking is niet altijd een fout; maar het is waar de auditor moet kijken.

Verdachte boekingscriteria bij de journaalboekingstest

BDS 240 stelt dat documenten met bepaalde kenmerken opvallender zijn voor het risico op fraude. AI kan binnen enkele seconden honderdduizenden records scannen op basis van deze criteria. Typische ‘rode vlag’-criteria:

• Ongebruikelijke timing: Handmatige gegevens ingevoerd na werktijd, in een weekend, op een feestdag of op de laatste dag van het einde van de termijn.
• Ongebruikelijke gebruiker: Records ingevoerd door een gebruiker die normaal gesproken geen boekhoudgegevens invoert (bijvoorbeeld een beheerder).
• Ongebruikelijke rekeningcombinaties: boekingen tussen rekeningen die elkaar niet verwachten (bijvoorbeeld een inkomstenrekening en een ongebruikelijke niet-contante rekening).
• Ronde bedragen: "schoon" grote bedragen zoals 100.000, 500.000; Het is een typisch spoor van handmatige manipulatie.
• Records met lege of dubbelzinnige omschrijvingen: lege omschrijvingen zoals ‘correctie’, ‘diversen’, ‘voorlopig’.
• Omgekeerde records: Records die aan het begin van de periode zijn ingevoerd en na korte tijd zijn geannuleerd (storno).
• Duplicaten onder de drempelwaarde: Grote aantallen records geclusterd net onder de goedkeuringsdrempel (bijvoorbeeld $ 50.000).

Tip: Denk samen na over deze criteria, niet individueel. Alleen al een “rond bedrag” kan onschuldig zijn; maar "weekend, door een beheerder, beschrijving leeg, consistent rond, handmatig posten aan het einde van de periode" is een sterke rode vlag. Door AI criteria te laten combineren om een ​​‘risicoscore’ te produceren, kunt u prioriteiten stellen.

De vals-positieve waarheid: waarom niet elk teken een bevinding is

De aard van het scannen van afwijkingen is valse positieven: records die zijn gemarkeerd door de regel en die feitelijk legitiem zijn. Een bedrijf voert bijvoorbeeld automatisch een round-robin-huuropbouw in op de laatste werkdag van elke maand; Dit zit vast aan het criterium ‘rond bedrag + einde periode’, maar is volkomen normaal. Het is de taak van de auditor om het echte risico uit de gemarkeerde stapel te halen. Deze sortering is niet overdraagbaar; omdat het onderscheiden van legitiem van verdacht vereist dat je de business en de context kent – ​​iets wat AI niet heeft.

Lees de output dus altijd als volgt: "De AI heeft 420 records voor mij gemarkeerd. De meeste daarvan zijn waarschijnlijk vals-positieven. Het is mijn taak om uit deze 420 de records te vinden die echt moeten worden onderzocht, de patronen en de individuele verdachte." Deze weergave beschermt u tegen zowel automatiseringsvooroordelen (elk teken dat op een fout wijst) als luiheid (niet naar een van deze kijken).

Anomaliedetectie stap voor stap

1. Bereid gegevens voor en controleer de volledigheid. (Afstemmingsstappen in vorige unit.)
2. Definieer de criteria duidelijk. Welke timing-, hoeveelheid-, gebruikers- en beschrijvingspatronen worden gemarkeerd?
3. Scan en scoor met AI. Markeer elk record volgens criteria; Geef hogere prioriteit aan projecten die aan meerdere criteria voldoen.
4. Elimineer valse positieven. Filter of markeer bekende legitieme patronen (zoals automatische opbouw).
5. Onderzoek de resterende records. Koppel elk aan het ondersteunende document, de goedkeuring en de bedrijfslogica.
6. Documenteer de conclusie en de redenering. Schrijf op wat je verdacht vond en waarom, en wat je hebt geëlimineerd en waarom.

drie minikoffers

Geval 1 — Feitelijke bevinding. Een auditor scande 240.000 journaalposten met AI; Het combineerde de criteria "laatste 3 dagen van de periode + handleiding + beschrijving 'correctie' + 100.000 maal het bedrag". 14 platen kregen hoge scores. In het onderzoek waren er 11 legitieme aanpassingen aan het einde van het jaar; Er werden echter drie boekingen ingevoerd op een manier die de inkomstenrekening zou opdrijven en in de volgende periode zou worden teruggeboekt, en er was geen ondersteunende documentatie. Dit was een patroon waarbij het management controles omzeilde en het was een belangrijke bevinding. De AI stelde 14 vragen; Het scepticisme van de auditor vond de drie echte antwoorden.

Geval 2 – Vals-positieve valstrik. Een teamlid schreef de 380 ‘ronde consistente’ records die AI had gemarkeerd rechtstreeks op het werkblad onder de kop ‘verdachte transacties’. Toen de officier keek, zag hij dat de meesten van hen een vaste huur, een vast adviestarief en automatische afschrijvingsgegevens hadden; ze waren allemaal legitiem. Het werkblad was een ‘lijst met valse bevindingen’ geworden die de audit in de verkeerde richting leidde. Les: niet elk gemarkeerd record is een bevinding; De auditor maakt de selectie.

Geval 3 — Het stellen van de criteria te eng. Een auditor gebruikte alleen het criterium "weekendrecord" en vond geen verdachte records; Hij was opgelucht. In het bedrijfsleven werden echter manipulatieve gegevens ingevoerd tijdens werkuren op weekdagen, maar met ongebruikelijke rekeningcombinaties. Door zich op één enkel eng criterium te verlaten, kon hij het echte risico niet inzien. Toen de auditor de criteria uitbreidde, kwam het patroon naar voren. Les: één criterium biedt geen zekerheid; Bekijk het multidimensionaal.

Zwakke prompt/sterke prompt

Zwakke prompt:

Vind frauduleuze boekingen in deze journaalboekingen.

Probleem: AI kan bedrog niet “detecteren”; Fraude is een juridisch/professioneel gevolg, geen gegevenspatroon. Ook "frauduleus" is niet gedefinieerd. Deze prompt produceert een verzonnen "cheat list" of betekenisloze vlaggen.

Krachtige prompt:

Jouw rol: je bent een zelfstandig accountant journaalboekingsanalyse-assistent. U MARKEERt het record volgens de criteria; De beslissing over bedrog/fout is mijn verantwoordelijkheid. Context: geanonimiseerde journaalgegevens (kolommen: record_nummer, datum, tijd, gebruiker_rol, debet_account, credit_account, bedrag, record_type [handmatig/automatisch], beschrijving). Einde mandaat: 31.12. Werktijden: 09:00-18:00 uur, ma-vrij. Taak: 1) Geef elke record een "aandachtsscore" op basis van de volgende criteria (afhankelijk van hoeveel criteria er zijn bijgevoegd): a) record_type=manueel b) datum tussen 29-31 december OF weekend/feestdag c) uur buiten dienst d) bedrag 100.000 TL effen (afgerond) e) beschrijving is leeg of {correctie, diversen, tijdelijk} in2) Geef de criteria met een score van 3 en hoger op als prioriteitenlijst.3) Schrijf elk criterium dat u toepast in platte tekst (controleerbaarheid).4) Maak duidelijk dat dit "uitzonderingen zijn die moeten worden onderzocht" en niet het GEVOLG van fraude/fouten zijn. Een neprecord toevoegen.

Deze prompt is krachtig omdat hij de criteria duidelijk definieert, multidimensionale scores en controleerbaarheid vereist, en de output nauwkeurig lokaliseert (de uitzondering, niet de uitkomst).

Veel voorkomende fouten

• Het betekent 'vind de truc'. AI detecteert geen bedrog; zet een cijfer op basis van de criteria. Valsspelen is een professioneel/juridisch gevolg.
• Het bord verwarren met een bevinding. Het verdachte record als "fout" schrijven zonder valse positieven te elimineren.
• Vertrouwen op één criterium. Een smalle regel gebruiken en het echte patroon missen.
• Het filtert geen legitieme patronen uit. Ruis creëren door automatische opbouw in de verdachte lijst op te nemen.
• Het documenteren van de redenering is niet mogelijk. Het werkblad onvindbaar achterlaten zonder op te schrijven wat je hebt geëlimineerd/behouden en waarom.

Let op: het omschrijven van een opname als ‘verdacht’ is een serieuze uitspraak. Verifieer met bewijsmateriaal (ondersteunend document, bevestiging, business case) voordat u het als bevinding opschrijft. Anders handelt u oneerlijk tegenover het bedrijf en schaadt u de auditkwaliteit.

Samengevat

Het testen van journaalboekingen is vereist onder BDS 240, en AI is hiervoor de ideale motor: het scant binnen enkele seconden honderdduizenden records op basis van multidimensionale criteria en produceert een attentiescore. Maar AI ‘detecteert’ geen bedrog of fouten; het markeert alleen het ongewone. De output is een stapel uitzonderingen vol valse positieven; Het is aan het scepticisme en oordeel van de auditor om het werkelijke risico eruit te halen, het legitieme risico te elimineren en conclusies te trekken. Het bord is een vraagteken, geen antwoord.

Applicatie taak

Geef vijf afwijkende criteria op voor hypothetische journaalgegevens (schema, gebruiker, bedrag, rekeningcombinatie, beschrijving). Laat de AI een multidimensionale ‘aandachtsscore’ produceren met het krachtige promptpatroon hierboven. Schrijf vervolgens een ‘screeninggids’: welke legitieme patronen (automatische opbouw, vaste huur, etc.) moeten als false positives worden uitgefilterd? Ten slotte: “naar welk bewijs moet ik zoeken voor de vijf hoog scorende records?” Beantwoord de vraag.

controlelijst

• [ ] Ik heb de gegevens geanonimiseerd en de volledigheid ervan geverifieerd.
• [ ] Ik heb de anomaliecriteria multidimensionaal en duidelijk gedefinieerd.
• [ ] Ik ontving de platte tekst van de aandachtsscore en toegepaste criteria van de AI.
• [ ] Ik heb bekende legitieme patronen eruit gefilterd als valse positieven.
• [ ] Ik heb hoog scorende records beoordeeld met ondersteunende documentatie en bevestiging.
• [ ] Ik heb het geverifieerd met bewijsmateriaal voordat ik "valsspelen/fouten" concludeerde.
• [ ] Ik heb gedocumenteerd wat ik verdacht vond en waarom.